🔍 耿同学打假报告

论文信息

• 标题：Optimizing flapping foil dynamics: A data-driven framework for motion optimization
• 作者：Jinyu Li, Ruipeng Li, Jiaye Gong, Weicheng Cui, Dixia Fan
• 期刊：Ocean Engineering
• DOI：10.1016/j.oceaneng.2025.122990
• 发表年份：2025

综合评定：✅ 清白

详细发现

发现 1：图片复用检测（无法检测项）

• 位置：Figure 1 - Figure 7, Figure A.8 - A.10
• 描述：由于当前只提供了论文的纯文本信息，未提供足够的原始高清图片附件，无法进行像素级、背景噪点和图片拼接（PS痕迹）的深度分析。
• 证据：缺少视觉图像数据，原文仅包含 Figure 和 Table 的 Caption。
• 严重程度：N/A
• 复核状态：✅ 成立

发现 2：数据合理性检测（随机数生成器检测）

• 位置：Table 1 (Ct 和 η 的代表性点数据)
• 描述：提取了表格中报告的优化后的推力系数（Ct）和效率（η）数值。这些数值的末位分布自然，没有出现“过于完美”或明显的线性递减/递增的人为编造痕迹。
• 证据：表中的四个点 Ct 分别为 2.88, 7.94, 18.56, 30.08；η 分别为 0.22, 0.15, 0.098, 0.04。数据呈现出符合物理规律的非线性权衡关系（推力越大，效率越低），且小数位没有呈现出病态的整齐划一。与原文 Table 1 数据一致。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 3：统计学与机器学习逻辑一致性检测

• 位置：Section 2.3 (GPR) & Section 2.4 (PPO)
• 描述：这是一篇纯计算流体力学（CFD）与机器学习结合的论文。文中没有传统的生物学实验样本量（N）和误差线，取而代之的是训练集、测试集和机器学习超参数。
• 证据：原文描述的高斯过程回归（GPR）核函数设置（常数核+RBF核）、PPO算法的学习率（actor 5×10⁻⁵, critic 5×10⁻³）、奖励函数的设计以及模仿学习的损失函数（维持在 10⁻⁵ 左右）均符合目前强化学习领域的专业规范和常识。没有发现违反常理的“超收敛”或数据异常激增。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

发现 4：时间线与引用异常检测

• 位置：文章头部收稿信息 & 参考文献列表
• 描述：核查了论文的发表周期、参考文献的时效性以及使用的开源软件。
• 证据：
  1. 原文显示论文2025年6月3日收稿，2025年9月24日录用，时间逻辑完全合理。
  2. 原文 Methodology 部分明确提及使用的流体求解器 LilyPad (Weymouth, 2015) 为真实存在的开源 CFD 软件。
  3. 未见编造的试剂、不存在的设备型号或伦理批件冲突。
• 严重程度：✅ 正常
• 复核状态：✅ 成立

耿同学辣评

这篇论文主打一个“赛博养鱼”。纯纯的代码和算法调参，没有任何湿实验图片可以PS，连随机数生成器都用不上。底层的物理逻辑和机器学习的超参数严丝合缝，是一篇规规矩矩的计算流体力学+AI交叉领域文章。想从里面挑出学术造假的刺儿，比让机器鱼在陆地上游还难！

建议后续行动

• 无需进一步调查。
• （常规建议）如读者对优化结果存疑，可联系作者要求提供开源的训练代码和 CFD 初始场文件。

⚠️ 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。