期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到165篇文章
< 1 2 … 9 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
Machine Learning‐Driven Predictive Modeling and Multi‐Objective Exploration of Oxaliplatin‐Loaded Nanocarriers for Enhanced Loading and Encapsulation Efficiency 认领 引用
1
作者 Abbas Rahdar Maryam Shirzad +1 位作者 Sonia Fathi‐Karkan M.Ali Aboudzadeh 《Materials Genome Engineering Advances》 CAS CSCD 2026年第2期75-85,共11页
Oxaliplatin(OXA),a critical third‐generation platinum chemotherapeutic,is significantly limited by suboptimal loading capacity and encapsulation efficiency in nanoparticle‐based delivery systems.To address this,we d... Oxaliplatin(OXA),a critical third‐generation platinum chemotherapeutic,is significantly limited by suboptimal loading capacity and encapsulation efficiency in nanoparticle‐based delivery systems.To address this,we developed an integrated machine learning(ML)and multi‐objective optimization(MOO)framework for the simultaneous prediction and exploration of loading efficiency(LE)and encapsulation efficiency(EE).Ensemble learning models,trained on a curated dataset of 70 experimentally characterized nanocarrier formulations,demonstrated robust predictive performance under stringent leave‐one‐paper‐out(LOPO)cross‐validation(R2=0.87 for LE,R2=0.84 for EE).The multi‐objective exploration identified a Pareto‐optimal design space,with predicted performance reaching up to 45.3%LE and 87.2%EE,and pinpointed a balanced knee‐point formulation at 40.2%LE and 83.7%EE.Interpretable ML analysis revealed surface area‐to‐volume ratio,coordination site availability,and zeta potential as the primary physicochemical drivers of OXA loading and retention.Consequently,an optimized nanocarrier profile,characterized by a particle size of 90-110 nm,a negative surface charge,and a carboxylate‐rich composition,was derived.This study establishes a predictive,data‐driven computational framework that bridges the gap between single‐objective prediction and the holistic design of high‐performance nanocarriers,providing a rational blueprint for accelerating the development of more effective OXA‐based nanotherapies for colorectal cancer. 展开更多
关键词 encapsulation efficiencyefficiency|efficiencylefficiencyoefficiencyaefficiencydefficiencyiefficiencynefficiencygefficiency efficiencyefficiency|efficiencymefficiencyaefficiencycefficiencyhefficiencyiefficiencynefficiencyeefficiency‐efficiencylefficiencyeefficiencyaefficiencyrefficiencynefficiencyiefficiencynefficiencygefficiency|efficiencymefficiencyuefficiencylefficiencytefficiencyiefficiency‐efficiencyoefficiencybefficiencyjefficiencyeefficiencycefficiencytefficiencyiefficiencyvefficiencyeefficiency optimization|oxaliplatin
Explainable machine learning-enabled dual-objective design ofγ'phase characteristic parameters inγ'-strengthened Co-based superalloys 认领 引用 被引量：1
