• 面向未来点燃式发动机的可再生燃料全生命周期优化设计

  本文提出了一种创新的可再生燃料全生命周期（WTW）优化设计方法，将基于超结构的“井到罐”（WTT）燃料设计与基于人工神经网络（ANN）的发动机“罐到轮”（TTW）模型相结合。研究发现，过于追求高研究法辛烷值（RON）会损害WTW性能，而为先进发动机“量身定制”的燃料相比可直接使用的“即用型”（drop-in）燃料，在成本和全球变暖影响（GWI）方面具有显著优势，凸显了早期设计阶段考虑燃料全生命周期的重要性。

  来源：Energy & Fuels

  时间：2026-02-16

• 基于EM-HyChem方法揭示高氯酸铵燃烧反应动力学：破解固体相分解之谜

  针对高氯酸铵（AP）固体推进剂氧化剂燃烧动力学因固体相分解复杂而长期争议的问题，本研究采用EM-HyChem新方法，将复杂燃烧过程解耦为固体相热解与气相氧化子过程。通过分子动力学模拟、化学反应神经网络模型与热重实验，成功构建了AP的简化动力学模型，并精准预测了其层流火焰燃烧速率、表面温度与物种分布。该方法为深刻理解并精确模拟含能材料燃烧特性提供了物理基础扎实、成本低廉且通用性强的新途径，对先进固体推进剂设计与性能优化具有重要意义。

  来源：Energetic Materials Frontiers

  时间：2026-02-16

• 从点击行为到购物意图：一个用于诊断消费者购物目标并个性化零售策略的异构图框架

  电商推荐系统需突破“语境盲”局限，精准识别用户购买动机（品牌忠诚度或类别探索需求）。本文提出HGCAR框架，构建包含用户、商品、品牌、类别的多关系异构图，通过分层注意力机制动态量化品牌与类别的影响权重（β），生成可解释的诊断指标。实验表明，该模型在亚马逊数据集上显著优于SOTA基线，且通过用户分群策略可提升营销ROI。研究填补了预测精度与商业决策可操作性之间的鸿沟，为个性化营销提供技术支撑。

  来源：Electronic Commerce Research and Applications

  时间：2026-02-16

• 基于机器学习方法模拟TCM基离子液体与乙醇混合物的密度行为

  本文提出了一种高效预测TCM基离子液体与乙醇混合物密度的新方法。研究人员利用多种机器学习算法（包括KNN、CNN、LSSVM等）对实验数据集进行建模与预测，并通过耦合模拟退火算法优化超参数。研究结果表明，卷积神经网络模型表现出最高的预测精度（R²>0.999，AARE%低至0.3064），为解决传统实验方法耗时耗力的问题提供了可靠的计算替代方案，对离子液体在绿色化工和能源领域的应用设计具有重要意义。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• 基于文章标题和摘要内容，拟定一个有专业性且吸引人、能表明研究意义的中文标题如下： 中文标题：面向非线性过程控制的鲁棒强化学习框架：融合李雅普诺夫稳定与无偏方法

  为解决非线性、带约束过程系统中，强化学习控制器缺乏形式化稳定性保证且对模型-过程失配敏感的问题，研究人员开展了一项融合李雅普诺夫监督切换逻辑与无偏估计的强化学习控制框架研究。该研究提出将强化学习策略作为性能寻优候选控制器，由李雅普诺夫认证的后备控制器监督，并借鉴模型预测控制中的无偏方法，通过在线估计干扰变量来增强状态信息。该框架在非线性化工过程控制问题上得到验证，能在保持低在线计算成本的同时，确保李雅普诺夫稳定性并提升系统在扰动下的鲁棒性。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• Kolmogorov–Arnold网络(KAN)在化工软传感中的性能与可解释性应用研究

  在化学工业中，关键质量参数的频繁测量常因耗时或成本高昂而不可行。为此，研究人员开发软传感器作为替代方案。本文以工业苯胺合成反应器和基准蒸汽轮机数据集为案例，将新兴的Kolmogorov–Arnold网络(KAN)应用于工业可解释产品质量预测。研究比较了KAN与经典前馈神经网络、浅层网络及MLR、SVR、XGBoost等模型的预测性能。结果表明，KAN的预测精度可与经典神经网络相媲美，但其内置的符号回归可解释性在简单任务上过于复杂，而基于Shapley值的后验解释法则有助于揭示各变量的影响趋势。研究为化工软传感器开发提供了模型选择与解释性评估的新见解，论文发表于《Digital Chemical Engineering》。

