高温深井通风降温技术的适用条件研究

随着矿山开采深度的不断增加，“三高一扰动”恶劣开采环境问题日益突出，给矿井通风降温工作带来极大困难。对于深井矿山，仅采用通风降温难以满足深部开采的需要，系统研究高温深井矿山通风降温技术的适用性问题，对矿山深部开采具有重要的理论意义和工程适用价值。首先从热力学角度，揭示风流在通风线路中的热交换规律；其次利用差分法原理计算深井筒风流温度，并依此推导出巷道和回采工作面风流温度变化趋势；然后结合采场安全生产允许温度进行反推，最终获取通风降温条件下的可采极限深度计算公式，并选取广西铜坑矿锌多金属矿体作为工程应用试验区进行论证分析。结果表明：基于风流的热交换模型可以推导出风流在井筒、巷道及工作面的温度计算公式，该公式与低温梯度、风流流经路径长度有关；假定工作面温度达到安全开采允许最高温度，可反推出该条件下矿山可采极限深度和巷道通风极限长度（仅采用通风降温措施时）；基于铜坑矿区锌多金属矿的实际条件，代入相关数据，验证计算所得极限开采深度符合实际，即所推导公式是可行的。     

基于分级存储的石油勘探地震处理应用研究

石油勘探中“两宽一高”采集技术的深入应用，对地震资料并行处理能力提出了更高的要求，针对存储对地震资料处理应用的影响进行研究。为提高各类应用的运算效率，设计并实现了基于SSD、集群NAS多级分层存储地震资料处理方法，针对高IOPS应用、大数据块并行应用进行算法流程级设计。通过DD与IOZONE基准测试、两种应用实际运行效果，验证了设计方案具备在地震资料处理中应用效率与性价比上的优势，适用于勘探数据中心地震资料处理，具有一定的普适性。     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。     

高瓦斯突出矿井底抽巷一巷多用技术研究与实践

胡底煤业为高瓦斯高突出高矿压的三高矿井。对高瓦斯高突出的治理，该矿采用“地面网络预抽、区域模块降量、底抽穿层保掘、高位顺层保采”的四级模式，施工底抽巷，实现“底抽穿层消突、区域模块降量、异巷探测增效、多巷通风治患、循环排矸减压”等“一巷多用”。该4种方法已在1303（上）、1305（上）工作面应用并推广，取得了良好的效果，大大提高了掘进效率且满足抽放、探放水、通风需要；回填矸石初步设计现已经完善，待下一步掘进将实现填矸作用。     

枸杞深加工产品开发现状及研究进展

枸杞作为一种药食同源的经济林果,富含多糖、类胡萝卜素、类黄酮、甜菜碱、牛磺酸等多种功能性成分,具有增强免疫调节、抗衰老、预防癌症和肿瘤生长、降低血糖和血脂水平等多种功效,消费者对枸杞相关产品的需求也日益增加。枸杞生长性状属无限花序,果实成熟期较长为每年6～10月份;然而,枸杞果实在成熟后期快速软化,使其极易受到机械损伤和病原微生物侵染,限制果实的贮藏和运输;因此,在果实成熟期为降低枸杞果实的损耗和迎合消费者对枸杞保健功能的需求,需要在成熟期内对果实进行深加工处理。阐述了枸杞的主要营养价值和保健功效,并提出传统加工产业与现代消费升级引起的供需矛盾;介绍了枸杞深加工产品和配套技术设备的相关产业现状,分析了枸杞产业精深加工的市场需求和产品研发的未来发展趋势,并指出了枸杞深加工产品和新技术、新装备在枸杞深加工产业的应用前景以及面临的难题和挑战,为枸杞深加工产业的发展提供理论参考。     

新形势下地勘单位实现绿色发展的研究

针对近年来国家对绿色发展的需求，从矿产资源需求现状及地勘行业新形势入手，分析了矿产勘查开发的必要性及面临的新形势，并重点阐述了新形势下地勘单位实现绿色发展的途径:引领生态优先绿色发展新理念，落实政策导向，深化绿色勘查理念，以绿色发展为指导，实现产业转型突破；支持国企致力于生态绿色发展行动，调整企业工作重点，提高绿色勘查技能，引进民营投资等混合所有制经济模式；培育高质量发展市场主体，做好人才培养、人才储备工作，强化专业技术团队建设；建立有效激励和约束机制。     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法，可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题，且使用批归一化(BN)方法，可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验，并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比，进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响，最后，通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明，模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率，表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类，表明所提出的DRN模型能够对故障进行准确诊断。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

黄沙坪铅锌多金属矿的成矿规律及深部找矿远景

众所周知,矿物质的成分是多种多样的,社会的发展和科学的进步需要运用到多重金属矿物质,在专业人员的勘探与挖掘中,发现了黄沙坪铅锌多金属矿,这个矿区中有丰富的有色金属,这个矿的发掘为研究成矿规律提供了物质基础,同时也为深部找矿提供了可靠的依据。本文主要分析黄沙坪铅锌多金属矿的成矿规律及深部找矿远景。