2
作者 Linlin Sun Qingshuang Ma +6 位作者 Chenghao Pei Huiwen Yao Xili Liu Jie Xiong Chenxi Liu Huijun Li Qiuzhi Gao 《npj Computational Materials》 SCIE EI CSCD 2025年第1期3437-3452,共16页
The high-temperature performance of Co-based superalloys is primarily dictated by the coarsening kinetics and volume fraction of theγ′phase.To simultaneously optimize these two interrelated microstructural parameter... The high-temperature performance of Co-based superalloys is primarily dictated by the coarsening kinetics and volume fraction of theγ′phase.To simultaneously optimize these two interrelated microstructural parameters,we propose a dual-objective design framework that integrates explainable machine learning(XML),multi-fidelity data augmentation,and SHapley Additive exPlanations(SHAP)-based interpretability.Forγ′phase coarsening rate constant(Kr),a small experimental dataset was expanded using medium-fidelity simulations and further balanced with low-fidelity synthetic samples.Forγ′volume fraction(Vγ′),synthetic oversampling was applied to a larger dataset to mitigate distribution imbalance.ML models trained on these augmented datasets achieved high predictive accuracy,with SHAP analysis providing interpretable insights.Guided by these insights,several new compositions were proposed and validated.The optimal composition,Co-30Ni-10Al-3Ti-4Ta-5Cr-2Mo-1V(at.%),achieves a low Kr of 0.756±0.06 nm2·s-1and a high Vγ′of exceeding 70%at 1000°C,while also fulfills multiple other critical design criteria,offering a promising route for next-generation Co-based superalloys. 展开更多
关键词 coarsening kinetics explainable machine learning phase shapley additive explanations shap based dual objective design volume fraction explainable machine learning xml multi fidelity microstructural parameterswe
Discovering novel lead-free solder alloy by multi-objective Bayesian active learning with experimental uncertainty 认领 引用 被引量：2
3
作者 Qinghua Wei Yuanhao Wang +4 位作者 Guo Yang Tianyuan Li Shuting Yu Ziqiang Dong Tong-Yi Zhang 《npj Computational Materials》 SCIE EI CSCD 2025年第1期80-93,共14页
We present a multi-objective Bayesian active learning strategy,which greatly accelerates the discovery of super high-strength and high-ductility lead-free solder alloys.The active learning strategy demonstrates that a... We present a multi-objective Bayesian active learning strategy,which greatly accelerates the discovery of super high-strength and high-ductility lead-free solder alloys.The active learning strategy demonstrates that a machine learning model will have high generalizability if experimental data uncertainty is included,which greatly improves the model prediction or the material design accuracy.The feature-point-start forward method in multi-objective optimization adopts two Gaussian process regression(GPR)models,one