随机委员会与多层感知机回归的混合模型在沉积床自动冲洗排水系统中预测颗粒弗劳德数，并识别体积泥沙浓度为最敏感变量
核心概要
该研究以多层感知机回归器（MLPR）为基础模型、随机委员会（RC-MLPR）为混合机器学习模型，利用从既有文献收集的五个异质数据集（覆盖较宽的水力与泥沙条件范围）来预测自动冲洗排水系统中的颗粒弗劳德数（PFr），并采用包括一致性指数在内的多种性能指标进行评估，结果显示RC-MLPR优于其他所提机器学习模型、现有先进机器学习模型以及既有经验公式，敏感性分析进一步表明体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的变量。
深度剖析
研究提出以MLPR为基础、RC-MLPR为混合机器学习模型的PFr预测方案，并在同一评估框架下与所提其他机器学习模型、现有先进机器学习模型及既有经验公式进行比较，RC-MLPR取得更优表现。 相对于依赖经验公式或单一机器学习模型的既有做法，该工作把集成式的随机委员会策略与多层感知机回归器结合，用于PFr这一多因素依赖的预测问题。 证据来自五个从既有文献收集的异质数据集，覆盖较宽的水力与泥沙条件范围，并使用包括一致性指数在内的多种性能指标进行评估；原文以摘要形式给出结论，未在可见文本中列出具体数值。
敏感性分析显示，体积泥沙浓度（Csed）是混合RC-MLPR模型预测PFr时最敏感的输入变量。 这为PFr预测中的变量重要性提供了模型层面的排序信息，而不仅是整体精度比较。 该结论来自作者所述的敏感性分析，基于同一批数据与RC-MLPR模型；可见文本未给出敏感性分析的具体指标或数值。
研究使用五个异质数据集进行模型的开发与验证，数据覆盖较宽的水力与泥沙条件范围，并声明数据公开可得。 多来源、异质的数据组合使模型评估不局限于单一实验条件，并提供了可复用的公开数据入口。 数据来源与公开声明见摘要与数据可用性声明（Zenodo链接）；可见文本未描述各数据集的具体规模、来源实验或划分方式。
启示与展望
该结果面向需要估算颗粒弗劳德数的自动冲洗排水系统场景，尤其是渠道沉积床保持清洁的设计与运行分析；适用前提是输入变量体系与训练数据所覆盖的水力与泥沙条件范围一致，且体积泥沙浓度等变量可获得。对使用者而言，这提供了一条以公开数据为基础、可复现的建模路径，并提示在监测与数据采集上优先关注Csed。
可见文本未给出各性能指标的具体数值、数据集规模与划分方式，也未说明敏感性分析所用方法，因此RC-MLPR相对其他模型与经验公式的优势幅度尚不明确；此外，模型在训练数据覆盖范围之外的水力与泥沙条件下的表现，以及在不同排水系统几何与运行条件下的可迁移性，仍是需要进一步观察的问题。