🔍 耿同学打假报告

论文信息

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（Performance Prediction and Optimization of Fuel Cell Hybrid Heavy-duty Vehicles Based on Machine Learning）
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
学科专业：车辆工程（机械硕士）
DOI/期刊：无（硕士学位论文）
发表年份：2026 年 6 月

综合评定：🟠 高度可疑

经逐条复核，本论文存在多处相互独立的异常：(1) 程序化统计检验（Benford 联合、末位分布）显示论文数值末位分布严重偏离均匀分布且相邻末位高度相关，原文未对此给出任何良性解释；(2) 多张嵌入式图像存在 copy-move 复制粘贴信号与噪声方差不一致信号，原文未提供统一导出管线/扫描照明的正面支持，良性解释仅为通用托辞；(3) 正文内部存在多处数据自洽性矛盾与表述不一致。综合机器取证强证据线索与多条相互独立的文本异常，评定为高度可疑。

详细发现

发现 1：数值末位分布严重不均匀（Benford/末位数字多重异常）

位置：全文表格（表 5.1-5.6、表 5.8）以及正文散布的能量流数据
描述：论文中的机器学习评估指标数值与能量流数值末位高度集中在 1、3、7、9 等数字上。程序化统计检验显示末位分布严重不均匀（χ²=124.2, p=0.0000），相邻末位高度相关（偏差=20.7σ）；Benford 联合检验在第 1、3、4 位数字均显著偏离（MAD=0.0582/0.0814/0.1454，χ²=305.8/897.2/2850.7）。
证据：原文 MSE=0.000264、0.000308、0.000045、0.000065、0.0002、0.000216、0.0001、0.000052；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、0.006、0.007、0.0061、0.012；R²=0.9920、0.9890、0.9927、0.9907、0.9986、0.9977、0.9982、0.9978；能量流 89.31、43.62、42.07、1.07、1.59、1.16、25.79、22.59、4.26、4.19、4.38、4.91、0.83、0.14、0.23、0.21、0.03、0.41、0.34 等均可逐字在原文中定位（程序化核验：49/49 数据点原文命中）。
反方论证：常见良性解释为"软件默认输出格式→数值整齐""实验数据经归一化/拟合处理"。但本文数据为 GT-SUITE 仿真+DOE 全因子批量仿真输出，理论上应保留原始仿真浮点末位的随机性；Benford 检验第 1、3、4 位均严重偏离（χ²>300），远超"软件输出格式"所能解释的范围；末位 χ²=124.2 且相邻末位相关 20.7σ 亦非"格式整齐"所能解释。原文未声明任何归一化或拟合处理，所提良性解释在原文中无正面依据。
严重程度：🔴
复核状态：✅ 成立

发现 2：图像存在 copy-move 复制粘贴信号（机器取证 I2-I49 系列）

位置：论文嵌入式图像 img-004 至 img-038，覆盖图 2.5、3.15、3.16、5.3-5.14 等核心数据图
描述：程序化 Fridrich 块匹配检测到大量同偏移复制粘贴信号：I2 偏移(0,32) 14 对、I3 (32,0) 12 对、I5 (32,0) 30 对、I7 (0,32) 96 对、I9 (88,0) 47 对、I11 (0,40) 29 对、I12 (32,0) 12 对、I17 (0,32) 31 对、I19 (32,0) 35 对、I20 (0,32) 29 对、I22 (40,0) 85 对、I26 (32,0) 77 对、I30 (0,32) 67 对、I32 (32,0) 47 对、I34 (32,0) 34 对、I36 (48,0) 71 对、I38 (48,0) 64 对、I40 (32,0) 48 对、I42 (32,0) 30 对、I44 (112,0) 13 对、I46 (32,0) 23 对、I47 (32,0) 137 对等均为 🚨 级。偏移距离呈现 32/40/48/88/112 等偶数像素的系统性规律，且涉及 20+ 张独立图像，呈现批次性同模式。
证据：原文未提供图注或方法学描述说明"统一导出管线""统一扫描参数"或"图像二次压缩设置"作为这些复制粘贴信号的正面支持。原文图注仅标注图表标题与坐标含义（如"图 2.5 试验车辆在 CHTC 工况下的能量流分布"），未提及任何图像处理流程。程序化核验：13 项弱匹配命中，10 项图号文件名级核验未直接命中（"img-028.png 偏移 (0,32) 67 对"等具体文件名级条目），但弱匹配项与未命中项均针对图像文件命名而非文本叙述，原文中相关图表确实存在（如图 2.5、图 3.15、3.16、5.3-5.14 等图均在原文中被引用与编号）。
反方论证：常见良性解释为"图表中规则重复元素（坐标轴/边框/网格线）形成同偏移匹配""统一导出管线/期刊二次压缩"。但是：(a) 单一图像存在规则重复元素属合理，但 20+ 张图像同时呈现同偏移复制粘贴信号、且偏移值高度集中在 32/40/48 偶数像素，呈现明显的批次性规律，单一"边框网格"解释难以覆盖；(b) 原文未声明任何统一导出管线/扫描参数/二次压缩流程，良性解释在原文中无正面依据；(c) 按复核原则 8e 条，"10+ 张图出现同偏移 copy-move 匹配"本身即构成信号强度，不得因单条看似可解释而将整批判为无问题。
严重程度：🟠
复核状态：⚠️ 存在疑点（机器取证强信号；良性解释仅为通用托辞，原文无正面支持，保留为线索性疑点而非实锤）

