大语言模型(large language model,LLM)随着不断发展,在开放领域取得了出色的表现.然而,由于缺乏专业知识,LLM在垂直领域问答任务上效果较差.这一问题引发了研究者的广泛关注.现有研究通过“检索-问答”的方式,将领域知识注入大语言模型...大语言模型(large language model,LLM)随着不断发展,在开放领域取得了出色的表现.然而,由于缺乏专业知识,LLM在垂直领域问答任务上效果较差.这一问题引发了研究者的广泛关注.现有研究通过“检索-问答”的方式,将领域知识注入大语言模型,以增强其性能.然而该方式通常会检索到额外的噪声数据而导致LLM的性能损失.为了解决该问题,提出基于知识相关性的知识图谱问答方法.具体而言,将噪声数据与回答问题所需要的知识进行区分,在“检索-相关性评估-问答”的框架下,引导大语言模型选择合理的知识做出正确的回答.此外,提出一个机械领域知识图谱问答的数据集Mecha-QA,包含传统机械制造以及增材制造两个子领域,以推进该领域大语言模型与知识图谱问答相关的研究.为了验证所提方法的有效性,在Mecha-QA和航空航天领域数据集Aero-QA上进行实验.结果表明,该方法可以显著提升大语言模型在垂直领域知识图谱问答的性能.展开更多
红层泥岩水敏性高,作路基填料时可用石灰改良。受季节变化影响,路基基床经历干湿循环,导致服役性能降低。为研究干湿循环下改良填料力学特性劣化规律,开展一系列干湿循环试验、无侧限抗压试验和弯曲元试验测定改良填料无侧限抗压强度和...红层泥岩水敏性高,作路基填料时可用石灰改良。受季节变化影响,路基基床经历干湿循环,导致服役性能降低。为研究干湿循环下改良填料力学特性劣化规律,开展一系列干湿循环试验、无侧限抗压试验和弯曲元试验测定改良填料无侧限抗压强度和小应变刚度。结合连续滴水扫描电镜(scanning electron microscope,简称SEM)试验,揭示干湿循环后填料微观结构劣化特征。结果表明:低幅度循环下试样在干侧和湿侧均产生体胀。高幅度循环下试样在湿侧产生体胀。在干侧先产生体缩,随循环次数增加,即使含水率较低,试样也产生体胀。体胀导致强度和小应变刚度均有不同程度的劣化。当试样产生体缩时,强度有所增长,但小应变刚度由于裂缝衍生而持续衰减。试样强度随损伤体变可用统一劣化方程表示。但高幅度循环下试样干燥后的小应变刚度远低于劣化线,且劣化速率远大于强度。试样滴水后能维持基本形貌,但观察到团聚体松散、微粒剥落和新生裂缝等结构劣化特征,从而导致宏观力学性能衰减。展开更多
文摘大语言模型(large language model,LLM)随着不断发展,在开放领域取得了出色的表现.然而,由于缺乏专业知识,LLM在垂直领域问答任务上效果较差.这一问题引发了研究者的广泛关注.现有研究通过“检索-问答”的方式,将领域知识注入大语言模型,以增强其性能.然而该方式通常会检索到额外的噪声数据而导致LLM的性能损失.为了解决该问题,提出基于知识相关性的知识图谱问答方法.具体而言,将噪声数据与回答问题所需要的知识进行区分,在“检索-相关性评估-问答”的框架下,引导大语言模型选择合理的知识做出正确的回答.此外,提出一个机械领域知识图谱问答的数据集Mecha-QA,包含传统机械制造以及增材制造两个子领域,以推进该领域大语言模型与知识图谱问答相关的研究.为了验证所提方法的有效性,在Mecha-QA和航空航天领域数据集Aero-QA上进行实验.结果表明,该方法可以显著提升大语言模型在垂直领域知识图谱问答的性能.
文摘红层泥岩水敏性高,作路基填料时可用石灰改良。受季节变化影响,路基基床经历干湿循环,导致服役性能降低。为研究干湿循环下改良填料力学特性劣化规律,开展一系列干湿循环试验、无侧限抗压试验和弯曲元试验测定改良填料无侧限抗压强度和小应变刚度。结合连续滴水扫描电镜(scanning electron microscope,简称SEM)试验,揭示干湿循环后填料微观结构劣化特征。结果表明:低幅度循环下试样在干侧和湿侧均产生体胀。高幅度循环下试样在湿侧产生体胀。在干侧先产生体缩,随循环次数增加,即使含水率较低,试样也产生体胀。体胀导致强度和小应变刚度均有不同程度的劣化。当试样产生体缩时,强度有所增长,但小应变刚度由于裂缝衍生而持续衰减。试样强度随损伤体变可用统一劣化方程表示。但高幅度循环下试样干燥后的小应变刚度远低于劣化线,且劣化速率远大于强度。试样滴水后能维持基本形貌,但观察到团聚体松散、微粒剥落和新生裂缝等结构劣化特征,从而导致宏观力学性能衰减。