for strength and one for elongation,and their outputs build up the acquisition-function-modified objective space of strength and elongation.Then,Bayesian sampling is applied to design the next experiments by balancing exploitation and exploration.Seven multi-objective active learning iterations discovered two novel super high-strength and high-ductility lead-free solder alloys.After that,various material characterizations were conducted on the two novel solder alloys,and the results exhibited their high performances in melting properties,wettability,electrical conductivity,and shear strength of the solder joint and explored the mechanism of high strength and high ductility of the alloys.The present work systematically analyzes the important role of experimental uncertainty in machine learning,especially in the global optimization for material design,which demands high generalizability of predictions. 展开更多
关键词 experimental uncertainty active learning strategywhich high ductility active learning strategy lead free solder alloys multi objective bayesian active learning high strength machine learning model
Machine learning-assisted multi-stage highly sensitive electronic skin tactile sensing tracking platform 认领 引用
4
作者 Shun Liu Ziqi Wang +1 位作者 Duo Pan Hu Liu 《Science China Materials》 SCIE EI CAS CSCD 2025年第10期3848-3850,共3页
Human skin sensory system,featuring a sophisticated threedimensional(3D)distribution of mechanoreceptors within the skin,possesses an exceptional ability to perceive a diverse range of external mechanical stimuli and ... Human skin sensory system,featuring a sophisticated threedimensional(3D)distribution of mechanoreceptors within the skin,possesses an exceptional ability to perceive a diverse range of external mechanical stimuli and accurately recognize object attributes[1]. 展开更多
关键词 tracking platform multi stage perceive diverse range external mechanical stimuli electronic skin tactile sensing recognize object attributes human skin sensory systemfeaturing machine learning
暂未订购 下载PDF
Harnessing machine learning for high-entropy alloy catalysis:a focus on adsorption energy prediction 认领 引用 被引量：3
5
作者 Qi Wang Yonggang Yao 《npj Computational Materials》 SCIE EI CSCD 2025年第1期1010-1030,共21页
High-entropy alloys(HEAs)have emerged as promising candidates for catalyst applications due to their inherent compositional,structural,and site-level diversities,which enable highly tunable catalytic properties.Howeve... High-entropy alloys(HEAs)have emerged as promising candidates for catalyst applications due to their inherent compositional,structural,and site-level diversities,which enable highly tunable catalytic properties.However,these complexities pose grand challenges for traditional“trial-and-error”experimentation or computationally expensive“brute-force”ab initio calculations.Machine