发现 3：图像噪声方差不一致，疑似拼接（机器取证 I4）

位置：img-006.jpg（图 2.5 能量流分布图所在图像之一）
描述：程序化检测显示图像噪声方差高度不均（CV=1.22，异常块 0/1227），被标记为疑似图像拼接。
证据：原文中确实存在图 2.5（试验车辆在 CHTC 工况下的能量流分布），且 img-006 为该论文图序列之一。程序化核验该具体文件名级条目未直接命中，但相关图 2.5 在原文确凿存在。
反方论证：常见良性解释为"扫描件/翻拍件天然带照明梯度"。原文为数字化 GT-SUITE 仿真输出与矢量数据图，非扫描件/翻拍件；且图 2.5 为能量流桑基图（非扫描图像），照明梯度不适用。所提良性解释与图像类型不符，原文无正面支持。
严重程度：🟠
复核状态：⚠️ 存在疑点（机器取证强信号；所提良性解释与图像类型不符，原文无正面支持）

发现 4：能量流分布数值自洽性存疑

位置：第 2.4.1 节能量流试验结果、图 2.5、图 2.6
描述：原文称"燃料电池堆以 48.84% 的效率产生了 43.62 kWh 的电能"，数学验算 89.31×48.84% = 43.62 自洽；"冷却系统散失了相当于 42.07 kWh 的热能，占总输入能量的 47.1%"，42.07/89.31 = 47.10% 亦自洽。然而原文又称"燃料电池冷却系统损失达 47.1%"，将"冷却系统总损失 42.07 kWh"在描述中与"燃料电池冷却系统损失"概念混用（图 2.5 中 42.07 标注在"燃料电池冷却"支路上但实际为整个电堆热损耗概念的一部分），表述存在歧义。更关键的是原文称"后桥净能耗（即驱动能量与回收能量之差）占总氢能源输入的 19.8%"，按文意应为 25.79-4.91=20.88 kWh，占 89.31×100%=23.4%，与所声称的 19.8% 不一致。
证据：原文"后桥净能耗（即驱动能量与回收能量之差）占总氢能源输入的 19.8%"与按 25.79-4.91=20.88 kWh/89.31=23.4% 不一致；程序化核验 6 个数据点：2 个原文直接命中（"占总输入能量的 47.1%"、"占牵引能量的 21.7%"），4 个弱匹配命中（89.31、25.79、4.91 等具体数值）。
反方论证：良性解释可能为"作者对'后桥净能耗'定义口径不同（如未计入传动损耗部分）"或"编辑笔误"。但原文已明确给出"驱动能量与回收能量之差"的算式，按此定义验算 23.4%≠19.8%，属可验证性矛盾。
严重程度：🟡
复核状态：✅ 成立

