XiaoMi-AI文件搜索系统
World File Search SystemMAPE
用石墨烯纳米片（GNP）加强PE的机械性能：成分的影响
熔融混合的抽象处理参数（聚合物加工中最常规的技术之一）在所得材料的质量和特性中起着重要作用，尤其是在涉及纳米孔孔的情况下。当前的研究研究了螺丝挤出机的变化处理温度，旋转速度和元素，旨在通过改善PE的两个级别的商用大师的纳米粒子来增强聚乙烯（PE）纳米复合材料的机械性能。该研究投资于聚乙烯中常见兼容剂（MAPE）和剪切力的影响。对机械性能，形态和微观结构的变化进行了比较。结果表明，增加的GNP量导致机械性能的预期连续增加，指的是基础聚合物。MAPE的添加并没有显着改善研究系统的性能。 使用更强的剪切力会对性质产生负面影响。MAPE的添加并没有显着改善研究系统的性能。使用更强的剪切力会对性质产生负面影响。
使用机器学习算法预测住宅物业价格
摘要。住宅房地产价格预测对于评估市场价值并确定价格过高或定价不足至关重要。这项研究研究了各种机器学习算法的性能，包括决策树（DT），Random Forest（RF）和多层Perceptron（MLP），以预测住宅物业价格。该研究执行探索性数据分析和主要成分分析（PCA），以降低变量的维度，并提取马来西亚吉隆坡梯田房价的最有用的变量。一个公开可用的数据集用于培训和测试算法，在预处理过程后的比例为70:30。性能指标，例如Kappa统计，R -Squared，平均绝对误差（MAE），平均绝对百分比误差（MAPE）和根平方误差（RMSE）来评估算法。结果表明，RF的表现优于DT和MLP，获得85.82％的最高精度得分，最高的KAPPA统计数据为0.8307。研究还发现，RF算法的预测数据与火车集可靠。进行探索性数据分析和PCA后，RF-PCA证明了住宅物业价格预测的最佳性能，与DT-PCA和MLP-PCA相比，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）的R平方值为0.7497，MAE（0.6091），MAPE（19.23％）和RMSE（1.066）。
心血管疾病患者在通气阈值下由心率确定的运动强度域：与心血管康复处方建议的新见解和比较
抽象目的是将心肺运动测试（CPET）与指导指导指导的运动强度域确定的通气阈值（VTS：VT1和VT2）的引起的运动反应（VTS：VT1和VT2）进行了比较；提出方程来预测VTS的心率（HR）；并比较处方方法的准确性。方法对CVD患者进行了972个最大跑步机CPET进行的横断面研究。首先，鉴定了VT并将其与指向指导的运动强度域进行了比较。第二，进行了多元线性回归分析，以生成VTS HR的预测方程。最后，通过平均绝对百分比误差（MAPE）评估处方方法的准确性。结果发现了VTS的显着分散体，具有相同的相对强度对应于不同指导指导的运动强度域。确定了基于峰值努力百分比的方法固有的数学错误，这可能有助于解释分散体。量身定制的多变量方程得出的VT1的R 2的R 2，VT2的0.901。新型VT1方程的 MAPE为6.0％，低于基于指南的处方方法（9.5至23.8％）。新型VT2方程的 MAPE为4.3％，低于基于指南的方法（5.8％–19.3％）。结论心血管康复的基于指南的运动强度域揭示了不一致和异质性，这限制了当前使用的方法。开发了针对CVD患者的新型多变量方程式，并证明了更好的准确性，表明当CPET无法使用时，这种方法可能是有效的选择。
百里香糖和葡萄糖的最小抑制浓度
