玄武岩纤维在水泥基材料中的耐久性研究取得新进展。最新研究系统评估了NaOH、KOH、Ca(OH)₂三种碱性溶液对玄武岩纤维的影响，发现Ca(OH)₂环境破坏最小，NaOH破坏最严重。研究采用响应面法和五种机器学习模型，建立了纤维拉伸强度的预测体系，其中FSMOreg模型预测精度最高（相关系数0.928）。实验显示，28天后纤维在30g/L NaOH中重量损失达8%，拉伸强度从995MPa降至304

摘要：本研究比较了CatBoost、ExtraTrees和XGBoost三种机器学习模型在预测掺有粉煤灰、矿渣等低碳材料的水泥水化热性能。基于51组实验数据，通过留一法交叉验证评估模型对不同时间点（12h、72h、168h）水化热及最大放热速率的预测能力。结果显示：XGBoost短期预测精度最高（12h R²=0.971），ExtraTrees长期预测最稳定（168h R²=0.800），CatB

摘要：本研究采用机器学习方法预测高温下纳米二氧化硅改性混凝土的抗压强度。通过收集380组实验数据，评估了8种机器学习模型的性能，其中GBR、CatB和RF模型表现最优（测试集R²＞0.97）。SHAP分析表明温度和水分是影响强度的关键因素，而PDP分析揭示了各材料组分的最佳配比范围。研究证明机器学习可有效预测混凝土高温性能，为工程应用提供数据支持，同时显著降低实验成本。未来可拓展更多数据源和深度学

本研究采用机器学习方法优化碳纳米管增强水泥复合材料强度预测。通过6种算法建模278组抗压强度和114组抗折强度数据，发现梯度提升（GB）模型表现最优（测试R²达0.99）。SHAP分析揭示CNT含量对抗压强度影响最大（贡献度25%），养护时间对抗折强度最关键。研究创新性地开发了GUI工具，并运用可解释性方法量化了CNT参数（0.002-0.004含量、<8nm外径）与养护条件的最优区间。该成

本文系统回顾了基于飞秒激光直写(FLDW)波导的拓扑光子学研究进展。FLDW技术可在透明介质中三维写入波导阵列，为拓扑光子学研究提供了理想平台。研究涵盖一维SSH模型、二维高阶拓扑绝缘体、Floquet拓扑绝缘体、非厄米拓扑态和非线性拓扑态等方向，展示了从基础物理到集成光子器件的应用潜力。重点分析了拓扑态的激发观测、非厄米系统实现和非线性耦合等关键技术难点，并展望了高维拓扑态、低损耗波导和拓扑量子

AI流体力学前沿速览：深度学习正在颠覆传统CFD！5天密集培训带你掌握AI+流体力学融合技术，突破计算效率、精度和场景创新三大瓶颈。课程涵盖从Navier-Stokes方程到Fluent高阶应用，再到深度学习核心技术栈（PINN、GAN等），提供Science级案例代码。适合科研人员及工程师，早鸟优惠限时开放。由985高校专家团队带领，助力实现4倍速的圆柱绕流模拟等突破性成果。

来自全球顶尖大学香港科技大学，博士，具有丰富的流体力学工作经验，包括实验流体力学，计算流体动力学(CFD)，近年来发表论文10余篇，申请专利三项。擅长领域：流体力学与人工智能的交叉科学，流场预测与重构，AI for CFD， 深度强化学习的气动优化。涵盖经典流体力学、机器学习、深度学习、实验流体力学、计算流体动力学、时空超分辨率、深度强化学习等核心知识，全方位提升您的流体力学计算与应用能力。如未收

二、进阶阶段需要深度学习神经网络、经典机器学习模型、材料基因工程入门与实战、图神经网络与实践、机器学习+Science五个模块，还需要结合案例实践（神经网络在催化领域的应用、预测杂化钙钛矿带隙、有机太阳能电池材料快速筛选、团簇结构数据库构建、同素异形体结构数据库构建、材料指纹和势函数生成、描述符的向量化生成与特征、图神经网络预测无机材料的性能、分子理化性质的预测、量子点发光材料色温的预测、半导体材

超构表面和超材料设计：机器学习被用于设计具有特定光学特性的超构表面和超材料，这些材料在光场调控中发挥着重要作用。3.光子神经网络：利用光子器件构建的神经网络可以进行快速的矩阵-向量运算，加速深度学习算法的执行。4.非线性光学与光子芯片：非线性光学材料和非厄米拓扑光子学为高性能片上处理方案提供了新的可能性，智能光子芯片在全光计算、信号处理和量子技术等领域具有广泛的应用前景。

从复合材料性能的精确预测到复杂材料结构的智能设计，从数据驱动的材料结构优化到多尺度分析，人工智能技术正以其强大的数据处理能力和模式识别优势，推动复合材料领域的技术进步。材料科学、电力工业、航空航天科学与工程、有机化工、无机化工、建筑科学与工程、自动化技术、工业通用技术、汽车工业、金属学与金属工艺、机械工业、船舶工业等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。6.数据驱动的材料发现：