双层金属管（BMT）在工程应用中起着极其至关重要的作用，旋转弯曲弯曲（RDB）可以实现高精度弯曲处理，但是，该产品将进一步弹回。由于BMT的复杂结构和数据集获取的高成本，基于机制研究和机器学习的现有方法无法满足Spresback预测的工程要求。根据初步机制分析，提出了物理逻辑增强网络（PE-NET）。该体系结构包括ES-NET等效BMT与单层管等效，SP-NET用于带有足够的单层管样品的浮回本的最终预测。具体而言，在第一阶段，通过理论驱动的预探测和数据驱动的预处理，ES-NET和SP-NET分别构建。在第二阶段，在物理逻辑下，PE-NET由ES-NET和SP-NET组装，然后与小样本BMT数据集和复合损耗函数进行微调。 FE模拟数据集，小样本数据集BMT BMT弹回角预测验证了所提出方法的有效性和稳定性，并证明了跨性别和工程应用程序的潜在方法。

作为使用最广泛的金属管弯曲方法之一，旋转拉动弯曲（RDB）过程可实现可靠和高精度的金属管弯曲（MTBF）。形成准确性受到回避和其他潜在形成缺陷的严重影响，其机制分析很难处理。同时，现有方法主要是在离线空间中进行的，忽略了物理世界中的实时信息，这是不可靠且效率低下的。为了解决这个问题，提出了基于多源输入多任务学习（MTL）的数字增强（DT增强）金属管弯曲弯曲的实时预测方法。新方法可以实现全面的MTBF实时预测。通过共享多关闭域的共同特征并在功能共享和接受层上采用组正规化策略，可以保证多源输入MTL的准确性和效率。通过DT增强，物理实时变形数据通过改进的格莱美角度场（GAF）转换在图像维度中对齐，从而实现了实际处理的反射。与传统的离线预测方法不同，新方法集成了虚拟和物理数据，以实现更有效，更准确的实时预测结果。可以实现虚拟系统和物理系统之间的DT映射连接。为了排除设备误差的影响，在物理实验验证的FE模拟方案上验证了所提出的方法的有效性。同时，将通用的预训练网络与提出的方法进行比较。结果表明，所提出的DT增强预测方法更准确和有效。

探讨了使用深神经网络（DNN）模型作为线性和非线性结构动力系统的代理。目标是开发基于DNN的代理，以预测给定输入（谐波）激发的结构响应，即位移和加速度。特别是，重点是使用完全连接，稀疏连接和卷积网络层的有效网络架构的开发，以及相应的培训策略，可以在目标数据用品中的整体网络复杂性和预测准确性之间提供平衡。对于线性动力学，网络层中重量矩阵的稀疏模式用于构建具有稀疏层的卷积DNN。对于非线性动力学，显示网络层中的稀疏性丢失，并探讨了具有完全连接和卷积网络层的高效DNN架构。还介绍了转移学习策略以成功培训所提出的DNN，研究了影响网络架构的各种装载因素。结果表明，所提出的DNN可以用作在谐波载荷下预测线性和非线性动态响应的有效和准确的代理。

Machine learning approaches are widely studied in the production prediction of CBM wells after hydraulic fracturing, but merely used in practice due to the low generalization ability and the lack of interpretability. A novel methodology is proposed in this article to discover the latent causality from observed data, which is aimed at finding an indirect way to interpret the machine learning results. Based on the theory of causal discovery, a causal graph is derived with explicit input, output, treatment and confounding variables. Then, SHAP is employed to analyze the influence of the factors on the production capability, which indirectly interprets the machine learning models. The proposed method can capture the underlying nonlinear relationship between the factors and the output, which remedies the limitation of the traditional machine learning routines based on the correlation analysis of factors. The experiment on the data of CBM shows that the detected relationship between the production and the geological/engineering factors by the presented method, is coincident with the actual physical mechanism. Meanwhile, compared with traditional methods, the interpretable machine learning models have better performance in forecasting production capability, averaging 20% improvement in accuracy.

在所需的环境保护系统中，可能不排除地下水。除了过度开发的问题外，与可持续发展的概念完全分歧外，另一个不容易忽略的问题涉及地下水的污染。主要是由于强化农业活动或工业化地区。在文献中，有几篇论文处理了运输问题，尤其是在确定发布历史记录或源位置的反问题上。本文的创新目的是开发一个数据驱动的模型，该模型能够分析多种情况，甚至强烈非线性，以解决前进和反向运输问题，从而保留结果的可靠性并降低不确定性。此外，该工具具有提供极快响应的特征，对于立即确定补救策略至关重要。将模型产生的优点与文献研究进行了比较。在这方面，经过训练以处理不同情况的馈电馈线人工神经网络代表数据驱动的模型。首先，在研究区域的特定观察点上确定污染物的浓度（正向问题）；其次，要处理识别已知源位置的发布历史记录的反问题；然后，在一个污染物来源的情况下，确定了释放历史记录，同时识别源在研究区域的特定子域中的位置。最后，研究并估计了观察误差。结果令人满意地实现了结果，突出了ANN通过近似非线性函数来处理多种情况的能力，而无需物理观点来描述该现象，从而提供可靠的结果，并具有非常低的计算负担和不确定性。

