高熵陶瓷作为一种新兴的陶瓷材料自问世起就成为陶瓷领域的研究热点，然而，其巨大的成分设计空间也为基于实验和“试错法”的组分设计带来了挑战。近年来，通过机器学习与实验探索相结合的方式为这一问题的解决带来新方法。基于此，本研究建立了4个机器学习模型，通过训练评估选出性能最好的梯度提升决策树模型(R2=0.92)并用于预测，然后通过实验成功合成了单相的(Ti0.2V0.2Zr0.2Nb0.2Hf0.2)N高熵氮化物陶瓷，验证了模型的准确性，为高熵氮化物陶瓷的设计提供了新思路，加快了新体系的发现。

为了研究动量下传大风的特征、探讨动量下传大风的预报方法, 利用美国国家环境预报中心(NCEP)再分析资料、常规气象观测资料和测风激光雷达(LiDAR)资料, 对银川机场2022-03-06动量下传大风过程进行了分析。结果表明, 银川机场位于西风急流入口左侧的辐合区, 为动量下传大风的发生提供了有利的环流背景,在晴空条件下, 测风激光雷达产品可以精准探测动量下传大风的时空演变特征; 多普勒光束摆动(DBS)模式产品中强下沉气流标志动量下传开始, 平面位置显示(PPI)模式探测范围的衰减程度和变化方位反映了沙尘天气强度和影响路径, 距离高度显示(RHI)模式500 m高度径向风分层现象的出现及被破坏是动量下传变化的预报指标; 利用测风激光雷达可提前30 min计算和预报出动量下传大风的出现时间。该研究对提高气象服务保障能力具有重要意义。

芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中, 亲脂性强, 对人体有致癌影响。 因此, 食用油中芘的含量的判定对品质的把控具有深远的意义。 采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。 将一毫升食用油与不同固定浓度的芘液体混合制作样本, 然后制作薄层色谱板与金粒子, 采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据, 选取自适应迭代加权惩罚最小二乘算法进行预处理, 再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。 该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、 半高宽、 面积等参数。 将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数, 将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中, 输出预测浓度。 实验分别采用不同的算法进行浓度预测, 实验结果表明, 通过偏最小二乘算法预测的芘浓度, 其测试集决定系数R2为0.58, 均方根误差(RMSEC)为1.85; 采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度, 其测试集决定系数R2为0.26, 均方根误差(RMSEC)为2.28; 采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度, 其测试集决定系数R2为0.99, 均方根误差(RMSEC)为0.31, Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高, 误差更小。 模型是针对光谱数据信息与样本浓度之间非线性、 高维度的关系, 而建立的预测精度及建模效率均高于同类对比的算法模型。 模型拟合特征峰获取关键变量, 将关键变量与特征峰的拉曼位移都作为特征向量, 因此特征向量较为充分, 模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点, 防止过拟合, 因此可以更加精准快捷地预测出芘的浓度。

为了研究石粉对自密实混凝土收缩性能的影响, 设计了不同水胶比和石粉质量分数的试验, 得到了水胶比为0.30、0.34、0.37, 石粉质量分数为0%、10%、20%时自密实混凝土28 d龄期内自收缩和干燥收缩的变化规律。结果表明: 自收缩随着水胶比的减小而增大, 随着石粉质量分数的增加而增大; 水胶比在0.30~0.37时, 其对干燥收缩的影响不大; 适量的石粉对干燥收缩几乎无影响, 当石粉质量分数达到20%时, 干燥收缩明显增大。在试验的基础上提出了考虑水胶比和石粉质量分数影响的自密实混凝土自收缩与干燥收缩预测模型。

