Continuous long-term monitoring of motor health is crucial for the early detection of abnormalities such as bearing faults (up to 51% of motor failures are attributed to bearing faults). Despite numerous methodologies proposed for bearing fault detection, most of them require normal (healthy) and abnormal (faulty) data for training. Even with the recent deep learning (DL) methodologies trained on the labeled data from the same machine, the classification accuracy significantly deteriorates when one or few conditions are altered. Furthermore, their performance suffers significantly or may entirely fail when they are tested on another machine with entirely different healthy and faulty signal patterns. To address this need, in this pilot study, we propose a zero-shot bearing fault detection method that can detect any fault on a new (target) machine regardless of the working conditions, sensor parameters, or fault characteristics. To accomplish this objective, a 1D Operational Generative Adversarial Network (Op-GAN) first characterizes the transition between normal and fault vibration signals of (a) source machine(s) under various conditions, sensor parameters, and fault types. Then for a target machine, the potential faulty signals can be generated, and over its actual healthy and synthesized faulty signals, a compact, and lightweight 1D Self-ONN fault detector can then be trained to detect the real faulty condition in real time whenever it occurs. To validate the proposed approach, a new benchmark dataset is created using two different motors working under different conditions and sensor locations. Experimental results demonstrate that this novel approach can accurately detect any bearing fault achieving an average recall rate of around 89% and 95% on two target machines regardless of its type, severity, and location.

3D地质模型中的每个网格块都需要一种代表该块的所有物理和化学性质的岩石类型。分类岩石类型的性质是岩性，渗透性和毛细管压力。科学家和工程师使用传统的实验室测量确定这些性质，其将破坏性方法嵌入样品或改变其一些性质（即，润湿性，渗透率和孔隙率），因为测量过程包括样品粉碎，流体流动或流体饱和度。最近，数字岩体物理学（DRT）已经出现了从微观计算机断层扫描（UCT）和磁共振成像（MRI）图像中量化这些性质。然而，文献没有尝试以完全数字语境的摇滚打字。我们提出表演数字摇滚打字（DRT）：（1）整合最新的DRP在授予数字岩石属性确定的新工艺中; （2）数字化碳酸盐中最新的岩石打字方法，（3）引入了一种新颖的碳酸盐岩字打字过程，该过程利用计算机视觉功能，为异构碳酸岩纹理提供更多洞察力。

渗透性对天然液的流动性具有显性影响。格子Boltzmann模拟器确定纳米和微孔网络的渗透率。模拟器占据了数百万的流动动态计算，其累积的误差和高耗电量的计算能力。为了有效且始终如一地预测渗透性，我们提出了一种形态学解码器，从3D微型计算机层面扫描和核磁共振图像中提出了机器学习的平行和串行流量重建。对于3D视觉，我们将可控可测量的卷引入新的监督分段，其中一组独特的体素强度对应于晶粒和孔喉部尺寸。形态解码器以新颖的方式贬低并汇集形态边界以产生渗透性。形态学解码器方法由五种新方法组成，其中描述了本文，这些新方法是：（1）几何3D渗透率，（2）机器学习引导3D特性识别岩石形态，（3）3D图像特性集成模型的渗透率（4）MRI渗透成像器，（5）形态解码器（整合其他四个新颖过程的过程）。

为了定义最佳机器学习算法，该决定并不容易，我们将选择它。为了帮助未来的研究人员，我们在本文中描述了最好的算法中的最佳状态。我们构建了一个合成数据集，并执行了5个不同算法的监督机器学习。对于异质性，我们确定了随机森林等，是最好的算法。

自动图像处理算法可以提高分类异构碳酸盐岩石形态的质量，效率和一致性，可以无缝地处理大量的数据和图像。地质学家面临困难在设定从岩石图像，微计算断层扫描（UCT）或磁共振成像（MRI）中确定岩石物理性质的最佳方法的方向。大多数成功的工作是来自同质岩石，专注于2D图像，较少关注3D并需要数值模拟。目前，图像分析方法会聚到三种方法：图像处理，人工智能和具有人工智能的组合图像处理。在这项工作中，我们提出了两种方法来确定3D UCT和MRI图像的孔隙率：具有图像分辨率的图像处理方法优化高斯算法（IROGA）;高斯随机森林机器学习差异（MLDGRF）启用先进的图像识别方法。我们已经建立了参考3D微型模型和收集的图像以校准Iroga和MLDGRF方法。为了评估这些校准方法的预测能力，我们在3D UCT和天然异质碳酸盐岩的MRI图像上运行它们。我们分别测量了三种行业标准方式的碳酸盐岩的孔隙度和岩性，分别为参考值。值得注意的是，与三种实验测量相比，IROGA和MLDGRF的精度产生96.2％和97.1％的精度为96.2％和97.1％，91.7％和94.4％。我们使用两种方法，X射线粉末衍射和晶粒密度测量测量石灰石和硫铁矿参考值。 MLDGRF生产岩性（石灰石和硫铁矿）卷，精度为97.7％。