增材制造设计(DfAM)下的金刚石晶格结构研究

基于机械零件的增材制造设计,用仿自然式方法设计了一种金刚石晶格结构,对晶胞相对密度和等效弹性模量建立了数学模型,并拟合得到二者关系式,一系列的仿真验证结果显示理论研究所得关系式具有一定的正确性;对金刚石晶格填充结构提出变密度假设,并用仿真和压缩试验的方法进行了验证,结果显示,填充单元密度以受力点为中心渐渐减小的变密度结构拥有更好的抗压性能,同时验证了本文得出的等效弹性模量数学模型具有一定的正确性和适用性.本研究结果可应用于承压机械零件的实体夹层填充,对机械零件进行应力匹配变密度设计,以达到机械结构轻量化的目标.     

基于交叉点支护设计对井巷支护效果优化

为进一步提升综采工作面生产的安全性,对交叉区段采取特殊的支护进行设计,以西铭矿22407工作面为例在分析其地质、水文、煤层等条件的基础上,对其支护现状进行分析,并从改进交叉区段掘进顺序、交叉点形式以及支护参数三个方面实现对交叉区段的特殊支护,并对最终的支护效果进行验证,取得理想效果.     

探究建盏的审美与文化——以曜变建盏为例

早在我国晚唐五代时期,就开始产生了建盏文化,发展到宋代时期逐渐和茶文化进行了融合,并形成了一些衍生文化。在历史发展过程中,国家的文化也在不断发展,建盏文化从诞生到盛行又走向衰弱,在现代又重新走向复兴,在这个过程中产生了许多建盏珍贵文物,也逐渐成为了陶瓷中的上品。在建盏文化中,最为典型的一种就是曜变建盏,其中更是蕴含了独特的审美和文化。     

高地下水复杂地层盾构隧洞围岩渗透系数及外水荷载的反演分析

引汉济渭二期工程南干线神禾塬隧洞、少陵塬隧洞、白鹿塬隧洞位于高地下水复杂地层中，隧洞开挖后围岩渗流场将发生重分布，因此，准确反演围岩渗透系数和计算衬砌外水荷载是隧洞衬砌结构设计与分析的基础。为此，采用ＡＢＡＱＵＳ对引汉济渭二期工程南干线典型隧洞开挖后围岩的渗流场分布规律进行了反演分析。结果表明:隧洞开挖后洞周5ｍ范围内孔隙水压力的重分布较为明显；当神禾塬隧洞、少陵塬隧洞、白鹿塬隧洞围岩的渗透系数分别为3．0×10－7ｍ／ｓ、4．0×10－7ｍ／ｓ、4．0×10－8ｍ／ｓ时，所得开挖后渗流量与地勘报告提供的涌水量最为接近；作用于神禾塬隧洞、少陵塬隧洞、白鹿塬隧洞衬砌的外水荷载分别为0．071ＭＰａ、0．081ＭＰａ、0．252ＭＰａ。本文研究成果可为引汉济渭二期工程输水隧洞及类似工程的衬砌结构设计提供理论依据。     

破碎围岩支护优化研究与应用

为研究不同支护参数对破碎围岩下山巷道形变的影响,更合理地选择支护参数,以车家庄煤矿4^#煤层二采区下山为研究对象,运用FLAC^3D数值模拟,模拟不同支护参数时围岩的位移矢量分布情况,进而确定最佳支护参数。现场监测表明,与数值模拟的结果基本对应。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于FLAC3D的破碎围岩巷道支护效果分析

为了解破碎围岩分别采用锚杆支护、锚喷支护以及锚喷+锚索耦合三种支护方式下的支护效果,进而为破碎围岩巷道选择合理的支护方式提供参考。通过借助FLAC^3D软件建立数值模型,分析不同支护条件下的破碎围岩巷道位移量、应力分布以及塑性区的时空演化特征。结果表明,采用锚喷+锚索耦合支护时,可以较好的控制巷道围岩的位移量、减小应力集中效应、缩小塑性区的影响范围。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。