XiaoMi-AI文件搜索系统
World File Search System多变
多变量孔隙压力预测的混合机学习优化算法
孔隙压力是钻孔设计中的重要数据，其准确的预测对于确保钻孔安全性和提高钻井效率是必要的。在形成特定的结构和岩性时，预测孔隙压力的传统方法受到限制。在本文中，使用机器学习算法和有效应力定理来建立岩石物理参数和孔隙压力之间的转换模型。本研究收集了三口井的数据。Well 1有881个用于模型训练的数据集，Wells 2和3具有538和464个数据集用于模型测试。在本文中，选择了支持向量机（SVM），随机森林（RF），极端梯度提升（XGB）和多层感知器（MLP）作为孔隙压力建模的机器学习算法。In addition, this paper uses the grey wolf optimization (GWO) algorithm, particle swarm optimization (PSO) algorithm, sparrow search algorithm (SSA), and bat algorithm (BA) to establish a hybrid machine learning optimization al- gorithm, and proposes an improved grey wolf optimization (IGWO) algorithm.IgWO-MLP模型通过使用5倍的交叉验证方法来获得训练数据，从而获得了最小根平方误差（RMSE）。对于井2和3井中的孔隙压力数据，SVM，RF，XGB和MLP的确定系数（R 2）为0.9930和0.9446、0.9943和0.9943和0.9472、0.9472、0.9945和0.9945和0.9488、0.9949、0.9949、0.9949和0.9949和0.9574。MLP在训练和测试数据上都达到了最佳性能，MLP模型显示出高度的概括。©2023作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.表明IGWO-MLP是孔隙压力的极好预测指标，可用于预测孔隙压力。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
对具有临床相关流感核酸内切酶变体抑制剂的结构研究 基于源的形态测定法揭示了22Q11.2缺失综合征的结构性大脑模式异常 哥斯达黎加城市和农村老年人的神经心理电池的测量不变性 机载DNA揭示了真菌的可预测的空间和季节性动态 UC Merced 赢得电子竞技竞赛的最佳大脑条件：与电子竞技相关的额叶和顶叶皮层中的脑电图振幅 顽固的多变体lichen planus成功地用口服baritodinib和局部ruxolitinib奶油处理 Shen Hu编辑 - 癌症代谢组学 圣地亚哥UC 健康心理学评论ABCD特刊2023 怀孕的心血管疾病
摘要：对流感的治疗至关重要的是使用抗病毒药，例如Oseltamivir（Tamiflu）和Zanamivir（Relenza）；但是，对于这些治疗剂而言，抗病毒药抗性正成为越来越多的问题。RNA依赖性RNA聚合酶酸性N末端（PA N）核酸内切酶是流感病毒复制机制的关键成分，是一个抗病毒靶标，最近经批准Baloxavir Marboxil（BXM）经过验证。尽管BXM取得了临床成功，但BXM表现出对抗性突变的敏感性，特别是PA n的I38T，E23K和A36 V突变体。为了更好地了解这些突变对BXM抗性的影响并改善了更健壮的治疗剂的设计，本研究研究了蛋白质 - 抑制剂与两个抑制剂的关键差异，以及I38T，E23K和A36 V突变体。通过使用两种生物物理方法测量与PA N结合的变化来评估抑制剂结合的差异。用野生型和突变形式的Pa n晶体学确定了两个不同抑制剂的结合模式。总的来说，这些研究对这些突变体的抗病毒抗性机理有了一些深入的了解。■简介流感病毒导致疾病的重大负担，仅在2018/19季节，在美国造成了约3550万例，500,000例住院和35,000例死亡。1个儿童和老年人群特别容易受到复杂的流感病例，占住院和死亡的最大百分比。3，42在19009年大流行期间，非药物干预措施（NPI），例如在家中订单，掩盖，社会疏远和增加的消毒措施在公共场所实现，以防止SARS-COV-2的传播。这也导致全球流感感染在2020/21和2021/22季节中大大减少，这对流感疫苗的年度重新印象产生了影响。重新制作在很大程度上取决于循环菌株的先前传染病季节的数据，以预测即将到来的流感季节最有效的疫苗组成。3因此，预测最佳2022/23疫苗的数据较少，这解释了2022/23季节观察到的流感的实质性复苏。