  来源：Digital Chemical Engineering

  时间：2026-02-16

• 动态超图神经网络在消费者购买路径预测中的应用：整合促销活动、购物体验以及店铺差异性

  消费者行为动态预测研究提出基于行为经济学的超图网络框架BEHGN，整合期望效用理论和心理账户理论，构建消费者-门店-优惠券三元超图结构，通过大语言模型提取在线评论体验特征，动态融合促销策略与历史行为数据，实验表明在购买路径预测任务中准确率提升12.1%，AUC达0.984。

  来源：Decision Support Systems

  时间：2026-02-16

• 融合自适应网络与熵驱动动力学的认知架构计算模型：构建平衡灵活性与稳定性的类脑认知计算框架

  本文介绍一种前沿的认知架构计算模型，旨在解决现有认知模型在生物合理性、计算复杂性及长期稳定性等方面的局限。研究人员将自适应时序因果网络（Temporal–Causal Network）与受麦克斯韦-玻尔兹曼（Maxwell–Boltzmann）分布启发的熵驱动机制相结合，提出了一个整合局部神经可塑性与全局认知稳定的计算框架。该模型通过模拟工作场所自信心等场景，揭示了不同自我认知构念（Self-Esteem, Self-Efficacy, Self-Concept）的动态演化模式，成功复现了向稳定认知状态的收敛、对反馈条件的敏感性以及短时波动与长期稳定分离等行为。此框架为复杂认知过程的建模提供了生物启发且计算高效的方案，在智能预测、诊断与自适应决策支持系统以及开发人机协同的认知架构方面具有潜在应用价值。

  来源：Decision Analytics Journal

  时间：2026-02-16

• 基于神经营销与社交媒体情感分析构建伦理导向的客户数字孪生：一种多模态融合的决策分析新框架

  为深入理解消费者决策背后的情感与认知驱动因素，本研究创造性地将神经营销技术（脑电图，EEG）与社交媒体分析（情感分析）相结合，旨在构建更全面、动态的客户数字孪生（CDT）。研究通过在快时尚电商场景中引入伦理信息启动，揭示了EEG指标（如参与度、认知负荷、情感效价）与文本情感数据在刻画消费者状态方面的互补性。结果表明，尽管多模态数据融合在现实异步条件下面临挑战，但这种整合为开发具有情绪智能和伦理意识的预测性消费者模型奠定了基础。这项发表于《Decision Analytics Journal》的工作，为数据科学和行为心理学的交叉领域提供了新的方法论视角。

  来源：Decision Analytics Journal

  时间：2026-02-16

• 深度学习侧信道分析中的元启发式神经网络架构搜索研究：一种提升攻击效率与自动化的新途径

  在深度学习侧信道分析(SCA)中，手动设计高效模型耗时费力且难以适应新场景。本研究创新性地将元启发式算法（GA、PSO、SA、TS）集成到神经网络架构搜索(NAS)框架中，自动优化深度神经网络架构。实验在ASCAD和CHES CTF数据集上证明，所提方法性能优于随机搜索(RS)和贝叶斯优化(BO)，尤其在复杂搜索空间中，SA方法仅需约60条轨迹即可在MLP模型上达到猜测熵(GE)为1。该工作为自动化、高效的深度学习侧信道攻击模型设计提供了新工具。

  来源：Cyber Security and Applications

  时间：2026-02-16

• 机器学习辅助紧束缚第二矩近似势参数校准：针对金属合金异质原子相互作用的高效有限温度热力学拟合策略

  针对紧束缚第二矩近似（TB-SMA）势在拟合二元合金异质原子（hetero-nuclear）相互作用参数时长期依赖0 K数据、难以准确再现有限温度热力学性质的瓶颈，研究人员开发了一种数据驱动的参数化新框架。该方法通过构建大规模虚拟合金数据集，训练神经网络（NN）代理模型快速预测混合焓和晶格常数等性质，并嵌入优化循环，直接针对有限温度实验数据校准异质相互作用参数。该策略成功应用于Cu、Ni、Pt、Pd、Rh组成的10种二元合金体系，获得了能精确匹配实验趋势的参数化结果，为复杂多组分系统（如高熵合金）的高效建模提供了通用、模块化且计算成本低廉的新途径。

  来源：Computational Materials Science

  时间：2026-02-16

• NH₃/H₂/n-庚烷燃烧的实验研究以及通过CNN增强型神经网络和L-SHADE算法对燃烧机理的优化

  氨燃料混合物点火特性与CNN-ANN混合模型研究。在15-30 bar、650-1050 K条件下，通过快速压缩机实验测定了NH3/H2/n-辛烷三元混合物的点火延迟时间，发现n-辛烷显著提升反应活性。基于此构建了CNN提取非反应体积轨迹特征，结合ANN的混合预测模型，并利用L-SHADE算法优化反应机制参数，验证了模型的高效性与准确性。

