本研究通过半自动的方式，从相关维基百科文章中提取风能领域的基本概念及其关系，构建了第一个广覆盖的风能本体论。同时，提供了其他工程本体论的指针，以及该本体论的潜在应用领域。

Oct, 2014

本文运用统计计算方法，对风能领域人工智能技术的概念和主题演进进行了系统综述，提出了人工智能技术在风电设备运维中的挑战和应对策略，旨在鼓励更多组织采用数据驱动的决策技术，以实现风能可靠性的增强和全球应对气候变化的目标。

Mar, 2022

本文从 0-5 的层次对数字孪生技术的定义及其能力水平进行了综合概述，着重介绍了其在风能行业中的应用。从工业角度出发，确定了当前风能领域的现状和研究需求，并从研究机构的角度提出了解决这些挑战的方法，并为促进科技接受提供了一组建议，为数字孪生技术和其在风能行业应用的未来研究和发展提供了路线图。

Apr, 2023

本文提出通过使用主流软件方法论来开发参考架构来解决现代知识工程的四个挑战，包括未解决的利益相关方需求，不匹配的技术，新组织的采用障碍和与软件工程实践的不匹配。我们通过研究不同利益相关者和时代的要求，确定了 23 个评估参考架构所必需的基本质量属性，并根据这些属性评估了最近文献中的三种候选架构。最后，我们讨论了实现全面参考架构的下一步行动，包括优先考虑质量属性，整合具有互补优势的组件以及支持缺失的社会技术要求。由于这需要协作努力，因此我们邀请所有知识工程研究人员和实践者加入我们。

Jun, 2023

提出了一种基于深度知识的学习方法，该方法使用预训练方法和自编码器结构来提高数据表示和建模，以预测风电的风速和功率。

Jun, 2023

知识工程学是创建和维护知识生成系统的过程。本文提出了通过利用参考架构的软件工程方法，对知识工程领域的最佳实践进行协调的愿景。我们描述了一个可以循序渐进地设计和实施的参考架构，以将用户需求与重复出现的系统模式相关联。我们提供了一个六步路线图，可以实现这样的架构的开发。预计这个愿景的实现将会推动基于神经符号的知识工程空间的组织，以及与软件架构和数据科学社区之间的新联系的建立。

Apr, 2024

使用基于深度学习的方法，从不连续的风能数据中进行多模态连续分辨率的风能数据预测，并进行数据维度降低。

Jan, 2024

知识工程学是一个专注于生成和应用知识的学科，传统上它主要关注以形式语言表达的知识。然而，大语言模型的出现及其与自然语言的高效处理能力，对知识工程学的基础和实践提出了问题。在这篇论文中，我们提出大语言模型在知识工程学中的潜在作用，并确定两个中心方向：1）创建混合的神经符号知识系统；2）实现自然语言下的知识工程。此外，我们还提出了一些关键的开放性研究问题来解决这些方向。

Oct, 2023

本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

Jul, 2023

使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

Jul, 2023