learning(ML)demonstrates great potential to address these challenges by establishing efficient,scalable mappings from composition,structure or site environment to HEA properties.Among these properties,adsorption energy,which quantifies the binding strength between catalytic intermediates and surface sites,is a crucial indicator of catalytic activity.This review provides a comprehensive overview ofML-driven strategies for adsorption energy prediction in the context of HEAs.Two primary strategies are introduced:“direct”prediction from unrelaxed structure and“iterative”prediction viaML potential-guided relaxation modeling.Both strategies can leverage handcrafted features or end-toend frameworks such as graph neural networks.We also discuss how pretrained models on largescale databases can extend to out-of-domain HEA systems.Beyond methodology,we address key challenges and future directions,including benchmarking ML strategies,developing HEA-specific datasets,pretraining and fine-tuning,integrating chained ML models,advancing multi-objective optimization,and bridgingMLpredictions with experimental validation.By critically evaluating existing strategies and highlighting emerging trends,this review underscores the critical role of ML in advancing adsorption energy predictions,offering a foundation for accelerating the discovery and optimization of HEA catalysts. 展开更多
关键词 graph neural networks high entropy alloys domain prediction multi objective optimization computational chemistry adsorption energy machine learning potential guided relaxation
Machine Learning-Based Multi-Modal Information Perception for Soft Robotic Hands 认领 引用 被引量：9
6
作者 Haiming Huang Junhao Lin +3 位作者 Linyuan Wu Bin Fang Zhenkun Wen Fuchun Sun 《Tsinghua Science and Technology》 SCIE EI CAS CSCD 2020年第2期255-269,共15页
This paper focuses on multi-modal Information Perception(IP)for Soft Robotic Hands(SRHs)using Machine Learning(ML)algorithms.A flexible Optical Fiber-based Curvature Sensor(OFCS)is fabricated,consisting of a Light-Emi... This paper focuses on multi-modal Information Perception(IP)for Soft Robotic Hands(SRHs)using Machine Learning(ML)algorithms.A flexible Optical Fiber-based Curvature Sensor(OFCS)is fabricated,consisting of a Light-Emitting Diode(LED),photosensitive detector,and optical fiber.Bending the roughened optical fiber generates lower light intensity,which reflecting the curvature of the soft finger.Together with the curvature and pressure information,multi-modal IP is performed to improve the recognition accuracy.Recognitions of gesture,object shape,size,and weight are implemented with multiple ML approaches,including the Supervised Learning Algorithms(SLAs)of K-Nearest Neighbor(KNN),Support Vector Machine(SVM),Logistic Regression(LR),and the unSupervised Learning Algorithm(un-SLA)of K-Means Clustering(KMC).Moreover,Optical