  来源：Combustion and Flame

  时间：2026-02-16

• 一种用于预测单辆摩托车碰撞中受伤严重程度的可解释性RF-CNN模型

  摩托车事故严重性预测的混合随机森林-卷积神经网络模型及风险因素分析。通过整合可解释的随机森林与CNN的高效模式识别，在泰国5975起单摩托事故数据中，模型以58.9%准确率和69.9%召回率显著优于单一模型和传统统计方法，SHAP分析揭示夜间无照明、车道设计、道路曲率及超速/酒驾是关键风险因素。

  来源：Case Studies on Transport Policy

  时间：2026-02-16

• 基于文档的分析与论文解读 中文标题 提高多哥沿海地区风能预测精度：融合幂律与多层感知机的风速预报研究

  本研究针对传统幂律（PL）法在复杂风况下风速外推误差大的问题，采用多层感知机（MLP）对多哥阿内霍（Aneho）沿海地区的风速预报进行偏差校正。研究结果表明，MLP校正能显著降低RMSE，使R2值趋近于1，有效提高了非GFS网格点风速的预测精度，为沿海地区风能规划和运营提供了更可靠的数据支持。

  来源：Energy Conversion and Management-X

  时间：2026-02-16

• 量化预测韧性：一种针对自然灾害的容错预测框架及其运行边界

  针对自然灾害引发交通系统非稳态动态及传感器复合故障问题，提出早期晚期预测框架与图混合MoE增强架构，通过初期灾害数据预测峰值交通，并实现物理损坏、数据丢失和时序中断的鲁棒性，量化预测韧性指标。

  来源：Reliability Engineering & System Safety

  时间：2026-02-16

• 在高重力辅助雾化反应器中，采用多相强化内部构件的ANN模型研究SO₂在海水/亚硫酸钠溶液中的吸收过程

  本研究开发了一种高重力辅助原子化反应器（HAAR），集成导流叶片和静态金属丝网等多相强化内件，在缩小转鼓直径的同时显著提升气液传质效率。实验表明，HAAR在开环海水系统和闭环亚硫酸钠系统中脱硫效率分别达76.2%-93.8%和92.5%-98.2%，整体气相质量传递系数较传统反应器提高一个数量级，能耗较常规旋 packed bed (RPB)降低30%-50%。基于人工神经网络（ANN）建立的预测模型误差小于10%，为智能化操作提供支持。

  来源：Chinese Journal of Chemical Engineering

  时间：2026-02-16

• 双人训练调节体育课内在动机与搭档感知：基于自我决定理论的研究

  这篇综述系统阐述了双人协同训练（Dyad Practice）在体育教育中对运动技能学习、内在动机及搭档感知的影响。文章基于自我决定理论（SDT），探讨了不同搭档选择方式（自选 vs. 教练指定）对大学生在排球、篮球、手球和足球等团队运动学习中心理与行为表现的调节作用，为优化体育教学策略提供了实证依据。

  来源：Cogent Social Sciences

  时间：2026-02-16

• 机器学习在孟加拉国库尔纳露天垃圾场的地表温度预测建模

  为了预测露天垃圾场的地表温度以防范火灾和环境风险，本研究针对孟加拉国库尔纳Rajbandh垃圾填埋场，整合了遥感指数、气象参数和垃圾输入数据。研究人员采用广义可加模型、多元线性回归和人工神经网络，探究了影响地表温度的关键驱动因子。结果显示，甲烷排放和比湿是影响地表温度的最主要变量，而人工神经网络模型展现出了最佳的预测性能。这项研究为资源受限地区提供了一种低成本、可靠的垃圾填埋场热变化监测方案，对改善垃圾场运营和评估环境影响具有重要意义。

  来源：Waste Management Bulletin

  时间：2026-02-16

• 用于稀疏视图光声计算机断层的隐式神经表示

  基于隐式神经表示的PACT图像重建方法在稀疏数据条件下有效抑制伪影并提升信噪比1.1-24.0 dB，优于传统反演方法

  来源：Ultrasonics

  时间：2026-02-16

• 神经质人格与反安慰剂效应：副作用预期的中介作用

  本综述通过一项大型药理学研究，深入探讨了神经质（Neuroticism）人格特质如何通过提升治疗前副作用预期（side-effect expectations）来加剧反安慰剂（nocebo）反应。研究发现，高神经质个体不仅报告更高的躯体症状，其治疗前对副作用的负面期待也在神经质与干预后症状加重之间扮演了部分中介角色。这揭示了人格特质通过认知预期影响治疗体验的心理生物学通路，为临床实践中识别风险个体、通过沟通优化管理副作用提供了关键见解。

  来源：Journal of Personality

  时间：2026-02-16

知名企业招聘：