周宁抽水蓄能电站下库左坝头边坡稳定分析及支护调整

根据前期地勘成果,周宁抽水蓄能电站下水库左岸坝头发育f28、f39、f44等三组断层,其中f28顺坡向,倾角15°～20°,与f39、f44两组顺坡陡倾角断层相互组合,对边坡稳定不利,需要工程处理.技施阶段,根据实际开挖揭露的地质条件,坡面仅见f39断层揭露,未见f44和f28断层穿过,边坡稳定性变好,因此重新对边坡进行了稳定分析,并对支护形式进行了调整,节省了工程投资及建设工期.     

杨房沟水电站地下洞室关键岩石力学问题及工程对策研究

杨房沟水电站地下洞室群规模宏大、地质条件复杂,施工期围岩稳定问题突出。为解决洞室开挖过程中普遍揭露的脆性岩体高应力破坏、缓倾结构面导致的顶拱变形破坏、喷层开裂脱落等岩石力学问题,结合施工地质、监测成果和数值模拟开展动态反馈分析,对洞群围岩稳定性进行了系统地分析和预测。结果表明,在洞室群开挖过程中,上游侧拱肩位置存在应力集中,是导致脆性硬岩发生片帮破坏的主要原因,而及时、有效的系统支护对抑制围岩应力型破坏至关重要;缓倾结构面对顶拱围岩变形与稳定起着控制性作用,主要表现为断层下盘岩体坍塌破坏和深层变形问题;在中高地应力条件下,受不利地质构造和施工质量等因素控制,洞室顶拱混凝土喷层容易发生开裂、脱落问题。通过开展施工期围岩监测反馈分析,不仅能够解释围岩变形破坏机制,而且能够为支护设计优化和信息化施工提供科学依据。     

基于赤平投影方法的周宁抽蓄电站边坡块体破坏模式识别

岩质边坡的变形和破坏主要受岩体中发育的结构面控制。采用赤平投影法开展岩质边坡破坏模式分析,可以方便地确定结构面之间的组合关系,实现对典型块体破坏风险模式的识别。以周宁抽蓄电站下库坝址区边坡地质与工程条件为背景,开展基于赤平投影法的边坡随机块体破坏风险模式预测分析。结果表明,边坡具有形成块体破坏的结构面条件,且平面滑移和楔形体失稳是施工期可能面临的主要破坏模式;赤平投影法对边坡破坏模式预测的合理性和适用性通过施工期岩体现实破坏表现得到实践验证。     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性，提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构，算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

影响混合二甲苯质量的原因及处理措施

影响二甲苯产品质量的原因有重整反应深度不足、催化剂氯含量偏低、白土失活、精制剂活性偏高等。通过提高重整反应温度及提高催化剂氯含量,可降低二甲苯中非芳含量,维持白土及精制剂活性可保证二甲苯产品溴指数稳定合格。重整反应温度提高1℃,非芳含量降低0.4%~0.5%;催化剂氯含量由1.1%降低至0.8%,非芳含量增加1.5%;溴指数大小随白土和精制剂活性而变化,白土使用寿命约7天;精制剂在使用初期,其反应活性较高,反应生成约0.5%的甲苯。     

基于CFD-DEM方法的柱状颗粒在弯管中输送过程的数值模拟

针对物料在气力输送过程中特别是弯管部分易破碎的问题,采用计算流体力学(CFD)和离散单元法(DEM)耦合模拟弯管内的柱状颗粒气力输送过程,对弯径比k分别为1、2、3、4、6的90°弯管内柱状颗粒的运动状态、碰撞特性、破碎原因及相关的力学特性进行研究。结果表明:球形颗粒与柱状颗粒在输送过程中遵循基本一致的变化规律,同样外部条件下,柱状颗粒的悬浮速度小于球形颗粒。当k=3时气力输送过程颗粒的破碎率最低。同时,颗粒与管壁的碰撞是造成颗粒破碎的主要原因。     

杨房沟水电站深切河谷地应力场反演分析

针对杨房沟水电站坝区V型河谷地形地貌特征,结合坝址区地质构造条件,依据现场实测地应力成果资料,考虑河谷剥蚀下切演化对地应力场改造作用,反演得到坝址区初始地应力场,并将计算结果与实测值进行了对比分析。结果表明:计算结果与实测结果基本一致;杨房沟坝址区初始地应力场以NWW向水平构造应力为主,属中等地应力量级,岸坡浅表层一定深度范围内卸荷特征明显。研究结果为坝区边坡开挖及长期稳定性分析提供了重要依据。     

基于改进MTCNN网络的目标人脸快速检测

传统检测网络在复杂背景下一直存在检测效率低以及准确率低等问题。针对以上问题,在MTCNN网络上进一步设计了MT-Siam网络,主要为以后的单目标独立分割、单目标图像处理等操作快速地提供精准位置定位,从而快速获取目标位置,达到提高检测效率的目的。实验部分在YOLOv3、SSD300和MTCNN基础模型上进行了全面对比,验证了MTCNN网络的优越性,并从对比实验中得出MT-Siam网络在保持高精度的前提下,检测速度与MTCNN网络相比得到70%～85%不等的提升。     

基于轻量型卷积神经网络的图像识别

针对卷积神经网络参数数量多并且分类精度不高的问题,提出了基于轻量型的卷积神经网络模型.该模型是把上层输出先通过数量较少的卷积核,再通过并行操作得到与原模型相同维度的输出.并行处理时,通过不同的卷积核大小增加特征的多样性,最后采用级联或融合的方式把并行输出整合在一起.和同规模的模型相比,该模型在减少参数的同时增加了网络的深度.在实验阶段用该网络在caltech256和I01 food数据集上进行测试,实验结果表明该模型性能更优.