通过生物信息学对过敏性紫癜(HSP)的差异表达miRNA进行分析, 探索其调控的基因、生物过程及代谢通路, 进而预测治疗HSP的潜在中药组方。运用GEO数据库对原始数据集GSE80401进行差异分析, 筛选出差异表达的miRNA, 通过miRwalk、TargetScan、miRDB数据库预测靶基因, 基于Metascape数据库进行基因本体(GO)和pathway富集分析, 利用Cytoscape软件进行关键靶点筛选。最后将关键靶点与Coremine Medical数据库相互映射, 筛选治疗HSP的潜在中药组方。基于GSE样本数据预测的靶基因共有83个, 关键基因为hsa-miR-3945, GO富集分析结果涉及对脂多糖的反应、对无机物的反应、凋亡信号通路、对细胞外刺激的反应等生物过程, KEGG富集结果涉及IL-17信号通路、TNF信号通路、Th17细胞分化通路、NF-κB信号通路等。中药预测发现桂枝、茯苓、赤芍、桃仁、牡丹皮可作为潜在药物来治疗HSP。显著性差异基因和潜在核心靶点的分析研究促进了对HSP发病机制的进一步理解和探索, 为中医药治疗HSP提供了新的方向和临床依据。

基于改进的三维变分同化系统对地面细颗粒物浓度 (PM2.5) 与卫星气溶胶光学厚度 (AOD) 进行同化, 评估了同化分析场对 PM2.5 预报的改善效果。研究选定一次持续污染过程, 分别对地面 PM2.5 和 AOD 观测数据进行各自单独同化和两者同时同化。结果表明, 相比于单独同化 PM2.5 , 单独同化 AOD 对 AOD 分析场的精度提升更为有效, 但对 PM2.5 分析场的准确性显著降低。而同时同化 PM2.5 与 AOD 观测时, 分析场对气溶胶的光学-物理特性模拟达到最好的综合效果。同化试验可有效降低模式漏报率, 对于中轻度污染情况, 同化数据的选择对预报影响并不显著; 然而重度污染时, 同时同化近地面 PM2.5 和整层 AOD 的综合预报效果最优。

基于静态Allan方差分析方法无法有效分析和辨识动态工况下激光陀螺仪的随机误差,也无法给动态工况下激光陀螺仪的随机误差补偿提供准确依据。为此,提出时间框动态Allan方差分析方法,利用分段建模对随机误差项进行动态Allan方差分析和辨识。建立灰色GM(1,1)预测模型,对辨识出的随机误差参数项进行预测,针对传统GM(1,1)预测模型因数据不全存在波动大的问题,基于小波滤波平滑处理原始数据,并利用残差修正模型改进GM(1,1)预测模型。实验结果表明,针对激光陀螺仪在同一工况下的随机误差系数,改进GM(1,1)模型预测算法的预测精度高于传统GM(1,1)模型预测算法的预测精度。

利用合肥国家气象观测站建站以来历史观测资料(1952～2016年)及2004～2016年逐日地面观测资料和高空观测资料, 分析了合肥霾日及相关气象要素特征;并结合2004～2016年合肥空气质量数据,对合肥市霾的预报方法进行了研究, 初步得到了霾日和霾日能见度的预报方程;最后利用2017年的气象资料和空气质量资料对预报结果进行了检验。结果表明: 合肥出现的霾以轻微霾和轻度霾为主;全市霾日逐月分布不均,其中1月和12月最多。霾的生消有比较明显的日变化, 霾出现的时间主要集中在每日的11:00～20:00。霾出现的有利气象条件是:风速≤3 m/s,地面主导风向为 偏东风到偏南风,有负变压,正变温,相对湿度在50～70%之间。低能见度的霾需要相对较高的相对湿度和负变压。 建立的霾日及霾日能见度方程预报准确度较高,可以为合肥市霾的预报预警提供一定参考。

为建立准确高效的空气质量预报系统,建立以污染物、气象因素、污染物混合气象因素的三种预测因子模式,并将该三种预测因子模式 作为支持向量机回归 (Support vector machine regression, SVR)的输入变量进行PM10浓度的每日预测,寻找最优预测因子模式。并使用灰狼优化算法 (Grey wolf optimization, GWO)对支持向量机回归模型进行优化,形成GWO-SVR模型。实验结果表明,污染物混合气象因素作为输入 变量为最优预测因子模式, SVR和GWO-SVR模型测试集确定系数分别达到R2=0.79和R2=0.81,预测精度较高,经比较发现GWO-SVR模型 预测性能较好。之后,依据风向条件对数据进行分类,使用较优的GWO-SVR进行PM10浓度预测,预测结果显示盛行西南风时, 预测集评测指标为R=0.91、MSE=47.15,优于盛行东北风时的R=0.87、MSE=125.80和 所有数据下的R=0.90、MSE=107.94。