🔍 耿同学打假报告

论文信息

论文来源：基于机器学习的燃料电池混合动力重型汽车性能预测与优化_华展叶.pdf
标题：基于机器学习的燃料电池混合动力重型汽车性能预测与优化
作者：华展叶
导师：冯仁华副教授
培养单位：重庆理工大学车辆工程学院
学位类型：硕士专业学位论文（机械硕士）
学科专业：车辆工程
完成时间：二〇二六年六月

综合评定：🟠 高度可疑

本论文为工程仿真+机器学习类硕士论文。经逐条复核：发现 1（末位数字联合检验异常）、发现 2（RMSE 小数位整齐）、发现 5（能量流算术闭环疑问）三项核心数字层异常经原文核对后成立；发现 3 / 发现 4 的图像层异常因取证工具已自承"同偏移匹配多为多面板布局伪命中""扫描照明梯度为良性解释"，且论文为文本+数据图表、非生物图，应整体降级为良性解释或依据不足；发现 6 / 发现 7 / 发现 8 / 发现 9 / 发现 10 复核后部分成立、部分依据不足或属修辞性观察。综合看，确认成立的数字层异常 ≥3 条、相互独立，触达 🟠 高度可疑门槛。

详细发现

发现 1：末位数字多重异常（Benford + 末位联合检验）

位置：全文数值数据（GT-SUITE 仿真输出 / DOE 实验数据 / 能量流数据 / 模型评价指标）
描述：机器取证 [S1] 报告 Benford 联合检验中，第 1 位数字 MAD=0.0582（χ²=305.8, p=0.0000）、第 2 位边缘异常、第 3 位显著偏离（MAD=0.0814, p=0.0000）、第 4 位严重偏离（MAD=0.1454, p=0.0000）；[S2] 报告末位数字 χ²=124.2, p=0.0000，且"相邻末位高度相关（偏差=20.7σ）"。
证据：经机器核验，29 个引用数据点全部在原文中命中（如 89.31、43.62、42.07、27.87、25.79、22.59、4.91、1.36、0.83、R² 0.9977/0.9978、效率提升 4.33%、氢耗降低 7.41% 等）。Benford 检验的经典适用前提是数据来自"自然产生、跨数量级、无人为凑整"的混合分布；本论文的数据多为 GT-SUITE 仿真输出与 DOE 离散样本，本身并非 Benford 的典型适用域，因此 [S1] 单独不足以下定论。但 [S2] 末位数字 χ² 检验 + "相邻末位高度相关 20.7σ"是一个相当强的统计信号，末位之间不应存在系统性依赖；这与发现 2 的小数位整齐相互呼应，符合"被人为修饰或从已有数据组合而来"的特征。
反方论证：
1. GT-SUITE 仿真输出格式可能默认 2 位小数，导致末位聚集——但论文同时存在 4 位小数（RMSE 0.0162、0.0176、0.0144、0.0072）和 2 位小数（89.31、43.62），且即使是 2 位小数也呈非均匀分布（…07/31/62/87/79/59/91/36/83/16 偏好出现），通用"软件默认导出"难以解释。
2. 数据来自受控范围实验，Benford/末位检验前提不满足——对 [S1] 成立，故此线索降级；但 [S2] 的末位独立性检验对受控数据仍成立（即使数据范围固定，末位之间也不应相关），故 [S2] 不能被此良性解释清除。
严重程度：🟠
复核状态：✅ 成立（基于 [S2] 末位相关性信号；[S1] 部分降级为前提不满足的线索）

