level 1
鱼幼薇💋
楼主
机器学习基础模型与复合材料研究融合
1. 机器学习在复合材料中的应用概述
2. 机器学习用于复合材料研究的流程
3. 复合材料数据收集与数据预处理实例：数据的收集和预处理
4. 复合材料机器学习特征工程与选择实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用。
5. 线性回归用于复合材料研究实例：线性回归和多项式回归在处理复合材料数据中的应用
6. 多项式回归用于复合材料研究实例：多项式回归在处理复合材料数据中的非线性关系时的应用
7. 决策树用于复合材料研究实例：决策树回归在预测水泥基复合材料强度中的应用
复合材料研究中应用集成学习与支持向量模型
1. 随机森林用于复合材料研究实例：随机森林在预测复合材料性能中的应用
2. Boosting算法用于复合材料研究实例：Catboost在预测复合材料强度中的应用
3. XGBoost和LightGBM用于复合材料研究(1) XGBoost(2) LightGBM(3) 模型解释性技术 实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较
4. 支持向量机 (SVM) 用于复合材料研究(1) 核函数(2) SVM用于回归（SVR） 实例：SVR在预测复合材料的力学性能中的应用
5. 模型调参与优化工具包(1) 网格搜索、随机搜索的原理与应用(2) 工具包Optuna实例：超参数调整方法，模型调参与优化工具包的应用
6. 机器学习模型评估(1) 回归模型中的评估指标（MSE, R2, MAE等）(2) 交叉验证技术实例：比较不同模型的性能并选择最佳模型
复合材料研究中应用神经网络
1. 神经网络基础(1) 激活函数(2) 前向传播过程(3) 损失函数实例：手动实现前向传播
2. 神经网络反向传播与优化(1) 梯度下降法原理(2) 反向传播算法(3) 随机梯度下降(SGD)实例：实现梯度下降算法3. 复合材料研究中的多层感知机(MLP)(1) MLP架构设计(2) MLP的训练过程(3) MLP在回归和分类中的应用实例：构建简单的MLP解决复合材料中的回归问题
4. PINNs(1) PINN基本原理(2) 弹簧振动正问题中的PINNs(3) 弹簧振动逆问题中的PINNs实例：使用PyTorch构建PINNs
5. GAN(1) GAN基本原理(2) 针对表格数据的GAN(3) 增强数据的评估指标实例：构建GAN生成水泥基复合材料数据6. 可解释性机器学习方法-SHAP(1) SHAP理论基础(2) 计算和解释SHAP值实例：复合材料中应用SHAP进行模型解释和特征理解
论文复现机器学习综合应用以及SCI文章写作 论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179. 2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456. Ø 论文中使用的复合材料数据集介绍Ø 论文中的复合材料特征选择与数据预处理方法Ø 论文中使用的模型结构与构建Ø 机器学习研究复合材料的超参数调整Ø 复合材料研究中机器学习模型性能评估Ø 复合材料机器学习研究结果可视化
图1 随机森林算法示意图
图2 人工神经网络结构图3 连续特征和抗压强度的皮尔逊相关系数 图4 SHAP方法的特征重要性图5 不同 ML 模型的实际值与预测值的比较：(a) SVR；(b) RF；(c) AGT；(d) ANN:30-54-1；(e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1图6测试集上的ML模型残差值：(a)SVR；(b) RF；(c) AGT；(d) ANN:30-54-1；(e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1图7. ML模型在测试集上的结果 (a) AG；(b) ANN；(c)RF
总结与未来展望Ø
重点回顾Ø 机器学习在复合材料中的未来发展方向Ø 如何继续学习和深入研究Ø Q&A环节
2026年01月14日 07点01分
1
1. 机器学习在复合材料中的应用概述
2. 机器学习用于复合材料研究的流程
3. 复合材料数据收集与数据预处理实例：数据的收集和预处理
4. 复合材料机器学习特征工程与选择实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用。
5. 线性回归用于复合材料研究实例：线性回归和多项式回归在处理复合材料数据中的应用
6. 多项式回归用于复合材料研究实例：多项式回归在处理复合材料数据中的非线性关系时的应用
7. 决策树用于复合材料研究实例：决策树回归在预测水泥基复合材料强度中的应用
复合材料研究中应用集成学习与支持向量模型
1. 随机森林用于复合材料研究实例：随机森林在预测复合材料性能中的应用
2. Boosting算法用于复合材料研究实例：Catboost在预测复合材料强度中的应用
3. XGBoost和LightGBM用于复合材料研究(1) XGBoost(2) LightGBM(3) 模型解释性技术 实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较
4. 支持向量机 (SVM) 用于复合材料研究(1) 核函数(2) SVM用于回归（SVR） 实例：SVR在预测复合材料的力学性能中的应用
5. 模型调参与优化工具包(1) 网格搜索、随机搜索的原理与应用(2) 工具包Optuna实例：超参数调整方法，模型调参与优化工具包的应用
6. 机器学习模型评估(1) 回归模型中的评估指标（MSE, R2, MAE等）(2) 交叉验证技术实例：比较不同模型的性能并选择最佳模型
复合材料研究中应用神经网络
1. 神经网络基础(1) 激活函数(2) 前向传播过程(3) 损失函数实例：手动实现前向传播
2. 神经网络反向传播与优化(1) 梯度下降法原理(2) 反向传播算法(3) 随机梯度下降(SGD)实例：实现梯度下降算法3. 复合材料研究中的多层感知机(MLP)(1) MLP架构设计(2) MLP的训练过程(3) MLP在回归和分类中的应用实例：构建简单的MLP解决复合材料中的回归问题
4. PINNs(1) PINN基本原理(2) 弹簧振动正问题中的PINNs(3) 弹簧振动逆问题中的PINNs实例：使用PyTorch构建PINNs
5. GAN(1) GAN基本原理(2) 针对表格数据的GAN(3) 增强数据的评估指标实例：构建GAN生成水泥基复合材料数据6. 可解释性机器学习方法-SHAP(1) SHAP理论基础(2) 计算和解释SHAP值实例：复合材料中应用SHAP进行模型解释和特征理解
论文复现机器学习综合应用以及SCI文章写作 论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179. 2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456. Ø 论文中使用的复合材料数据集介绍Ø 论文中的复合材料特征选择与数据预处理方法Ø 论文中使用的模型结构与构建Ø 机器学习研究复合材料的超参数调整Ø 复合材料研究中机器学习模型性能评估Ø 复合材料机器学习研究结果可视化
图1 随机森林算法示意图
图2 人工神经网络结构图3 连续特征和抗压强度的皮尔逊相关系数 图4 SHAP方法的特征重要性图5 不同 ML 模型的实际值与预测值的比较：(a) SVR；(b) RF；(c) AGT；(d) ANN:30-54-1；(e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1图6测试集上的ML模型残差值：(a)SVR；(b) RF；(c) AGT；(d) ANN:30-54-1；(e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1图7. ML模型在测试集上的结果 (a) AG；(b) ANN；(c)RF
总结与未来展望Ø
重点回顾Ø 机器学习在复合材料中的未来发展方向Ø 如何继续学习和深入研究Ø Q&A环节