Sensor Information(OSI),Pressure Sensor Information(PSI),and Double-Sensor Information(DSI)are adopted to compare the recognition accuracies.The experiment results demonstrate that the proposed sensors and recognition approaches are feasible and effective.The recognition accuracies obtained using the above ML algorithms and three modes of sensor information are higer than 85 percent for almost all combinations.Moreover,DSI is more accurate when compared to single modal sensor information and the KNN algorithm with a DSI outperforms the other combinations in recognition accuracy. 展开更多
关键词 multi-modal sensors optical fiber gesture recognition object recognition Soft Robotic Hands(SRHs) Machine Learning(ML)
暂未订购 下载PDF
基于机器学习的铝合金电弧增材薄壁构件成形质量预测及多目标优化 认领 引用 被引量：2
7
作者 彭逸琦 高悦芳 +3 位作者 华谭智 张思睿 赵宇凡 林鑫 《稀有金属材料与工程》 SCIE EI CAS CSCD 北大核心 2026年第1期105-115,共11页
电弧增材制造(WAAM)在航空航天领域具有重要应用价值,但其热输入不稳定性导致铝合金薄壁构件几何符合度差与内部缺陷多的问题突出。针对传统方法在多物理场耦合优化中的局限性,本研究提出数据驱动解决方案:通过构建工艺参数(电流、扫描... 电弧增材制造(WAAM)在航空航天领域具有重要应用价值,但其热输入不稳定性导致铝合金薄壁构件几何符合度差与内部缺陷多的问题突出。针对传统方法在多物理场耦合优化中的局限性,本研究提出数据驱动解决方案:通过构建工艺参数(电流、扫描速率、送丝速率)与成形质量(路径/层间壁厚一致性、孔隙率)的数据集,建立反向传播(BP)神经网络模型,并融合遗传算法(GA)优化原始模型,结合第二代非支配排序遗传算法(NSGA-II)进行成形质量多目标寻优。结果表明:优化后的GA-BP模型显著提升了沿路径壁厚一致性和孔隙率的预测精度,但层间壁厚一致性预测优化效果有限。通过NSGA-II获得的50组Pareto解集提出4类优化策略,验证试验结果表明模型预测误差为8.89%,准确地实现了成形质量指标的协同优化。 展开更多
关键词 电弧增材制造 机器学习 多目标优化 铝合金 成形质量
暂未订购 下载PDF
改进的MOEA/D算法求解考虑机器恶化效应的柔性流水车间节能调度问题 认领 引用 被引量：2
8
作者 卫晨昊 李敬敏 +1 位作者 李韵辰 胡晓兵 《计算机集成制造系统》 EI CSCD 北大核心 2026年第2期585-598,共14页
针对考虑机器恶化效应的柔性流水车间节能调度问题,提出一种改进的基于分解的多目标进化算法(MMODEA/D)。首先,以最小化最大完工时间和最小化总能耗为目标,考虑机器在不同负载下具有不同恶化速度,建立了柔性流水车间的节能调度模型;其次... 针对考虑机器恶化效应的柔性流水车间节能调度问题,提出一种改进的基于分解的多目标进化算法(MMODEA/D)。首先,以最小化最大完工时间和最小化总能耗为目标,考虑机器在不同负载下具有不同恶化速度,建立了柔性流水车间的节能调度模型;其次,基于贪婪规则设计了一种在考虑机器恶化效应的条件下能够兼顾生产效率与节能需求的具有递进式优化策略的节能解码方法;再次,设计了具有自适应亲代选择机制的遗传策略以加强算法对整体解空间的搜索能力;最后,使用了禁忌搜索策略加强算法对局部解空间的利用能力。通过多组对照实验,证明了所提改进策略的有效性以及MMOEA/D算法的优越性。 展开更多
关键词 基于分解的多目标进化算法 节能调度 柔性流水车间 机器恶化效应
暂未订购 下载PDF
基于多目标寻优的低碳混凝土智能设计 认领 引用 被引量：1
9
作者 元强 夏瑞 +1 位作者 刘易 马嘉璐 《硅酸盐学报》 EI CAS CSCD 北大核心 2026年第3期878-893,共16页
本工作基于人工智能(AI)的低碳混凝土性能预测与配合比优化设计方法。建立了低碳混凝土数据集处理模块,采用归一化处理和基于密度的空间聚类算法(DBSCAN)显著提升了数据质量。建立了粒子群优化算法(PSO)优化的极限梯度提升(XGB)模型,实... 本工作基于人工智能(AI)的低碳混凝土性能预测与配合比优化设计方法。建立了低碳混凝土数据集处理模块,采用归一化处理和基于密度的空间聚类算法(DBSCAN)显著提升了数据质量。建立了粒子群优化算法(PSO)优化的极限梯度提升(XGB)模型,实现了低碳混凝土抗压强度和电通量的准确预测。为实现低碳混凝土性能与碳排放的最优平衡,引入了碳强度指标(Ci)和抗氯离子渗透碳效指标(Qi)并建立了相关预测优化模型,并通过沙普利加性解释方法(SHAP)分析讨论了各组分的影响机制。最后,采用第三代非支配排序遗传算法(NSGA-Ⅲ)进行了碳排放、经济成本、力学性能与耐久性能间的协调寻优,在工程性能与环境影响中寻找最优平衡,确定了针对不同设计需求的最佳配比。研究发现,在满足力学性能要求(抗压强度>50 MPa)和抗氯离子渗透性(电通量<500 C)的前提下,通过优化再生骨料和辅助胶凝材料掺量,可将碳排放控制在240~260 kg/m3范围内。该研究为低碳混凝土材料性能和碳排放之间的平衡设计提供了新思路和方法,推动了AI技术在低碳混凝土配合比设计中的应用。 展开更多
关键词 低碳混凝土 机器学习 多目标优化 力学性能 抗氯离子渗透性
暂未订购 下载PDF
基于物理约束机器学习的PDC钻头智能选型技术研究 认领 引用 被引量：2
10
作者 李昌盛 孙华凯 张乐 《钻采工艺》 CAS 北大核心 2026年第1期133-140,共8页
