辉县部分景区地质灾害危险性评估及防治措施研究

为了给辉县景区减灾防灾提供地质依据,根据实际工程概况,研究了辉县部分景区地质灾害危险性预测评估及防治措施,预测评估了工程建设中、建设后可能引发或加剧地质灾害危险性,建设工程自身可能遭受已存在地质灾害危险性;评估了地质灾害危险性综合分区以及根据地质灾害危险性、防治难度和防治效益,对评估区适宜性作出评价,提出了防治地质灾害的措施和建议。     

小型特种精细化工过程自动化和信息化研究发展趋势探讨

针对采取小批量间歇性批次生产方式、工艺介质腐蚀性强、危险性大的小型特种精细化工生产工艺研究试验过程自动化、信息化程度不高，导致工艺研究试验中获取数据较少、过程机理研究不够透彻、人工操作多、安全风险高、研究试验消耗大及效率不高等问题，综述了期待通过智能控制、在线分析、模拟仿真和虚拟制造、工况监测及预测性维护以及信息管理和生产调度等关键技术的研究和应用，提高小型特种精细化工生产工艺过程的自动化和信息化程度，实现小型特种精细化工生产工艺过程的数字化、虚拟化和智能化，降低生产安全风险和试验消耗，提高小型特种精细化工生产工艺研究试验的成功率和效率，达到小型特种精细化工生产工艺过程的数字化设计和精准生产的目标。     

基于双应力加速寿命试验的关节轴承寿命预测与可靠性分析

自润滑关节轴承寿命主要是由衬垫的磨损性能决定的,但衬垫的磨损一般是非线性的,使得寿命难以预测。采用同时改变载荷和摆频2种应力的方法进行加速寿命试验,建立以pv值、磨损量退化数据为输入参数,寿命值为输出参数的灰色神经网络预测模型。经验证该预测模型对关节轴承寿命预测的最大误差仅为7.33%,平均误差仅为3.892%。对不同加速应力下自润滑关节轴承可靠性进行评估,结果表明,关节轴承的可靠性在L_(10)(可靠度为90%时的寿命)之前下降趋势缓慢,然后迅速下降,pv值越大可靠性下降越迅速;随着pv值的增大,关节轴承寿命近似呈指数下降,经验证可用逆幂率加速模型反映二者关系。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

压裂水平井产能预测方法研究进展

水平井压裂技术在低渗透及非常规储层中得到了广泛应用,压裂后水平井的产能预测关系到油田开发方案的制定,因此,国内外学者对压后渗流模型的建立和求解方法做出了不懈的努力。本文详细回顾了国内外学者所建压裂水平井产能预测模型及求解方法,指出了不同模型和求解方法的优缺点,并展望了压裂水平井产能模型的发展方向。     

煤系地层致密砂岩气甜点区地震逐级预测——以鄂尔多斯盆地东南缘下二叠统山西组2~3亚段为例

鄂尔多斯盆地东南部下二叠统山西组2~3亚段(以下简称山2~3亚段)为该盆地重要的天然气勘探目的层,但该亚段储层薄、厚度变化快、非均质性强,储层预测和勘探目标优选难度大。为了准确预测该亚段煤系地层致密砂岩气甜点区、提高天然气勘探成功率,针对该套储层的特征和预测难点,提出了90°相移技术识别河道外形、模型约束波阻抗反演刻画砂体厚度和子波衰减梯度属性识别含气砂体的地震逐级预测技术。研究结果表明:①山2~3亚段上覆5号煤地震强反射层,下伏储层地震反射能量弱,加之为稀疏二维地震测网、井控程度低,致使致密砂岩气甜点区预测难度大;②所提出的技术方法通过地震逐级预测约束,可以有效地刻画河道砂体分布并识别有效含气储层,提高了对勘探开发目标预测的精度;③基于该技术方法指导部署的勘探开发目标实钻效果好,地震预测结果横向分辨率高,真实地反映了河道及河道砂体的变化特征。结论认为,采用该方法可以有效地解决二维地震勘探区煤系地层强非均质性、薄储层致密砂岩气甜点区预测的地质难题。     

Looking into the TESSERACT: Time-drifts in event streams using series of evolving rolling averages of completion times

Business processes are dynamic and change due to diverse factors. While existing approaches aim to detect drifts in the process structure, Tesseract looks for temporal drifts in activity interim times. This orthogonal view on the process extends the traditional data cube of events – case id, activities and timestamps – by a fourth dimension and improves the operational support by a visualization of temporal drifts in real-time.Insights about temporal deviations lead to an augmented awareness of imminent failures or improved service times. The detection of related structural concept drifts can be improved by early warning, as operation times of critical parts often increase before they catastrophically fail.     

基于聚类的数据加权优化在犯罪预测中的应用

近年来，我国传统暴力犯罪与成年人犯罪呈下降态势，但是，犯罪案由层出不穷。为有效提升公安实践工作中犯罪预测能力，打击各类违法犯罪事件,本文针对犯罪数据，提出一种新型犯罪预测模型。利用密度聚类分析方法将犯罪数据分类，然后进行数据降维提取关键属性生成特征数据，继而对特征数据进行加权优化并采用机器学习的方式对特征数据进行学习，从而预测犯罪案由。实验结果表明，与传统方法相比，本文方法具有更好的预测效果，为公安实践工作中类似案件的侦破和预防，提供新的路径支撑。     

基于强化学习的HP模型优化方法研究

蛋白质结构预测问题一直是生物信息学中的重要问题。基于疏水极性模型的蛋白质二维结构预测问题是一个典型的NP难问题。目前疏水极性模型优化的方法有贪心算法、粒子群算法、遗传算法、蚁群算法和蒙特卡罗模拟方法等，但这些方法成功收敛的鲁棒性不高，容易陷入局部最优。由此提出一种基于强化学习的HP模型优化方法，利用其连续马尔可夫最优决策与最大化全局累计回报的特点，在全状态空间中，构建基于能量函数的奖赏函数，引入刚性重叠检测规则，充分挖掘生物序列中的全局进化关系，从而进行有效与稳定的预测。以3条经典论文序列和5条Uniref50序列为实验对象，与贪心算法和粒子群算法分别进行了鲁棒性、收敛性与运行时间的比较。贪心算法只能在62.5%的序列上进行收敛，该文方法能在5万次训练后稳定的在所有序列上达到了收敛。与粒子群算法相比，两者都能找到最低能量结构，但该文的运行时间较粒子群算法降低了63.9%。