XiaoMi-AI文件搜索系统
World File Search System输入变量
工业等离子体工程。卷。 2，非热等离子体处理的应用
这三卷工作的第1卷旨在提供在工业上使用的低温，部分电离的洛伦兹血浆原理的背景。卷2和3旨在提供与等离子体相关的过程和设备的描述，这些过程和设备具有实际或潜在的商业重要性。文本假设普通的学生或执业工程师最近没有参加等离子体物理学的课程，并且具有大二一级结束的物理和微积分背景。这三卷旨在由所有工程和物理科学学科的学生在高年级或一年级的研究生级别上用作教科书，并通过执业工程师作为参考来源。将第二卷用作教科书或参考资源，假设读者熟悉卷1中的材料，或者在低温洛伦兹血浆物理学中具有等效背景。血浆物理学和工业等离子体中重要的物理过程的介绍包含在第1卷的第一章中。第1卷第7章至第7章描述了在工业上使用的离子和电子束的来源以及电离辐射的来源。第1卷第8章至第10章描述了直流电气放电的物理和技术，第11至13章描述了RF等离子体来源的物理和技术。在第二卷中，第14章专门研究了材料科学的某些方面，这些方面是血浆加工应用的基础。第19章致力于等离子体相关参数对等离子体处理结果的影响。第15章和第16章分别专门用于大气和真空等离子体来源，第17章是在工业上经常使用的血浆反应堆（或血浆“工具”），以及第18章用于这些反应堆中使用的专门方法和设备。第20章涵盖了最常用的诊断方法，用于测量独立的输入变量，等离子体参数和等离子体处理的结果。第21至25章涵盖工业应用，归类为材料的非热等离子体处理。第3卷将涵盖热等离子体处理和等离子体设备。
基于两期SEM-SVM方法的统计分析，用于环境噪声烦恼预测和影响因子的识别
背景和目标：噪声污染是一种环境压力源，主要是由于城市场景中的大量运输而造成的。交通噪音在城市环境中越来越关注，从而影响了公共卫生和福祉。随着城市化的扩展，理解和缓解流量引起的噪声烦恼变得越来越关键。本研究旨在开发一种机器学习模型，以预测沙特阿拉伯利雅得的交通引起的噪声烦恼。该研究探讨了人口统计学，噪声特征和交通状况诸如噪声烦恼之类的因素的影响。方法：在利雅得的21个地点进行了调查，收集了928名参与者的数据。调查包括有关人口统计学的问题（性别，年龄，教育，婚姻状况，职业），交通状况（交通流）和噪音感知（运输噪音，噪音敏感性，感知到的噪音）。采用的采样方法是分层和随机抽样的组合。分层抽样用于确保在调查中按比例表示各种人口统计细分（例如不同的年龄段，性别和教育水平）。结构方程模型用于分析收集的数据并确定因素烦恼的因素。这些重要因素然后用作支持向量机模型的输入变量，旨在预测噪声烦恼。使用均方根误差，平均绝对误差和R平方来评估支持向量机模型的性能。发现：结构方程模型分析表明，性别，年龄，教育水平，交通流量，交通噪音和个人噪声敏感性是噪声烦恼的重要原因。开发的支持向量机模型以1.416的根平方误差和0.90的确定系数达到了高度的精度。噪声敏感性成为影响噪声烦恼的最关键因素。结论：这项研究证明了机器学习的有效性，特别是支持向量机在预测流量引起的噪声烦恼方面的有效性。这些发现突出了个人特征和环境因素在噪声感知中的重要性，并且对于城市规划和缓解噪音策略而言可能是有价值的，从而促进了更弹性的城市环境。对于社区，城市规划师和政策制定者可以使用这些发现来通过实施噪声障碍，优化交通流以及执行更严格的噪音法规来设计无声区域。
定向能量沉积
