摘要：随着全球能源需求不断增长,化石燃料资源有限和二氧化碳排放对气候变化的影响愈加严重,减少二氧化碳排放已迫在眉睫。基于绿电的电化学还原二氧化碳(CO_(2)RR)方法是缓解化石燃料消耗和温室气体排放的理想途径。传统催化剂的研发模式主要依赖实验试错方法,难以满足对高效催化剂的研发需求。快速发展的机器学习等数据科学技术为催化剂研发带来范式变革的契机。高通量计算结合机器学习已经成为近年来电催化剂配方设计中的重要手段之一。基于此,本文概述了近年来高通量计算结合机器学习指导催化剂开发的研究成果,包括催化剂设计的原理、模拟计算的策略以及机器学习模型的构建。通过将高通量计算和机器学习结合,可以加速催化剂设计过程,为CO_(2)RR催化剂的高效筛选和开发提供了新方法,拓宽人工智能在催化剂筛选设计中的应用。

摘要：目的通过机器学习构建(TiZrNbCrSi)N体系的硬度算法模型和韧性算法模型,结合高通量制备完成对兼具高硬度和高韧性的高熵氮化物涂层的成分设计和高效筛选。方法采用磁控溅射多靶共沉积技术制备强韧一体化的(TiZrNbCrSi)N高熵氮化物涂层。采用热场发射扫描电镜和能谱仪对涂层表、截面形貌及成分进行分析,利用纳米压痕仪测量涂层的硬度和弹性模量,采用压痕法定量表征涂层的韧性。同时,引入高通量制备技术大幅缩短样品制备周期,采用随机森林算法构建机器学习模型,对涂层的成分和性能进行高效分析和预测。结果(TiZrNbCrSi)N涂层的厚度约为720 nm,呈现柱状晶结构,其晶体结构为FCC。涂层的硬度为12~28 GPa,韧性值为1~10 MPa·m^(1/2)。机器学习对涂层硬度预测的均方根误差为1.118 GPa,对韧性预测的均方根误差为1.292 MPa·m^(1/2)。结论通过机器学习构建的硬度算法模型及韧性算法模型,对(TiZrNbCrSi)N涂层体系的性能预测结果具有较高的准确性。筛选获得的(Ti_(0.079)Zr_(0.081)Nb_(0.089)Cr_(0.119)Si_(0.068))N_(0.564)高熵氮化物涂层兼具高硬度和高韧性,其硬度为25.6 GPa、韧性值为8 MPa·m^(1/2)。

摘要：近年来,机器学习技术的飞速发展,为生态学研究提供了新的工具和方法,推动了研究思路的更新和研究范式的转变,引领生态学逐渐走向数据驱动型研究的时代。随着环境问题的日益严峻,生态安全问题也已逐渐成为全球关注的焦点。对生态安全中的安全评估、模拟与安全预警以及安全格局三个子领域进行了概述。以Web of Science核心合集和中国知网的文献为数据源,系统梳理机器学习在生态安全领域的应用进展,并归纳总结了关键词与相关算法。结果显示,机器学习在生态安全的主要应用包括分析确定影响因素、分析确定指标的权重和重要性、模拟生态安全与指标间的对应关系、动态预测与预警、识别生态源(区)以及格局的动态演变六个方面。分析了每个应用内常见算法的特点、局限性及其适用性,并进行了算法演变分析。展望未来机器学习与生态安全可以进一步融合探索的问题,比如识别生态安全阈值、构建精准化生态安全预警平台以及阐明格局演化的驱动机制。为生态安全的未来研究提供参考。

摘要：为揭示SUS321不锈钢的力学性能与其热处理工艺之间的复杂关系,基于随机森林模型,通过机器学习方法建立了退火温度、退火时间与SUS321不锈钢力学性能的预测模型。结果表明,模型对SUS321不锈钢抗拉强度、屈服强度和伸长率的预测性能指标R^(2)均超过0.8,表现出较好的预测效果。基于部分依赖图和个体条件期望图的分析表明,随退火温度和退火时间的增加,SUS321不锈钢的抗拉强度和屈服强度呈现下降趋势,而伸长率呈现上升趋势,且退火温度为主要特征参数。