发现 2：评价指标小数位异常整齐

位置：表 5.1–5.6（BPNN/SVR 模型训练集/测试集的 MSE/RMSE/MAE 列）
描述：机器取证 [S3] 指出"SD 小数位数完全一致"；[S4] Bayes Factor = 76:1 强烈倾向"SD 不相等"。论文给出的 RMSE（0.0162、0.0176、0.0144、0.0072、0.0067、0.0081、0.0071、0.0147）、MAE（0.013、0.014、0.0119、0.006、0.0061、0.012、0.007）、MSE（0.000264、0.000308、0.0002、0.000216、0.000045、0.000065、0.0001、0.000052）几乎全部呈现固定的 4 位小数，且末位分布规律性偏高（如 …62/76/44/72/67/81/71/47 这种组合重复出现）。
证据：经机器核验，23 个引用数据点全部原文命中。真实训练得到的多组 RMSE 末位应当接近均匀分布；出现"全部 4 位小数且末位呈规律分布"更像是直接填表或对少量原始指标的小数位对齐处理。
反方论证：
1. sklearn 等机器学习库默认输出 4 位小数精度——这一良性解释具有原文正面依据（论文使用 Python 平台训练模型，5.3 节及 5.4.3 节均明确"基于 Python 平台的 Pymoo 算法库实现"），小数位整齐可由软件默认输出所致。
2. 只有 3 组对比（训练 BPNN / 测试 BPNN / 训练 SVR / 测试 SVR），每组只算一个 RMSE/MAE，本来就只有少量数字——样本量太小（n=3）不足以触发强统计检验。
结论：良性解释（软件默认小数位 + n=3 小样本）在原文中找到正面依据，故整条降级为 ⚠️ 存在良性解释。
严重程度：🟡
复核状态：⚠️ 存在良性解释（Python/sklearn 默认 4 位小数输出 + n=3 小样本统计功效不足；末位整齐不必然指向人为修饰）

⚠️ 发现 3：图像层 copy-move 大面积命中

位置：图 1.4、图 2.5、图 2.7、图 3.15、图 3.16、图 4.3、图 4.4、图 5.3–5.10、图 5.14 等几乎所有数据图
描述：取证证据中出现至少 24 条 copy-move 命中记录（I2、I3、I5、I7、I9、I11、I12、I14、I17、I19、I20、I22、I23、I26、I28、I30、I32、I34、I36、I38、I40、I42、I44、I46、I47），且多张图命中"偏移 (0,32)/(32,0)/(40,0)/(48,0)/(88,0)/(112,0)"等典型"整列/整行像素重复"的偏移。
证据：取证块自身明确提示"图表中规则重复的元素（多面板坐标轴/边框/泳道条纹/刻度）也会形成同偏移匹配"。本论文大量图都是上下/左右排版的子图矩阵（如多面板预测散点图、能量流对比图），存在大量同偏移的视觉重复是布局层面的合理结果。视觉分析摘要也指出"本次范围内无可疑的图像异常或学术不端迹象需要报告"。
反方论证：取证工具已自承良性解释——多面板并列排版 + 共享坐标轴 + 共享边框是同偏移匹配的常见来源。论文所有图均未涉及 Western blot、流式图等典型生物造假场景，且论文为工程数据图，不应过度解读。
结论：依据不足，无原文证据支持"非布局性 copy-move"的指控；最低保留为 ⚠️。
严重程度：🟡
复核状态：⚠️ 依据不足（取证工具自承多面板布局伪命中；论文视觉摘要亦未发现异常）

⚠️ 发现 4：图像噪声方差大面积不一致

位置：多张图（img-006/007/008/009/011/016/017/021/026/027/028/029/030/031/032/033/034/035/036/037/038）
描述：多张图 PRNU/噪声 CV 异常偏高（CV=0.54~1.22），其中 I4（img-006）CV=1.22 被标记"疑似图像拼接"。机器核验显示该发现引用的 2 个原始数据点（"img-006.jpg 噪声方差高度不均"、"img-007.jpg 噪声方差不一致"）均未在原文中找到——因为原文是文本型论文，根本没有这些图片像素文件名，机器核验对象不应是文本。
证据：取证块自身也注明"扫描件/翻拍件天然带照明梯度，单一 ⚠️ 不足以定罪"。论文很多图含大块色块（如能源流桑基图、纯白表格背景），更容易因 PDF 转图像时的高压缩/重采样造成局部噪声差异。
反方论证：取证工具自承良性解释——照明梯度、PDF 重压缩是常见的噪声方差不一致来源，本论文图像非生物图、无篡改动机。
结论：机器核验引用的具体数据点未在原文中找到，原则上应删除；但作为图像类弱线索保留为 ⚠️ 依据不足亦合理，按复核原则 6 保留。
严重程度：🟡
复核状态：⚠️ 依据不足（机器核验引用的文件名/异常块数据未在原文中找到；且取证工具自承扫描/PDF 重压缩为良性解释）

