基于数据驱动的海水环境中3C钢腐蚀速率的预测

为了快速、准确地预测3C钢的腐蚀速率,利用文献中的数据建立了基于高斯核函数的支持向量回归(RBF-SVR)模型和基于3种模型的组合模型。通过基于SVR的遗传算法、前进算法和后退算法分别对数据集进行降维,SVR的留一法交叉验证与网格搜索对超参进行调优,建立了预测3C钢腐蚀速率的RBF-SVR模型。将RBF-SVR模型与文献中基于遗传算法的反向传输神经网络(GA-BPNN)模型和四层反向传输神经网络(BPNN)模型综合为一个组合模型,研究结果表明该组合模型具有更高的预测精度和泛化能力。

基于机器学习的砂型铸造涂料悬浮率的预测

在铸件浇注过程中,涂料是钢液和型腔壁的重要分隔层,其性能对铸件的外观及内部质量有很大的影响。本文中,基于机器学习方法和文献中的数据集,建立了预测铸造涂料悬浮率的支持向量回归(SVR)和反向传输神经网络(BPNN)模型。交叉验证与外部测试验证结果表明,两个模型都具有很高的预测精度和实用价值。本文通过对已有的铸造涂料数据的训练学习,实现了对未知涂料悬浮率的精确预测。因此,本文的研究方法可以为实现低成本、快速而有效地预测铸造涂料性能提供有价值的参考。

基于机器学习的金属氧化物纳米粒子毒性预测（英文）

因为金属氧化物纳米粒子(MNPs)的应用越来越广泛,对于未经检测的MNPs在其实际应用于纳米工业之前,能够对其毒性进行快速、有效地预测是非常重要的。在本工作中,利用收集的文献数据建立了金属氧化物纳米粒子的毒性数据集,其目标变量为MNPs的毒性(log(1/EC50)),候选的自变量有11个。使用遗传-支持向量回归(GA-SVR)组合算法对自变量进行筛选,得到了包含三个变量的用于建模的最优特征集。利用最优特征集形成的新数据集建立了两个用于预测MNPs毒性的定量构效关系(QSAR)模型,即线性核函数支持向量回归(SVR-LKF)和高斯核函数支持向量回归(SVR-RBF)模型。比较两个模型的评价指标发现SVR-RBF模型的性能优于SVR-LKF模型,并且它也优于文献报道的模型。此外,在毒性预测方面SVR-LKF模型也具有较好的预测性能和实用价值。为了探究毒性机理,本文还利用模拟研究分析了各变量对MNPs毒性的影响。因此,本文所提出的方法可以为在机器学习的辅助下MNPs的毒性预测以及毒性机理的研究提供有价值的线索。

褐煤碱性提取液作水煤浆添加剂的研究

本文基于尽量简化腐殖酸制备工艺、降低成本的目的,比较褐煤的碱性提取液与市售92系列成品添加剂、固体腐殖酸添加剂作河南永城水洗精煤制水煤浆添加剂的制浆效果,探讨用褐煤的碱性提取液直接作水煤浆添加剂的可能性。研究结果表明:当提取液折合为干腐殖酸用量约为0.91%时,所制浓度为70%的水煤浆粘度达到最小值290mPa·s,在此添加剂折合为干腐殖酸用量约0.91%的最佳用量下,褐煤碱性提取液制浆的定黏浓度达73.5%。褐煤碱性提取液直接制水煤浆与固体腐殖酸制备水煤浆相比,制浆效果优于市售92系列成品添加剂和固体腐殖酸添加剂,且褐煤碱性提取液制备工艺更简单、成本更低。