随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数...随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数据,利用信息增益比法和皮尔森相关系数法构建适用于海岸带滑坡的易发性评价指标体系。以粒子群优化支持向量机(PSO-SVM)和随机森林(RF)为基学习器,构建Stacking异质集成学习模型,开展福建省海岸带滑坡的易发性评价和区划研究,探讨不同训练集与测试集划分比例对异质集成模型预测精度的影响。结果表明:Stacking异质集成学习模型在训练-测试集比例为70∶30时表现最佳,其准确度、精确度、召回率、F1分数值分别为0.869,0.842,0.909,0.874,其中准确度、精确度与F1分数较其他模型提升了最高0.198,0.227和0.140,其受试者工作特征(ROC)曲线下方面积(area under the curve,简称AUC)值为0.938,较其他模型提高了0.019~0.216;表明Stacking异质集成模型在海岸带滑坡易发性评价中具有较强的适用性和优越性。展开更多
目前国内石油工程企业已通过自动化钻机、井场集控中心、钻井分析决策平台等技术初步构建形成了基于咨询模式的智能钻井决策系统,启动了从咨询模式向自主决策控制的升级。由于现有钻井机理模型与传统机器学习技术难以满足升级需求,文章...目前国内石油工程企业已通过自动化钻机、井场集控中心、钻井分析决策平台等技术初步构建形成了基于咨询模式的智能钻井决策系统,启动了从咨询模式向自主决策控制的升级。由于现有钻井机理模型与传统机器学习技术难以满足升级需求,文章基于AI FOR SCIENCE研究范式,以深度强化学习技术框架,面向钻井效率、风险与成本等优化场景,提出智能钻井大模型概念及构建方法。以智能钻井大模型为核心,设计了融合专家经验、机理模型、数据分析的多智能体协同决策的应用范式。通过技术架构设计与关键技术实验验证,该模型依托强化学习智能体的自适应学习、持续学习等能力,可适配复杂钻井环境并实现自主决策和全局优化,为智能钻井自主化升级提供了可行路径。展开更多
随着钓鱼邮件数量的迅速增加以及对抗技术的不断演进,传统的钓鱼邮件检测方法在效率和准确性方面面临严峻挑战.为此,提出了一种基于大语言模型(large language model,LLM)的钓鱼邮件检测方法,以解决现有系统检测率低、漏报率高及人机交...随着钓鱼邮件数量的迅速增加以及对抗技术的不断演进,传统的钓鱼邮件检测方法在效率和准确性方面面临严峻挑战.为此,提出了一种基于大语言模型(large language model,LLM)的钓鱼邮件检测方法,以解决现有系统检测率低、漏报率高及人机交互性差等问题.通过全面分析钓鱼邮件的关键特征,包括邮件头部字段、正文内容、URL、二维码、附件及HTML页面,利用特征插入算法构建高质量的训练数据集.基于预训练语言模型LLaMA和低秩自适应微调技术(low-rank adaptation,LoRA),在仅更新0.72%模型参数(约50 MB)条件下实现领域知识迁移,获得钓鱼邮件检测大模型.实验结果显示,与传统方法相比,基于大语言模型的检测方法显著提升了检测的准确性与鲁棒性,整体准确率达到94.5%,有效降低了误报率,增强了钓鱼邮件特征的分类与解释能力,提供了更具实用性和可靠性的钓鱼邮件检测方案.展开更多
文摘随着海洋工程建设的快速推进和极端天气事件频发,海岸带滑坡的风险显著增加。然而,现有关于滑坡易发性区划的研究多集中于内陆山地滑坡,对海岸带滑坡灾害的易发性评价尚缺乏系统研究。以福建省海岸带为研究区,通过收集海岸带滑坡历史数据,利用信息增益比法和皮尔森相关系数法构建适用于海岸带滑坡的易发性评价指标体系。以粒子群优化支持向量机(PSO-SVM)和随机森林(RF)为基学习器,构建Stacking异质集成学习模型,开展福建省海岸带滑坡的易发性评价和区划研究,探讨不同训练集与测试集划分比例对异质集成模型预测精度的影响。结果表明:Stacking异质集成学习模型在训练-测试集比例为70∶30时表现最佳,其准确度、精确度、召回率、F1分数值分别为0.869,0.842,0.909,0.874,其中准确度、精确度与F1分数较其他模型提升了最高0.198,0.227和0.140,其受试者工作特征(ROC)曲线下方面积(area under the curve,简称AUC)值为0.938,较其他模型提高了0.019~0.216;表明Stacking异质集成模型在海岸带滑坡易发性评价中具有较强的适用性和优越性。
基金国家自然科学基金联合基金项目(U21A20485)浙江省“十四五”第二批本科省级教学改革备案项目(JGBA2024014)+2 种基金教育部产学合作协同育人项目(2501270945)2024年度浙江大学本科“AI赋能”示范课程建设项目(202424EE2501M)浙江大学第四批AI For Education系列实证教学研究项目(BKSY20251104)。