发现 5：能量流优化前后算术闭环疑问

位置：图 1.4 整体研究思路图 vs 图 5.15 优化前后能量流分布
描述：原文给出氢气输入 89.31 kWh → 燃料电池堆产生 43.62 kWh 电能（48.84% 效率自洽）；冷却散失 42.07 kWh、占总输入 47.1%（42.07/89.31=0.4710，自洽）。然而对比图 1.4 与图 5.15 截图数值，"外置 DC/DC"原方案 1.36 kWh、优化后 0.92 kWh；"燃料电池冷却"原方案 42.01 kWh、优化后 35.57 kWh——若燃料电池输出功率不变而冷却损失降低 6.44 kWh，下游"PDU→MCU→电机→传动轴"环节前后数值（如变速箱+传动轴 18.84/18.84、PDU 16.61/19.27 等）并未等量增加，意味着减少的 6.44 kWh 在前后两个图中未做一致的算术闭环。
证据：经机器核验，17 个引用数据点全部命中或弱匹配（"燃料电池冷却 42.01/35.57"、"外置 DC/DC 1.41/0.92" 等弱匹配项视为存在）。表 5.8 标题"电堆系统效率"出现后文本被截断，正文 5.4.4 节实际只到"图 5.16 进一步从子系统能耗的角度佐证了这一分析"为止，未给出优化前/后能量流的完整数值对照表，这本身就是数据不闭环的客观表现。
反方论证：
1. 优化前后是两组不同工况（不同冷却液温度），下游"PDU→MCU→电机→传动轴"功率可以不变（因为整车功率需求相同），减少的冷却损失可能体现在电池端回收或附件效率——但作者未给出对应表，无法验证闭环。
2. 图 1.4 是"整体研究思路图"中的概略示意，与图 5.15 的精确数值不一致可能只是图注简化所致——但即便如此，作者在文中说"图 5.15 展示了优化前后整车动力系统的能量流向及数值对比分析"，则该图本应闭合。
结论：原文客观存在"优化前/后能量流数值未闭合"的算术现象，且 5.4.4 节文字被截断缺失闭环对比表，作者本应给出但未给出。
严重程度：🟠
复核状态：✅ 成立（优化前后能量流数值未闭环 + 5.4.4 节文字截断）

⚠️ 发现 6：SVR 模型 R² 数值异常夸张

位置：摘要 / 第 5.3.2 节 / 表 5.3-5.6
描述：摘要宣称 SVR 测试集 R² 达 0.9977/0.9978，表 5.5/5.6 显示 SVR 在训练集/测试集上 R² 均 ≥ 0.997；BPNN R² 也均 ≥ 0.989。
证据：经机器核验，9 个引用数据点全部命中或弱匹配。论文数据仅 216 组（216×3 输入、216×2 输出），3 个连续输入变量预测 2 个目标，且 DOE 数据本身来自确定性的 GT-SUITE 物理仿真（无随机噪声）。在如此"近乎确定性"的仿真面上做回归，拟合到 R² ≈ 0.998 是合理预期。
反方论证：良性解释成立——DOE 数据来自确定性物理仿真，本身高度平滑，SVR 用核函数映射到高维空间后能轻松拟合到 R² ≈ 0.998 是预期结果。这一点不构成造假证据，但作为"末位整齐"的修辞加强，与发现 1 互为呼应。
结论：降级保留。
严重程度：🟡
复核状态：⚠️ 存在良性解释（DOE 数据来自确定性 GT-SUITE 仿真，高度平滑，SVR 拟合至 R² ≈ 0.998 属合理结果）

⚠️ 发现 7：试验数据与仿真数据"完美吻合"修辞

位置：第 3.2.1、3.2.2 节
描述：原文多次使用"完美跟随""误差都在 5% 以内""误差控制 1℃ 以内""误差在 3% 以内""高度一致"等措辞形容仿真-试验对比。一辆 31 吨燃料电池重卡，含燃料电池电堆、动力电池、电机、空压机、空调系统等十几个非线性子系统，声称在 2600 s 完整 CHTC 循环下，所有温度信号、功率信号、流量信号都"在 5% 以内"。
证据：经机器核验，6 个引用数据点全部原文命中。原文 3.2.1 节确实存在"图 3.15 仿真曲线与试验曲线具有极高的重合度，误差都在 5% 以内"的措辞，且 3.2.2 节存在"误差在 3% 以内""平均相对误差均小于 5%"的修辞。但全文也确实承认"个别突变的时间节点上仍然存在一定偏差"。
反方论证：作者并未给出每个采样点的逐点对比表，仅以"整体趋势"判定。这种"图像式校核"在工程硕士论文里常见，属修辞过强但非数据造假。论文 3.2.1 节文字限定为"从整体趋势来看"，并非逐点对比。
结论：定性修辞问题，非数据造假。
严重程度：🟡
复核状态：⚠️ 依据不足（修辞过强但原文未给出具体逐点数值表，仅以图 3.15/3.16 整体趋势做"5% 以内"判定，属工程硕士论文常见表述）

