检索范围:
排序: 展示方式:
Prediction of hydro-suction dredging depth using data-driven methods
《结构与土木工程前沿(英文)》 2021年 第15卷 第3期 页码 652-664 doi: 10.1007/s11709-021-0719-7
关键词: sedimentation water resources dam engineering machine learning heuristic
机器学习和数据驱动算法在智慧发电系统中的应用——一种不确定性处理的视角 Review
孙立, Fengqi You
《工程(英文)》 2021年 第7卷 第9期 页码 1239-1247 doi: 10.1016/j.eng.2021.04.020
由于人们对气候变化和环境保护的日益关注,智慧发电已成为常规火力发电厂和可再生能源系统经济安全运行的关键。面对日益增长的系统规模及其各种不确定性,传统的基于模型的第一定律方法已难以满足系统控制的要求。机器学习(ML)和数据驱动控制(DDC)技术的蓬勃发展为这些传统方法提供了一种替代方案。本文回顾了机器学习和数据驱动控制技术在发电系统监测、控制、优化和故障检测方面的典型应用,特别着重于揭示这些方法在评价、消除或耐受相关不确定性影响方面的作用。本文为智慧发电控制技术提供了一个从调节层到规划层的总体视角,分别从可见性、机动性、灵活性、经济性和安全性(简称“五性”)方面对机器学习和数据驱动控制技术的优势进行阐释。最后,对未来研究和应用进行了展望。
A hierarchical system to predict behavior of soil and cantilever sheet wall by data-driven models
Nang Duc BUI; Hieu Chi PHAN; Tiep Duc PHAM; Ashutosh Sutra DHAR
《结构与土木工程前沿(英文)》 2022年 第16卷 第6期 页码 667-684 doi: 10.1007/s11709-022-0822-4
关键词: finite element analysis cantilever sheet wall machine learning artificial neural network random forest
多尺度材料与过程设计的数据驱动和机理混合建模方法 Perspective
周腾, Rafiqul Gani, Kai Sundmacher
《工程(英文)》 2021年 第7卷 第9期 页码 1231-1238 doi: 10.1016/j.eng.2020.12.022
世界人口的不断增长要求加工业以更高效和更可持续的方式生产食品、燃料、化学品和消费品。功能性过程材料是这一挑战的核心。传统上,人们根据经验或者通过反复试验的方法来发现新型先进材料。随着理论方法和相关工具的不断改进和计算机能力的提高,现在流行使用计算方法来指导材料选择和设计,这种方法也非常有效。由于材料选择与材料使用的过程操作之间存在很强的相互作用,必须同时进行材料设计和过程设计。尽管有这种重要联系,但由于通常需要使用不同规模的多个模型,材料和过程的集成设计并不容易。混合建模为解决此类复杂的设计问题提供了一个有前景的选择。在混合建模中,用数据驱动模型描述原本计算成本高昂的材料特性,而用机理模型表示众所周知的过程相关原理。本文重点介绍了混合建模在多尺度材料和过程设计中的重要性。首先介绍通用设计方法,然后选择了六个重要的应用领域:四个来自化学工程领域,两个来自能源系统工程领域。对于选定的每个领域,讨论了使用混合建模进行多尺度材料和过程设计的最新研究。最后,本文给出了结论,指出当前研究的局限性和未来的发展空间。
高炉炼铁过程数据驱动软测量技术研究综述 Review Article
罗月阳1,张新民1,Manabu Kano2,邓龙3,杨春节1,宋执环1
《信息与电子工程前沿(英文)》 2023年 第24卷 第3期 页码 327-354 doi: 10.1631/FITEE.2200366
大数据为材料研究创造新机遇——材料设计的机器学习方法与应用综述 Review
周腾, Zhen Song, Kai Sundmacher
《工程(英文)》 2019年 第5卷 第6期 页码 1017-1026 doi: 10.1016/j.eng.2019.02.011
材料的发展在历史上是由人类的需求和欲望所驱动的,且在可预见的将来,这种情况应该会继续下去。到2050年,全球人口预计将达到100亿,人们对清洁高效能源、个性化消费产品、安全食品供应和专业医疗保健等方面的需求也将日益增加。新型功能材料是为目标属性或性能而定制的,这将是应对挑战的关键。从传统上讲,先进的材料都是通过经验或实验验证的方法发现的。因为现代实验和计算技术产生的大数据越来越容易获取,数据驱动或机器学习(ML)方法为发现和合理设计材料打开了新的蓝图。本文简要介绍了各种ML方法和相关的软件或工具。重点介绍了将ML方法应用于材料研究的主要思路和基本步骤。本文还总结了近期ML在多孔聚合材料、催化材料和含能材料的大规模筛选和优化设计中的重要应用。最后给出了结束语和展望。
Physics-Informed Deep Learning-Based Real-Time Structural Response Prediction Method
Ying Zhou,Shiqiao Meng,Yujie Lou,Qingzhao Kong,
《工程(英文)》 doi: 10.1016/j.eng.2023.08.011
关键词: Structural seismic response prediction Physics information informed Real-time prediction Earthquake engineering Data-driven machine learning
《能源前沿(英文)》 2022年 第16卷 第1期 页码 121-129 doi: 10.1007/s11708-021-0780-x
关键词: power distribution network data-driven topology identification distributed energy resource maximal information coefficient
