XiaoMi-AI文件搜索系统
World File Search System输入变量
不同人工智能技术在爆炸空气超压预测中的比较研究
摘要：爆破是露天矿中最常见的岩石破碎方法。然而，它的副作用也不容小觑，例如飞石、地面振动、粉尘、有毒副产品、空气过压和背裂。这些影响会显著改变周围环境，尤其是在压力高于正常水平时。本研究提出并比较了四种用于预测爆炸引起的空气过压的人工智能模型，即多层感知器 (MLP)、随机森林 (RF)、等渗回归 (IR) 和 M5 规则。根据输入变量，即堵塞长度 (T)、每延迟炸药量 (W)、负担 (B)、监测距离 (R) 和间距 (S)，选择空气过压作为输出变量。使用几个统计性能指标，包括判定系数 (R²)、根相对平方误差 (RRSE)、均方根误差 (RMSE)、平均绝对误差 (MAE) 和相对绝对误差 (RAE) 来评估模型。此外，还采用了颜色强度分组排序方法和一般排序方法进一步评估模型。基于性能指标的结果证实，与其他技术相比，M5-Rules 是出色的模型。关键词：爆炸引起的空气过压；人工智能技术；地球科学；采石场；软计算
用于评估气候变化对卡西利亚集水区径流的影响的机器学习和混合模型，伊朗北部法哈德·哈吉安1，，霍斯
这项研究评估了人工神经网络（ANN），基因表达编程（GEP）和HEC-HMS模型在评估伊朗北部卡西利亚集水区径流的影响方面的HEC-HMS模型。从2007年到2021年的每日数据分为校准（2007- 2018年）和验证（2018-2021）。结果表明，当单独应用时，GEP和ANN模型在所有性能指标（包括RMSE和NSE）中超过了HEC-HMS模型。此外，与单个机器学习（ML）或HEC-HMS模型相比，将HEC-HM与GEP和HEC-HMS与ANN的HEC-HMS和HEC-HMS集成的混合模型相比表现出色。使用LARS-WG软件生成了输入变量（温度和降雨），并结合了五个气候模型和SSP585场景，用于未来的气候变化研究。此外，这些混合模型还用于预测观察到的时期（2007-2018）和未来期（2031-2050和2051-2070）的径流变化。结果表明，年平均降水量，极端降水事件和降水强度的增加，这意味着未来卡西利亚集水区的洪水和侵蚀可能性更高，伊朗北部的小集水集也是如此。
纳米流体导热率和粘度的预测
众所周知，纳米流体在其热和转移特性方面与传统传热液显着不同。CO 2传输特性的两个，其导热率和粘度对于改善油的检索方法和工业制冷至关重要。通过将分子模型与各种机器学习算法相结合，本研究预测了氧化铁CO 2纳米流体的传导特征。可以通过应用机器学习方法，例如决策树，k-neareast邻居和线性回归来评估这些传输参数估计值的准确性。预测这些转移质量需要知道纳米颗粒体积的大小，比例和温度的比例。为了确定特征，分子动力学模拟是使用大尺度原子进行的。建立了一个间和vari内部功能的皮尔逊相关性，以确认输入变量依赖于M和导热率。最终使用确定的统计系数确认了结果。对于各种温度范围，体积分数和纳米颗粒尺寸，该研究发现，决策树模型是预测纳米流体传输参数的最佳方法。它的成功率为99％。关键词：导热率，粘度，机器学习，纳米流体，
使用基于机器学习的优化算法拆分拉伸强度预测
摘要。预测拉伸强度的预测是确定结构性能的关键机械属性，是评估可回收骨料的可行性的组成部分。评估回收骨料的分裂拉伸强度的传统技术依赖于高级和耗时的实验室测试，这对于大规模应用可能是昂贵且效率低下的。这项工作提出了基于机器学习的算法，以预测分裂拉伸强度的性能。在这项研究中，从先前的研究中获得了257项测量，其中包含影响分裂强度的输入变量。使用三种方法来构建不同的预测模型，即支持向量回归，XG增强和随机森林。使用MAE，RMSE，MAPE和MASE等指标评估了各种模型的性能指数，以测量模型的准确性和可靠性。本研究表明，随机森林算法的表现优于其他RMSE值1.76的模型。实施拟议的模型可提高预测的可靠性，使研究人员能够做出有关将再生材料纳入可持续建筑实践中的明智决定，从而有助于减少建筑部门的环境影响。关键字：回收总骨料混凝土（RAC），机器学习，随机森林，XG提升，拉伸强度，支持向量回归
INF422第1557节ACA FIN.indd
问：该规则提到了“合理的努力”来识别和减轻偏见。这实际上对放射科医生意味着什么？•该规则未指定确切的步骤，但“合理的努力”可能需要：•治理过程在您的实践中建立并记录了用于AI部署和监视的治理过程，并结合了一致的政策和程序。为最终用户创建一个过程，以报告他们对临床部署AI算法潜在歧视的担忧。•识别潜在偏见：请了解AI中已知的偏见和您的领域中使用的算法。例如，请注意研究强调脉搏血氧仪等设备的AI模型中的种族差异。在考虑新软件或工具时，请询问用于培训的数据，如果评估了偏见以及是否采用了偏见缓解策略。审查公开可用的资源或咨询开发人员，以了解您的工具是否利用种族，颜色，国籍，性别，性别（包括性取向和性别认同），年龄或残疾作为输入变量。缺乏信息可能不会被视为“合理”