虽然在各种应用中广泛使用刚性机器人，但它们在他们可以执行的任务中受到限制，并且在密切的人机交互中可以保持不安全。另一方面，软机器鞋面超越了刚性机器人的能力，例如与工作环境，自由度，自由度，制造成本和与环境安全互动的兼容性。本文研究了纤维增强弹性机壳（释放）作为一种特定类型的软气动致动器的行为，可用于软装饰器。创建动态集参数模型以在各种操作条件下模拟单一免费的运动，并通知控制器的设计。所提出的PID控制器使用旋转角度来控制多项式函数之后的自由到限定的步进输入或轨迹的响应来控制末端执行器的方向。另外，采用有限元分析方法，包括释放的固有非线性材料特性，精确地评估释放的各种参数和配置。该工具还用于确定模块中多个释放的工作空间，这基本上是软机械臂的构建块。

在这项工作中，我们解决了由三个腔室驱动的软仿生执行器的运动计划的逆动力学问题。由于其内在的柔软性，软仿生致动器已应用于许多应用中。尽管可以得出数学模型来描述该执行器的逆动力学，但捕获材料和系统的非线性和不确定性仍然不准确。此外，如此复杂的模型是耗时的，因此在实时控制单元中应用不容易。因此，在该领域开发一种无模型方法可能是一个新想法。为了克服这些内在问题，我们提出了一个后传播（BP）神经网络，学习在三维空间中移动的软仿生执行器的逆动力学。在使用样品数据进行训练之后，BP神经网络模型可以代表操纵器尖端位置与施加到腔室的压力之间的关系。所提出的算法比分析模型更精确。结果表明，相对于总执行器长度，相对平均误差为2.46％，可以实现所需的末端位置。

这项工作利用可解释的机器学习方法来解决折纸启发系统的具有挑战性的逆设计问题。我们表明，决策树随机森林方法特别适合拟合折纸数据库，其中包含设计功能和功能性能，以生成对功能折纸的逆设计的人为理解的决策规则。首先，该树方法是唯一的，因为它可以处理分类特征和连续特征之间的复杂交互，从而可以比较设计的不同折纸图案。其次，这种可解释的方法可以解决具有多种和多物理性能目标的功能折纸的多目标问题。最后，该方法可以扩展折纸的现有形状拟合算法，以考虑非网地性能。提出的框架使折纸的整体逆设计（考虑形状和功能都可以）为各种应用（例如超材料，可部署结构，软机器人，生物医学设备等）构建新颖的可重构结构。

在本文中，我们介绍了一个数据驱动的框架，以优化软抓地力的平面外刚度，以实现机械性能，如难以扭动且易于弯曲。在软气动弯曲执行器（SPBA）的设计中证明了该方法的有效性。首先，定义了一个新的目标函数来定量评估平面外刚度以及弯曲性能。然后，对SPBA设计的参数模型进行灵敏度分析，以确定有限元分析（FEA）的优化设计参数。为了启用数值优化的计算，采用数据驱动的方法来学习成本函数，该成本函数直接代表平面外刚度作为设计变量的可区分函数。一种基于梯度的方法用于最大化SPBA的平面外刚度，同时确保特定的弯曲性能。我们方法的有效性已在3D打印的握把上进行的物理实验中得到了证明。

热应力和变形的快速分析在热控制措施和卫星结构设计的优化中起着关键作用。为了实现卫星主板的实时热应力和热变形分析，本文提出了一种新型的多任务注意UNET（MTA-UNET）神经网络，将多任务学习（MTL）和U-NET的优势结合在一起注意机制。此外，在训练过程中使用了物理知识的策略，其中部分微分方程（PDE）被整合到损失函数中作为残留项。最后，将基于不确定性的损失平衡方法应用于重量的多个培训任务的不同损失功能。实验结果表明，与单任务学习（STL）模型相比，提出的MTA-UNET有效提高了多个物理任务的预测准确性。此外，物理信息的方法在每个任务的预测中的错误较小，尤其是在小型数据集上。代码可以在：\ url {https://github.com/komorebitso/mta-unet}下载。

