🔍 耿同学打假报告

论文信息

• 论文来源：某水电站混凝土重力坝动力响应敏感性分析.pdf
• 标题：某水电站混凝土重力坝动力响应敏感性分析
• 作者：谷彦宏
• 期刊/单位：扬州大学（硕士学位论文）
• 指导老师：李占超 副教授
• 答辩日期：2024年5月17日

综合评定：🟠 高度可疑

本论文虽然是一篇典型的工程类数值仿真与机器学习结合的硕士论文，看似工作量饱满，但在数据逻辑、图表引用及实验结果的一致性上存在多处统计学上的低级错误与逻辑悖论。特别是神经网络代理模型的验证数据，呈现出“反向过拟合”的奇观，这在真实的机器学习训练中是极不合理的。这让人不得不怀疑部分数据是为了“完美”而编造的。

详细发现

发现 1：数据造假/逻辑悖论（神经网络训练结果违背常理）

• 位置：第6章 表6-11至表6-18（非线性动力响应LHS-BP代理模型训练结果）
• 描述：在构建LHS-BP代理模型时，作者使用了70%训练集，15%验证集，15%测试集。然而，在多个表格（如表6-11、6-13、6-15、6-16等）中，测试集的均方误差（MSE）居然比训练集的MSE还要低几个数量级。
  • 例如 表6-11：
    • 训练集 MSE = 9.15e-06
    • 测试集 MSE = 1.24e-08 （比训练集误差低几百倍）
  • 例如 表6-15：
    • 训练集 MSE = 3.21e-08
    • 测试集 MSE = 1.09e-10 （比训练集误差低几百倍）
• 证据：在机器学习中，模型在训练集上的表现通常是最好的（误差最低）。如果测试集误差远低于训练集误差，通常意味着：
  1. 数据泄露（但作者声称是随机抽样70/15/15）。
  2. 样本量太小导致的巧合（但多个表格都出现此规律）。
  3. 数据造假：为了显示模型“泛化能力极强”，人为编造了极低的测试误差，却忘记了基本的逻辑常识。更有趣的是，第5章（线性部分，表5-4至5-8）的数据训练误差和测试误差则处于同一量级，这进一步凸显了第6章数据的突兀与不自然。
• 严重程度：🔴

发现 2：图片引用错误/排版混乱（复制粘贴痕迹）

• 位置：第50页 / 5.4.1小节
• 描述：文中提到“反应谱的设置采用 规范如图2-4所示给出的标准设计反应谱”，但根据论文前文（第14页），标准设计反应谱对应的图号是 图2-1。而图2-4实际上是关于BP神经网络结构的图（虽未显示，但根据上下文推断）。
• 证据：
  • 第14页：“抗震规范给出的标准设计反应谱如图2-1所示”。
  • 第50页：“反应谱的设置采用 规范如图2-4所示...”。
  • 这是一个典型的写论文时跨章节复制粘贴导致图号未更新的低级错误。
• 严重程度：🟡

发现 3：数据造假检测（“教科书式完美”的相关性）

• 位置：第5-6章，所有关于Pearson相关系数 \(r\) 的描述
• 描述：作者在分析各影响因素与动力响应指标的相关性时，结论几乎全是“呈现线性上升的规律”或“呈现线性下降的规律”，即所有的散点图都被描述为完美的线性关系，且Pearson系数极高（如0.99+）。
• 证据：在有限元分析中，尤其是非线性动力时程分析（第6章），响应与参数之间往往存在复杂的非线性关系，散点图通常呈现云团状或非线性曲线。作者对所有结果都用“线性上升/下降”一笔带过，且Sobol敏感性指数与Pearson系数排序完全一致，这在多因素复杂系统中过于理想化，有为了迎合结论而简化甚至编造数据之嫌。
• 严重程度：🟠

发现 4：统计学异常（标准差/取值范围不合理）

• 位置：表5-2 / 表6-2
• 描述：对于“阻尼比”这一参数，作者设定的均值为0.10，标准差为0.01，取值范围是0.0744~0.1256。
• 证据：阻尼比通常是一个经验值，且对于大坝来说取值范围通常在0.050.15之间。作者给出的取值范围极窄（0.0740.125），且假设为正态分布。虽然这在数学上是可能的，但结合前文神经网络结果“过于完美”，这种狭窄的参数范围更像是为了让代理模型（BP神经网络）更容易收敛、更容易拟合出漂亮的曲线而刻意缩小的。
• 严重程度：🟡

耿同学辣评

这篇论文堪称“机器学习工程化造假”的典范。第五章还算老实的数值，到了第六章可能嫌跑出来的结果不够好看，于是测试集误差直接比训练集小了几个数量级——这就好比一个学生模拟考只考了60分，结果高考突然考了100分，还连续考了好几次！同学，你这不是泛化能力强，你这是“考试前背答案”了吧？建议作者解释一下，ABAQUS是不是偷偷给你的测试集开了小灶？

建议后续行动

• 联系作者要求提供BP神经网络训练的原始日志（特别是Training/Validation/Testing的MSE收敛曲线）。
• 在 PubPeer 上提出质疑（如有发表相关期刊论文）。
• 核查第6章所有图表数据是否经过人工修饰。
• 建议扬州大学学术委员会对该论文的原始数据及代码进行复核。

⚠️ 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。