El objetivo de este trabajo era revelar la ley de distribución de la sensibilidad de descongelación térmica del permafrost y la profundidad de descongelación causada por la construcción de carreteras en el corredor de ingeniería Qinghai-Tíbet (QTEC). Los modelos de predicción de la sensibilidad al deshielo térmico del permafrost y la profundidad de deshielo se han desarrollado mediante la incorporación de los datos MODIS y de observación in situ de la temperatura del suelo. Para calcular la profundidad de descongelación de los cimientos del permafrost subyacente se han utilizado modelos numéricos completos acoplados tierra-atmósfera de diferentes estructuras de terraplén. Por último, utilizando los datos proporcionados y los modelos de predicción desarrollados anteriormente, se obtienen los mapas de distribución de la sensibilidad a la descongelación térmica del permafrost y la profundidad de descongelación en QTEC mediante el cálculo de cuadrículas. Los resultados muestran lo siguiente (1) El permafrost insensible de QTEC se distribuye principalmente en la zona montañosa a gran escala y en la zona de alta latitud, y el permafrost altamente sensible se localiza en el lecho de los ríos perennes, la llanura aluvial y las regiones de terrazas. (2) La construcción de carreteras provoca una fuerte alteración térmica en el permafrost subyacente, y la proporción de la zona de gran profundidad de deshielo del terraplén separado es obviamente menor que la del terraplén de ancho completo de 26 m. (3) El aumento del intervalo de la subrasante reduce la proporción de áreas de gran profundidad de deshielo, y la aplicación de la estructura de terraplén separado es un medio de ingeniería eficaz para la autopista Qinghai-Tíbet.

La tecnología de monitorización de la salud estructural (SHM) es un proceso de monitorización y un método de alerta temprana del estado de salud o los daños de estructuras de piezas de trabajo especiales mediante el despliegue de sensores. En los últimos años, se han realizado muchos estudios sobre SHM, como ultrasonidos, corrientes de Foucault pulsadas, fibra óptica, polvo magnético y otras tecnologías de ensayos no destructivos. Debido al despliegue de sus sensores, el entorno de las pruebas, la fuente de alimentación y el mecanismo de cableado de las líneas de transmisión, plantean problemas como la eficacia de la detección, la supervisión a largo plazo y la falta de fiabilidad de los sistemas. La combinación de la tecnología de detección inalámbrica y la tecnología de detección inteligente se utiliza para resolver los problemas anteriores. Por lo tanto, este artículo estudia el sensor inteligente de antena de etiqueta, que se utiliza para caracterizar la extensión de los defectos metálicos en SHM. A continuación, presenta una antena de detección tridimensional pasiva inalámbrica, y las simulaciones verifican la viabilidad de la antena. Los resultados de la simulación muestran que la antena puede caracterizar las dos direcciones de extensión de profundidad y anchura del defecto liso de la estructura de la superficie metálica. Al mismo tiempo, la antena puede caracterizar la posición de los defectos lisos en la superficie de las estructuras metálicas en relación con la antena y, a continuación, realizar el posicionamiento del defecto liso.

En este trabajo se estudia un método de planificación de trayectorias de recuperación de UUV (Unmanned Underwater Vehicle) de vector inicial y vector final conocidos. El diagrama de estructura local se diseña en función de la información de distancia y orientación de los obstáculos. De acuerdo con el diagrama de estructura local, se utiliza un método de Ýrbol Aleatorio de Exploración Rápida (RRT) con realimentación para generar una trayectoria Dubins 3D que se aproxime gradualmente a la zona objetivo, y se analizan las características ambientales del UUV que alcanza una zona objetivo específica. Los resultados de la simulación demuestran que este método puede reducir eficazmente el tiempo de cálculo y la cantidad de almacenamiento de datos necesarios para la planificación. Además, la trayectoria espacial suave generada puede utilizarse para mejorar la viabilidad de la aplicación práctica del UUV.

La mayoría de las operaciones de detección, reconocimiento y clasificación de objetos se realizan mediante imágenes ópticas. Las imágenes no pueden representar completamente el mundo real debido al rango limitado del espectro de luz visible que refleja la luz de las superficies de los objetos. En este sentido, la información física y geométrica procedente de otras fuentes de datos compensaría la limitación de las imágenes ópticas y aportaría un efecto sinérgico para el entrenamiento de modelos de aprendizaje profundo (deep learning, DL). En este trabajo, proponemos clasificar las características del terreno mediante un modelo SegNet basado en una red neuronal convolucional (CNN) utilizando datos geoespaciales 3D que incluyen ortoimágenes infrarrojas (IR), modelos digitales de superficie (DSM) e información derivada. Las imágenes de pendiente, aspecto y relieve sombreado (IRS) se derivaron del DSM y se utilizaron como datos de entrenamiento para el modelo DL. Los experimentos se llevaron a cabo utilizando el conjunto de datos de Vaihingen y Potsdam proporcionado por la Sociedad Alemana de Fotogrametría, Teledetección y Geoinformación (DGPF) a través de la Sociedad Internacional de Fotogrametría y Teledetección (ISPRS). El conjunto de datos incluye ortoimágenes IR, DSM, datos LiDAR aerotransportados y datos de etiquetas. La motivación de utilizar datos 3D e información derivada para entrenar el modelo DL es que los objetos del mundo real son características 3D. Los resultados experimentales demuestran que el enfoque propuesto de utilizar e integrar diversos datos de características informativas podría mejorar el rendimiento de la DL para la segmentación semántica. En particular, la precisión de la clasificación de edificios es mayor en comparación con otros objetos naturales porque la información derivada podría proporcionar características geométricas. La intersección de la unión (IoU) de los edificios para los datos de prueba y los nuevos datos no vistos con la combinación de todos los datos derivados fue del 84,90y 52,45%, respectivamente.

