XiaoMi-AI文件搜索系统
World File Search SystemFCN
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。
在...
神经影像学研究越来越多地使用面向网络的分析来了解健康和分散个体的人脑。神经科学研究提供了证据，表明这些神经回路在解释人口之间的大脑功能差异方面起着至关重要的作用[1]。青少年脑认知发展（ABCD）研究[2]是美国脑发育和儿童健康的最大和长期研究。它为多样化的人群提供了广泛的大脑发展数据集，包括fMRI和丰富的生物学和行为调查结果。此数据集提供了一个机会，可以探索与错综复杂的大脑联系和丰富的行为数据之间的关系。最近有一种趋势是使用源自神经成像数据（例如fMRI）来预测各种临床结果的脑网络。然后分析这些模型以确定功能性脑网络与临床结果之间的潜在相关性。例如，Li等人。[3]提出了一个GNN模型来预测临床靶标，然后发现了特定于任务的神经系统标志物。此外，Chen等人。[1]在ABCD研究中为每个行为任务构建了单个模型，并分析了这些模型以捕获各种行为的关系。我们没有在这项工作中训练每个任务的单个模型，而是通过多任务学习（MTL）同时培训35个任务以及来自ABCD研究中7327个样本的休息状态功能性脑网络。MTL是一个框架，使多个学习任务能够共享其知识，从而改善了概括。所使用的骨干模型是脑网络跨前来[4]。MTL模型体系结构的概述如图1：大脑网络变压器将大脑网络转换为图形级别的嵌入，然后将其馈入每个预测目标的不同特定任务完全连接的网络（FCN）中。使用ADAM优化器对所有目标进行了端到端训练，并应用了平方误差以计算损失和评估性能。此外，我们为比较训练了35个单独的大脑网络变压器，一个用于每个任务。我们将35个任务包括在ABCD研究中，分为3个类别（域）：认知预测（15个任务），人格预测（9个任务）和心理健康预测（11个任务）。我们的实验结果表明，MTL的性能明显优于单任务mod-
多行业全氟和多氟烷基物质 (PFAS) 研究
ACC 美国化学理事会 ADONA 4,8-二氧杂-3H-全氟壬酸铵的商品名，3M 氟聚合物加工助剂技术中使用的一种化学品 AF&PA 美国森林与造纸协会 AFFF 水性成膜泡沫 APFO 全氟辛酸铵（PFOA 的铵盐） ASTSWMO 州与地区固体废物管理官员协会 ATSDR 美国卫生与公众服务部，有毒物质与疾病登记署 BAF 生物累积因子 BCF 生物浓缩因子 CAFE 美国国家海洋与大气管理局化学品水生生物命运与影响数据库 CBI 机密商业信息 CDR 化学数据报告 CFR 联邦法规 CWA 清洁水法 DMR 排放监测报告 DOD 美国国防部 DONA 4,8-二氧杂-3H-全氟壬酸的商品名，3M 氟聚合物加工助剂技术中使用的一种化学品 DWTD 饮用水可处理性数据库 DWTP 饮用水处理工厂 ELG 废水排放限制指南和标准 EPA 美国环境保护署 EPA OPPT 美国环境保护署，化学品安全和污染防治办公室，污染防治和毒物办公室 ETFE 乙烯四氟乙烯 F-53B 氯化多氟烷基醚磺酸的商品名，包括 9Cl-PF3ONS（“F-53B 主”）、11Cl-PF3OUdS（“F-53B 次”）及其钾盐 FAA 美国部门