XiaoMi-AI文件搜索系统
World File Search System监测点
使用顺序THM耦合_在Cox Claystone中对原位加热实验的基准测试和验证对紧密粘土石的热加压建模
我们采用热弹性和依次的耦合技术来建模紧密粘土岩中的热驱动的耦合热融合机电（THM）过程。在恒定的热载荷下具有相应的热弹性分析解决方案的基准案例验证了该模型。此后，在Callovo-Oxfordian（Cox）Claystone在Meuse/ Haute/ Haute-Marne-Marne-Marne-Marne Underground Researchatory在法国的Callovo-Oxfordian（Cox）粘土中进行了两个原位加热实验以进行模型验证：一个较小的加热实验（TED实验）和较大规模的实验（ALC实验）。该模型表现出良好的性能，可与较小规模的TED实验相匹配观察到的温度和孔隙压力演化。对于大规模的ALC实验，在模型中捕获了热压的一般趋势，但在冷却过程中的某些监测点上估计了压力。这表明该场中的THM响应可能会受到岩石性质的变异性或不可逆的或时间依赖的机械过程的影响，这些过程未包含在当前的热氧弹性模型中。这项工作的主要贡献如下：（1）我们验证并验证数值模拟器Tough-Flac成为有价值的THM建模工具； （2）证明实验室确定的材料参数可以用作高尺度的参考值。但是，为了更好地识别和量化原位测试的建模，应该将更多的效率用于获得高质量的机械变形数据。
国家环境空气质量颗粒物标准
机构：环境保护署 (EPA)。行动：最终规定。摘要：本文件描述了 EPA 修改国家环境空气质量标准 (NAAQS) 中颗粒物 (PM) 的决定，该决定基于其对现有科学证据的审查，这些科学证据将环境 PM 暴露与当前 PM 标准允许的水平下对健康和福利的不利影响联系起来。当前的主要 PM 标准在几个方面进行了修订：增加了两个新的 PM 2.5 标准，分别为 15 µ g/m 3 （基于单个或多个社区监测站的 3 年年度算术平均 PM 2.5 浓度平均值）和 65 µ g/m 3 （基于区域内每个以人群为导向的监测站的 24 小时 PM 2.5 浓度第 98 个百分位数的 3 年平均值）；现行的 24 小时 PM 10 标准已修订为以区域内每个监测点的 99 百分位 24 小时 PM 10 浓度为基础。新的主要标准将提供更强的保护，防止多种与 PM 相关的健康影响，包括过早死亡和住院和急诊就诊增加，主要是老年人和心肺疾病患者；呼吸道症状和疾病增加，主要是儿童和心肺疾病患者（如哮喘）；肺功能下降，特别是儿童和哮喘患者；肺组织和结构以及呼吸道防御机制的改变
辐射检查科环境监测摘要
该文件包括每个设施的每个监测点收集的数据。数据的呈现方式与过去相同。为了减少数据输入所需的空间，检测限未包含在数据中。附录中列出了各种介质、几何形状和放射性核素的预期检测限。其中包括设施地图，但省略了一些细节。有关各个设施的具体信息可在许可证文件中找到。本年度报告和以前年度报告的删节版可在以下网址找到：https://www.dshs.state.tx.us/radiation/ram/environmental-monitoring.aspx 所有环境介质（即土壤、空气、水、植被和污水）的分析均由德克萨斯州卫生服务部 (DSHS) 实验室服务科执行。实验室服务科运营着一个功能强大的放射化学项目。目前，环境科学部门参与了由美国能源部 (USDOE) 赞助的一项计划，称为能源部实验室认证计划。它是由美国能源部开发的，目的是为美国能源部承包商提供质量保证和控制。实验室服务部门在这些“交叉检查”中的最新表现结果可在本文件的附录中找到。Landauer, Inc. 对具有中子源的设施进行光释光 (OSL) 读数。每个日历季度交换和读取大约 200 个 OSL。除科曼奇峰核电站、南德克萨斯项目和 Pantex 外，所有站点读数都会减去背景。这三个位置的背景不会被减去，因为读数识别的是环境剂量。