定向能量沉积 Geovana Eloizi Ribeiro Vincent Edward Wong Diaz Willian Roberto Valicelli Sanitá Alessandro Rodrigues 圣保罗大学圣卡洛斯工程学院机械工程系 电子邮件： vwong.ufs@gmail.com 、geovana_rib@usp.br 、willian.r.sanita@usp.br 、roger@sc.usp.br、Reginaldo Coelho Teixeira 圣保罗大学圣卡洛斯工程学院生产工程系 rtcoelho@sc.usp.br 摘要：金属增材制造已经成为一种技术，能够以“近净成形”形式生产复杂金属零件、进行修复和使用梯度材料创建零件，从而能够制造高附加值和低产量的零件。激光和粉末定向能量沉积 (LP-DED) 是增材制造工艺的一种，通过集中的热能使金属粉末熔化。这些应用对航空航天、汽车和医疗等不同领域都具有吸引力。在医疗领域，其应用主要集中在制造植入物、假肢、仪器和医疗器械。在假肢和植入物的制造中，Ti6Al4V 钛合金因其高机械强度、高耐腐蚀性、低密度以及良好的生物相容性而脱颖而出。文献挑战之一反映了 LP-DED 工艺赋予打印部件的粗糙度，这会影响假肢和植入物的骨整合，与其恢复时间和成功率有关。本文评估了使用两种粉末从 LP-DED 工艺获得的 Ti6Al4V 部件的粗糙度。第一种是通过气体雾化生产的，第二种是通过先进的等离子雾化生产的。随后，在纯 Ti 基体上用 LP-DED 制造了八个样品。激光功率是另一个输入变量，范围从 300 W 到 345，增量为 15W。用去离子水和丙酮用超声波振动清洁样品。然后，我们使用共聚焦显微镜评估样品的粗糙度。所用粉末的粉末形貌表明，气雾化产生的粉末呈现非高斯分布，有薄片、孔隙和卫星。与气雾化粉末相比，先进等离子雾化产生的粉末呈现高斯分布，孔隙数量更少，卫星和薄片的存在也更少。关键词：定向能量沉积；粗糙度；Ti6Al4V，增材制造。1. 介绍
增材制造中打印质量预测的光谱特征分析：基于声学的方法
摘要：增材制造 (AM) 工艺中的质量预测至关重要，特别是在航空航天、生物医学和汽车等高风险制造业。声学传感器已成为一种有价值的工具，可通过分析特征和提取独特特征来检测打印图案的变化。本研究重点关注熔融沉积成型 (FDM) 3D 打印样品立方体 (10 mm × 10 mm × 5 mm) 的声学数据流的收集、预处理和分析。以 10 秒为间隔提取不同层厚度的时域和频域特征。使用谐波-打击源分离 (HPSS) 方法对音频样本进行预处理，并使用 Librosa 模块对时间和频率特征进行分析。进行了特征重要性分析，并使用八种不同的分类器算法（K最近邻（KNN）、支持向量机（SVM）、高斯朴素贝叶斯（GNB）、决策树（DT）、逻辑回归（LR）、随机森林（RF）、极端梯度提升（XGB）和轻梯度提升机（LightGBM））实施机器学习（ML）预测，以基于标记数据集对打印质量进行分类。使用具有不同层厚度的三维打印样品（代表两种打印质量水平）生成音频样本。从这些音频样本中提取的频谱特征作为监督ML算法的输入变量，以预测打印质量。调查显示，频谱平坦度、频谱质心、功率谱密度和RMS能量的平均值是最关键的声学特征。使用包括准确度分数、F-1分数、召回率、精确度和ROC / AUC在内的预测指标来评估模型。极端梯度提升算法脱颖而出，成为最佳模型，预测准确率为 91.3%，准确率为 88.8%，召回率为 92.9%，F-1 得分为 90.8%，AUC 为 96.3%。这项研究为使用熔融沉积模型进行基于声学的 3D 打印部件质量预测和控制奠定了基础，并可扩展到其他增材制造技术。
服装阻力和潜在蒸散量作为热气候指标——以喀尔巴阡地区为例