自锂离子电池的进步以来，已经大大提高了电池性能，降低成本和能量密度。这些进步加速了电动汽车（EV）的开发。电动汽车的安全性和有效性取决于对锂离子电池健康状况（SOH）的准确测量和预测；但是，这个过程尚不确定。在这项研究中，我们的主要目标是通过减少充电状态（SOC）估计和测量的不确定性来提高SOH估计的准确性。为了实现这一目标，我们提出了一种新型方法，该方法利用基于级的优化器（GBO）评估锂电池的SOH。GBO最小化的成本是为了选择最佳的候选者，以通过mem-ory fading遗忘因素更新SOH。我们评估了我们的方法针对四种鲁棒算法，即颗粒群优化最高方形支持矢量回归（PSO-LSSV），BCRLS-MULTIPEPIPPY加权双重加长扩展Kalman滤波（BCRLS-MWDEKF），总平方（TLS），以及近似加权的总载体（AWTLS）（awtles and ever and Square）（HEF）（ev）ev）（EV）。我们的方法始终优于替代方案，而GBO达到了最低的最大误差。在EV方案中，GBO的最大错误范围从0.65％到1.57％，平均误差范围从0.21％到0.57％。同样，在HEV场景中，GBO的最大错误范围从0.81％到3.21％，平均误差范围从0.39％到1.03％。此外，我们的方法还展示了出色的预测性能，均方根误差（MSE）的值较低（<1.8130e-04），根平方误差（RMSE）（RMSE）（<1.35％）和平均绝对百分比误差（MAPE）（MAPE）（MAPE）（<1.4）（<1.4）。
预测医学消费的聚类分析
摘要。这项研究调查了用于医院中医学消费的机器学习，以优化资源分配和物流。我们使用两种方法：一种结合了多家医院数据的统一方法，以及一种预测个人医院的分离方法。我们根据消费趋势探索了K-均值聚类和手动对聚类。虽然K-均值聚类并未产生改进，但手动夹确定了具有明显增强预测准确性的特定药物对（例如，医院1：MAPE 1：MAPE从19.70％降低到3.30％）。但是，统一的方法并不能始终如一地使所有医院受益（例如，医学9）。这强调了在某些医院的准确性提高与其他医院潜在损失的需求。总体而言，分离方法中的手动聚类显示出希望。未来的工作应探索高级自动聚类技术，例如动态时间扭曲（DTW），并利用较大的数据集进行进一步验证。
与人工神经网络的木聚合物复合材料的机械性能建模Mustafa AltayEroğlu，A， * Suat Altun，B和HasanHüsey
Mechanical properties (tensile strength (TS), modulus of elasticity in tensile (MET), flexural strength (FS), modulus of elasticity (MOE)) of the material to be obtained depending on the production parameters in the production of high-density polyethylene (HDPE) wood-polymer composites with Scots pine wood flour additive were predicted using Artificial Neural Networks (ANN) model and without破坏性测试。在研究的第一阶段，使用来自56种不同研究的有关木材聚合物复合材料的机械性能的不同研究开发了ANN模型。在第二阶段，为了确定模型的可靠性，使用未在模型的训练和测试中使用的输入参数估算输出值。基于相同的输入参数，产生了测试样品，并进行了机械测试。通过考虑平均绝对百分比误差（MAPE）值来比较从实验和ANN模型中获得的结果。在ANN模型的训练和测试阶段获得的测定系数（R 2）值均高于0.90。通过这种方式，ANN模型成功预测了木材聚合物复合材料的机械性能。由于从机械测试获得的大多数MAPE值低于10％，因此该模型被认为是可靠的模型。doi：10.15376/biores.19.3.4468-4485关键字：拉伸强度；弯曲力；弹性模量； HDPE; MAPE联系信息：A：Safranbolu的互助设计系，Safranbolu西YılmazDizdar职业学校，卡拉布克大学，Safranbolu/Karabuk，土耳其； B：土耳其卡拉布克大学卡拉布克大学技术学院工业设计工程系；答：土耳其杜兹克大学的林产品工业工程，杜兹斯大学林业教师； *通讯作者：altayeroglu@karabuk.edu.tr简介
