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。     

基于热-流-固体系参数演变的煤与瓦斯突出能量演化

基于气固耦合作用条件下的煤与瓦斯突出物理模拟试验结果,分析了突出过程中的温度-气压-应力体系演化过程,从热力系统能量守恒的思想出发,探讨了突出过程中多变指数的实时演化,并根据动态变化的多变指数推导出了多变过程中的瓦斯膨胀能的计算方法,在此基础上讨论了突出过程中的能量释放问题。研究结果表明:煤体不同区域的应力变化在突出过程中共呈现3种类型,即:初始下降—波动升降—平稳回升型、初始上升—小幅下降—平稳回升型和小幅下降—平稳回升型;煤体内瓦斯压力变化过程呈现两种类型,即:初始下降—波动升降—平稳下降型与平稳下降型;煤体温度则在突出过程中表现为单一的持续下降过程。煤体卸压区和应力集中区在突出前期为定温-定压-定熵相互转换的多变过程,突出中期为定温过程,突出后期为定温-定压相互转换多变的过程;应力升高区在突出前期为定温-定压相互转换的多变过程,突出中期至后期主要表现为定温过程;原岩应力区在突出前期为定温-定压相互转换的多变过程,突出中期至后期处于一个定温-定压-定熵相互转换的多变过程。突出过程中煤体的弹性应变能释放主要来自于应力集中区和应力升高区,煤体内各区域的弹性应变能的释放都会经历一个下降随后回升的现象,且该过程中各区域的弹性能不会一次性完全释放。突出过程中越靠近工作面区域释放的瓦斯膨胀能越大,膨胀能的释放并不是一个连续的过程,而是呈现阶段波动式,这种波动在突出后期尤为明显。根据本文的研究,在煤体物理力学性质确定的前提下,单独释放弹性应变能或瓦斯膨胀能都可以达到降低突出发生风险的目的,若同时对两者进行处理,则突出风险降低的概率更大。     

不同分级循环加卸载模式下岩石能量 演化规律研究

为了深入分析循环加卸载过程中岩样能量演化规律,设计了3种不同的单轴循环加卸载试验,详细分析了不同分级循环加卸载模式下的总吸收能、弹性应变能、耗散能、塑性变形能等参数的演化特征及其相互关系,建立了耗散能与循环应力等级、循环加卸载次数变化的演化方程。结果表明:1)随着循环加卸载应力等级的提高,耗散能Use和塑性变形能Ue呈现非线性增加的趋势;2)岩样在第3种循环加卸载模式下,整体上耗散能Use和塑性变形能Ue表现出"U"形变化的规律,在第Ⅰ级和第Ⅱ级循环荷载下强化效应突出,而在第Ⅲ级和第Ⅳ级循环荷载下扰动效应突出;3)循环加卸载上限应力不变,下限应力减小时,循环荷载对岩样的损伤效应比其强化效应明显;4)循环加卸载作用下岩样的耗散能Use与循环荷载应力等级、循环次数相关,可以采用非线性曲面较好的拟合,这为采用耗散能Use来定量分析循环加卸载过程中岩样的损伤奠定了较好的基础。     

微纳振动能量收集器研究现状与展望

振动能量广泛分布在我们周围的环境中,比如人体运动、机器振动、微风吹动、水纹波动、声音振动等,收集环境中的振动能量对未来电子器件的自驱动化具有十分重要的意义。阐述了电磁、压电、摩擦电三种微纳振动能量收集器的工作机理和最新研究进展。对三种微纳振动能量收集器的特点和面临的挑战做出了归纳与概括。最后,对微纳振动能量收集器的发展趋势做出了展望。