电池储能系统（BES）可以有效地减轻可变生成的不确定性。降解是不可预防的，难以建模，并且可以预测诸如最受欢迎的锂离子电池（LIB）等电池。在本文中，我们提出了一种数据驱动的方法，以预测给定的预定电池操作专业文件的蝙蝠降解。特别是，提出了基于神经网络的电池降解（NNBD）模型，以用主要电池降解因子的输入来量化电池降解。当将拟议的NNBD模型限制为微电网日期调度（MDS）时，我们可以建立基于电池降解的MDS（BDMDS）模型，该模型可以考虑在拟议的基于循环的电池用途（CBUP）（CBUP）（CBUP）（CBUP）的情况下准确地考虑等效的电池降解成本NNBD模型的方法。由于所提出的NNBD模型是高度非线性的，因此BDMD很难解决。为了解决这个问题，本文提出了一个神经网络和优化解耦启发式（NNODH）算法，以有效解决此神经网络嵌入式优化问题。仿真结果表明，所提出的NNODH算法能够以最低的总成本（包括正常运行成本和电池降解成本）遵守最佳解决方案。

基于可解释的机器学习，提出了一种名为InterOPT优化操作参数的算法，并通过优化页岩气体开发来证明。InterOpt由三个部分组成：神经网络用于构建矢量空间中实际钻孔和液压压裂过程的模拟器（即虚拟环境）；可解释的机器学习中的Sharpley价值方法用于分析每个井中地质和操作参数的影响（即单个井功能影响分析）；并进行集合随机最大似然（ENRML）以优化操作参数，以全面提高页岩气发展的效率并降低平均成本。在实验中，InterOPT根据其特定地质条件为每个井提供了不同的钻孔和破裂计划，并最终在104井的案例研究中获得了9.7％的平均成本降低9.7％。

本研究提出了两种直接但有效的方法，以减少通过使用多时间级时间序列数据作为输入通过经常性神经网络（RNN）来计算时间序列建模所需的计算时间。一种方法并行地提供输入时间序列的粗略和精细时间分辨率至RNN。在将它们视为RNN的输入之前，另一个将输入时间序列数据的粗略和精细时间分辨率连接在一起。在这两种方法中，首先，利用更精细的时间分辨率数据来学习目标数据的精细时间尺度行为。接下来，预期较粗糙的时间分辨率数据将捕获输入和目标变量之间的长时间依赖性。通过采用长期和短期记忆（LSTM）网络，在雪撬流域实施时，为每小时降雨 - 径流建模实施，这是一种新型的RNN。随后，使用每日和每小时的气象数据作为输入，并将每小时流量放电视为目标数据。结果证实，两种拟议方法都可以显着降低RNN培训的计算时间（高达32.4次）。此外，提出的方法之一提高了估计准确性。

我们提出了一种基于具有子域（CENN）的神经网络的保守能量方法，其中允许通过径向基函数（RBF），特定解决方案神经网络和通用神经网络构成满足没有边界惩罚的基本边界条件的可允许功能。与具有子域的强形式Pinn相比，接口处的损耗术语具有较低的阶数。所提出的方法的优点是效率更高，更准确，更小的近双达，而不是具有子域的强形式Pinn。所提出的方法的另一个优点是它可以基于可允许功能的特殊结构适用于复杂的几何形状。为了分析其性能，所提出的方法宫殿用于模拟代表性PDE，这些实施例包括强不连续性，奇异性，复杂边界，非线性和异质问题。此外，在处理异质问题时，它优于其他方法。

我们证明，与畴壁（DW）位置的大量随机变化的量化量（名义上是5态）突触的极低分辨率可以是节能的，并且与使用浮动精度相比，与类似尺寸的深度神经网络（DNN）相比具有相当高的测试精度。突触权重。具体地，电压控制的DW器件展示随机性的随机行为，与微磁性模拟严格，并且只能编码有限状态;但是，它们在训练和推论中都可以非常节能。我们表明，通过对学习算法实施合适的修改，我们可以解决随机行为以及减轻其低分辨率的影响，以实现高测试精度。在这项研究中，我们提出了原位和前地训练算法，基于Hubara等人提出的算法的修改。 [1]适用于突触权重的量化。我们使用2个，3和5状态DW设备作为Synapse培训Mnist DataSet上的几个5层DNN。对于原位训练，采用单独的高精度存储器单元来保护和累积重量梯度，然后被量化以编程低精密DW设备。此外，在训练期间使用尺寸的噪声公差余量来解决内部编程噪声。对于前训训练，首先基于所表征的DW设备模型和噪声公差余量进行前体DNN，其类似于原位培训。值得注意的是，对于原位推断，对设备的能量耗散装置仅是每次推断仅13页，因为在整个MNIST数据集上进行10个时期进行训练。

