关键词： 机器学习   土壤   重金属   理化性质   生物毒性   生态风险评价  

摘要： 土壤理化性质会显著影响重金属生物毒性，基于土壤理化性质的重金属生物毒性及潜在生态风险预测是当前的研究热点之一 。本研究以土壤典型重金属镉（Cd）、铜（Cu）、铅（Pb）和锌（Zn）为研究对象，蚯蚓为土壤模式生物，采用文献法搜集已发表论文中重金属对蚯蚓繁殖的半数有效浓度(EC50)与所对应的土壤理化性质数据共113组，分析不同数据间关联性，揭示土壤理化因子对重金属生物毒性的影响规律。利用随机森林（RF）、梯度提升决策树（GBDT）、极限梯度提升（XGBoost）、K近临（KNN）和支持向量机（SVR）五种机器学习算法构建机器学习模型，研选最佳模型并开展我国土壤重金属潜在生态风险阈值预测。结果表明，重金属在不同类型土壤中毒性存在显著差异，重金属对蚯蚓的繁殖毒性强弱趋势表现为Cd>Cu>Pb≈Zn。不同土壤理化性质对重金属生物毒性的影响规律不同，其中土壤pH是影响重金属Pb和Cd的主要因素，对重金属蚯蚓繁殖毒性变化的贡献率分别为57.2%和69.0%；阳离子交换量和有机质含量则分别是重金属Cu和Zn生物毒性的主要影响因子。从模型拟合优度和预测精度对比分析基于土壤理化因子构建的重金属生物毒性机器预测模型的性能，XGBoost模型对Cd、Cu和Zn的生物毒性预测表现较好，而RF模型对Pb的生物毒性预测更准确，训练集和测试集的R2分别达0.939和0.886。利用研选的重金属生物毒性预测模型开展我国34省土壤中重金属生态风险阈值预测，结果发现不同区域土壤潜在生态风险存在明显差异。研究结果可为基于土壤理化性状的重金属生态毒性和潜在生态风险的准确预测与合理评估提供新的策略。

关键词： 机器学习   心理测验   教育测验   测验安全   统计量  

摘要： 测验安全的事后检测主要依靠统计量方法,而新兴的机器学习方法凭借良好的检测性能与统计量方法形成互补。为了推进测验安全问题的解决,综述了监督学习、无监督学习和半监督学习三大类机器学习方法及其衍生的集成学习、深度学习与迁移学习方法在测验安全领域的应用,阐述了不同机器学习方法的特点,提供了数据的获取及处理、输入特征的选择等实用的方法建议。未来研究可以从机器学习与个人拟合、机器学习与多模态数据、基于生成对抗网络的异常检测,以及增加研究结果的可解释性几方面开展。

关键词： 生物软组织特性反演   超声导波   频散曲线   机器学习   灵敏度指标  

摘要： 生物软组织的几何和力学性质是多种疾病的重要指标,通过高精度反演得到生物软组织特性,如组织厚度、弹性模量和密度等,对疾病的诊断、治疗和康复具有重要的医疗指导意义,超声波检测中包含的参数信息可以高效并准确地解决参数反演问题.本文将超声导波的频散曲线和机器学习相结合,建立了基于生物软组织Lamb波频散曲线的BP神经网络反演方法,分析了频散曲线的模态、波段、训练数据个数、波数采样点个数和数据噪声对反演精度的影响.研究结果表明,本文提出的反演方法能够准确地得到生物软组织的单参数特性,并且具有很好的普适性,可用于生物软组织的不同特性参数的反演.其中频散曲线数据通过求解频散方程获取.引入确定系数R2对反演结果进行评估,通过对比不同模态与频段下的反演结果,证明根据修正Morris法求得的灵敏度指标来选取频散曲线样本的模态与波段是一种有效手段.而且采用混合模态可进一步提升反演精度.训练数据个数和波数采样点个数超过相应的阈值后,反演精度基本不变,根据阈值可同时保证优异的反演精度和反演效率.通过在样本中加入随机噪声进行鲁棒性测试,当训练样本和测试样本的取值范围和噪声水平相近时,本文反演方法表现出一定的鲁棒性.

关键词： 电池管理系统   电池剩余寿命   寿命预测   机器学习算法   寿命延长  

摘要： 随着技术的不断进步和成本的逐步降低，锂电池在电动汽车、储能系统、便携式电子设备等多个领域实现了广泛应用，有效促进了清洁能源的普及和能源结构的优化。掌握锂电池衰变和剩余使用寿命（RUL）对于确保设备稳定运行、提高能源利用效率以及保障用户安全至关重要。通过优化电池设计和使用策略，可以延长锂电池的使用寿命，降低更换成本，进一步推动锂电池的规模化应用。锂电池的性能衰变是一个涉及多尺度化学、电化学反应的复杂过程，涉及其内部从材料、界面到多孔电极、器件等诸多因素影响。各种机器学习（ML）的方法正是建模处理复杂数据、寻找规律、反馈应用的重要手段。本文针对锂电池RUL建模研究的科学问题，综述了ML算法在预测电池RUL领域的最新进展，重点介绍数据驱动的电池管理、预测建模以及利用ML方法来提高电池性能和寿命方面的突破。最后，对当前领域内面临的关键问题进行了归纳总结，以期提供一个基于ML算法的电池RUL预测技术的全面视角，并展望其未来的发展趋势。