En este estudio se compararon cuatro productos de radiación neta: la quinta generación del reanálisis atmosférico del clima mundial del Centro Europeo de Predicción Meteorológica a Plazo Medio (ERA5), los Centros Nacionales de Predicción Medioambiental (NCEP), Nubes y Sistema de Energía Radiante de la Tierra Equilibrado y Lleno de Energía (EBAF), e Intercambios Mundiales de Energía y Agua (GEWEX), basados en datos de observación terrestre y datos de intercomparación. ERA5 mostró la mayor precisión, seguido de EBAF, GEWEX y NCEP. Al analizar la malla de validación, ERA5 mostró la distribución de datos más similar a la de los datos de observación en tierra. Se observaron características diferentes entre los datos de reanálisis y los de satélite. En el caso de los datos obtenidos por satélite, el valor de radiación neta tendía a aumentar en latitudes altas. En comparación con los datos de reanálisis, Groenlandia y el Ýrtico central parecían estar sobreestimados. Todos los datos estaban muy correlacionados, con una diferencia de 6-21 W/m2 entre los productos examinados en este estudio. El error se atribuyó principalmente a las dificultades para predecir el cambio climático a largo plazo y a tener que combinar datos de radiación neta de varias fuentes. Este estudio pone de relieve criterios que pueden ser útiles para seleccionar datos para futuros modelos de investigación climática de esta región.

Las características de un terremoto pueden deducirse estimando las geometrías de la fuente del terremoto mediante una inversión de parámetros que minimice la norma L2 de los residuos entre el desplazamiento medido y el sintético calculado a partir de un modelo de dislocación. La estimación de las geometrías de las fuentes en un modelo de dislocación se ha considerado como la resolución de un problema inverso no lineal. Para evitar los mínimos locales y describir las incertidumbres, a menudo se utilizan los reinicios de Monte-Carlo para resolver el problema, asumiendo el espacio de búsqueda de parámetros iniciales proporcionado por los estudios sismológicos. Dado que el tamaño del espacio de búsqueda afecta significativamente a la precisión y al tiempo de ejecución de este procedimiento, un espacio de búsqueda inicial defectuoso procedente de estudios sismológicos puede afectar negativamente a la precisión de los resultados y al tiempo de cálculo. Además, muchos parámetros de origen que describen fallos físicos conducen a una mala visualización de los datos. En este trabajo, proponemos un nuevo algoritmo de reducción del espacio de búsqueda basado en aprendizaje automático para superar estos retos. Este trabajo asume un modelo de dislocación rectangular, es decir, el modelo Okada, para calcular matemáticamente la deformación de la superficie. En cuanto a la medición geodésica de la deformación tridimensional (3D) de la superficie, utilizamos el radar interferométrico de apertura sintética (InSAR) de apilamiento y la interferometría SAR de apertura múltiple (MAI). Definimos un amplio espacio de búsqueda inicial y realizamos los reinicios de Monte-Carlo para recoger los puntos de datos con error cuadrático medio (RMSE) entre el desplazamiento medido y el modelado. A continuación, se utilizan el análisis de componentes principales (ACP) y la agrupación k-means para proyectar los puntos de datos con RMSE bajo en el espacio latente 2D preservando la varianza de los datos originales en la medida de lo posible y extraer k agrupaciones de datos con ubicaciones y RMSE similares entre sí. Por último, reducimos el espacio de búsqueda de parámetros utilizando el clúster con el RMSE medio más bajo. Los resultados de la evaluación muestran que nuestro método reduce en un 55,1~98,1% el tamaño del espacio de búsqueda y en un 60~80,5% el tamaño del intervalo de confianza del 95 para todos los parámetros de la fuente en comparación con el método convencional. También se observó que la reducción del espacio de búsqueda ahorra significativamente la carga computacional de resolver el problema de mínimos cuadrados no lineales.