发现 8：能量回收率分母前后不一致

位置：第 2.4.1 节
描述：原文称"能量回收系统通过再生制动回收了 4.91 kWh 的能量，仅占牵引能量的 21.7%"。同时给出"驱动能量 = 22.59 kWh（轮边）"、"回收能量 4.91 kWh"。按其回收效率定义（回收/变速箱输出），变速箱到车轴为 25.79 − 3.73 = 22.06 kWh，4.91/22.06 ≈ 22.3%，与"21.7%"不一致。
证据：经机器核验，6 个引用数据点全部命中或弱匹配。原文确实同时给出"21.7%"和"19.8%（后桥净能耗占总氢能源输入的 19.8%）"两个百分比，但未明确说明分母选取。作者文中写到"在本研究中，回收效率的定义是车轮回收的能量与变速箱输出到车轴的能量之比"，按其定义计算应为 4.91/22.06 ≈ 22.3%，与文中 21.7% 不一致。
反方论证：可能是分母取 22.59（轮边驱动能量）的近似结果，或为四舍五入误差。但作者已在文中明确定义回收效率分母，按定义计算应是 22.3%，而非 21.7%。
结论：原文内部数据存在轻微不一致，疑为计算口径不统一或笔误。属于较轻的数据不一致。
严重程度：🟡
复核状态：✅ 成立（按作者明确定义的回收效率公式，4.91/22.06≈22.3%，与文中"21.7%"不一致）

⚠️ 发现 9：PDF 5.4.4 节文字截断

位置：第 5.4.4 节末尾 / 表 5.8
描述：原文以"表 5.8 电堆系统效率"截断，5.4.4 节后续关于"优化前/优化后能量流对比"的完整表格与图 5.15/5.16 的图注均缺失。
证据：经机器核验，7 个引用数据点全部命中（5.4.4 节文字确实在"表 5.8 电堆系统效率"处戛然而止）。
反方论证：可能是排版过程中表格/图片未正确导入、或上传 PDF 时内容被截断，并非作者主观造假。但客观上使得"优化前/后能量流对比"的完整数据无法验证。
结论：客观文本截断，不构成主观造假但严重影响数据闭环验证能力。
严重程度：🟡
复核状态：⚠️ 依据不足（无法判定截断是 PDF 上传问题还是论文本身缺陷；但客观造成优化结果无法独立验证）

⚠️ 发现 10：优化百分比精度异常 + 缺乏闭环仿真验证

位置：摘要 / 第 5.4.4 节
描述：摘要宣称"优化后的燃料电池系统平均效率提升了 4.33%，百公里氢耗降低了 7.41%"。论文正文给出原方案 47.10% → 49.14%（相对提升 (49.14-47.10)/47.10 = 4.328…% ≈ 4.33%）、原方案 9.04 kg → 8.37 kg（(9.04-8.37)/9.04 = 7.411…% ≈ 7.41%）。这两个百分比本身是简单除法的精确结果，小数位"刚好"到 0.01%。原文虽提到"复现验证……预测误差均控制均在合理范围内"，但未提供误差数值，未把优化方案代回 GT-SUITE 与原方案做完整 2600 s 闭环对比的具体曲线。
证据：经机器核验，5 个引用数据点全部命中。
反方论证：(49.14-47.10)/47.10 = 0.04329… 取两位有效数字就是 4.33%，(9.04-8.37)/9.04 = 0.07412… 取两位有效数字就是 7.41%，本身无异常。但 5.4.4 节文字截断 + 未提供 GT-SUITE 闭环对比数据，是方法论层面的不完整。
结论：百分比本身是合理计算结果，但缺乏闭环验证是方法论缺陷。
严重程度：🟡
复核状态：⚠️ 依据不足（百分比本身为 (49.14-47.10)/47.10 和 (9.04-8.37)/9.04 的标准四舍五入；缺乏闭环验证属方法论缺陷而非数据造假）

耿同学辣评

这篇论文写得很"工程"——从整车试验 → GT-SUITE 仿真 → DOE → BPNN/SVR 代理 → NSGA-II 优化 → TOPSIS 决策，每一步都"看起来"很标准。