锂离子电池荷电状态估计技术的比较研究
摘要 — 充电状态 (SOC) 估计对于电池的最佳利用和保护非常重要。本文实现并比较了神经网络 (NN) 算法和库仑计数法在电池充电状态 (SOC) 估计中的性能。该算法应用于电动汽车的电池管理系统 (BMS)。准确的 SOC 信息可以避免电池过度充电和过度放电，从而延长电池寿命。此外，控制系统使用准确的 SOC 信息做出合理的决策，以节省电动汽车的能源。与库仑计数法相比，NN 模型的优势在于它可以在 BMS 硬件中实现，其中可以在线测量电流、电压和温度。这种神经网络方法的特点是它优化了两个重要的超参数以实现合理的 MAPE 误差。使用两个城市驾驶条件的数据集测试了所提出方法的性能。结果表明，两种方法（NN 和库仑计数）都可以以合理的误差（<6%）预测 SOC。然而，对于这两个数据集，库仑计数的性能都优于神经网络 MAPE。
人工智能应用，用于在下弗里利亚平原（意大利东北）
地热能作为可持续和清洁能源取决于储层温度的准确估计。理解含水层温度对于优化低率地地热系统开发至关重要。预测算法的进步可以提高地热效率，而间接温度测量的常规方法和地球化学分析中的假设会导致不确定性。作为一种措施，本研究对六种机器学习算法进行了全面评估，包括极端梯度提升（XGBoost），决策树，广义回归神经网络，极端的随机树，径向基础功能和弹性网。我们采用了基本绩效指标，包括确定系数（R 2）得分，均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和差异（VAF）来阐明其预测精度和较低的Friulian Plain（Northerian Plain（Northerian Plain）（Northerev）（easterth）的预测准确性和普遍性作用。在经过审查的Al Gorithm中，XGBoost成为一个预测的示例，在测试数据集中取得了0.9930的显着r 2分数，始终为0.788，MAE为0.587，MAE为0.587，MAPE，MAPE为1.909，MAPE为1.909，高VAF为99.30，其出色的精确度和强大的精确度和强大的精确度。值得注意的是，其他四个模型的性能比XGBoost稍弱，而弹性网显示中等的预测能力，这说明了数据库的复杂性。进行了灵敏度分析，以确定影响温度预测的主要因素。与其他算法相比，Wilcoxon签名的秩检验证实了XGBoost在估计地热温度方面的出色性能，统计证据支持其精度和可靠性。用于不确定性分析的蒙特卡洛模拟强调了模型选择，准确性和不确定性管理在较低弗里利亚平原的地热项目计划中的重要性。在考虑的参数中，碳酸氢盐在0.51时的最高显着性，这对于准确的温度预测至关重要，因为它的缓冲能力直接影响水的热特性。镁和电导率每种都有0.11的贡献，也起着重要作用，因为它们对水的保留和分布能力的影响。水深为0.08，对预测模型中的温度曲线也有很大的影响。总而言之，在下部弗里利亚平原中，碳酸盐储层中XGBoost对含水层温度的准确预测强调了其优化地热资源的价值，并突出了对温度的最重要影响。
使用人工智能改善项目管理的时间估算
总共发现 12 个已完成的项目既有足够的时间报告数据，也有一些项目信息。以前的项目平均比项目开始时估计的时间多 55.1%。每个项目都有以下一项或多项：项目描述、工作分解结构和/或甘特图。但是，几乎所有项目的细节程度都很低，很难提取有用的特征。一个恒定时间模型（预测每个项目花费相同的时间）的均方根误差 (RMSE) 为 5058 小时，平均绝对百分比误差 (MAPE) 为 282%。另一个模型考虑了项目是纯软件、纯硬件还是两者兼有，其 RMSE 为 4269 小时，MAPE 为 320%。由于数据稀缺，没有进行进一步的改进。确定为了开发出能够与人类估计相匹配的预测模型，以下条件至少之一必须为真：数据的细节程度更高、以前项目的样本量更大，或者项目更相似以便它们更频繁地共享共同特征。