自20世纪30年代以来，人们就已认识到服装在人类生物气象学研究中的重要性（例如，Winslow等人，1937年；Gagge等人，1938年；Winslow等人，1938年；Gagge等人，1941年）。在这些研究中，人们运用实验和理论工具研究了服装的作用，将其作为人体-大气界面的一个重要输入变量。在20世纪下半叶（例如，Auliciems和de Freitas，1976年；de Freitas，1979年），服装被视为并被解读为人类对环境条件的“反应”，并被分析为一个决定性模型的输出。如今，服装对生物气象热调节的影响通常以两种方式考虑：作为热生理模型（例如，Fiala 等人，2012）的输入参数（例如，Havenith 等人，2012）或作为代表热适应行为的模型输出（Lin，2009；Potchter 等人，2018）。在这种情况下，r cl 可用作表示人体热交换不平衡程度的量度。当热量过剩时，人体需要冷却以达到能量平衡。此时 r cl 值为负。请注意，在迄今为止发表的研究中根本没有考虑负服装阻力值，而只是将其等于零，理由是“由于在公共场合裸体是不可接受的，因此 clo 值 ≤ 0 被设置为零”（Yan，2005）。本研究中也使用了负的服装阻力值，因为当服装被视为一种热调节器而忽略其对人体行为的依赖性时，这些值是可以解释的。相反，当存在热量不足时，人体需要变暖才能达到能量平衡。在这种情况下，r cl 值为正。当人体处于能量平衡状态时，既不需要冷却也不需要变暖，感觉这种状态很舒适。在这种情况下，r cl 非常接近或等于零。服装阻力参数是一个复数，因为它取决于人和环境的特征。在人类特征中，个人、社会方面以及活动类型是最具决定性的。活动类型决定代谢活动率，该率在 40 到 600 Wm − 2 之间变化
引用li g，sun y and zhu l（2024），机器学习的应用与种群药代动力学相结合以改善V
反应（Ye等，2016）。然而，万古霉素药代动力学参数的选择仍然存在争议，包括槽浓度，清除等（Ghasemiyeh等人，2023年）。种群药代动力学（PPK），将经典的药代动力学建模与种群统计建模相结合。万古霉素一直是成年人中许多PPK研究的主题（Aljutayli等，2020； Lindley等，2023）。已经表明，可以在中国成年患者中对万古霉素的种群药代动力学建模（He等，2014； Gao等，2018）。PPK研究万古霉素对于指导临床剂量很重要。但是，PPK模型可能不足以预测单个药代动力学参数。机器学习（ML）是一种数据驱动的方法，它使用培训数据来学习如何通过各种算法完成任务，然后就特定事件做出决策和预测。在药代动力学中，机器学习允许进行分析和预测（Ota和Yamashita，2022； Wang等，2023）。机器学习和人口药代动力学的结合是药物研发的新工具（Zhu等，2022； Damnjanovic等，2023）。据报道，机器学习与PPK方法相结合可以改善对新生儿六种药物的单个清除率的预测（Tang等，2021）。但是，在成年患者中很少有类似的研究。如今，在机器学习的领域，生产了许多模型。 额外的树回归模型（Geurts等，2006），是一种综合学习如今，在机器学习的领域，生产了许多模型。额外的树回归模型（Geurts等，2006），是一种综合学习决策树回归模型（Kaminski等，2018）是一种回归算法，它使用决策树作为基本模型，该算法通过将输入变量划分为多个特征并根据这些功能构建决策树来拟合数据。梯度提升决策树（Si等，2017）是一种基于集成学习的算法，它通过将多个决策树模型集成在一起来拟合数据。极端梯度提升（Chen and Guestrin，2016）是一种有效的梯度增强算法，它通过使用贪婪算法来选择用于拆卸的最佳功能来最大程度地减少损失函数。
基于机器学习的方法来预测成人和儿童创伤性脑损伤的预后和住院时间：回顾性 C
