🔍 耿同学打假报告

论文信息

• 论文来源：混凝土坝结构参数在线动态识别及重构方法研究.pdf
• 标题：混凝土坝结构参数在线动态识别及重构方法研究
• 作者：梁佳铭
• 导师：吉庆丰 教授
• 机构：扬州大学 水利科学与工程学院
• 日期：2024 年 5 月 26 日（博士学位论文）
• 项目资助：国家自然科学基金（编号：51779215、52309173）

综合评定：🟡 存疑

详细发现

发现 1：数据“完美”得像教科书画出来的（数据造假检测）

• 位置：表 2-2、表 2-4、表 2-7
• 描述：在验证自适应采样算法的算例中，NRMSE（归一化均方根误差）随迭代次数的增加呈现出极其单调、平滑的下降趋势。在真实的数值模拟和代理模型构建中，尤其是涉及 RBF 插值和随机采样验证时，误差曲线通常会因为样本点的随机性、模型局部振荡或数值噪声而产生微小的波动。然而，本文表格中从初始样本到最终样本，每一轮迭代误差必定下降，且数值非常工整。
• 证据：
  1. 表 2-4 (MIMO问题)：测试函数 f2 的 NRMSE 在多轮迭代中显示为 0.000000。在工程计算中，除非是极其简单的线性函数且样本点完美覆盖，否则插值模型的验证误差极难达到绝对的零（通常应为 10^-4 或更低量级的科学计数法）。这不仅显得“太完美”，更有可能是计算精度设置不合理或为了展示算法“有效性”而进行了人为筛选。
  2. 表 2-2 (SIMO问题)：所有数值都呈现严格的递减，没有任何一个点出现误差回升（即便在增加样本后，代理模型可能会在局部过拟合导致验证误差短暂升高，这在 RBF 模型中很常见，但本文完全避开了这一现象）。
• 严重程度：🟠 高度可疑（算法验证过于“干净”，缺乏真实计算的“毛刺感”）

发现 2：文字描述与算法逻辑的内在矛盾（方法学异常）

• 位置：第 2.3.6 节（多输出的理想填充组的确定）与 表 2-2
• 描述：论文声称提出了一种“多输出自适应采样策略”。在 2.3.6 节中，作者描述通过计算“接近度”来确定最理想填充组（The most ideal infill group），暗示从多个输出的候选点中选出一个最优的组。然而，查看表 2-2，每一轮迭代样本数增加 3 个（如 10 -> 13 -> 16）。
• 证据：
  • 论文在 2.3.5 节提到有三种填充准则（MSE, EImin, EImax），即每轮会产生三个候选点。
  • 但在 2.3.6 节，作者提出用熵权法计算接近度 \(T_i\)，并称“选取 \(T\) 的最小值就可以确定最理想填充组”。
  • 逻辑漏洞：如果是确定“最理想”的一个组，为何样本量每轮增加 3 个？如果是把三种准则的点都加进去，那所谓的“理想填充组”选择机制实际上是失效的，算法实质上是在执行“无脑全选”策略，只是在事后用“接近度”给这个全选结果做了一个数学解释。这涉嫌用复杂的数学公式包装一个简单的暴力采样逻辑。
• 严重程度：🟠 高度可疑（涉嫌过度包装算法创新性）

发现 3：算法创新性与实际收益不成正比（统计学异常）

• 位置：表 2-3、表 2-5、表 2-8
• 描述：作者花了大量篇幅推导多输出自适应采样（结合熵权法、接近度等），声称该方法能大幅降低样本量。但对比表格数据发现，其相对于传统的 Sobol 随机采样优势微乎其微，甚至在某些情况下不如直接增加样本量划算。
• 证据：
  • 表 2-3 (SIMO)：样本量 34 时，自适应采样的 f1 误差为 0.0014，Sobol 采样为 0.0015。仅仅提高了 0.0001 的精度，却需要引入极其复杂的自适应框架。
  • 表 2-8 (高维MIMO)：在 164 个样本时，自适应方法的 f2 误差为 0.009752，Sobol 为 0.075729。虽然看似有提升，但考虑到自适应采样每轮都需要重构 RBF 模型并计算复杂的填充准则，其计算成本（时间）是否真的比直接多跑几十个 Sobol 样本（利用并行计算）更低？论文并未给出时间成本的对比，只强调了样本量的节省，这在工程应用中是避重就轻。
• 严重程度：🟡 轻微异常（学术价值存疑）

发现 4：无法进行图片复用检测（格式限制）

• 位置：全文图片（如 Fig 2-4, Fig 2-7 等）
• 描述：由于提供的内容仅包含文本，未包含图片的原始像素数据，无法对论文中的“图 2-4 计算过程图”、“图 2-8 基于初始 DoE 拟合的代理模型”等进行像素级比对。
• 证据：无法检测是否存在 Western blot 条带复用、图片拼接痕迹或 PS 痕迹。
• 严重程度：⚪ 无法判断

发现 5：论文内容截断

• 位置：第 3.3.2 节
• 描述：提供的论文全文在“（3）基于梯度的自适应采样方法”这一小节的公式（3-1）附近戛然而止。
• 证据：缺失了后续所有的正文、结论和参考文献列表。
• 严重程度：⚪ 信息不全

耿同学辣评

这位同学是把大坝参数识别当成了“调参炼丹”比赛吧？算法写得花里胡哨，熵权法、接近度轮番上阵，结果一看表格，误差下降得比我发际线还平滑，连个波动都没有——确定不是在 Excel 里手敲的数据？而且搞了这么大一套“智能筛选”机制，最后一看效果，比简单的多扔几个随机样本好不了多少。这就好比为了省两块钱公交费，花两千块买了个计算器算路线，属实是“高射炮打蚊子”的典范了。

建议后续行动

• 联系作者要求提供原始代码和用于生成表 2-2、表 2-4 的原始数据集（特别是验证集的预测值），以验证误差是否真的如此平滑。
• 要求作者解释 2.3.6 节逻辑矛盾：既然选出了“最理想”的一个组，为何每轮增加 3 个样本点？请公开算法的核心循环代码。
• 建议院系答辩委员会关注该论文算法的实际工程增益，判断其是否具有博士学位论文所要求的创新高度。

⚠️ 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。
注：本次分析受限于提供的文本内容（缺失后半部分及图片），无法进行完整的图片伪造和抄袭比对。