60GHz室内通信中，方形环频率选择表面（SLFSS）壁纸可增强信号反射，提升MIMO接收功率超6.5dB。研究发现CI路径损耗模型比FI模型更适合毫米波室内信道建模，因其物理基础更稳定。实验证实FSS壁纸能有效改善60GHz信号覆盖，即使存在人体遮挡。该研究为5G毫米波室内系统设计提供了重要参考。

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。

摘要：本研究提出一种基于频率选择表面（FSS）的双频太赫兹天线设计，旨在解决THz通信中的高路径损耗问题。通过将FSS集成到微带贴片天线下方82μm处，在0.6THz和0.7THz频段实现了增益提升（分别达1.22dB和1.10dB）和辐射效率提高（最高达87.75%）。研究采用等效电路模型验证FSS特性，优化天线与FSS间距，克服了双频段增益同步提升的技术难点。该紧凑型天线设计为6G通信和THz

摘要：针对天然气净化中氮气与甲烷分离难题，一项发表于《Scientific Reports》的研究利用机器学习实现了金属有机框架（MOFs）材料氮气吸附量的高精度预测。研究基于3246个实验数据点，比较了XGBoost、CatBoost等四种模型，结果显示XGBoost表现最优（R²=0.9984），显著优于传统方法。通过SHAP分析发现温度是影响吸附量的最关键因素。该研究为MOFs材料的快速筛选

《机器学习预测MOF中气体扩散系数的新方法》研究通过结合过渡态理论描述符与机器学习，实现了对氙气在金属有机框架（MOF）中扩散系数的高效预测。该研究构建了包含4873种MOF的数据库，开发了比传统分子动力学快上万倍的GrAED能量势垒算法，并建立XGBoost模型（测试集RMSE=0.26）。关键发现表明活化能和孔径（PLD）是决定扩散的核心因素，模型具备良好的物理可解释性。该方法突破了高通量筛选

本研究利用机器学习方法高效预测MOF材料对CO₂的吸附性能，突破了传统模拟方法的高成本限制。通过XGBoost模型结合结构特征、分子特征和计算特征三类参数，系统分析了不同压力下MOF材料的吸附机制。研究发现：结构特征（空隙率、比表面积等）始终起主导作用；低压时范德华力主导，高压时库仑力更关键；卤素和芳香环等化学基团对吸附性能有显著影响。该研究为CO₂吸附材料的智能化筛选提供了新思路，未来可拓展至其

本研究利用5种混合机器学习模型预测塑料基砂浆(PBM)的抗折强度、生产成本和CO₂排放。结果显示，CNN-LSTM模型表现最优(测试R²=0.977)，水、超塑化剂和塑料废料是关键影响因素。研究还开发了GUI工具，实现材料用量的智能优化。该成果为绿色建材设计提供了新思路，未来可扩展数据多样性并整合全生命周期评估。

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