WikiEdge:ArXiv速递/2024-08-29：修订间差异
Created page by Carole |
Updated page by Carole |
||
| 第7行： | 第7行： | ||
*'''原文链接'''：http://arxiv.org/abs/2408.16413v1 | *'''原文链接'''：http://arxiv.org/abs/2408.16413v1 | ||
'''摘要'''：这项工作探讨了将[[表面增强拉曼光谱]]（[[SERS]]）与[[人工神经网络]]（[[ANN]]）模型相结合，以检测和定量施加于[[斯普拉格-道利]]（[[SD]]）大鼠血液中的[[生长激素]]（[[GH]]）和[[睾酮]]（[[TE]]）。使用785 nm激光激发，从注射了[[GH]]、[[TE]]、两种激素及未注射对照的[[SD]]大鼠血样中记录了[[SERS]]光谱。样本与在蒸馏水中合成的[[银纳米颗粒]]（[[AgNPs]]）混合，涂抹在显微镜载玻片上并风干。结果显示的[[SERS]]光谱在不同激素的情况下表现出相似的特征，强度变化揭示了在658、798、878、914、932、1064、1190、1354、1410和1658 cm-1处的特定谱带。[[主成分分析]]（[[PCA]]）表明，围绕1378 cm-1（所有组）、658和1614 cm-1（[[GH]]注射大鼠）等谱带的强度变化是时间依赖的，其他谱带则对应不同的激素组合。这些变化反映了激素注射引起的微妙生化变化。[[ANN]]模型在用不同激素浓度掺杂的血液的六个[[PCA]]得分上训练后，显示出高准确性，决定系数大于87.71%，均方根误差（[[RMSE]]）值低于0.6436。注射大鼠的激素水平最初增加，随后下降，这一趋势得到了[[ELISA]]试剂盒的确认。尽管[[ELISA]]和[[SERS]]产生了相似的结果，但[[SERS]]提供了快速分析（约两分钟）、简单的样本准备、小样本体积和对激素的非特异性等优势。这表明，结合[[ANN]]模型的[[SERS]]可以用于检测外源性运动兴奋剂。这些发现扩展了[[SERS]]在[[运动科学]]、[[临床诊断]]和[[生物医学研究]]中的潜在应用。 | '''摘要'''：这项工作探讨了将[[表面增强拉曼光谱]]（[[SERS]]）与[[人工神经网络]]（[[ANN]]）模型相结合，以检测和定量施加于[[斯普拉格-道利]]（[[SD]]）大鼠血液中的[[生长激素]]（[[GH]]）和[[睾酮]]（[[TE]]）。使用785 nm激光激发，从注射了[[GH]]、[[TE]]、两种激素及未注射对照的[[SD]]大鼠血样中记录了[[SERS]]光谱。样本与在蒸馏水中合成的[[银纳米颗粒]]（[[AgNPs]]）混合，涂抹在显微镜载玻片上并风干。结果显示的[[SERS]]光谱在不同激素的情况下表现出相似的特征，强度变化揭示了在658、798、878、914、932、1064、1190、1354、1410和1658 cm-1处的特定谱带。[[主成分分析]]（[[PCA]]）表明，围绕1378 cm-1（所有组）、658和1614 cm-1（[[GH]]注射大鼠）等谱带的强度变化是时间依赖的，其他谱带则对应不同的激素组合。这些变化反映了激素注射引起的微妙生化变化。[[ANN]]模型在用不同激素浓度掺杂的血液的六个[[PCA]]得分上训练后，显示出高准确性，决定系数大于87.71%，均方根误差（[[RMSE]]）值低于0.6436。注射大鼠的激素水平最初增加，随后下降，这一趋势得到了[[ELISA]]试剂盒的确认。尽管[[ELISA]]和[[SERS]]产生了相似的结果，但[[SERS]]提供了快速分析（约两分钟）、简单的样本准备、小样本体积和对激素的非特异性等优势。这表明，结合[[ANN]]模型的[[SERS]]可以用于检测外源性运动兴奋剂。这些发现扩展了[[SERS]]在[[运动科学]]、[[临床诊断]]和[[生物医学研究]]中的潜在应用。 | ||
===[[WikiEdge:ArXiv-2408.16709v1|ArXiv-2408.16709v1]]=== | |||
* '''标题'''：Hydrogen reaction rate modeling based on convolutional neural network for large eddy simulation | |||
* '''中文标题'''：氢反应速率建模基于卷积神经网络的大涡模拟 | |||
* '''发布日期'''：2024-08-29 17:05:10+00:00 | |||
* '''作者'''：Quentin Malé, Corentin J Lapeyre, Nicolas Noiray | |||
* '''分类'''：cs.CE | |||
*'''原文链接'''：http://arxiv.org/abs/2408.16709v1 | |||