为解決传统PDC钻头选型依赖经验、在软硬交错地层中适配性差导致机械钻速低、进尺短等问题,提出一种基于物理约束机器学习的PDC钻头智能选型技术。通过收集7个油田3410口井的23171条钻头使用记录,构建涵盖地层抗钻特性参数(抗压强度、... 为解決传统PDC钻头选型依赖经验、在软硬交错地层中适配性差导致机械钻速低、进尺短等问题,提出一种基于物理约束机器学习的PDC钻头智能选型技术。通过收集7个油田3410口井的23171条钻头使用记录,构建涵盖地层抗钻特性参数(抗压强度、研磨指数、冲击指数)、钻头结构参数、钻井参数及螺杆参数的数据库;基于地层与钻头的适配机理,建立以三参数为核心的物理规则模型,量化刀翼数、切削齿尺寸等结构参数与抗钻特性的匹配关系;将物理规则作为约束嵌入多目标神经网络模型,以机械钻速和进尺为优化目标,结合改进的NSGA-Ⅱ算法搜索帕累托最优解,实现钻头结构参数的定量化自动推荐。现场应用于XQ1井须家河组地层,推荐的6刀翼16 mm齿PDC钻头实现进尺257 m,机械钻速1.69 m/h,较邻井机械钻速提升显著,验证了该技术的科学性与有效性。研究成果为复杂地层PDC钻头高效选型提供了理论与技术支撑。 展开更多
关键词 PDC钻头 物理约束 机器学习 智能选型 软硬交错地层 多目标优化
暂未订购 下载PDF
动力电池箱新型防护结构设计与仿真分析 认领 引用
11
作者 闫凯波 王俊杰 +4 位作者 陆思思 周鹏 范志伟 杨杰 何宁馨 《汽车工程》 EI CSCD 北大核心 2026年第3期724-733,712,共10页
随着新能源汽车的持续普及和快速发展,其安全问题愈发受到广泛关注。新能源汽车遭遇碰撞时,底盘与电池包极易受损,可能引发电解液泄漏,进而导致短路起火和爆炸等严重后果。因此,本文从DNA的稳定结构中获取灵感,通过改进传统蜂窝结构设... 随着新能源汽车的持续普及和快速发展,其安全问题愈发受到广泛关注。新能源汽车遭遇碰撞时,底盘与电池包极易受损,可能引发电解液泄漏,进而导致短路起火和爆炸等严重后果。因此,本文从DNA的稳定结构中获取灵感,通过改进传统蜂窝结构设计一种应用于动力电池箱底部的新型DNA双螺旋状防护结构,并开展了动力电池箱底部异物冲击仿真分析。与传统蜂窝结构相比,该新型防护结构的比吸能提升了12.14%。在此基础上,本文结合机器学习和多目标优化算法对该DNA双螺旋状防护结构进行优化,得到其最优设计参数。当异物以30 m/s的速度垂直向上穿刺时,与初始防护结构相比,优化后的防护结构吸能量提高44.3%,峰值压溃力降低35.68%,电池最大压缩量降低68.1%。该研究成果可为新能源汽车动力电池箱防护结构设计提供科学理论支撑,对保障碰撞工况下新能源汽车的安全具有重要意义。 展开更多
关键词 动力电池箱 异物冲击 仿真分析 机器学习 多目标优化
暂未订购 下载PDF
基于机器学习的新型多胞梯度结构设计与优化 认领 引用
12
作者 闫凯波 周鹏 +2 位作者 陆思思 王俊杰 范志伟 《爆炸与冲击》 EI CAS CSCD 北大核心 2026年第6期197-212,共16页
针对航空航天、交通运输、土木建筑等领域的碰撞防护需求,提出一种新型多胞梯度结构管(CMGHT)设计方法:在普通六边形管内引入正弦波纹肋板,并融合功能梯度设计理念,以实现结构耐撞性能的提升。首先,构建该结构的有限元模型并开展数值模... 针对航空航天、交通运输、土木建筑等领域的碰撞防护需求,提出一种新型多胞梯度结构管(CMGHT)设计方法:在普通六边形管内引入正弦波纹肋板,并融合功能梯度设计理念,以实现结构耐撞性能的提升。首先,构建该结构的有限元模型并开展数值模拟分析。结果显示,在相同壁厚条件下,CMGHT的关键吸能指标表现显著优于现有结构,相较于普通六边形管(HT),其吸收能量(Ea)、比吸能(Esa)、平均压缩力(F)及压缩效率(η)分别提升390%、76%、395%和46%;相较于多胞六边形管(MHT),上述指标分别提升121%、58%、121%和97%;相较于波纹多胞六边形管(CMHT),Ea、Esa、F、η分别提升7%、7%、8%、33%,且初始峰值压缩力(Fmax)降低18%,充分证明其吸能性能更优。随后,以肋板与外管的几何参数为设计变量,通过全因子试验设计生成540组样本,构建支持向量机(SVM)代理模型,并结合冠豪猪优化(CPO)算法完成模型优选,实现对CMGHT耐撞性能的精准预测。最后,采用多目标浣熊优化算法(MOCOA)进行多目标优化,获取最优特征参数组合。优化结果表明,相较于未经过参数优化的CMGHT基础模型(参数基于工程常用范围初步设定:肋板厚度1 mm、肋板幅值3 mm、外管梯度厚度0.5 mm-1 mm-1.5 mm、外管长度33.3 mm),优化后结构的Esa提高22%,η提升53%,F增强270%,进一步验证了设计方法的有效性。 展开更多
关键词 多胞梯度结构 有限元分析 机器学习 多目标优化
暂未订购 下载PDF
数据驱动点阵超材料多目标优化设计 认领 引用
13
作者 肖李军 朱艳林 +5 位作者 石高泉 李依男 李润枝 惠旭龙 张瑞刚 宋卫东 《爆炸与冲击》 EI CAS CSCD 北大核心 2026年第5期194-208,共15页
桁架类点阵超材料是一类超轻质承载吸能材料,在冲击防护领域具有广阔的应用前景。然而,由于点阵超材料细观构型参数空间庞大,且构型参数与力学响应之间存在复杂的非线性关系,其性能优化面临巨大挑战。针对上述问题,基于桁架类点阵超材... 桁架类点阵超材料是一类超轻质承载吸能材料,在冲击防护领域具有广阔的应用前景。然而,由于点阵超材料细观构型参数空间庞大,且构型参数与力学响应之间存在复杂的非线性关系,其性能优化面临巨大挑战。针对上述问题,基于桁架类点阵超材料的细观结构特征,提出了一种高效的快速数字化建模方法,并利用Python脚本驱动Abaqus仿真软件,实现了材料的批量化建模与仿真分析。在此基础上,通过有限元数值模拟建立了不同构型点阵超材料的准静态压缩性能数据集,并利用实验验证了数据集的可靠性。随后,训练了一个人工神经网络模型作为代理函数,并将其嵌入非支配排序遗传算法,对点阵超材料开展多目标优化设计,获得了具有高承载能力、高吸能特性以及兼顾承载吸能性能的点阵超材料构型。研究结果表明,融合机器学习技术与有限元仿真,可有效降低优化设计的计算成本,为复杂点阵超材料的快速性能优化与定制化设计提供技术支撑。 展开更多
关键词 点阵超材料 机器学习 遗传算法 多目标优化 增材制造
暂未订购 下载PDF
机器学习驱动的折纸超材料夹芯结构低速冲击响应预测及多目标优化 认领 引用
14
作者 韩思豪 李春雷 +3 位作者 苏步云 敬霖 韩强 姚小虎 《爆炸与冲击》 EI CAS CSCD 北大核心 2026年第5期176-193,共18页