Data-driven approach to solve vertical drain under time-dependent loading
《结构与土木工程前沿(英文)》 2021年 第15卷 第3期 页码 696-711 doi: 10.1007/s11709-021-0727-7
关键词: vertical drain artificial neural network time-dependent loading deep learning network genetic algorithm particle swarm optimization
《化学科学与工程前沿(英文)》 2023年 第17卷 第6期 页码 759-771 doi: 10.1007/s11705-022-2269-5
关键词: hydrocracking convolutional neural networks self-organizing map deep learning data-driven optimization
Big data and machine learning: A roadmap towards smart plants
《工程管理前沿(英文)》 页码 623-639 doi: 10.1007/s42524-022-0218-0
关键词: big data machine learning artificial intelligence smart sensor cyber–physical system Industry 4.0 intelligent system digitalization
基于混合驱动高斯过程学习的强机动多目标跟踪方法 Research Article
国强1,滕龙1,2,尹天祥3,郭云飞3,吴新良2,宋文明2
《信息与电子工程前沿(英文)》 2023年 第24卷 第11期 页码 1647-1656 doi: 10.1631/FITEE.2300348
Mohammad ZOUNEMAT-KERMANI, Meysam ALIZAMIR, Zaher Mundher YASEEN, Reinhard HINKELMANN
《结构与土木工程前沿(英文)》 2021年 第15卷 第2期 页码 444-460 doi: 10.1007/s11709-021-0697-9
关键词: sewer systems environmental engineering data-driven methods sensitivity analysis
使用数据驱动模型优化抗体纯化策略 Article
刘松崧, Lazaros G. Papageorgiou
《工程(英文)》 2019年 第5卷 第6期 页码 1077-1092 doi: 10.1016/j.eng.2019.10.011
本工作致力于抗体片段纯化过程的多尺度优化。优化了生产过程中的色谱决策,包括色谱柱的数量及其大小,每批的循环数以及操作流速。使用基于微型实验数据的制造规模模拟数据集,建立了以负载质量、流速和柱床高度为输入的色谱通量数据驱动模型。与其他方法相比,分段线性回归建模方法具有简单、预测精度高的优点。提出了两种混合整数非线性规划(MINLP)模型,结合数据驱动模型,以最小化每克抗体纯化过程的总成本。然后,使用线性化技术和多参数分解将这些MINLP模型重新构造为混合整数线性规划(MILP)模型。研究了两个具有不同色谱柱尺寸替代品的工业相关案例,以证明所提出模型的适用性。
A hybrid Wavelet-CNN-LSTM deep learning model for short-term urban water demand forecasting
《环境科学与工程前沿(英文)》 2023年 第17卷 第2期 doi: 10.1007/s11783-023-1622-3
● A novel deep learning framework for short-term water demand forecasting.
关键词: Short-term water demand forecasting Long-short term memory neural network Convolutional Neural Network Wavelet multi-resolution analysis Data-driven models
标题 作者 时间 类型 操作
A hierarchical system to predict behavior of soil and cantilever sheet wall by data-driven models
Nang Duc BUI; Hieu Chi PHAN; Tiep Duc PHAM; Ashutosh Sutra DHAR
期刊论文
Physics-Informed Deep Learning-Based Real-Time Structural Response Prediction Method
Ying Zhou,Shiqiao Meng,Yujie Lou,Qingzhao Kong,
期刊论文
Data-driven distribution network topology identification considering correlated generation power of distributed
期刊论文
Multiple input self-organizing-map ResNet model for optimization of petroleum refinery conversion units
期刊论文
Concrete corrosion in wastewater systems: Prediction and sensitivity analysis using advanced extreme learningmachine
Mohammad ZOUNEMAT-KERMANI, Meysam ALIZAMIR, Zaher Mundher YASEEN, Reinhard HINKELMANN
期刊论文