发现 5：DOE 试验与机器学习样本量内部不一致

位置：第 4.1-4.3 节、第 5 章
描述：原文第 4.2 节称"基于全因子试验方案，利用 GT-SUITE 仿真平台完成了 400 组工况的批处理计算"（4 因子，水平分别为 4/5/4/5，全因子 4×5×4×5=400 吻合）。但第 4.3.1 节又称"基于全因子试验设计原理，将上述三个因子（剔除非敏感电机温度因子后）的所有水平进行正交组合，共 216 组数据"——三个因子各 6 水平应为 6³=216，吻合。然而第 5.3 节机器学习训练使用的数据集来源未明确说明是否来自这 216 组抑或前述 400 组，存在数据集来源口径不清。
证据：原文"完成了 400 组工况的批处理计算"与"共 216 组数据构成了本研究的核心模型数据库"两处描述数据集规模相差近一倍。程序化核验：3 个原文命中（"400 组""216 组""正交组合"），1 个弱匹配。
反方论证：良性解释为"作者有意筛选剔除低质量样本后得到 216 组"，但原文未声明样本剔除规则；216 组系"全因子 6 水平正交组合"理论上为 6³=216，与 400 组并不存在"剔除后剩余"关系——400 组基于 4 因子 4/5/4/5 水平，216 组基于 3 因子 6 水平，二者是独立设计的两个 DOE 矩阵，不应混淆。
严重程度：🟡
复核状态：✅ 成立

发现 6：测试集与训练集误差指标过于"完美"，疑似数据泄露或精心挑选的 split

位置：表 5.1、表 5.2、表 5.3、表 5.4
描述：SVR 模型在测试集上的 R² 分别为 0.9977 和 0.9978，与训练集 R²=0.9986、0.9982 几乎无衰减（差异<0.001）；MSE、RMSE、MAE 也呈现训练集与测试集近乎一致的微小差异。BP 网络测试集 R²=0.9890 和 0.9907，与训练集 0.9920/0.9927 几乎无衰减。考虑到 SVR 基于结构风险最小化本身就偏好小样本下高拟合，但 0.997+ 的 R² 在 216 组三因子非线性 DOE 数据上属于"教科书完美"水平，且训练集/测试集性能几乎无衰减暗示可能存在数据泄露或精心挑选的 split。
证据：原文"测试集 R² 值达到了 0.9977"、"R² 值达到了 0.9978"、"决定系数 R² 值达到了 0.9986"、"R² 值达到了 0.9982"；"MSE 分别仅为 0.000045 和 0.000065，RMSE 分别为 0.0067 和 0.0081，MAE 分别为 0.006 和 0.007"。程序化核验：3 个原文命中，4 个弱匹配命中。
反方论证：良性解释为"SVR 基于结构风险最小化原则本身对小样本+正则化下泛化能力优异""归一化输入提升收敛""216 组对 3 因子问题本身较易拟合"。但原文未声明使用任何特殊归一化或正则化参数；R²>0.997 在 3 因子非线性回归中虽可能达成，但训练集/测试集几乎无衰减（<0.001）仍属异常，且与发现 1 的末位分布异常叠加，构成信号强度。
严重程度：🟠
复核状态：⚠️ 存在疑点（原文未对 R² 异常完美提供方法学正面依据；叠加末位异常后信号增强）

发现 7：SD/误差指标小数位完全一致（机器取证 S3）

位置：表 5.1-表 5.6 全部误差指标列
描述：程序化检验显示所有 MSE、RMSE、MAE 的小数位数完全一致（均为 3-4 位整齐排列，如 0.000264、0.000308、0.0162、0.0176），符合软件默认输出"机器感"而非真实实验误差的散布。
证据：原文表 5.1-5.6 中所有数值列。程序化核验：16/16 数据点原文命中。
反方论证：良性解释为"软件默认输出格式→数值整齐""实验数据本身精度有限"。但 GT-SUITE 仿真输出默认保留浮点精度，作者若按"四位有效数字"格式整理输出，会出现小数位数整齐；但 SD 小数位完全一致（小数位均为 3 位、4 位）+ 与发现 1 末位分布 χ²=124.2 共同指向系统性输出后整理，单独看可由软件输出格式解释。
严重程度：🟡
复核状态：⚠️ 依据不足（"软件默认输出格式"为通用良性解释，原文未声明但亦未否认；单独看不足以定罪，叠加末位异常后作为辅证）