气候模型降尺度的多变量硬物理约束
全球气候模型（GCM）是模拟气候演变并评估气候变化影响的主要工具。但是，它们通常以粗糙的空间分解运行，从而限制了它们在繁殖局部规模现象方面的准确性。利用深度学习的统计缩减方法通过近似粗略变量的局部尺度气候场来解决此问题，从而实现了区域GCM的投影。通常，感兴趣的不同变量的气候场是独立缩小的，从而违反了互连变量之间的基本物理特性。本研究研究了此问题的范围，并通过温度的应用为引入多变量硬约束的框架奠定了基础，该框架可以保证与降低气候变量的群体之间的身体关系。
普通人群新冠肺炎后心血管疾病发病率及个体风险预测：多变量预测模型开发与验证研究
数据取自英国临床实践研究数据链。估计了感染后 180 天内动脉或静脉事件、炎症性心脏病以及新发心房颤动或心力衰竭的发病率。接下来，使用年龄、性别和传统心血管危险因素，对 2020 年 12 月 1 日前感染 COVID-19 的 220 751 名成年人建立了多变量逻辑回归模型。所有模型均在 (i) 138 034 名接种疫苗的成年人和 (ii) 503 404 名未接种疫苗的成年人中进行了外部验证，这些成年人在 2020 年 12 月 1 日后首次感染 COVID-19。通过内部和外部验证评估了判别性能和校准。在感染 COVID-19 后长达 60 天内，静脉和动脉心血管事件以及新发心房颤动的发生率有所增加，但炎症性心脏病或心力衰竭的发生率没有增加，静脉事件的发生率最高（每 1000 人年 13 例）。最佳预测模型的 c 统计量为 0.90 或更高。然而，不到 5% 的成年人预测的 180 天结果特异性风险大于 1%。这些罕见的结果使校准变得复杂。
表征生活方式因素与结构大脑测量之间的协方差模式_两个独立衰老队列的多变量复制研究
丹麦磁共振研究中心，功能和诊断成像与研究中心，哥本哈根大学医院 - 仪表板 - 室友和HVIDOVRE，丹麦B伦敦B伦敦伦敦数学数学学院，英国伦敦，C哥本哈根大学，哥本哈根大学，哥本哈根大学，哥本哈根大学，丹麦哥本哈根，丹麦医院，医院，哥伦比亚大学。哥本哈根，丹麦E临床医学研究所，哥本哈根大学医学和健康科学学院丹麦H丹麦H哥本哈根，沃恩福德医院，牛津大学，牛津大学，牛津大学，英国I辐射科学系，UMEå功能性脑成像中心（UFBI），Umeå大学，Umeå大学，瑞典
航空发动机多变量滑模控制设计
EngagedScholarship@CSU 为您提供免费开放的本论文。EngagedScholarship@CSU 的授权管理员已接受本论文并将其收录到 ETD 档案中。如需了解更多信息，请联系 library.es@csuohio.edu 。
开发和验证墨西哥人口中临床用途的多变量基因型妊娠糖尿病预测算法：对敏感性机制的见解
摘要简介妊娠糖尿病（GDM）在墨西哥诊断不足。通过预测建模的早期GDM风险分层有望改善预防保健。我们开发了一个综合遗传和临床变量的GDM风险评估模型。使用“ Cuido Mi Embarazo”（CME）（CME）同类群的研究设计和方法数据用于开发（107例，469例对照），以及来自“MónicaPreteliniSáenz”母体围产期医院（HMPMPS）群体的数据，用于外部效力（32案例）（32例），1992案例，1992.32 conteration（32 Contractation（32），1992案例，1992案例，199.99例，199.99例（32例）。2小时的口服葡萄糖耐受性测试（OGTT），在24-28妊娠周进行了75 g葡萄糖，用于诊断GDM。选择了114个具有预测能力的单核苷酸多态性（SNP）进行评估。