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...     

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。     

磷酸铁锂电池电压一致性改善研究

从环境温度和分容方式两方面进行实验,最终确认了环境温度在35℃结合分容放电后以小倍率电流续放电或微补电的方式,对电压一致性的改善有显著作用.     

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。     

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.