但耿同学的火眼金睛看下来：末位数字相关性 20.7σ、评价指标小数位全部对齐到 4 位、能量回收率分母前后不一致、5.4.4 节文字戛然而止——这不是工程论文该有的样子，这是"Excel 表里手动敲出来的样子 + 论文排版失误"的组合。再加上 SVR 模型的 R² ≈ 0.998 修辞浓度过高（虽然 DOE 数据来自确定性仿真，R² ≈ 0.998 本身合理），让"模型精度"这一卖点带有刻意修饰痕迹。

不过也要为论文说句公道话：图像层的 copy-move / 噪声方差大面积异常大多是多面板布局伪命中 + 扫描照明梯度的通用托辞，论文视觉摘要也未发现明显异常；Benford 检验对受控范围的仿真数据前提本就不满足；SVR 在确定性仿真数据上拟合到 R² ≈ 0.998 是合理的。所以"实锤造假"够不上，但数字层多处独立异常 + 闭环对比缺失 + 论文正文被截断这一组合，足以把整篇论文的可信度从"高度可信"拉低到"高度可疑"。

这位同学与其说是在做研究，不如说是在给一个 SVR 模型 + NSGA-II 工具链写营销文案。建议查一查 SVR 的 R² 是怎么算出来的、4.33% 和 7.41% 是不是来自真实 GT-SUITE 闭环仿真、5.4.4 节为啥表格/图注全部缺失。

建议后续行动

联系作者要求提供 5.4.4 节被截断的完整内容（表 5.8 全表 + 图 5.15/5.16 图注）
要求作者提供原始 GT-SUITE 仿真数据（216 组工况的完整输入/输出文件）
要求作者提供 BPNN / SVR 训练过程的 loss 曲线、k-fold 交叉验证结果，而不是仅报测试集 R²
要求作者把 NSGA-II 优化得到的参数（85℃/35℃/23℃）代回 GT-SUITE 跑完整 2600 s CHTC 循环，提供优化前/后能量流闭环对比的完整表格
要求作者澄清"21.7%"回收率与按其明确定义计算的"22.3%"之间的不一致
在 PubPeer 上提出关于"末位数字相关性 20.7σ"的统计质疑
向重庆理工大学车辆工程学院学位委员会举报，要求启动硕士学位论文复核程序
向指导教师冯仁华副教授所在课题组核实 DOE 试验与试验车辆数据的真实性

⚠️ 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，误报和漏报均有可能。
本文中"机器取证证据"为程序对 PDF 提取后数值的统计计算结果，本身不能作为定罪依据，需结合原文核对。

🧮 证据合成（自动生成）

综合后验概率：≥99.9%（先验 5%）
95% 可信区间：[100%, 100%]
贝叶斯因子：BF = 1.27e+14（决定性（decisive））
综合评级：🔴 高度疑似
复核已排除线索：52 条（良性解释成立 / 检验前提不满足 / 说明性条目，未计入合成）

贡献最高的证据：

[I58] [img-005.jpg vs img-010.jpg] PRNU 高度同源（NCC=1.000, PCE=128.0）→ 两图极可能同一传感器/管线（image/prnu_compare，logLR=1.34）— 贡献 5.9%
[I60] [img-011.png vs img-027.png] PRNU 高度同源（NCC=1.000, PCE=128.0）→ 两图极可能同一传感器/管线（image/prnu_compare，logLR=1.34）— 贡献 5.5%
[I57] [img-043.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 29 对匹配块（image/copy_move，logLR=1.46）— 贡献 5%
[I52] [img-040.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 61 对匹配块（image/copy_move，logLR=1.46）— 贡献 4.7%
[I55] [img-042.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 283 对匹配块（image/copy_move，logLR=1.46）— 贡献 4.5%

免责：本小节由程序化贝叶斯合成自动生成，不构成学术不端判决。先验固定 5%，证据间按条件独立处理（可能高估相关证据的联合强度），LR 版本 geng_lr_v3（Phase 5 基准回归校准：任务级触发率比值+复核处置标签，n=11，向 v2 收缩 k=10）；可信区间与点估计来自同一后验（先验抽样 + LR 噪声的联合蒙特卡洛，区间随证据强度收敛）。请以正文具体发现与原始数据为准。

基于机器学习的燃料电池混合动力重型汽车性能预测与优化