XiaoMi-AI文件搜索系统
World File Search System管柱
基于机器学习的预测模型，用于充满混凝土的双皮管柱
本文旨在使用最全面和最新的数据库开发一个独特的人工神经网络（ANN）的方程以及基于MATLAB和PYTHON的图形用户界面（GUI），以预先指示轴向填充的混凝土混凝土填充的混凝土混凝土填充的混凝土填充混凝土填充的双层皮肤管（CFDST）短材料和湿润的柱子，并用正常的材料和高音材料材料。使用1721组数据训练和测试了两种机器学习（ML）方法，它们是ANN和极端梯度提升（XGBOOST），其中129种从实验研究中收集了129个，而有限元（FE）模拟产生了1592个。通过将其预测与实验和FE结果进行比较，评估了开发的ML模型的准确性。为了证明每个参数对预测结果的影响，使用了Shapley添加说明（SHAP）方法。开发的ML模型还用于进行参数研究，以检查几何和材料参数对预测结果的影响。将ML模型的准确性和所提出的基于ANN的方程式预测CFDST列的最终轴向容量的准确性与六种设计方法的轴向容量进行了比较。提出了一个数值示例，以使用拟议的基于ANN的方程来说明CFDST列的设计过程。结果表明，ANN模型在看不见的数据上的性能要比XGBoost模型更好，该模型的XGBoost模型在测试集中均均方根误差较低。结果还表明，在预测准确性方面，ML模型和提出的基于ANN的方程优于其他设计模型。
比较624型毛细管柱
另一方面，我们可以通过不同的方法检查文献是否对固定相的表征进行表征。但是，所有这些方法的起点是基于选择作为单个二阶相互作用的一些化合物的保留数据，这些相互作用可能会在气相色谱分离下分析物和固定相之间发生。在1966年发表的文章中，Rohrschneider表征了22个Sta tionary阶段的极性，其保留指数的5种模型组分的保留指数有所不同，这些模型组件是苯，乙醇，乙醇，乙基甲基酮，硝基甲烷和吡啶[3]。参考值的差异值是通过在Alololar squalane固定相上测量的模型化合物的指标提供的。使用这些测试化合物，他涵盖了二阶相互作用，例如分散，π-π和诱导相互作用，电子对受体和电子对供体行为。McReynolds [4]于1970年进一步开发了这种方法，后者部分取代了测试化合物并部分扩展了它们。McReynolds常数（MRC）被广泛用于描述气相色谱站的极性Ary相，为均匀的COM Parison提供了机会。对于CHRO Matographic指数（CPI），将量表定义为0到100，其中Smocalane代表最极性的零点，而100％Cyano Propyl Siloxane相代表最极性100值。根据测量的MRC val UES的一定固定相可以放在0到100之间的尺度上。1990年Abraham等。1990年Abraham等。许多作者根据不同的考虑（McReynolds收集的大量CHRO Matographic数据）（在两个温度LEV ELS处于77个固定相测量的376种化合物的保留指数，在226个固定阶段的10种化合物的保留指数[5] [5]。介绍了Solva Tion参数模型，以描述具有5个常数的McReynolds 77平台ARY相位，而不是一个单个极性指数[5]。基于溶剂化参数模型Poole [1]，使用多个线性回归分析构建了52个壁涂层毛细管柱的色谱系统常数数据库。