Thứ sáu, 19/04/2024 | 14:43
Bài báo nhằm trình bày khả năng ứng dụng trí tuệ nhân tạo trong việc quản lý, điều hành dự án dầu khí Bir Seba tại Algeria.
Việc xác định được sự cố và vị trí xảy ra sự cố trong hệ thống điện mặt trời đóng vai trò quan trọng trong việc đảm bảo an toàn vận hành, độ tin cậy và hiệu suất sử dụng tối đa của hệ thống điện mặt trời.
Bài báo đề xuất giải pháp sử dụng phương pháp biến đổi sóng con (wavelet) để trích xuất các đặc trưng từ một chuỗi thời gian, sử dụng kết quả đầu ra để phân loại và dự đoán xu hướng tương lai gần của chuỗi dữ liệu.
Trong bài báo này việc khai phá motif cho chuỗi thời gian và phát hiện bất thường bằng thuật toán học máy rừng ngẫu nhiên được đề xuất. Mô hình đề xuất được thử nghiệm và sau đó sử dụng để phát hiện ra các khách hàng bất thường trong dữ liệu hoạt động bán lẻ. Bằng thực nghiệm chỉ ra mô hình có độ chính xác F1 là 75%.
Mới đây, Viện Dầu khí Việt Nam (VPI) đã nghiên cứu, ứng dụng thành công trí tuệ nhân tạo (AI) và các thuật toán học máy (ML) để xác định nhanh sự hiện diện của đá móng nứt nẻ với độ chính xác hơn 80%, giúp tiết kiệm thời gian và chi phí khoan, nâng cao hiệu quả công tác tìm kiếm thăm dò dầu khí.
Viện Dầu khí Việt Nam (VPI) đã sử dụng trí tuệ nhân tạo (Artificial Intelligence - AI) và các thuật toán học máy (Machine Learning – ML) để xác định nhanh sự hiện diện của đá móng nứt nẻ với độ chính xác trên 80%, giúp tiết kiệm thời gian và chi phí khoan.
Lớp tập huấn được tổ chức dành riêng cho giáo viên môn tin học các trường Trung học Phổ thông, các trung tâm Giáo dục nghề nghiệp - Giáo dục thường xuyên.
Viện Dầu khí Việt Nam (VPI) đã sử dụng trí tuệ nhân tạo (Artificial Intelligence - AI) và các thuật toán học máy (Machine Learning – ML) để xác định nhanh sự hiện diện của đá móng nứt nẻ với độ chính xác trên 80%, giúp tiết kiệm thời gian và chi phí khoan.
Bài báo đưa ra phương án tạo ra model để xác định, phân loại dữ liệu này. Nội dung của bài báo tập trung vào việc ứng dụng machine learning trong việc phân loại dữ liệu và sử dụng bài toán logistic regressiong để thiết lập Model, thiết lập Loss Function, tối ưu loss Function và dự đoán mô hình.
Các nhà nghiên cứu tại ARC Centre of Excellence in Exciton Science đã nghiên cứu thành công mô hình học máy mới dự đoán hiệu suất chuyển đổi năng lượng (PCE) của các vật liệu có thể được sử dụng trong pin mặt trời hữu cơ thế hệ tiếp theo, bao gồm cả các hợp chất 'ảo' chưa tồn tại.
Mô phỏng trên máy tính là một nội dung quan trọng của quá trình tối ưu hóa thiết kế sản phẩm, cho phép các kỹ sư kiểm tra các cấu hình khác nhau và chọn ra được thiết kế tốt nhất. Tuy nhiên, để thực hiện các các mô phỏng này cần phải có những tính toán phức tạp, tốn kém về tiền bạc và thời gian.
Theo Tạp chí KH uy tín Scientific Reports, mới đây các nhà nghiên cứu từ Đại học Aarhus đã phát triển một công cụ dự đoán sử dụng công nghệ máy học kết hợp với dữ liệu cộng hưởng từ (NMR) thực nghiệm cho hàng trăm protein. Công cụ này được đánh giá là hữu ích cho các nghiên cứu cấu trúc và tìm hiểu vai trò sinh học, quy định của các protein có các vùng bị rối loạn.
Danh sách các nghiên cứu xuất sắc nhất trong lĩnh vực học máy năm 2020, được lựa chọn từ 4.990 nghiên cứu liên quan đến lĩnh vực này trên toàn thế giới.