摘要：机器学习已经被广泛应用于材料研究领域,然而从成分、工艺多维度进行合金设计依旧是一个不小的挑战。提出了一种机器学习方案,结合材料的物理化学性质、成分、工艺进行合金设计,采用遗传算法对Cu-Ni-Co-Si合金性能预测进行优化;采取递归消除法探索特征与合金性能之间的潜在联系。研究发现,影响合金硬度和导电性的主要工艺是时效处理与冷轧变形。除此以外的物理化学特征主要通过影响自由电子密度和自由电子迁移的自由程,从而对合金的导电率产生影响;通过影响固溶强化和位错强化,从而对合金的硬度产生影响。

摘要：结合火灾数值模拟(FDS)与机器学习方法,该文对半U形地下空间火灾时的烟气运动进行了深入分析。研究发现,在预测烟气回流长度及烟气最高温升方面,BP神经网络相比于支持向量机回归(SVR)展现了更高的精度,其决定系数超过了95%,而相对误差仅集中在20%以内,显著优于SVR方法。通过shap值解释机器学习模型,并结合FDS数值模拟的结果,揭示坡高是影响烟气回流长度的决定性因素,且坡高的增大、宽度的减小或热释放速率增大均会缩短烟气回流。同时,热释放速率是影响烟气最高温升的主要因素,受坡高影响较大,而宽度的减小虽能在一定幅度上降低最高烟气温升,但效果并不显著。该研究拓展了地下空间火灾烟气运动参数的预测方法,为地下空间火灾动力学行为预测及通风排烟系统的优化设计贡献了创新性的方法。

摘要：分析了单桩承载力的主要影响因素,利用降维算法对静力触探数据进行预处理,使用树模型的重要性分析函数筛选主要特征,由贝叶斯优化算法确定超参数,提出了一种基于机器学习算法的打入桩竖向承载力预测模型。经过准度测试、蒙特卡洛模拟检验及与经验关系模型的对比,对预测模型的有效性和鲁棒性进行了评估。结果表明,支持向量机(SVM)模型、随机森林(RF)模型、极限梯度提升算法(XGBoost)模型均能较准确地预测打入桩竖向承载力,且准确性显著高于经验关系模型。根据综合分析结果,建议选择XGBoost模型用于打入桩竖向承载力的预测。

摘要：为了满足三通管液压成形过程的监测和过程控制的需求,构建了一个基于有限元数据驱动的机器学习框架用于多物理场的实时预测,包括:数据生成模型构建,建立能够准确描述塑性成形过程的有限元模型;数据集生成,结合成形工艺特点和成形设备参数范围要求进行实验设计,同时通过有限元模拟创建数据集,用于机器学习模型的训练;模型训练,选择机器学习算法就有限元模拟生成的数据集进行学习,建立边界位移与材料内部位移场的映射;多物理场计算,基于预测位移场推导材料内部应变、应力以及厚度场等的分布。采用该框架构建了基于CPB06屈服准则的纯钛三通管液压成形有限元模型,在此基础上通过加载路径全因子模拟实验生成了机器学习数据集,并采用随机森林和梯度提升算法实现了材料内部位移的实时预测,计算出了等效应变、等效应力和管材壁厚的分布。将上述预测模型用于全新工况的三通管液压成形,结果表明,预测误差不超过5%,说明构建的集成有限元方法的机器学习框架可以解决有限元模型无法在线分析的问题,实现对塑性加工过程中多物理场的实时预测。

摘要：本文探讨了机器学习在计算机机房运维管理中的应用,通过设计一套基于机器学习的智能运维系统,实现了机房环境和设备的实时监测、异常检测、故障诊断和自动化控制优化。实验结果表明,该系统在故障检测精确率、能耗预测误差和异常检测AUC等指标上均优于传统方法,且节能率达14.7%,为智能化运维提供了可行的解决方案。

摘要：在计算机科学和技术的推动下,机器学习已成为化学研究的强大工具。本文首先介绍了机器学习的基本概念,随后探讨了其在化学领域的四个关键应用:在有机全合成中预测合成路径;在原子模拟中对势能面进行高效采样和重建;在异相催化设计中用于反应路径揭示和催化剂筛选;以及在核磁共振谱学中的信号处理和解析。本文还介绍了移动机器人化学家的概念,展示了机器学习与自动化技术结合的潜力。最后,本文对机器学习在未来化学研究中的发展前景进行了展望,指出了其可能带来的变革性影响。