引用：王胜，陈荣，王胜等.基于机器学习理论的2型糖尿病风险预测模型比较研究：跨学科
摘要 目的比较基于机器学习理论的6种模型的预测效果，为预测2型糖尿病（T2DM）风险提供方法学参考。 研究地点与对象 本研究基于2016—2018年东莞市居民慢性病危险因素监测数据。各监测点采用多阶段整群随机抽样的方法，最终抽取4157人。在初始人群中剔除缺失数据超过20%的个体，最终纳入4106人。采用设计K最近邻算法和合成少数过抽样技术对数据进行处理。采用单因素分析对变量进行初步筛选。采用10倍交叉验证对部分模型参数进行优化。以准确度、精确度、召回率和受试者工作特征曲线下面积（AUC）评价模型的预测效果，采用Delong检验分析各模型AUC值的差异。结果平衡数据后样本量增加至8013例，其中2型糖尿病患者4023例，对照组3990例。六种模型的比较结果显示，反向传播神经网络模型的预测效果最好，准确率、准确度、召回率分别为93.7%、94.6%、92.8%，AUC值为0.977，其次是logistic模型、支持向量机模型、CART决策树模型和C4.5决策树模型。深度神经网络的预测性能最差，准确率、准确度、召回率分别为84.5%、86.1%、82.9%，AUC值为0.845。结论本研究构建了6类2型糖尿病风险预测模型，并基于各项指标比较了这6种模型的预测效果，结果显示，基于所选数据集的反向传播神经网络的预测效果最好。
文章 石灰石采石场爆炸引起的地面振动预测：一种人工智能方法
摘要：地面振动是爆破活动最不利的环境影响之一，会对邻近的房屋和建筑物造成严重损坏。因此，有效预测其严重程度对于控制和减少其复发至关重要。不同的研究人员提出了几种常规振动预测方程，但大多数仅基于两个参数，即单位延迟使用的炸药量和爆炸面与监测点之间的距离。众所周知，爆破结果受许多爆破设计参数的影响，例如负担、间距、火药系数等。但这些都没有被考虑在任何可用的常规预测器中，因此它们在预测爆炸振动时显示出很高的误差。如今，人工智能已广泛应用于爆破工程。因此，本研究采用了三种人工智能方法，即高斯过程回归 (GPR)、极限学习机 (ELM) 和反向传播神经网络 (BPNN)，来估计印度 Shree Cement Ras 石灰石矿爆破引起的地面振动。为了实现该目标，从矿场收集了 101 个爆破数据集，其中粉末系数、平均深度、距离、间距、负担、装药重量和炮泥长度作为输入参数。为了进行比较，还使用相同的数据集构建了一个简单的多元回归分析 (MVRA) 模型以及一种称为多元自适应回归样条 (MARS) 的非参数回归技术。本研究是比较 GPR、BPNN、ELM、MARS 和 MVRA 以确定其各自预测性能的基础研究。八十一 (81) 个数据集（占总爆破数据集的 80%）用于构建和训练各种预测模型，而 20 个数据样本（20%）用于评估所开发的预测模型的预测能力。使用测试数据集，将主要性能指标，即均方误差 (MSE)、方差解释 (VAF)、相关系数 (R) 和判定系数 (R2) 进行比较，作为模型性能的统计评估指标。本研究表明，与 MARS、BPNN、ELM 和 MVRA 相比，GPR 模型表现出更出色的预测能力。GPR 模型显示最高的 VAF、R 和 R 2 值分别为 99.1728%、0.9985 和 0.9971，最低的 MSE 为 0.0903。因此，爆破工程师可以采用 GPR 作为预测爆破引起的地面振动的有效且合适的方法。