背景：成人和儿童创伤性脑损伤 (TBI) 的治疗和护理是一个棘手的全球健康问题。预测 TBI 患者的预后和住院时间可能会改善治疗效果并显著减轻社会医疗负担。将新型机器学习方法应用于 TBI 领域可能对确定临床治疗的预后和成本效益很有价值。目的：我们旨在结合多种机器学习方法来构建混合模型，用于预测成人和儿童 TBI 的预后和住院时间。方法：我们收集了 2017 年 5 月至 2022 年 5 月期间在安徽医科大学第二附属医院神经外科中心接受治疗的患者的相关临床信息，其中 80% 用于训练模型，20% 用于通过筛选和数据拆分进行测试。我们使用 5 次交叉验证来训练和测试机器学习模型，以避免过度拟合。在机器学习模型中，11种类型的独立变量被用作输入变量，用于评估患者预后的格拉斯哥预后量表评分和患者住院时间被用作输出变量。模型训练完成后，我们通过5轮交叉验证获得并比较每个机器学习模型的误差，以选出最佳预测模型。然后使用2021年6月至2022年2月在安徽医科大学第一附属医院接受治疗的患者的临床数据对模型进行外部测试。结果：最终的卷积神经网络-支持向量机（CNN-SVM）模型在测试集和外部验证集中预测格拉斯哥预后量表评分的准确率分别为93%和93.69%，曲线下面积在测试集和外部验证集中分别为94.68%和94.32%。最终构建的卷积神经网络-支持向量回归（CNN-SVR）模型在测试集和外部验证集中预测住院时间的平均绝对百分比误差分别为10.72%和10.44%。判定系数（R 2 ）在测试集和外部验证集中分别为0.93和0.92。与单独建立的反向传播神经网络、CNN和SVM模型相比，我们的混合模型被判定为最优且具有较高的置信度。结论：本研究证明了通过结合多种机器学习方法构建的2个混合模型的临床实用性，可准确预测成人和儿童TBI的预后和住院时间。这些模型的应用可以减轻医生评估TBI时的负担，并协助临床医生进行医疗决策。
使用实验室和身体成分指标预测代谢功能障碍相关肝病的机器学习应用
摘要背景：代谢功能障碍相关的脂肪变性肝病（MASLD）代表着没有建立治疗疗法的重要全球健康负担。早期检测和预防策略对于有效的MASLD管理至关重要。这项研究旨在开发和验证机器学习（ML）算法，以在地理上多样化的大规模人群中进行准确的MASLD筛查。方法：从伊朗农村法尔斯省（2014年3月）发起的前瞻性FASA队列研究的数据用于此目的。使用血液测试，问卷，肝超声检查和身体检查收集所需的数据。两步方法从100多个变量中确定了关键预测因素：（1）使用平均降低Gini的统计选择在随机森林中的GINI和（2）（2）将临床专业知识与已知MASLD风险因素保持一致。使用了固定验证方法（使用70/30列车/验证拆分），以及验证集上的5倍交叉验证。逻辑回归，天真的贝叶斯，支撑矢量机和光梯度增强机（LightGBM）算法的算法的模型构建具有相同的输入变量基于接收器操作特征曲线（AUC），敏感性，特异性，正面预测值（PPV），负预测值（NPV）和精确度和准确性。结果：该研究中总共包括6,180名成年人（52.7％），分为4816个非MASLD和1364例MASLD案例，平均年龄（±标准偏差[SD]）分别为48.12（±9.61）和49.47（±9.15）年。伊朗大四。逻辑回归的表现优于其他ML算法，其准确度为0.88（95％置信区间[CI]：0.86-0.89），AUC的准确度为0.92（95％CI：0.90-0.93）。在100多个变量中，关键预测因子包括腰围，体重指数（BMI），臀部周长，腕圆周，丙氨酸氨基转移酶水平，胆固醇，葡萄糖，高密度脂蛋白和血压。结论：MAL在MASLD管理中的集成具有巨大的希望，尤其是在资源有限的农村环境中。此外，分配给每个预测因子的相对重要性，特别是腰围和BMI等杰出贡献者，为MASLD预防，诊断和治疗策略提供了宝贵的见解。关键字：逻辑回归，机器学习，非酒精性脂肪肝病，预测模型，农村地区引用了本文：Masaebi F，Azizmohammad Looha M，Mohammadzadeh M，Pahlevani V，Farjam M，Farjam M，Zayeri F等。使用实验室和身体成分指标预测代谢功能障碍相关的脂肪疾病疾病的机器学习应用。2024; 27（10）：551-562。 doi：10.34172/aim.31269
Piso.AI 使用机器学习框架来预测/...