'''摘要'''：这篇论文建立了一个基于数据驱动的建模框架，用于稀[[氢]]（H2）-[[空气]]反应速率的湍流反应流的大涡模拟（[[LES]]）。这特别具有挑战性，因为H2分子的扩散速度远快于热量，导致燃烧速率的巨大变化、亚滤波尺度上的热扩散不稳定性以及复杂的湍流-化学反应相互作用。我们基于数据驱动的方法利用[[卷积神经网络]]（[[CNN]]），训练以近似从模拟的LES数据中获得的滤波燃烧速率。首先，计算五种不同的稀混合湍流H2-空气火焰的直接数值模拟（[[DNS]]），每种都有独特的全局当量比。其次，DNS快照被滤波和下采样，以模拟LES数据。第三，训练CNN以近似燃烧速率，作为LES标量量的函数：进展变量、局部当量比和由于滤波导致的火焰加厚。最后，评估CNN模型在训练过程中从未见过的测试解上的表现。该模型以非常高的准确度检索燃烧速率。它还在两个滤波和下采样参数以及两个全局当量比上进行了测试，这些比率在训练过程中未使用。对于这些插值案例，尽管这些案例未包含在训练数据集中，模型仍以低误差近似燃烧速率。这项先验研究表明，所提出的数据驱动机器学习框架能够应对建模稀混合H2-空气燃烧速率的挑战。这为碳中和[[氢]]燃烧系统的模拟开辟了一种新的建模范式。 | |||
2024年8月31日 (六) 13:49的版本
ArXiv-2408.16413v1
- 标题：Chemometrics-aided Surface-enhanced Raman spectrometric detection and quantification of GH and TE hormones in blood
- 中文标题：化学计量学辅助的表面增强拉曼光谱检测和定量血液中的生长激素和睾酮激素
- 发布日期：2024-08-29 10:20:32+00:00
- 作者：Annah M. Ondieki, Zephania Birech, Kenneth A. Kaduki, Peter W. Mwangi, Moses Juma, Boniface M. Chege
- 分类：physics.med-ph, physics.optics
- 原文链接：http://arxiv.org/abs/2408.16413v1
摘要：这项工作探讨了将表面增强拉曼光谱（SERS）与人工神经网络（ANN）模型相结合，以检测和定量施加于斯普拉格-道利（SD）大鼠血液中的生长激素（GH）和睾酮（TE）。使用785 nm激光激发，从注射了GH、TE、两种激素及未注射对照的SD大鼠血样中记录了SERS光谱。样本与在蒸馏水中合成的银纳米颗粒（AgNPs）混合，涂抹在显微镜载玻片上并风干。结果显示的SERS光谱在不同激素的情况下表现出相似的特征，强度变化揭示了在658、798、878、914、932、1064、1190、1354、1410和1658 cm-1处的特定谱带。主成分分析（PCA）表明，围绕1378 cm-1（所有组）、658和1614 cm-1（GH注射大鼠）等谱带的强度变化是时间依赖的，其他谱带则对应不同的激素组合。这些变化反映了激素注射引起的微妙生化变化。ANN模型在用不同激素浓度掺杂的血液的六个PCA得分上训练后，显示出高准确性，决定系数大于87.71%，均方根误差（RMSE）值低于0.6436。注射大鼠的激素水平最初增加，随后下降，这一趋势得到了ELISA试剂盒的确认。尽管ELISA和SERS产生了相似的结果，但SERS提供了快速分析（约两分钟）、简单的样本准备、小样本体积和对激素的非特异性等优势。这表明，结合ANN模型的SERS可以用于检测外源性运动兴奋剂。这些发现扩展了SERS在运动科学、临床诊断和生物医学研究中的潜在应用。
ArXiv-2408.16709v1
- 标题：Hydrogen reaction rate modeling based on convolutional neural network for large eddy simulation
- 中文标题：氢反应速率建模基于卷积神经网络的大涡模拟
- 发布日期：2024-08-29 17:05:10+00:00
- 作者：Quentin Malé, Corentin J Lapeyre, Nicolas Noiray
- 分类：cs.CE
- 原文链接：http://arxiv.org/abs/2408.16709v1
摘要：这篇论文建立了一个基于数据驱动的建模框架，用于稀氢（H2）-空气反应速率的湍流反应流的大涡模拟（LES）。这特别具有挑战性，因为H2分子的扩散速度远快于热量，导致燃烧速率的巨大变化、亚滤波尺度上的热扩散不稳定性以及复杂的湍流-化学反应相互作用。我们基于数据驱动的方法利用卷积神经网络（CNN），训练以近似从模拟的LES数据中获得的滤波燃烧速率。首先，计算五种不同的稀混合湍流H2-空气火焰的直接数值模拟（DNS），每种都有独特的全局当量比。其次，DNS快照被滤波和下采样，以模拟LES数据。第三，训练CNN以近似燃烧速率，作为LES标量量的函数：进展变量、局部当量比和由于滤波导致的火焰加厚。最后，评估CNN模型在训练过程中从未见过的测试解上的表现。该模型以非常高的准确度检索燃烧速率。它还在两个滤波和下采样参数以及两个全局当量比上进行了测试，这些比率在训练过程中未使用。对于这些插值案例，尽管这些案例未包含在训练数据集中，模型仍以低误差近似燃烧速率。这项先验研究表明，所提出的数据驱动机器学习框架能够应对建模稀混合H2-空气燃烧速率的挑战。这为碳中和氢燃烧系统的模拟开辟了一种新的建模范式。