XiaoMi-AI文件搜索系统
World File Search SystemGRNN
对碳实体的影响
使用CO 2注入增强的石油回收（EOR）是有希望的，经济和环境益处是一种积极的气候变化方法。然而，CO 2注射的较低扫描效率仍然是一个挑战。CO 2 -FOAM注射已被提议作为一种补救措施，但其对特定储层的实验室筛查是昂贵且耗时的。在这项研究中，使用机器学习模型来预测CO 2-FOAM洪水期间的石油回收因子（ORF）。四个模型，包括通用回归神经网络（GRNN），具有Levenberg - Marquardt优化（CFNN-LM），具有贝叶斯正则化（CFNN-BR）（CFNN-BR）的级联向前神经网络的级联向前神经网络以及基于实验数据的实验数据，以贝叶斯正则化（CFNN-BR）（CFNN-BR）（CFNN-BR）（CFNN-BR）和极端梯度提升（XGBoost）。结果表明，GRNN模型的表现优于其他模型，总体平均绝对误差为0.059，R 2为0.9999。使用威廉姆斯图对GRNN Model的适用性域进行了验证，并对CO 2 -FOAM洪水项目进行了不确定性分析。这项研究的新颖性在于开发一种基于机器学习的方法，该方法在CO 2-FOAM实验中对ORF进行了准确且具有成本效益的预测。这种方法具有显着减少CO 2 -FOAM注入所需的筛查成本和时间的po态，从而使其成为更可行的碳利用和EOR策略。
利用机器学习提高矮牵牛组织培养效率：改善愈伤组织形成的途径
矮牵牛在组织培养中的重要特征是其不可预测且依赖于基因型的愈伤组织发生，这对高效再生和生物技术应用提出了挑战。为了解决这个问题，机器学习 (ML) 可以被视为一种强有力的工具，用于分析愈伤组织发生数据、提取关键参数和预测矮牵牛愈伤组织发生的最佳条件，从而促进更可控和更高效的组织培养过程。该研究旨在利用 ML 算法开发矮牵牛愈伤组织发生的预测模型，并优化植物激素浓度以提高愈伤组织形成率 (CFR) 和愈伤组织鲜重 (CFW)。该模型的输入为 BAP、KIN、IBA 和 NAA，输出为 CFR 和 CFW。比较了三种 ML 算法，即 MLP、RBF 和 GRNN，结果表明 GRNN (R 2 83) 在准确性方面优于 MLP 和 RBF。此外，还进行了敏感性分析以确定四种植物激素的相对重要性。IBA 的重要性最高，其次是 NAA、BAP 和 KIN。利用 GRNN 模型的卓越性能，集成遗传算法（GA）来优化植物激素浓度，以最大化 CFR 和 CFW。遗传算法确定了最佳植物激素组合，即 1.31 mg/L BAP、1.02 mg/L KIN、1.44 mg/L NAA 和 1.70 mg/L IBA，CFR 为 95.83%。为了验证预测结果的可靠性，在实验室实验中测试了优化的植物激素组合。验证实验的结果表明，通过 GA 获得的实验结果和优化结果之间没有显著差异。本研究提出了一种结合机器学习、敏感性分析和遗传算法的新方法，用于建模和预测矮牵牛的愈伤组织形成。研究结果为优化植物激素浓度、促进愈伤组织形成以及在植物组织培养和基因工程中的潜在应用提供了宝贵的见解。