煤储层渗透率测试、模拟与预测研究进展

渗透率是煤层气开发的重要参数，煤储层较强的非均质性使得现场少量试井结果难以反映区域性渗透率规律，不同仪器、方法、样品尺寸、压力、温度及介质条件下获得的实验渗透率对比性也较差。对比分析了不同试井方法(钻杆测试、水罐测试、段塞测试、注入/压降测试)、不同实验测试方法(稳态法、非稳态法)的优缺点、适用条件及渗透率测试标准的演化历程，系统评述了单轴应变条件、恒定体积条件以及三轴应力条件下渗透率模拟模型的适用性，分析了基于裂隙、煤体结构、地应力、构造曲率等单一主控因素预测渗透率及人工智能(BP神经网络、灰色关联分析、支持向量回归机、多层次模糊综合评价)多因素预测的可靠性，总结了煤储层渗透率在测试、模拟和预测方面存在的问题，并提出了进一步研究的展望。研究结果表明现场注入测试是获取原位煤储层渗透率的主要方法，实验室非稳态法渗透率测试适合我国低渗煤储层；单轴应变条件下的P-M模型和S-D模型适用于恒定垂直外部应力条件下的模拟，恒定体积条件下的Ma模型对于多数煤类输入的参数均可测量，模拟结果可靠性较高，三轴应力条件下的Connell模型和Zhou模型更有利于通过实验室测定对模拟渗透率进行验证；基于煤层气...     

下运带式输送机飞车判据研究

<正>因煤矿地质条件、采区布置和煤矸石运输方向等因素的影响,下运带式输送机被广泛应用于煤矿运输系统中,不仅可以缩短工期、减少工作量,而且能缩短运输距离、节约费用^[1]。但下运带式输送机存在易跑偏、打滑、断带以及飞车等隐患^[2],其中,跑偏、打滑、断带等故障已经有了相对准确的判断依据及保护措施,但飞车故障还没有可以量化的判断依据。研究分析飞车故障的发生机理和输送机的状态特征,找到飞车故障的判断依据,对保障下运带式输送机安全运行具有十分重     

矿用履带式运输车在复杂开采条件下的应用

为了方便煤炭的运输，某矿使用了矿用履带式搬运车。履带运输车解决了轮式运输车在恶劣道路条件下不能行走的问题，这种履带车是一种新型的运输工具，其特点是体积小、转弯灵活、动力强大，可在不受场地限制的情况下轻松通过狭窄的地方，能有效解决山区、土壤、陡坡等恶劣条件下物料的运输问题，适合普通运输车辆无法通行的地方。介绍了矿用履带式搬运车的主要结构以及工作原理，并给出了实际应用中应注意的事项。     

改进的CAGAN在虚拟试衣中的应用

针对CAGAN（Conditional Analogy GAN）换衣后效果模糊，在目标衣服与原始衣服长短不一致时效果一般，相对目标衣服保留过少的细节等问题做了相关研究并对CAGAN进行了改进，提出了新的虚拟试衣方式。经过改进的CAGAN生成一个粗糙的结果，由该结果得到目标衣服穿在模特身上改变形状后的mask，接下来利用mask对目标衣服进行变形，综合变形的衣服和第一步的结果便得到最终的试衣图像。实验结果表明，该方法解决了前面存在的问题，而且取得了非常好的效果。     

“HCP2025智能组合式粗纱机”项目

哪一刻,你感到行业在变强?每一次纺机鉴定会都有振奋人心的力量,从“国内先进”到“国际先进”,当见证一个个“中国制造”新标杆崛起时,答案已如此清晰!放眼全球,科技强国的实现路径和支撑条件各不相同,但制造者的匠心始终是其灵魂。反观行业,面临激烈竞争形势和爬坡转型压力,更需要在创新中求解,努力攻克“卡脖子”的技术瓶颈,全方位实现从跟跑到领跑。2020年,本刊将通过【制造崛起】专栏,对通过科技成果鉴定的纺机项目进行分析、解读,分享优秀企业的技术与理念,点亮行业高质发展之路。     

碱铝硅酸盐玻璃化学强化关键影响因素概述

化学强化是一种玻璃机械强度增强方法,适用于异型、超薄、高碱、高膨胀玻璃增强,因新型超薄显示产品的屏幕保护玻璃发展需要,化学强化技术重新在碱铝硅酸盐玻璃品种掀起研究热潮。本文对化学强化本质及铝硅酸盐玻璃在屏幕保护玻璃应用进行了回顾,基于玻璃化学强化的高CS、DOL和低CT诉求,归纳总结了关键影响因素,第1,碱铝硅酸盐玻璃的成分及结构是基础,氧化铝有利玻璃网络孔隙增大创造交换通道,氧化钠或氧化锂是离子交换关键物质;第2,对于玻璃组成和结构设计,要求玻璃网络键合度R=O/Si或O/(Si+Al)满足2.15~2.40,碱金属氧化物质量分数大于13%且膨胀系数大于6×10^-6/℃;第3,在化学强化工艺方面,化学强化温度决定离子扩散系数,化学强化时间决定DOL,一步法仅能获得相对较大的CS,而DOL不很理想,只有两种离子参与交换的二步法才有利于CS和DOL同步提高。     

基于条件信息卷积生成对抗网络的图像识别

传统的图像识别方法需要大量有标签样本进行训练，且模型训练难以达到稳定。针对这些问题，结合条件生成网络和信息最大化生成网络的结构优势建立了条件信息卷积生成网络（C-Info-DCGAN）。模型增加图像的类别信息和潜在信息作为输入数据，然后利用Q网络去更好地发挥类别信息和潜在信息对训练的引导作用，并且利用深度卷积网络来加强对图像特征的提取能力。实验结果表明，该方法能够加快模型训练收敛速度，并有效提高图像识别的准确率。