加载中...
本文基于3500组数值样本,采用随机森林与BP神经网络建立非线性回归模型,预测由密度、粘度、声速、表面张力与饱和蒸气压共同作用下的气泡最大无量纲半径 R_max,以表征气泡坍缩强度;结果表明粘度与表面张力为最重要的影响因子,声速影响最小,且RF+BPNNs混合模型在R²、MAE与MAPE上均优于单一模型,表明机器学习方法在多参数耦合下对气泡坍缩强度的预测是可行且有效的 .
| Physical parameter | p-value | r |
|---|---|---|
| density | 0.471 | -0.012 |
| viscosity | 0.660 | -0.007 |
| sound velocity | 0.435 | 0.013 |
| surface tension | 0.571 | 0.009 |
| saturated vapor pressure | 0.768 | -0.005 |
| 模型 | R² | MAE | MAPE |
|---|---|---|---|
| RF (98 trees) | 0.8929 | 0.2087 | 6.5839 |
| BPNNs (34 neurons) | 0.8958 | 0.2141 | 7.3980 |
| RF + BPNNs (平均预测) | 0.9095 | 0.1931 | 6.4130 |
元数据与概览(引言与报告概览)
逐节深度解读(逐章精读与剖析)
图表深度解读(每张重要图/表的描述与解读)
估值分析(若适用)
风险因素评估(作者识别与我的补充解析)
批判性视角与细微差别(审慎观点)
结论性综合(关键发现、图表得出的深刻见解与作者立场重述)
如需我进一步:
Machine learning for predicting the bubble-collapse strength as affected by.pdf