关键词： 肝细胞癌(HCC)   线粒体氧化应激   机器学习   预后   风险模型  

摘要： 肝癌是常见的恶性肿瘤之一，晚期肝癌的预后极差。鉴于线粒体氧化应激在肝癌发生发展中的重要作用，本研究选用线粒体氧化应激相关基因构建肝细胞癌(hepatocellular carcinoma，HCC)预后风险模型。首先，结合单因素Cox回归分析与支持向量机、随机森林分析、LASSO回归分析3种机器学习方法筛选预后关键基因，并基于多因素Cox回归分析构建模型；其次，在数据库中对模型的预后价值进行验证；再次，利用基因富集分析探讨高低风险组间预后差异的可能机制，并比较两组间的免疫微环境及治疗反应；最后，使用实时荧光定量逆转录PCR (reverse transcription quantitative real-time PCR，RT-qPCR)验证关键基因在HCC组织中的表达。结果共筛选出PDE2A、TREM2、BMP6、NQO1、CPS1、EPO、MAPT、G6PD、SFN、HMOX1十个基因。与低风险组比较，高风险组HCC患者预后较差(P<0.000 1)。富集分析表明，过氧化物酶体增殖物激活受体(peroxisome proliferator-activated receptor，PPAR)信号通路等在高低风险组间存在显著差异。肿瘤免疫分析表明，肿瘤免疫浸润、免疫检查点相关基因、免疫治疗反应等在高低风险组间也存在显著差异。RT-qPCR的验证结果表明，相比正常肝组织，HCC组织中CPS1、PDE2A、BMP6的表达显著降低(P<0.05)，而G6PD、SFN的表达显著升高(P<0.05)。总之，本研究建立的线粒体氧化应激相关HCC预后风险模型具有良好的预测效能及准确度，可用于HCC的精准治疗，有较高的临床应用价值。

关键词： 油气田开发   产量预测   机器学习   神经网络  

摘要： 受开发过程中储层物性、流体性质和工艺措施的复杂多变性影响，油气生产数据的分析利用程度多取决于石油科技工作者的专业经验，通常需要较高的计算成本和时间成本，难以满足现代油气藏高效开发需求，因此亟待找到更加高效率的油气产量预测方法。近年来，以深度神经网络、随机森林算法和迁移学习为代表的机器学习方法凭借处理高维数据、捕捉时序数据长期依赖关系和提取开发数据特征等方面的独特优势，在油气产量预测中取得了显著应用效果。文中介绍了常用于油气产量预测的机器学习方法原理及其优缺点，阐述了机器学习方法在油气产量预测领域的应用现状，总结了应用过程中潜在的问题，同时对油气产量预测方法的发展进行了展望。未来，一方面应关注将物理约束融入机器学习模型，提高模型的可解释性，避免过于理想化的预测结果；另一方面要开发适合小样本情况下的算法和迁移学习技术，充分利用历史生产数据，为油气产量预测提供更好的数据分析技术支持。

关键词： 热解   机器学习   分子水平动力学模型   废弃塑料   模拟   废物处理  

摘要： 随着全球塑料产量的增加，废弃塑料处理问题日益严重，热解技术作为一种将废弃塑料转化为高附加值产品的方法，引起了广泛关注。通过分子水平动力学模型与机器学习相结合的方法，研究了聚乙烯（PE）的热解过程。首先，利用分子水平动力学模型针对不同分子量分布的PE原料，生成大规模热解数据集。然后，基于大规模数据集构建了9种机器学习模型，评估其预测能力及特征重要性，分析影响热解产物收率的关键因素。结果表明，反应时间和热解温度是主要影响因素，KNN模型在气、液相产物预测中表现最佳。通过优化机器学习模型和扩大数据集，可以显著提升热解过程的预测准确性和效率，为废弃塑料资源化提供了新的思路和方法。

关键词： 供水系统   实时数据分析   漏损预测   漏损定位   机器学习方法  

摘要： 城市供水系统是城市基础设施的重要组成部分,保障供水系统的正常运行对于提高城市生活质量和促进经济发展至关重要。本文总结了实时数据分析技术在供水系统漏损管理中的应用,详细探讨了流量、压力、水质及地理信息数据的实时监测与采集方法。采集的数据通过回归分析、灰色预测模型及多种机器学习算法进行漏损预测,并通过物理硬件检测法和基于模拟计算的方法进行漏损定位,展示了贝叶斯理论、神经网络算法及支持向量机在漏损识别中取得的研究成果。最后,探讨了在数据和模型两方面所面临的挑战,并提出了相应的改进建议,为未来城市供水管网漏损治理提供了科学依据与实践指导。

关键词： 麻醉恢复时间   妇科手术   机器学习  

摘要： 目的构建妇科手术中麻醉恢复时间预测模型并验证。方法回顾性收集来自湖南省妇幼保健院2022年9月至2023年8月495例妇科手术,数据预处理后,构建逻辑回归(LR)模型、支持向量机(SVM)模型、多层感知器(MLP)模型、自适应提升(AdaBoost)模型、梯度提升决策树(GBDT)模型、随机森林(RF)模型、极限梯度提升(XGBoost)模型、类别提升(CatBoost)模型及引导聚集(Bagging)算法9个模型。为评估机器学习模型的预测准确性,绘制了受试者操作特征(ROC)曲线并比较曲线下面积(AUC)。针对最佳模型,探索各个特征在最佳模型中的重要性,并进行十折交叉验证最佳模型的适用性和稳定性。结果在495例患者中,全身麻醉恢复时间≥2 h者为A组,94例;<2 h者为B组,有401例。根据性能指标,9个模型中最佳模型为XGBoost(AUC为0.8701)。特征重要性分析中发现拔管时间与全身麻醉恢复时间关系密切。在十折交叉验证,该模型表现出了良好的普适性和稳定性。结论利用多种数据构建的XGBoost模型,有良好的预测表现和临床价值。