高硅尾渣陶瓷坯体中FeS_2分解行为研究

以探究高硅尾渣陶瓷坯体中FeS_2的分解规律为目的,研究了高硅尾渣中FeS_2的分解特性与影响因素及机制。结果表明:与松堆状高硅尾渣粉料相比,高硅尾渣坯体中FeS_2的分解过程受坯体厚度和烧成制度影响,硫的释放过程明显滞后,分解温度相应提升且分解温度范围变宽。其中在400℃附近和800～1 050℃温度段,坯体中的硫大量释放。在900～1 050℃温度段,保温时间的延长可显著增大坯体的脱硫率,保温时间为30 min时,可实现该温度下可挥发硫的有效排出。     

LTE室分高倒流小区解决方案的研究

LTE室分高倒流直接影响室内4G用户的感知，同时较大程度拉低LTE网络驻留率指标。由于室内无线环境的封闭性，室分小区之间的覆盖独立性，仅仅通过参数调整的手段达到降低高倒流的效果非常不明显，因此本文针对目前影响室内用户感知的高倒流问题，从高倒流小区的标准出发，对室分高倒流小区的发现手段，产生原因及解决方案进行详尽地阐述，并针对各类型的高倒流情形提出解决方法，最终提供读者发现、分析及解决室分高倒流小区的有效方案，从而作为研究方法提供给LTE室内小区高倒流问题解决的指导意见     

谈高延性混凝土材料在加固窑洞工程中的优势

通过对农村窑洞危房改造的现场调查,总结了危险窑洞的加固方法,并结合新的科研成果,提出高延性混凝土材料在加固窑洞工程中的应用优势,以期为实际施工提供指导。     

基于深度学习的大采高工作面矿压预测分析及模型泛化

综采工作面矿压显现的分析与预测对于复杂地质条件下工作面顶板管理,保证矿井生产安全具有重要意义。采用关系型数据库储存液压支架工作阻力数据以及利用工作面推进过程中矿压显现的时序特性,采用SQL语言,运用长短时记忆网络(Long Short Time Memory,LSTM)深度学习方法,以红庆河矿31101大采高综采工作面矿压规律为研究对象,对工作面支架工作阻力、支架不平衡力、支架安全阀开启情况及初次来压与周期来压等矿压显现规律进行分析;基于建立的数据库,预测了红庆河大采高工作面矿山压力,预测结果表明LSTM方法较BP神经网络预测更具准确性。为进一步讨论本研究采用的LSTM网络模型的泛化能力,在采用布尔台42103大采高工作面、上湾矿12401大采高工作面少量矿压数据的前提下,使用迁移学习方法,对矿压数据进行预测检验,结果表明:LSTM模型具有很好的泛化能力,相比于不使用迁移学习方法,迁移学习可提高模型的泛化能力。最后,探讨了模型在3个大采高工作面矿压预测表现的差别,发现数据量本身对模型预测行为影响较大,增大数据量可弥补原始数据缺失等问题。在预测模型基础上设计了周期来压预警模型,集成形成相应矿压分析与预警系统,经工程验证判定预警系统分析效果良好。     

B对FeCoCrNiSiBx高熵合金激光熔覆层组织和硬度的影响

采用激光熔覆制备了FeCoCrNiSiB_x高熵合金熔覆层,利用光学显微镜、扫描电镜、X射线衍射仪和显微硬度计研究微量硼元素(摩尔比x=0、0.02、0.04、0.06、0.08)对FeCoCrNiSiB_x高熵合金熔覆层组织和硬度的影响。结果表明:无B高熵合金涂层组织主要为胞状晶。B的添加会促进枝晶的生成,逐渐形成鱼骨状树枝晶,但过量的B会破坏枝晶完整性,形成蠕虫状晶。此外,高熵合金熔覆层组织为FCC和BCC双相结构,B元素的添加会形成大量0.1~2.6 μm的Cr₂B第二相,有助于提高熔覆层硬度,其中x=0.06时激光熔覆层的硬度最高,约为537 HV0.2。     

红外热成像扫描技术在原油储罐油泥测量中的应用

在清罐前,对罐底油泥的数量和形状有所了解有助于制定正确的清洗工艺,也有助于在清罐前做好准备,为后期的清罐打好基础。罐底油泥的测量应该得到高度重视。本文在分析了原油储罐油泥的特性后提出采用红外热成像技术来解决探测罐底油泥数量和形状得方案。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。