🔍 耿同学打假报告

论文信息

论文来源：基于深度学习代理模型的大坝结构多参数动态识别_刘景扬.pdf
标题：基于深度学习代理模型的大坝结构多参数动态识别
作者：刘景扬
期刊/学位：扬州大学硕士学位论文 (全日制专业学位)
指导教师：李占超副教授 / 杨阳高级工程师
答辩日期：2025 年 5 月 15 日
DOI/编号：学号 MZ120221114

综合评定：🟠 高度可疑

详细发现

发现 1：统计学异常/数据造假检测（Sobol指数数学悖论）

位置：表 4-2（第61页）、表 5-1（第75页）
描述：论文中进行的 Sobol 全局敏感性分析结果存在严重的数学逻辑错误。Sobol指数基于方差分解，所有一阶敏感性指数（主效应）之和必须小于或等于1，总效应指数由于包含交互作用可以大于1，但通常不应出现一阶指数之和严重超出的情况。
证据：
1. 第4章算例（表4-2）：
  一阶敏感性指数（ $$S_1$$ ）之和 = 0.57 (Ec) + 0.37 (ER) + 0.11 (φ) + 0.079 (αc) + 0.0093 (C) + 0.0071 (α) = 1.1454。
  数学常识：对于单一输出的方差分解，所有参数独立贡献的方差总和不可能超过100%（即1.0）。总和为1.145意味着“无中生有”地多出了14.5%的方差贡献。
2. 第5章算例（表5-1）：
  总效应指数（ $$S_T$$ ）之和 = 0.518 + 0.483 + 0.158 + 0.157 + 0.137 = 1.453。
  虽然总效应指数可以求和，但1.453的值显著偏高，且一阶指数总和（0.829）与总效应指数总和的差异表明交互作用极强，这与作者随后得出的结论“各参数之间基本没有交互作用”完全自相矛盾。
严重程度：🔴 (核心数据存在数学错误，可能导致结论完全错误)

发现 2：方法学异常检测（模型复杂度与效率矛盾）

位置：表 3-1（第42页）
描述：作者声称改进的残差神经网络（SE-ResNet）比传统的残差神经网络（ResNet）训练时间更短。
证据：表3-1显示，ResNet训练时间为43秒，而加入了通道注意力机制（SE Block）的SE-ResNet训练时间仅为30秒。作者据此得出结论“训练时间也降低了约30%”。
- 逻辑漏洞：SE-ResNet在ResNet基础上增加了全连接层、激活函数（ReLU/Sigmoid）以及特征重标定操作，参数量和计算量均有所增加。虽然模型收敛所需的Epoch数可能减少，但在同等硬件和训练策略下，单次Epoch的计算开销必然增加。论文未说明是否固定了Epoch数、Early Stopping策略或硬件条件，直接得出“改进模型更快”的普适性结论缺乏严谨性，有强行拼凑创新点之嫌。
严重程度：🟠 (结论过于绝对，缺乏对比控制变量)

发现 3：工程物理解释异常（力学概念混淆）

位置：第5.4节（第79页）
描述：对大坝弹性模量随时间减小的物理解释存在争议。
证据：论文结论称“在持续荷载的作用下混凝土结构将经历徐变过程……引起弹性模量的衰减”。
- 专业问题：在混凝土工程中，徐变是指在持续应力作用下应变随时间不断增加的现象，通常用徐变系数描述。虽然长期徐变会导致混凝土的有效弹性模量（Effective Modulus，用于长期变形计算）降低，但混凝土材料的瞬时弹性模量本身通常随龄期（水化作用）而增长，后期因老化衰减的速度很慢。作者将“徐变导致变形增加”直接等同于“弹性模量衰减”，虽然在宏观唯象模型中有时混用，但在学术表述上不够严谨。
严重程度：🟡 (专业表述不严谨，但可视为学术观点差异)

发现 4：数据排版/笔误

位置：表 4-2（第61页）
描述：数据格式存在明显输入错误，疑似修改数据时遗留痕迹。
证据：表中参数 $\alpha_c$ 的总效应指数写为 “0082”，疑似应为 “0.082”。此外，表5-1中出现了符号不一致（正文中热传导系数为 $\beta_c$ ，表格中为 $\beta_c$ ，但前文定义为其他符号）。
严重程度：🟡 (粗心大意)

耿同学辣评

这篇论文就像是做了一个“算法大乱炖”：BP洗数据 + 残差网络做代理 + 麻雀搜索优化粒子滤波，听起来像是把近年来AI领域的热门关键词都塞进了一篇水利论文里。但是，表4-2里的Sobol敏感性指数加起来居然超过了1，这就好比你说切了一块蛋糕，切下来的部分加起来比原来的整个蛋糕还大，这就有点不讲武德了。再复杂的算法，如果不尊重基础的数学逻辑和方差分解原理，跑出来的结果也只是一堆漂亮的废代码。

建议后续行动

联系作者及导师，要求提供Sobol敏感性分析的原始代码和计算日志，核实是否为代码bug或数据造假
对论文中的SE-ResNet模型进行复现，验证其训练时间与精度的对比是否如论文所述
建议答辩委员会针对敏感性分析部分的数学错误进行质询

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。
特别说明：由于仅提供文本，本次检测未包含图片像素级伪造检测（如Western Blot拼接、图片旋转复用等）。

基于深度学习代理模型的大坝结构多参数动态识别