通过引入自主纺织品分析管道，本文解决了传统纺织品分类方法的低效率问题。利用机器人、光谱成像和人工智能分类，我们的系统提高了纺织品分类过程的准确性、效率和可扩展性，为废物管理提供了更可持续和循环化的方法。通过数字孪生系统的整合，进一步评估了技术和经济可行性，为分类系统的准确性和可靠性提供了有价值的洞察。该提出的框架受工业 4.0 原则的启发，包括五个相互连接的层，实现了系统内的无缝数据交换和协调。初步结果突显了我们的整体方法在减少环境影响和促进纺织品行业向循环经济转变方面的潜力。

May, 2024

本文提出了一种数据驱动的方法，通过将运营决策与天气条件联系起来，缓解工业厂区对附近城市的空气污染的影响，结合预测和规定性机器学习模型预测短期风速和方向，并建议减少或暂停工业生产的运营决策，从而实现可持续性的工业发展。

Mar, 2023

利用预测和优化技术可以提高城市公共事业中污水处理的操作效率。

Apr, 2024

通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

May, 2024

本研究通过数据驱动的 AI 方法，应用机器学习模型，探索采用再生和回收材料的敏捷制造决策支持的材料科学中的环境可持续性，通过对热处理参数对材料性质的影响、颗粒尺寸检测和短语分数检测进行预测分析，得出了很多有希望的结果，但是之后的工作仍需面对各种挑战。

Mar, 2023

本文提出了一种新型生产力评估模型，用于评估在生产链中采用人工智能 (AI) 组件的影响。我们的模型提供了支持解决 “AI” 的 Solow 悖论的证据，其基础包括（i）理论和实证证据以解释 Solow 的二分法；（ii）数据驱动模型以评估和评估生产率变化；（iii）基于过程挖掘数据集的方法论，以确定业务流程（BP）和生产率；（iv）一组计算机模拟参数；（v）以及关于劳动力分配的实证分析。这些为我们认为 AI Solow 悖论的后果是指标误测提供了数据。

Oct, 2022

城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023

介绍了一种名为 MWaste 的移动应用程序，使用计算机视觉和深度学习技术将垃圾材料分类为垃圾、塑料、纸张、金属、玻璃或纸板，可以帮助有效处理垃圾、减少温室气体的排放。

Apr, 2023

机器学习的出版流程存在缺陷，新的出版方式虽有助于提高包容性和教育性，但仅仅更换格式不能解决现有问题。该论文认为，影响机器学习研究可达性的根本原因不在于论文流程，而是出版和研究过程中的问题。本论文探讨了这些问题，并提出了一些潜在的解决方案。

Apr, 2021

本文探讨了应用人工智能技术实现循环经济的方案，并进行了综述和研究。研究表明，循环经济有望在工业和政府层面得到应用，人工智能和机器学习等创新技术对实现循环经济至关重要，需要进一步研究和探索。

Apr, 2022