时间：2022年12月18日(周日) 09: 30
地点：腾讯会议（线上）
分享者：李山龙、樊禧
Part1
分享者：李山龙
分享内容：
[1] Mevlut Uzun, Mustafa Umut Demirezen and Gokhan Inalhan.Physics Guided Deep Learning for Data-Driven Aircraft Fuel Consumption Modeling. Aerospace 2021, 8, 44.
[2] Tolga Baklacioglu. Predicting the fuel flow rate of commercial aircraft via multilayer perceptron, radial basis function and ANFIS artificial neural networks. October 2020.Aeronautical Journal -New Series- 125(1285):1-19
论文简介：
[1] 本文提出了一种物理引导的深度神经网络框架来估计飞机的燃料消耗。该框架旨在提高数据驱动模型在数据未涵盖的飞行状态中的一致性。特别是，我们用表示燃料流动力学的方程来指导神经网络。结果表明，我们提出的模型在标记的测试集上实现了正确的预测，并确保了在不可见的飞行状态下的物理一致性。结果表明，与使用相同训练数据集的基于模型的方法和其他监督学习技术相比，我们的模型虽然适用于飞机的完整飞行包线，但产生了更低的燃料消耗误差度量。此外，我们的深度学习模型产生了类似于BADA4飞机性能模型的燃料消耗趋势，该模型在真实世界的操作中被广泛使用，在不可见和未经训练的飞行状态下。相比之下，其他监督学习技术无法产生有意义的结果。总体而言，所提出的方法提高了数据驱动模型的可解释性，而不会降低准确性。
[2]本文首次尝试使用具有多层感知器（MLP）、径向基函数（RBF）和自适应神经模糊干扰系统（ANFIS）架构的非常规人工神经网络（ANN）模型，使用从巡航、爬升和下降阶段的飞行数据记录（FDR）中获得的真实数据来预测商用飞机的燃油流率。通过使用Delta Bar Delta（DBD）、共轭梯度（CG）和Quickprop（QP）算法，对具有单个隐藏层的架构进行训练。通过使用试错方法改变网络的隐藏层中的处理元件的数量来寻求最佳网络拓扑。根据FDR的理想燃料摄入量数据对近似燃料摄入量值的评估表明，这三个ANN模型都非常适合。因此，通过在爬升和下降飞行阶段应用RBF-ANN模型，可以获得更准确的燃料摄入量估计，而MLP-ANN模型对于巡航阶段更有效。获得的最佳精度爬升、巡航和下降阶段的线性相关系数分别为0.99988、0.91946和0.95252.
Part2
分享者：樊禧
分享内容：
[1] Linhares, Claudio D. G, Lima, et al. ClinicalPath: a Visualization tool to Improve the Evaluation of Electronic Health Records in Clinical Decision-Making.IEEE transactions on visualization and computer graphics, 2022
论文简介：
[1] 医生的工作时间非常紧张，需要决策支持工具来帮助他们及时可靠地改进和完成工作。如果没有可视化支持的系统来呈现成堆的测试结果那么会大大降低医生的工作效率，电子健康记录系统旨在保存患者的病史，并减少分析患者数据所花费的时间。 在本文中提出了可视化工具ClinicalPath，用户可以通过一系列测试和数据来跟踪患者的临床路径，帮助治疗和诊断。侧重于患者的数据分析，纵向呈现测试结果和临床病史。该可视化设计和系统功能与医学领域的专家密切合作开发的，以确保技术解决方案与专业人员的实际需求相匹配。通过基于医生日常活动的任务， 基于案例研究和用户评估验证了所提出的可视化。结果表明，该可视化系统改善了医生的经验决策任务，使医生能够节省更多时间照顾其他需要照顾的病人。