文摘目的探讨自回归移动平均模型-长短期记忆(autoregressive integrated moving average-long short-term memory,ARIMA-LSTM)组合模型在肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)不同流行模式发病率预测中应用的可行性。方法收集1961—2020年全国HFRS年发病率、2004年1月至2020年12月全国、黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省HFRS逐月发病率数据;全国及黑龙江省作为冬峰较春峰高代表,吉林省、辽宁省作为春峰与冬峰相当代表,陕西省、山东省作为仅存在冬峰代表,河北省、广东省作为仅存在春峰代表。1961—2014年逐年发病率、2004年1月至2020年6月逐月发病率数据作为训练集,2015—2020年逐年发病率、2020年7-12月逐月发病率数据作为测试集。分别建立ARIMA模型、ARIMA-LSTM组合模型,采用平均绝对百分比误差下降率(decline rate of mean absolute percentage error,DR_(MAPE))、均方根误差下降率(decline rate of root mean squared error,DRRMSE)评价模型拟合及预测精度优化程度。结果全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月HFRS发病率拟合最佳ARIMA模型分别为ARIMA(2,0,0)、ARIMA(3,1,0)(2,1,1)_(12)、ARIMA(2,0,1)(2,1,1)_(12)、ARIMA(3,0,0)(2,1,1)_(12)含常数项、ARIMA(2,1,1)(2,1,1)_(12)、ARIMA(1,0,3)(1,1,0)_(12)、ARIMA(0,1,3)(2,1,1)_(12)、ARIMA(1,1,3)(2,0,0)_(12)、ARIMA(3,1,1)(1,1,1)_(12)。全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月数据建立ARIMA-LSTM组合模型较ARIMA模型拟合的DR_(MAPE)依次为-19.57%、-46.38%、-43.27%、-46.37%、-49.70%、-48.36%、-58.23%、-35.52%、-48.74%;DRRMSE依次为-11.21%、-36.17%、-64.89%、-55.68%、-54.81%、-31.76%、-39.69%、-55.64%、-30.06%。全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月数据建立ARIMA-LSTM组合模型较ARIMA模型预测的DR_(MAPE)依次为-11.10%、-8.69%、-19.68%、-36.17%、-55.57%、-9.44%、-14.60%、-14.22%、-9.26%;DRRMSE依次为-14.43%、-7.42%、-12.66%、-13.83%、-36.56%、10.37%、81.14%、-19.68%、-1.18%。结论ARIMA-LSTM组合模型总体在各类HFRS数据中拟合及预测效果均优于ARIMA模型,LSTM适于我国HFRS预测模型优化,但陕西省和山东省不适于ARIMA-LSTM预测。
文摘目前国内石油工程企业已通过自动化钻机、井场集控中心、钻井分析决策平台等技术初步构建形成了基于咨询模式的智能钻井决策系统,启动了从咨询模式向自主决策控制的升级。由于现有钻井机理模型与传统机器学习技术难以满足升级需求,文章基于AI FOR SCIENCE研究范式,以深度强化学习技术框架,面向钻井效率、风险与成本等优化场景,提出智能钻井大模型概念及构建方法。以智能钻井大模型为核心,设计了融合专家经验、机理模型、数据分析的多智能体协同决策的应用范式。通过技术架构设计与关键技术实验验证,该模型依托强化学习智能体的自适应学习、持续学习等能力,可适配复杂钻井环境并实现自主决策和全局优化,为智能钻井自主化升级提供了可行路径。
文摘随着钓鱼邮件数量的迅速增加以及对抗技术的不断演进,传统的钓鱼邮件检测方法在效率和准确性方面面临严峻挑战.为此,提出了一种基于大语言模型(large language model,LLM)的钓鱼邮件检测方法,以解决现有系统检测率低、漏报率高及人机交互性差等问题.通过全面分析钓鱼邮件的关键特征,包括邮件头部字段、正文内容、URL、二维码、附件及HTML页面,利用特征插入算法构建高质量的训练数据集.基于预训练语言模型LLaMA和低秩自适应微调技术(low-rank adaptation,LoRA),在仅更新0.72%模型参数(约50 MB)条件下实现领域知识迁移,获得钓鱼邮件检测大模型.实验结果显示,与传统方法相比,基于大语言模型的检测方法显著提升了检测的准确性与鲁棒性,整体准确率达到94.5%,有效降低了误报率,增强了钓鱼邮件特征的分类与解释能力,提供了更具实用性和可靠性的钓鱼邮件检测方案.
