基于伪布尔模型和启发式算法求解无容量设施选址问题

采用伪布尔模型和启发式算法来求解无容量设施选址问题。首先给出了问题的伪布尔(pseudo-Boolean)表示，然后基于Khumawala规则对问题进行预处理，最后提出两种启发式分支准则来求解问题。实验结果表明所提算法简单有效。     

潞安集团王庄矿井后备区(深部)3#煤层瓦斯赋存特征研究

随着王庄矿井后备区开采深度的增加,矿井转为高瓦斯矿,使得瓦斯地质规律的研究势在必行。针对矿井的构造格局,采用瓦斯参数的方法定性分析了构造分区控制瓦斯分区的瓦斯赋存特征。结果表明:后备区主体是NE-SW向的安昌断层与二岗山北断层夹持与呈反"S"形的NNW、NW向宽缓的背、向斜贯穿之中的构造格局,控制着瓦斯赋存具有南北分段、东西分带的特征:南北上受断层的切割作用,呈南北边界瓦斯低,中部高的分段特点;东西上受近南北向褶曲的控制,呈现沿轴部条带分布的特点;后备区域内伴生次生构造(陷落柱)受主体构造控制,陷落柱主要发育在主干断层与褶曲轴部附近,容易造成局部低瓦斯区。     

基于RG 1.183的先进小堆选址源项模型初步研究

在《用于评估核动力反应堆设计基准事故的替代放射性源项》RG 1.183所述的假想事故场景情况下,考虑目前大多数的先进小型压水堆地上-地下布置的设计特点,对传统大型压水堆选址源项计算模型做了改进:在原安全壳内放射性物质守恒方程的基础上,考虑辅助厂房的阻滞作用,建立辅助厂房内放射性物质守恒方程。并以某先进小型反应堆核电厂为例,利用新模型计算了代表核素的释放,与现有模型进行了对比。     

环氧化天然橡胶/三元乙丙橡胶混合交联网络并用胶的制备及性能研究

研究环氧化天然橡胶(ENR)/三元乙丙橡胶(EPDM)混合交联网络并用胶的制备及性能。结果表明:固定硫化剂DCP用量,随着丙烯酸锌用量的增大,ENR/EPDM并用胶的100%定伸应力和拉伸强度呈增大趋势,拉断伸长率先增大后减小;固定丙烯酸锌用量,随着硫化剂DCP用量的增大,ENR/EPDM并用胶的100%定伸应力呈增大趋势,拉伸强度、拉断伸长率和撕裂强度呈减小趋势;具有混合交联网络结构的ENR/EPDM并用胶兼具ENR和EPDM的特征结构,反复拉伸性能优于ENR和EPDM胶料。     

浅析煤矿综采放顶煤安全开采问题

以煤矿放顶煤安全开采问题为对象开展分析探究。结合具体工程实际,在分析综放工艺技术特征的基础上,对综采放顶煤安全开采需注意的问题与防范措施开展深入分析,希望能够为其他矿井综放开采的有效开展提供借鉴和帮助。     

白豹-南梁地区长4+5_1油层组储层特征及综合评价研究

鄂尔多斯盆地白豹-南梁地区延长组长4+5油层段是重要的储集层之一,包括长4+51和长4+52。由于白豹-南梁地区长4+51油气富集规律尚未明确,亦有必要对白豹-南梁地区4+51储层开展评价。通过岩心铸体薄片、物性分析、压汞分析等资料对研究区长4+51储层特征进行了研究。结果表明,研究区岩石类型以长石砂岩和岩屑长石砂岩为主,分选性以中-好为主,磨圆度以次棱角状为主;孔隙类型主要为粒间孔、长石溶孔,孔隙空间分选性较差,喉道分布不集中;研究区整体以Ⅱ类储层分布为主。     

论城市山水画的艺术魅力

城市山水画概念的提出虽只有短短的二十多年,但随着社会、经济、文化的发展,城市山水画作为一个崭新的绘画题材越来越受到业界人士的关注。城市山水画作为传统山水画的一个分支,丰富了现代化人文都市的艺术意境,满足了人们的精神需求。该文阐述城市山水画的概念和发展历程,结合相关实例,分析当下城市山水画的艺术魅力,以促进城市山水画的发展。     

Morondava盆地西部侏罗纪断陷盆地构造特征

系统分析了Morondava盆地西部侏罗纪断陷盆地构造特征,实可分为东部断陷带、中部断裂构造带和西部侏罗系残留斜坡带,可能存在有断鼻型、背斜型、地层剥蚀尖灭型、断块型、古潜山及岩性圈闭。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。