OGTT期间收集的血液样本用于SNP分析。将CME队列随机分为训练（70％的队列）和测试数据集（占队列的30％）。将培训数据集分为10组，9组以构建预测模型和1个用于验证。使用测试数据集和HMPMPS队列进一步验证了该模型。结果十九个属性（14个SNP和5个临床变量）与结果显着相关。 GDM预测回归模型中包括11个SNP和4个临床变量，并应用于训练数据集。该算法具有很高的预测性，曲线（AUC）下的面积为0.7507，灵敏度为79％，特异性为71％，并且有足够的功能来区分病例和对照。在进一步验证后，培训数据集和HMPMPS队列的AUC分别为0.8256和0.8001。结论我们使用遗传和临床因素开发了一个预测模型，以鉴定有患GDM风险的墨西哥妇女。这些发现可能有助于对GDM风险升高并支持个性化患者建议的代谢功能有更深入的了解。
多变量 BWAS 可以用中等大小的样本进行复制
全脑关联研究 (BWAS) 将个体的表型特征差异与大脑结构和功能的测量结果关联起来，在过去 30 年中已成为连接心智和大脑的主要方法。单变量 BWAS 通常分别测试数万到数十万个大脑体素，而多变量 BWAS 则将跨大脑区域的信号整合到预测模型中。单变量 BWAS 存在许多问题，包括缺乏能力和可靠性，以及无法解释分布式神经回路中嵌入的模式级信息 1–4 。多变量预测模型解决了许多这些问题，并为提供基于大脑的行为和临床状态及特征测量提供了巨大希望 2,3 。在他们最近的论文 4 中，Marek 等人在三个大型神经影像数据集中评估了样本量对单变量和多变量 BWAS 的影响，并得出“BWAS 的可重复性需要数千个个体的样本”的总体结论。我们赞赏他们的全面分析，并且我们同意：(1) 进行单变量 BWAS 时需要大量样本，(2) 多变量 BWAS 会显示出更大的效应，因此更有说服力。Marek 等人 4 发现，多变量 BWAS 提供的样本内关联被夸大了，除非纳入数千名参与者，否则通常无法复制（即没有说服力）。这意味着发现样本的效应大小估计必然被夸大了。然而，我们区分了效应大小估计方法（样本内与交叉验证）和样本（发现与复制），并表明，通过适当的交叉验证，Marek 等人 4 在发现样本中报告的样本内膨胀可以完全消除。通过额外的分析，我们证明，在某些情况下，高质量数据集中的多变量 BWAS 效应可以用小得多的样本量复制。具体而言，将标准多元预测算法应用于人类连接组计划中的功能连接，在 6 种表型中的 5 种测试样本量为 75-500 的情况下产生了可复制的效果（图 1）。这些分析仅限于相对高质量数据集中选定的表型数量（使用单个扫描仪在年轻成年人群中测量），不应过度概括。然而，他们强调，样本量要求的关键决定因素是大脑-表型关系的真实效应大小，并且通过适当的内部验证，可以对中等规模的研究进行适当的效应大小估计和足够大的效应。Marek 等人 4 通过在“发现样本”中训练各种多元模型来评估多元 BWAS 中的样本内效应大小膨胀
光伏-电池-超级电容器水泵系统及其在多变天气条件下潜力的实验评估
DOI：https://dx.doi.org/10.30919/esee8c693 光伏/电池/超级电容器抽水系统的实验评估及其在多变天气条件下的潜力 Madhumita Das，1，* Asim Halder 1，# 和 Ratan Mandal，2，# 摘要 研究人员经常使用电池来消除太阳能抽水系统中天气变化的影响，因为天气变化会缩短电池寿命。超级电容器和电池储能技术相辅相成。超级电容器具有高功率密度，而电池具有高能量密度。超级电容器的集成可以增强光伏 (PV)/电池系统的性能。在这项工作中，使用离心泵在多变的天气条件下（晴天、多云天和多云天）对 PV/电池/超级电容器抽水系统进行了实验测试。实验使用 40 Wp 太阳能模块为 12 V、14.4 W 离心泵以及 12 V、9 Ahr 电池和 210 F、12 V 超级电容器组供电。演示了电池和超级电容器之间的电流分布。研究了阳光辐射波动对流量和电池/超级电容器充电放电特性的影响。该系统在部分阴天运行有效，从而提高了抽水系统的性能。该抽水系统提高了农业应用中光伏系统的效率。