Piso.AI 使用机器学习框架，使用可用且定期更新的网格气候数据产品和位置变量来预测/重建过去特定月份和年份降水的氢和氧同位素组成。该模型使用全球降水同位素网络 (GNIP) 提供的降水同位素数据进行训练。该方法的详细信息在原始出版物中概述。如果您将 Piso.AI 用于您的工作（出版物、口头/海报演示等），我们要求您引用：Nelson, D.B., Basler, D., Kahmen, A.(2021)。“机器学习在欧洲应用的降水同位素时间序列预测。”美国国家科学院院刊，第 12 卷。118 号26 e2024107118。Piso.AI 旨在定期更新，因为所使用的输入气候数据每年都会更新。年度更新不会改变输入变量的选择或用于重建氧和氢同位素值的模型结构。如果输入气候变量发生变化（例如，由于原始数据提供者使用的插值方案更新），则对过去时间点的预测将仅在每年更新与下一次更新之间有所不同。Piso.AI 的年度更新以版本号后的更新年份表示。原始出版物使用了截至 2019 年底的数据，称为 Piso.AI v.1.01。第一个包含对新一年 2020 年预测的更新名为 Piso.AI v.1.2020。未来可能实施的模型结构的任何更改（例如纳入新的预测变量或使用新输入数据重新训练模型）都将以新版本号 (即 Piso.AI v.X) 标记。早于原始出版物的 Piso.AI 版本现在追溯重命名为 Piso.AI v.0.9（之前在 2020 年 9 月之前在 Piso.AI 网站上提供）和 Piso.AI v.0.01（之前在 2021 年 3 月之前在 Piso.AI 网站上提供）。还可能引入使用 Piso.AI 框架的其他模型，但这些模型将使用新名称标识。第一个这样的扩展是 Piso.AI.eur1900。该模型使用与原始 Piso.AI 类似的空间域，但使用更有限的预测变量选择，允许重建更早的沉淀氧和氢同位素值。但准确性会略有降低，Piso.AI.eur1900 v.1.2020 目前涵盖的是 1901 年至 2020 年的时间段。有关此应用程序的更多信息，请参阅：https://isotope.bot.unibas.ch/PisoAI-eur1900-v1-2020/ 模型版本和数据更新：Piso.AI v.1.2020（2021 年 12 月发布）预测变量：- 气候研究单位 (CRU) 时间序列数据 v.4.05 - 欧洲观测网格数据集 (E-OBS) v.23.1e - 国家环境预测中心 (NCEP/NCAR) 再分析 1 项目数据（包括 2020 年）- 从气候预测中心获得的遥相关指数时间序列数据（包括 2020 年）Piso.AI v.1.01（原始出版物中的版本）预测变量：- 气候研究单位 (CRU) 时间序列数据 v.4.04
使用 ai 对心血管风险进行机会性评估...
背景 心血管疾病的一级预防依赖于使用汇集队列方程 (PCE) 和 PREVENT 等评分进行准确的风险评估。然而，这些评分所需的输入变量通常在电子健康记录 (EHR) 中不可用，而常规收集的数据（例如非造影胸部 CT）中的信息可能会进一步提高性能。在这里，我们测试基于胸部 CT 心脏和主动脉结构特征的风险预测模型是否为现有的预测主要不良心血管事件 (MACE) 的临床算法增加了价值。方法我们开发了一个 LASSO 模型，使用描述国家肺部筛查试验中 13,437 个肺癌筛查胸部 CT 的心腔和主动脉分割的结构放射组学特征来预测 12 年随访中的致命 MACE。我们将这个放射组学模型与外部测试集中的 4,303 名在 Mass General Brigham 站点进行胸部 CT 检查并且没有糖尿病史、之前 MACE 或他汀类药物治疗的个体的 PCE 和 PREVENT 评分进行了比较。使用一致性指数评估了对事件性 MACE 的鉴别。我们使用二元阈值来确定 PCE/PREVENT 评分（≥7.5% 风险）或放射组学评分（≥5.0% 风险）符合他汀类药物使用条件或不符合条件的患者的 MACE 发生率。结果根据所有变量是否可用于计算 PCE 或 PREVENT 评分进行分层。结果在外部测试集中（n = 4,303；平均年龄 61.5 ± 9.3 岁；47.1% 为男性），8.0% 在平均 5.1 年的随访中发生过 MACE。放射组学风险评分显著提高了 PCE 以外的鉴别能力（c 指数 0.653 vs. 0.567，p < 0.001），并且在缺少输入的个体中表现类似。根据放射组学和 PCE 评分均符合他汀类药物治疗条件的患者，其 MACE 发生率比仅根据 PCE 评分符合条件的患者高 2.6 倍（PCE 合格个体中，每 1,000 人年发生 29.5 [20.5, 39.1] 起事件 vs. 11.2 [8.0, 14.4] 起事件）。在缺失输入的患者中，根据放射组学评分符合他汀类药物治疗条件的患者发生 MACE 的概率比不符合他汀类药物治疗条件的患者高 1.8 倍（每 1000 人年发生 29.5 [21.9, 37.6] 起事件 vs. 16.7 [14.3, 19.0] 起事件）。与 PREVENT 评分相比，也发现了类似的结果。左心室容积和短轴长度对心肌梗死的预测能力最强，而左心房球形度和表面积体积比对中风的预测能力最强。结论基于单张胸部 CT，基于心脏形状的风险预测模型能够预测超出临床算法的心血管事件，并且在缺少标准心血管风险计算器输入的患者中表现出类似的表现。根据放射组学评分，高风险患者可能受益于强化一级预防（例如他汀类药物处方）。