我们研究机器学习（ML）和深度学习（DL）算法的能力，基于地下温度观察推断表面/地面交换通量。观察和助势是由代表哥伦比亚河附近的高分辨率数值模型，位于华盛顿州东南部的能源部汉福德遗址附近。随机测量误差，不同幅度的加入合成温度观察。结果表明，两个ML和DL方法可用于推断表面/地面交换通量。 DL方法，尤其是卷积神经网络，当用于用施加的平滑滤波器解释噪声温度数据时越高。然而，ML方法也表现良好，它们可以更好地识别减少数量的重要观察，这对于测量网络优化也是有用的。令人惊讶的是，M1和DL方法比向下通量更好地推断出向上的助焊剂。这与使用数值模型从温度观测推断出来的先前发现与先前的发现与先前的发现相反，并且可能表明将ML或DL推断的组合使用与数值推断相结合可以改善河流系统下方的助焊剂估计。

在这项工作中，我们开发了一种数学模型和用于鱼类机器人的机器人模板的仿真平台，即磁性，模块化，过度的机器人（$ \ MU $机器人）。通过这个平台，我们通过加固学习系统地探索了设计和流体参数对游泳性能的影响。数学模型由两个相互作用的子系统，机器人动力学和流体动力学组成，并且流体动力学模型由反应性组分（加压和压力）和电阻部件（阻力和摩擦力）组成，然后为导出键而流动化机器人流体相互作用的“控制参数”。 $ \ mu $机器人通过控制谐波电压信号控制的磁执行器驱动，通过基于EM的政策超参数探索（EPHE）进行了优化，以最大化游泳速度。通过改变控制参数，通过ephe模拟和优化具有不同机器人模板变化的36例具有不同机器人模板变化（致动（NOA）和刚度）和流体动力学参数。结果表明，优化的Gaits（即，沿着身体的行波波的波长与模板变化和流体动力学参数无关。较高的NOA产生更高的速度，但每体长度较低，然而，每体长度的增益和较低的速度降低。身体和尾鳍步态动态由流体添加质量，弹簧和致动扭矩之间的相互作用，具有可忽略的流体电阻阻力的贡献。相比之下，推力产生由作用在尾鳍上的压力，因为稳定的游泳是由电阻力和压力之间的平衡导致的，从增加的群众和身体阻力的少量贡献。因此，添加质量力仅通过尾部动力学间接影响推力生成和游泳速度。

深度学习方法已成功用于各种计算机视觉任务。受到成功的启发，已经在磁共振成像（MRI）重建中探索了深度学习。特别是，整合深度学习和基于模型的优化方法已显示出很大的优势。但是，对于高重建质量，通常需要大量标记的培训数据，这对于某些MRI应用来说是具有挑战性的。在本文中，我们提出了一种名为DUREN-NET的新型重建方法，该方法可以通过组合无监督的DeNoising网络和插件方法来为MR图像重建提供可解释的无监督学习。我们的目标是通过添加明确的先验利用成像物理学来提高无监督学习的重建性能。具体而言，使用denoising（红色）正规化实现了MRI重建网络的杠杆作用。实验结果表明，所提出的方法需要减少训练数据的数量才能达到高重建质量。

在本作的工作中，提出了两种基于机器学习的有限变形的本质型模型。使用输入凸神经网络，该模型是过度塑化的，各向异性的并且实现了多种凸起条件，这意味着椭圆形，因此确保了材料稳定性。第一本构模型基于一组多晶硅，各向异性和目标不变。第二种方法在变形梯度，其辅助因子和决定簇方面配制，使用组对称性来满足材料对称条件，以及数据增强以满足客观性大致。数据集的扩展为数据增强方法是基于机械考虑，不需要额外的实验或模拟数据。该模型具有高度具有挑战性的立方晶格超材料的模拟数据，包括有限变形和格子稳定性。基于在实验研究中通常应用的变形，使用适量的校准数据。虽然基于不变的模型显示了几种变形模式的缺点，但是仅基于变形梯度的模型能够非常好地再现和预测有效的材料行为，并且表现出优异的泛化能力。此外，使用分析多晶硅电位产生横向各向同性数据校准模型。在这种情况下，两种模型都表现出优异的结果，展示了PolyConvex神经网络本构模型对其他对称组的直接适用性。

As an effective method to deliver external materials into biological cells, microinjection has been widely applied in the biomedical field. However, the cognition of cell mechanical property is still inadequate, which greatly limits the efficiency and success rate of injection. Thus, a new rate-dependent mechanical model based on membrane theory is proposed for the first time. In this model, an analytical equilibrium equation between the injection force and cell deformation is established by considering the speed effect of microinjection. Different from the traditional membrane-theory-based model, the elastic coefficient of the constitutive material in the proposed model is modified as a function of the injection velocity and acceleration, effectively simulating the influence of speeds on the mechanical responses and providing a more generalized and practical model. Using this model, other mechanical responses at different speeds can be also accurately predicted, including the distribution of membrane tension and stress and the deformed shape. To verify the validity of the model, numerical simulations and experiments are carried out. The results show that the proposed model can match the real mechanical responses well at different injection speeds.