The long-range biomechanical force propagating across large scale may reserve the capability to trigger coordinative responses within cell population such as during angiogenesis, epithelial tubulogenesis, and cancer metastasis. How cells communicate in a distant manner within the group for self-assembly remains largely unknown. Here we found that airway smooth muscle cells (ASMCs) rapidly self-assembled into well-constructed network on 3D Matrigel containing type I collagen (COL), which relied on long-range biomechanical force across the matrix to direct cell-cell distant interactions. Similar results happened by HUVEC cells to mimic angiogenesis. Interestingly, single ASMCs initiated multiple extended protrusions precisely pointing to neighboring cells in distance, depending on traction force sensing. Separate ASMCs sensed each other to move directionally on both non-fibrous Matrigel and more efficiently when containing fibrous COL, but lost mutual sensing on fixed gel or coated glass due to no long-range force transmission. Beads tracking assay demonstrated distant transmission of traction force, and finite element method modeling confirmed the consistency between maximum strain distribution on matrix and cell directional movements in experiments. Furthermore, ASMCs recruited COL from the hydrogel to build fibrous network to mechanically stabilize cell network. Our results revealed for the first time that cells can sense traction force transmitted through the matrix to initiate cell-cell distant mechanical communications, resulting in cell directional migration and coordinative self-assembly with active matrix remodeling. As an interesting phenomenon, cells sound able to ‘make phone call’ via long-range biomechanics, which implicates physiological importance such as for tissue pattern formation.

Establishing a highly reliable and accurate water quality prediction model is critical for effective water environment management. However, enhancing the performance of these predictive models continues to pose challenges, especially in the plain watershed with complex hydraulic conditions. This study aims to evaluate the efficacy of three traditional machine learning models versus three deep learning models in predicting the water quality of plain river networks and to develop a novel hybrid deep learning model to further improve prediction accuracy. The performance of the proposed model was assessed under various input feature sets and data temporal frequencies. The findings indicated that deep learning models outperformed traditional machine learning models in handling complex time series data. Long Short-Term Memory (LSTM) models improved the R2 by approximately 29% and lowered the Root Mean Square Error (RMSE) by about 48.6% on average. The hybrid Bayes-LSTM-GRU (Gated Recurrent Unit) model significantly enhanced prediction accuracy, reducing the average RMSE by 18.1% compared to the single LSTM model. Models trained on feature-selected datasets exhibited superior performance compared to those trained on original datasets. Higher temporal frequencies of input data generally provide more useful information. However, in datasets with numerous abrupt changes, increasing the temporal interval proves beneficial. Overall, the proposed hybrid deep learning model demonstrates an efficient and cost-effective method for improving water quality prediction performance, showing significant potential for application in managing water quality in plain watershed.

Muon radiography, which relies on measuring the absorption and attenuation of muons as they pass through matters, offers a new imaging technique capable of revealing the internal structure of large objects. Recent technological advancement allows for the application or testing of muon radiography in various fields, including mining, civil engineering, security check, etc. This study investigates the factors that influence muon radiography, which is used in density inversion, through simulations and experiments. The materials considered for density inversion include water, standard rock, and iron. Our simulation studies show that the number of events detected and selected has an impact on the reconstruction results, and several factors, such as multiple Coulomb scattering processes, recording time, and spatial resolution, which influence the number of muons, must be taken into account when measuring the rock density. We design and conduct a laboratory scale experiment based on the simulation results. We filter the 220 h of recording signals through time coincidence and straight-line fitting to obtain the selected events. Our results reveal that the statistical error of muons survival ratio in recording time significantly impacts the inversion result and decreases the error can improve accuracy greatly. In the experiment, the deviation between the inversion mean value and the expected value can be reduced to 2.4%–2.9% for iron, 7% for water, and 1.5% for standard rock. This density inversion approach provides insight into future density detection of underground structures.

Abstract To adapt to the dynamic, diverse, and personalised needs of customers, manufacturing enterprises face the challenge of continuously adjusting their resource structure. This has led manufacturers to shift towards a smart cloud manufacturing mode in order to build highly flexible production logistics (PL) systems. In these systems, the optimal configuring of PL resources is fundamental for daily logistics planning and vehicle scheduling control, providing necessary resources for the entire PL segment. However, traditional resource configuration methods face limitations, such as incomplete information acquisition, slow response in resource configuration, and suboptimal configuration results, leading to high subsequent operational costs and inefficient logistics transportation. These issues limit the performance of the PL system. To address these challenges, the authors propose a digital twin‐based optimisation model and method for smart cloud PL resources. The approach begins with constructing an optimisation model for the PL system considering the quality of service for a cloud resource is constructed, aiming to minimise the number of logistics vehicles and the total cost of the PL system. Additionally, a DT‐based decision framework for optimising smart cloud PL resources is proposed. Alongside a DT‐based dynamic configuration strategy for smart cloud PL resources is designed. By developing a multi‐teacher grouping teaching strategy and a cross‐learning strategy, the teaching and learning strategies of the standard teaching‐learning‐based optimisation algorithm are improved. Finally, numerical simulation experiments were conducted on the logistics transportation process of a cooperating enterprise, verifying the feasibility and effectiveness of the proposed algorithms and strategies. The findings of this study provide valuable references for the management of PL resources and algorithm design in advanced manufacturing modes.