矿井瓦斯涌出量预测研究中的数学模型

介绍数学模型法的基本原理和瓦斯涌出量的预测步骤,通过确定统计单元、选择合适的变量、建立预测方程等步骤对瓦斯涌出量进行预测,将此种方法应用于实际工程中,结果显示:数学模型法准确性高,预测精度能够满足通风系统设计要求。     

电动汽车动态无线电能恒功率充电

电动汽车充电时,且电池电量低于80％时,为了保证充电效率一般采用恒功率充电.在动态无线电能传输系统中,电动汽车的不断移动会导致发射线圈和接受线圈的互感系数变化,致使电动汽车充电不稳定.为实现恒功率充电,提出了一种基于模型预测控制(MPC)的动态无线电能传输系统(DWPT)恒功率输出的控制方法.通过对系统建立数学模型,对输出功率进行模型预测,建立最小化目标函数来获得期望输出功率所对应的最优占空比,使输出功率恒定.进行了模型预测控制的动态无线电能传输系统Simulink仿真,通过对比不同线圈互感系数下的输出功率,验证了该方法的可行性,并且通过搭建实物测得的数据也证实了该方法的可行性.     

Processing Modflow在地下水位预测中的应用

数值模拟软件逐渐成为预测地下水演化更普遍的工具,并且广泛应用于地下水动态变化研究.以乌苏市平原区为例,结合区域水文地质条件及钻井资料,利用Processing Modflow建立三维水流数值模拟模型,并对该模型进行平面流场拟合,验证出模拟值基本符合2018年实测地下水位,通过模型模拟2018—2027年不同条件地下水位变化趋势,结果显示,2027年现状条件下比用水总量条件下浅埋深面积减少了550km2.     

医疗服务系统到达过程的建模与预测

在服务运营管理研究领域,需求可变性的存在,对服务质量有着巨大的影响。医疗服务系统作为服务运营管理领域的重要代表,如何准确地拟合及预测病人的到达分布,对于医院合理安排资源配置起到了至关重要的作用。以以色列一家医院2007年1-10月份的急诊病人到达数据为基础,建立不同模型——非齐次泊松(NHPP)模型与幂律分布(Power-Law)模型——刻画急诊部门(ED)病人的到达规律,结果表明NHPP模型对数据的检验及拟合效果较好而幂律分布则仅能准确地刻画部分到达数据的特征。而为了进一步探究模型的适用性,对NHPP模型进行仿真,用幂律分布模型检验NHPP模型仿真得到的数据,结果显示幂律分布模型也能够较好地刻画该数据的分布特征,即印证了在一定条件下不同模型之间的可转化性,也为解决研究问题的多样化方法提供了有益思考。     

“十四五”规划指引下的智慧城市关注点分析

自2008年以来,智慧城市在我国发展非常迅速,呈现出典型的政策推动特点,2012年试点、2012—2014年探索、2014年成为国家战略、2016年成为国家重点工程,智慧城市建设的重要性日益突出。进入"十四五"时期以来,《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》的提出,标志着我国经济迈入新的发展阶段。     

基于复杂网络的合成致死预测方法研究综述

合成致死(Synthetic Lethality,SL)是一种负遗传相互作用,描述的是两个非必要基因之间的相互关系:其中任何一个基因的突变对细胞存活的影响很小,但两个基因的共同突变会导致细胞死亡或其他有碍细胞存活的表型.SL对于解释复杂生物过程、推动癌症的临床诊治有着重要的意义.因此,利用海量的高通量数据,通过构建数据分析模型和计算方法,从计算的角度进行SL对的挖掘和预测,是计算生物学研究的一个重要方向.本文首先对于SL预测所使用的相关数据进行了详细的综述,然后从生物网络这一全新视角出发,重点讨论了基于网络分析的SL预测方法.从网络上的统计学方法、基于网络结构变化的方法、基于网络特征学习的方法、基于图表示学习的方法四个方面综述了相关预测模型和研究的最新进展,详细地比较了各类方法的算法思路、应用场景和优缺点,最后针对SL预测的结果评估和验证方法的研究进展进行了论述.在此基础上,论文进一步总结出SL预测研究中所面临的几项挑战,并针对性的对未来发展方向进行展望,希望为今后的相关研究提供一些有用的参考和思路.     

辽宁排山楼金矿区深部成矿预测及靶区验证效果

排山楼金矿床赋存于太古宇建平群大营子组变质岩中,受近东西向东沟—马家荒韧性剪切带控制。矿区主矿体T1、T8及T4受逆冲推覆作用影响,T4矿体位于北侧,T1矿体居中,T8矿体位于南侧。T1、T8及T4矿体在走向及垂向均未尖灭,符合"白云质糜棱岩—矿体—黑云斜长糜棱岩和长英质糜棱岩"矿体围岩岩性序列,认为T1、T8与T4矿体在走向及深部均具有良好的找矿潜力,并对深部进行了成矿预测,圈定靶区2处。通过对靶区BQ2进行验证,探获了矿体,表明排山楼金矿区深部具备良好的找矿前景。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。