受三浦折纸和星形蜂窝的混杂拓扑设计启发,提出了一种新型折纸超材料夹芯复合结构,并融合机器学习实现了其低速冲击响应的预测和多目标优化。通过落锤冲击实验和有限元仿真,系统探究了该结构在低速冲击下的动态力学响应和变形失效模式... 受三浦折纸和星形蜂窝的混杂拓扑设计启发,提出了一种新型折纸超材料夹芯复合结构,并融合机器学习实现了其低速冲击响应的预测和多目标优化。通过落锤冲击实验和有限元仿真,系统探究了该结构在低速冲击下的动态力学响应和变形失效模式。结果表明,折纸启发的拓扑结构有效地将传统蜂窝结构的瞬时完全断裂转化为了渐进压溃失效,从而显著提升了其抗冲击性能。随后提出了残差连接增强的深度学习模型,实现了对该结构完整低速冲击响应的快速精确端到端预测,计算效率较有限元仿真大幅提升。并基于该深度学习模型,对关键角度进行了参数分析,揭示了其对冲击响应和等效密度的调控机理,特别是角度变化诱导的壁板拉压变形与折痕弯曲变形间的载荷重新分布现象,使结构能在承载型与缓冲型功能间切换,提供了冲击响应与失效模式主动可调控的机理依据。最后,进一步结合强化学习和帕累托前沿分析,以训练完备的深度学习模型作为代理模型,针对承载防护和缓冲防护需求实现了结构的轻量化多目标优化。在等效密度相近时,折纸超材料能够实现峰值力的大范围调控,有益于针对不同防护场景按需定制化开发的防护结构。 展开更多
关键词 折纸超材料 夹芯结构 动态力学响应 机器学习 多目标优化
暂未订购 下载PDF
Data-efficient construction of high-fidelity graph deep learning interatomic potentials 认领 引用 被引量：3
15
作者 Tsz Wai Ko Shyue Ping Ong 《npj Computational Materials》 SCIE EI CSCD 2025年第1期663-673,共11页
Machine learning potentials(MLPs)have become an indispensable tool in large-scale atomistic simulations.However,mostMLPs today are trained on data computed using relatively cheap density functional theory(DFT)methods ... Machine learning potentials(MLPs)have become an indispensable tool in large-scale atomistic simulations.However,mostMLPs today are trained on data computed using relatively cheap density functional theory(DFT)methods such as the Perdew-Burke-Ernzerhof(PBE)generalized gradient approximation(GGA)functional.While meta-GGAs such as the strongly constrained and appropriately normed(SCAN)functional have been shown to yield significantly improved descriptions of atomic interactions for diversely bonded systems,their higher computational cost remains an impediment to their use in MLP development.In this work,we outline a data-efficient multi-fidelity approach to constructing Materials 3-body Graph Network(M3GNet)interatomic potentials that integrate different levels of theory within a singlemodel.Using silicon and water as examples,we show that a multi-fidelity M3GNet model trained on a combined dataset of low-fidelityGGAcalculations with 10%of high-fidelity SCAN calculations can achieve accuracies comparable to a single-fidelity M3GNet model trained on a dataset comprising 8×the number of SCAN calculations.This work provides a pathway to the development of high-fidelity MLPs in a cost-effective manner by leveraging existing low-fidelity datasets. 展开更多
关键词 density functional theory dft methods data efficient interatomic potentials gradient approximation gga functionalwhile atomic interactions graph deep learning multi fidelity machine learning potentials
燃烧预测与智慧能源管理的教学改革与实践 认领 引用
16
作者 潘明章 卫海桥 +3 位作者 张寒冰 官维 梁科 姚作芳 《实验技术与管理》 CAS 北大核心 2026年第7期216-226,共11页
就内燃机燃烧预测及智慧能源管理教学问题,该文首先针对试验内容进行采样设计,并使用试验得到的数据集训练机器学习模型,然后构建集成树代理模型实现内燃机性能指标的高精度拟合预测,最终集成多目标优化算法生成帕累托最优解集。该教学... 就内燃机燃烧预测及智慧能源管理教学问题,该文首先针对试验内容进行采样设计,并使用试验得到的数据集训练机器学习模型,然后构建集成树代理模型实现内燃机性能指标的高精度拟合预测,最终集成多目标优化算法生成帕累托最优解集。该教学改革所提出的融合机器学习的内燃机燃烧预测与智慧能源管理方法,使得在权衡点工况下的内燃机油耗降低了14.5%,HC、CO和NOx排放量分别降低7.0%、5.7%、32.8%。该实验教学改革框架形成了“试验设计—数据建模—优化反馈”的完整逻辑闭环,能够使学生掌握从试验设计到数据分析与优化的完整科研流程,增强其解决复杂科学问题的综合能力,并为能源动力类专业教学改革实践提供了可推广的范式。 展开更多