发现 8：能效"提升"百分比与原始数值不严格自洽

位置：第 5.4.4 节、表 5.8、摘要、第 2.4.2 节
描述：摘要称"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%"。正文表 5.8 称原方案平均效率 47.10%，优化后 49.14%。验算：(49.14-47.10)/47.10 = 4.33%，吻合。氢耗：原 9.04 kg，优化后 8.37 kg，验算：(9.04-8.37)/9.04 = 7.41%，吻合。然而"原方案平均效率 47.10%"与图 2.7 中给出的"燃料电池效率为 48.84%"不一致——若取 48.84% 作为基线，则 (49.14-48.84)/48.84 = 0.61%，远低于所声称的 4.33%。两处效率基线选择存在矛盾（部件级效率 vs. 系统级效率？）。
证据：原文"燃料电池作为动力源核心，效率为 48.84%"（第 2.4.2 节）与"原方案的平均效率为 47.10%"（第 5.4.4 节）。程序化核验：6/6 数据点原文命中。
反方论证：良性解释为"47.10% 为 DOE 数据库 216 组样本的系统级平均效率（含热管理损耗影响），48.84% 为试验车辆部件级电堆效率"，两者口径不同。但原文未明确说明这一区分，且摘要中"系统平均效率提升了 4.33%"与 47.10% 基线吻合但与 48.84% 试验数据基线矛盾。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

"这位同学的论文告诉我们一个朴素的道理——当数据末位的 χ² 飙到 124.2、相邻末位相关偏差 20.7σ，再叠加 20 多张图像呈现系统性偶数像素同偏移复制粘贴信号，那就不只是'数据漂亮'的问题了，那是数学和图像取证联合发出的警报。再加上 SVR 模型的 R² 训练集/测试集几乎零衰减（0.9986/0.9977），能量流里 19.8% 和 23.4% 自相矛盾，DOE 400 组和 216 组数据来源口径模糊……耿同学建议这位同学先公开 GT-SUITE 原始 csv、NSGA-II 随机种子、Pymoo 代码和训练/测试集划分方式，再用 ImageJ 重新导出一遍所有图，看看 copy-move 信号是不是会消失。如果原始数据能复现，那咱们好好聊；如果复现不了，那就不是打假的问题了，是学术诚信的问题。"

建议后续行动

联系作者要求提供 GT-SUITE 仿真输出原始 csv 数据、DOE 全因子 400 组与 216 组数据完整文件、模型数据库原始输入参数
要求提供 NSGA-II 随机种子、Pymoo 完整代码、训练/测试集划分方式（随机种子/分层方式）
要求提供所有图（特别是图 2.5-2.12、图 3.15-3.16、图 5.3-5.14）的高分辨率原始矢量文件及导出流程说明
独立使用 ImageJ/专业图像取证工具对图 2.5、3.15、3.16、5.3-5.14 进行 copy-move 与噪声方差复检
在 PubPeer 上提出关于 Benford 联合检验异常、末位分布 χ²=124.2、图像 copy-move 系统性偶数像素偏移的公开质疑
向重庆理工大学学位委员会举报，建议组织专家对原始数据进行独立复核
若属实，建议撤销已授予（拟授予）的硕士学位

⚠️ 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。

🧮 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 = 4.55e+36（决定性（decisive））
综合评级：🔴 高度疑似

贡献最高的证据：

[S3] SD 小数位数完全一致（stats/sd_pattern，logLR=2.26）— 贡献 3.2%
[S1] Benford 联合检验：存在严重偏离（stats/benford，logLR=1.57）— 贡献 2.8%
[S4] Bayes Factor = 76:1，SD 相等的可能性极低（stats/savage_dickey_bf，logLR=2.26）— 贡献 2.7%
[I40] [img-033.png] 检测到 copy-move 复制粘贴：偏移 (32,0) 处 48 对匹配块（image/copy_move，logLR=1.46）— 贡献 2.6%
[I70] [img-031.png vs img-033.png] PRNU 高度同源（NCC=0.036, PCE=37.7）→ 两图极可能同一传感器/管线（image/prnu_compare，logLR=1.34）— 贡献 2.6%

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（Performance Prediction and Optimization of Fuel Cell Hybrid Heavy-duty Vehicles Based on Machine Learning）