批量量子加固学习
摘要 - 深度强化学习（DRL）通常需要大量的数据和环境相互作用，从而使培训过程耗时。在批处理RL的情况下，这一挑战进一步加剧了，在批处理RL的情况下，该代理仅在没有环境相互作用的预收集数据集上训练。量子计算的最新进展表明，与经典方法相比，量子模型可能需要更少的培训数据数据。在本文中，我们通过提出一种利用变量量子电路（VQC）作为离散批处理量Q-LEATER（BCQ）算法中的函数近似器来研究这种潜在优势。此外，我们通过周期性移动数据编码层中的输入变量顺序引入了新的数据重新上传方案。我们评估了算法在Openai Cartpole环境中的效率，并将其性能与基于经典的神经网络的离散BCQ进行比较。索引术语 - Quantum增强学习，批处理封装学习，变分量子计算，数据上传，数据重新上传，批量量子加固学习，离线量子加固学习。
（IRSME）机器学习技术在坡度稳定性分析中的应用：全面的概述
采矿业需要接受新时代的自治技术和智能系统，以熬夜技术的现代化，使投资者和利益相关者的震动受益，最重要的是，为国家而言，并保护健康和安全。地理技术工程的一个重要组成部分是进行坡度稳定性分析，以确定斜率故障的可能性以及如何预防。迫切需要一种可靠，具有成本效益且通常适用的用于评估坡度稳定性的技术。已经进行了许多研究，每项研究都采用独特的策略。使用机器学习（ML）技术的替代方法是通过分析从斜率监测和测试中收集的数据来研究稳定条件和斜率特征之间的关系。本文是作者尝试全面回顾有关在斜率稳定性分析中使用ML技术的文献的尝试。发现，大多数研究人员都依靠输入变量有限的数据驱动方法，并且还验证了可以有效利用ML技术来预测斜率故障分析。SVM和RF是使用的最流行的ML模型类型。RMSE和AUC广泛用于评估ML模型的性能。
通过生成对抗网络快速模拟高粒度量热仪
摘要 我们提出了 3DGAN，用于模拟未来高粒度量热仪的三维图像输出。我们证明了生成对抗网络 (GAN) 在生成科学数据方面的有效性，同时在大量输入变量中保持对各种指标的高准确度。我们展示了迁移学习概念的成功应用：我们训练网络模拟来自较小范围的初级能量的电子簇射，然后进一步训练五倍大的范围（模型无法直接训练更大的范围）。同样的概念被扩展到为其他粒子生成簇射，这些粒子的大部分能量都沉积在电磁相互作用中（光子和中性介子）。此外，还探索了带电介子簇射的生成，更准确的努力需要来自其他探测器的额外数据，而这些数据不在当前工作的范围内。我们的进一步贡献是演示了如何使用 GAN 生成的数据进行实际应用。我们使用 GAN 生成的数据训练第三方网络，并证明响应类似于使用蒙特卡罗模拟数据训练的网络。GAN 生成的阵雨对各种物理特征的准确度在蒙特卡罗的 10% 以内，速度提高了三个数量级。通过分布式训练可以进一步提高训练和推理的速度。
人工智能的工程应用
人工智能 (AI) 革命为利用数字化发展提供了重要机会，并有可能实现日益复杂的基础设施系统所需的“系统之系统”方法。本文回顾了经济基础设施部门的研究与人工智能领域的互动程度，以研究所选的具体人工智能方法及其在部门内和部门间应用的目的。机器学习在该领域的研究中占据主导地位，其中最受欢迎的方法包括人工神经网络、支持向量机和随机森林。模糊逻辑的自动推理技术也得到了广泛的应用，因为它能够将不确定性纳入输入变量中。在能源、水和废水、交通和电信等基础设施部门，人工智能的主要应用目的是网络供应、预测、路由、维护和安全以及网络质量管理。人工智能的数据驱动性质提供了很大的灵活性，并且已经在各种网络规模以及不同的时间和地理尺度上开展了工作。然而，规划和政策问题（例如利益相关者参与和定量可行性评估）仍然缺乏整合，而且大多数研究都集中在特定类型的基础设施上，缺乏针对单个经济部门以外的研究。为了使解决方案能够应用于现实世界的基础设施系统，研究需要摆脱孤立的视角，采用更加跨学科的视角，考虑到这些系统日益紧密的相互联系。
使用通话详细记录和混合机器学习方法对房地产价格进行建模的人工智能
摘要：开发准确的房地产价格预测模型对于城市发展和几项关键的经济功能至关重要。由于存在巨大的不确定性和动态变量，房地产建模已被视为复杂系统进行研究。在本研究中，提出了一种新颖的机器学习方法来解决房地产建模的复杂性。通话详细记录 (CDR) 为深入研究流动性特征提供了绝佳的机会。本研究探索了借助人工智能 (AI) 预测房地产价格的 CDR 潜力。几个重要的流动性熵因素，包括居民熵、居民回转、工人熵、工人回转、居民工作距离和工人家庭距离，被用作输入变量。使用多层感知器 (MLP) 的机器学习方法开发预测模型，并使用粒子群优化 (PSO) 的进化算法进行训练。使用均方误差 (MSE)、可持续性指数 (SI) 和 Willmott 指数 (WI) 评估模型性能。所提出的模型显示出令人鼓舞的结果，表明工人的熵和居民的工作距离直接影响房地产价格。然而，居民流动、居民熵、工人的流动和工人的家对价格的影响最小。此外，结果表明，活动流动和流动熵通常与房地产价格较低的地区有关。