关键词 内燃机 采样算法 机器学习 燃烧预测 多目标优化
暂未订购 下载PDF
机器学习在高熵合金研究中的应用进展 认领 引用
17
作者 丁红瑜 付衡 +3 位作者 秦红敏 张琪 黄虎 陈超 《特种铸造及有色合金》 CAS 北大核心 2026年第6期801-807,共7页
机器学习凭借在高维特征处理与非线性建模方面的优势,被广泛应用于高熵合金的成分筛选、相结构预测、力学与功能性能调控以及服役行为建模。系统梳理了相关研究进展,重点评述了相形成预测的特征工程与多模型集成方法,多目标优化在强度-... 机器学习凭借在高维特征处理与非线性建模方面的优势,被广泛应用于高熵合金的成分筛选、相结构预测、力学与功能性能调控以及服役行为建模。系统梳理了相关研究进展,重点评述了相形成预测的特征工程与多模型集成方法,多目标优化在强度-延展性权衡中的应用,以及腐蚀性能和软磁性能的建模与验证。同时,总结并提出了数据稀缺、跨尺度建模和物理解释性不足等突出问题,并探讨了图神经网络、自监督学习、因果推理及试验反馈闭环等新兴路径。 展开更多
关键词 高熵合金 机器学习 相形成预测 多目标优化 性能调控
暂未订购 下载PDF
基于机器学习的模块间节点受剪性能多目标优化 认领 引用
18
作者 邓恩峰 李羽辰 +3 位作者 高焌栋 张哲 廉俊逸 李伟 《建筑钢结构进展》 CAS CSCD 北大核心 2026年第3期114-123,共10页
模块化钢结构建筑凭借工业化程度高、施工效率快等优势,已成为推动绿色低碳建筑发展的重要方向。模块间连接对模块化建筑的力学性能具有关键影响,然而当前针对模块间连接受剪性能及优化设计方法的研究仍较为缺陷。文中基于课题组前期完... 模块化钢结构建筑凭借工业化程度高、施工效率快等优势,已成为推动绿色低碳建筑发展的重要方向。模块间连接对模块化建筑的力学性能具有关键影响,然而当前针对模块间连接受剪性能及优化设计方法的研究仍较为缺陷。文中基于课题组前期完成的全装配可吊装节点(fully prefabricated liftable connection,FPLC)受剪性能试验研究,建立了精细化有限元模型并开展了参数分析,从而得到了包含1000组不同参数的FPLC受剪性能数据库。运用了六种常用机器学习算法对FPLC受剪性能进行评估,结果表明:基于遗传算法优化的神经网络(GANN)对FPLC承载力的预测精度较高,支持向量机(SVR)对于FPLC位移的预测效果更优。将这两种高预测精度的算法进行堆栈并构建代理模型,结合非支配遗传算法(NSGA-Ⅱ)提出了FPLC受剪性能多目标优化方法,并给出了优化后的节点构造形式。通过建立四层模块化钢结构有限元模型,在竖向荷载和风荷载作用下开展静力分析,对比四层模块化钢结构优化前后的受剪性能指标及层间位移响应,验证了该方法的工程适用性。 展开更多
关键词 模块化钢结构 模块间连接 受剪性能 机器学习 多目标优化 精细化有限元模型 参数分析
暂未订购 下载PDF
数据驱动的城市高架车站立面光伏设计及改造潜力研究——以上海轨交为例 认领 引用
19
作者 舒欣 经馨瑶 +1 位作者 陈思源 程小武 《南方建筑》 CSSCI CSCD 北大核心 2026年第6期86-97,共12页
探讨城市轨道交通高架车站立面光伏系统的应用潜力与优化设计策略,兼顾光伏发电量、室内热舒适度与天然采光性能。构建四种常见高架车站基准模型,运用Ladybug Tools与PVsyst进行太阳辐射与发电性能模拟;并基于蒙特卡洛采样生成性能数据... 探讨城市轨道交通高架车站立面光伏系统的应用潜力与优化设计策略,兼顾光伏发电量、室内热舒适度与天然采光性能。构建四种常见高架车站基准模型,运用Ladybug Tools与PVsyst进行太阳辐射与发电性能模拟;并基于蒙特卡洛采样生成性能数据集,训练Light GBM回归模型,结合NSGA-Ⅱ算法开展多目标优化。结果表明,东西朝向立面光伏年发电量可达屋顶系统的1.5倍以上,系统效率达80%以上;经2000组方案优化,热舒适时间占比最高达11.84%,有效天然采光比例最高达71.70%,年光伏发电量最高达963669 kWh;基于帕累托前沿解集,进一步归纳了设计改造方法:遮阳板倾角建议40°~50°,窗墙比建议0.2~0.4,天窗屋面面积比建议0.2~0.3,光伏板与立面夹角建议0°~30°。不仅为高架车站光伏设计提供了科学依据和技术支撑,也为城市轨道交通系统的绿色低碳转型提供了创新路径,助力实现“双碳”目标下的可持续发展。 展开更多
关键词 光伏潜力 高架车站 BIPV 仿真模拟 多目标优化 机器学习
暂未订购 下载PDF
基于超低能耗的学校教室设计因素优化与光热性能预测研究 认领 引用
20
作者 崔艳秋 陈正舒 +3 位作者 王春堂 郑海超 丁欣 杨昊冉 《建筑节能（中英文）》 CAS 2026年第8期77-86,共10页
教室作为学生主要的学习空间,对于光热舒适性能有着较高要求,往往通过采暖、制冷等主动措施提升室内光热性能,尤其在夏季较为炎热的寒冷地区,会导致建筑能耗显著增大。因此,有效降低建筑能耗并提升室内光热性能是一个亟待解决的问题。... 教室作为学生主要的学习空间,对于光热舒适性能有着较高要求,往往通过采暖、制冷等主动措施提升室内光热性能,尤其在夏季较为炎热的寒冷地区,会导致建筑能耗显著增大。因此,有效降低建筑能耗并提升室内光热性能是一个亟待解决的问题。选取山东地区某学校建筑,建立普通教室和专业教室基准模型,并通过实测验证了模拟软件的准确性,以提升光热性能和降低能耗为目标,对教室形态、窗洞口形态和围护结构热工性能等设计因素进行了优化,借助Grasshopper与Python构建了集分析、优化、预测于一体的数据驱动方法,分析了不同教室中多种设计因素与光热性能及能耗的相关性,并借助LightGBM算法建立了教室空间的性能回归预测模型。该方法提升了教室设计因素的优化潜力,同时为设计人员开展室内光热性能预测评估提供理论参考。 展开更多
关键词 超低能耗 学校教室 光热性能 多目标优化 机器学习
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 9 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