El creciente uso de la red de sensores de radio cognitiva industrial (ICRSN) aporta profundos cambios a la Internet de las Cosas. La ICRSN es una técnica emergente para transferir datos industriales, que tiene requisitos de comunicación estrictos y precisos en un gran número de áreas como la vigilancia medioambiental, la monitorización de edificios, el control y muchas otras áreas. En este trabajo se ha estudiado ampliamente el problema de maximizar el ancho de banda de la suma utilizando un algoritmo de asignación de espectro. Inspirado en la teoría del caos y la computación cuántica, este trabajo presenta un nuevo algoritmo genético inmune híbrido caótico (CHIGA). A continuación, introducimos un modelo de asignación de espectro que tiene en cuenta tanto la recompensa de la red como el rendimiento y el tiempo de convergencia. La mejora del rendimiento de CHIGA mediante simulaciones experimentales se evalúa en términos de la suma de la recompensa de la red en comparación con métodos basados en el recocido simulado (SA), la optimización de colonias de hormigas (ACO) y la optimización de enjambres de partículas (PSO). Los resultados de las simulaciones muestran que el CHIGA tiene una recompensa de red y un rendimiento mayores que los algoritmos optimizados existentes, al tiempo que mantiene el rendimiento total del sistema.

Utilizando como precursor la L-cisteína, que es verde y barata, se sintetizaron puntos de carbono codopados con nitrógeno y azufre (NS-CDs) mediante un método hidrotérmico sencillo de un solo paso. Los NS-CDs obtenidos mostraron distribuciones de tamaño relativamente estrechas (2,1~3,9 nm) con una separación reticular de 0,29 nm, así como una actividad de emisión de fotoluminiscencia (PL) dependiente de la excitación con un rendimiento cuántico (QY) del 18%. Más interesante aún es el hecho de que la intensidad de PL de las NS-CDs se apagó con la adición de iones de cobre o plomo (Cu2 o Pb2 ), lo que se demostró en el método de detección tradicional mediante espectros de PL. Las NS-CDs mostraron una capacidad de detección colorimétrica ultrasensible tanto para Cu2 como para Pb2 mediante la variación de color a simple vista sin ningún tratamiento adicional. Mediante el análisis de la espectroscopia infrarroja por transformada de Fourier (FT-IR) y la espectroscopia de fotoelectrones de rayos X (XPS) se indujeron dos formas de acoplamiento diferentes para detectar Pb2 y Cu2. Las NS-CDs preparadas mostraron su potencial aplicación en la detección de iones de metales pesados para la determinación de aguas residuales.

El sistema IoT se ha convertido en un tema candente en los hogares inteligentes. IoT ayuda a los dispositivos a comunicarse entre sí sin intervención humana dentro de la casa, por lo que está ofreciendo muchos desafíos. En este artículo se propone una nueva plataforma IoT doméstica inteligente alimentada mediante la captación de energía electromagnética. Contiene un conjunto de antenas de transmisión de alta ganancia y un eficiente sistema de antenas rectas con polarización circular para recolectar suficiente energía desde cualquier dirección para aumentar la vida útil de las baterías utilizadas en el sistema IoT. El consumo de energía optimizado, el software con la adopción del protocolo Zigbee del nodo sensor, y un microcontrolador de bajo consumo se utilizan para operar en modos de baja potencia. El sistema propuesto tiene una vida útil de 84,6 días, que es aproximadamente 10 veces la vida útil de un sistema similar. Por otra parte, el circuito de gestión de energía propuesto funciona a 0,3 V CC para elevar la tensión a ~3,7 V a partir de la captación de energía por radiofrecuencia y gestionar el nivel de la batería para aumentar su vida útil. Se diseña un sistema predictivo de monitorización del ambiente interior basado en un novedoso sistema híbrido para proporcionar un plan no estático, aprobar el consumo de energía y evitar fallos de los nodos sensores en un hogar inteligente.

Los dispositivos y aplicaciones del Internet de las cosas (IoT) están aumentando drásticamente en todo el mundo, lo que genera más retos de ciberseguridad. Entre estos retos se encuentran las actividades maliciosas dirigidas a los dispositivos IoT y que causan graves daños, como la fuga de datos, las campañas de phishing y spam, los ataques de denegación de servicio distribuidos (DDoS) y las brechas de seguridad. En este artículo, se propone un método de aprendizaje profundo apilado para detectar datos de tráfico maliciosos, en particular ataques maliciosos dirigidos a dispositivos IoT. El método de aprendizaje profundo apilado propuesto se combina con cinco redes residuales preentrenadas (ResNets) para aprender en profundidad las características de las actividades sospechosas y distinguirlas del tráfico normal. Cada modelo ResNet preentrenado consta de 10 bloques residuales. Utilizamos dos grandes conjuntos de datos para evaluar el rendimiento de nuestro método de detección. Investigamos dos entornos de IoT heterogéneos para que nuestro enfoque pueda desplegarse en cualquier entorno de IoT. Nuestro método propuesto tiene la capacidad de distinguir entre datos de tráfico benignos y maliciosos y detectar la mayoría de los ataques IoT. Los resultados experimentales muestran que nuestro método de aprendizaje profundo apilado propuesto puede proporcionar una mayor tasa de detección en tiempo real en comparación con las técnicas de clasificación existentes.