极近距离煤层回采巷道围岩分类与支护研究

为探究极近距离煤层回采巷道围岩稳定性类别与支护方式,用数学方法综合评价围岩稳 定性类别。 采用模糊综合评判法建立数学模型,选择围岩自身性质和应力环境等影响因素作为 围岩分类指标,求解模糊综合判别矩阵、指标权重和围岩隶属程度;运用灰色关联度分析法对围 岩稳定性类别进行验证,并提出相应的巷道支护方式。 结果表明,极近距离煤层回采巷道对Ⅰ— Ⅴ类围岩的隶属度分别为0.1846、0.2117、0.1866、0.1776、0.2394,其中Ⅴ类围岩隶属程度最 大,与验证结果相一致。 围岩属于Ⅴ类极不稳定围岩,极近距离开采导致顶板破碎,巷道承受荷 载较小,采用U形钢梁棚支护,矿压观测显示巷道支护效果显著。     

高强承压多孔混凝土的抗冻融性能研究

透水混凝土具有较大的孔隙结构和孔隙率,冬季时在孔隙中富集水结冰会对多孔混凝土性能产生较大的影响.参照普通混凝土的抗冻融试验方法给出了多孔混凝土抗冻性试验方法和评价指标,并系统地研究了粉煤灰、矿渣、硅灰、细砂以及抗裂纤维对多孔混凝土的抗冻性能的影响.结果表明:所配制的多孔混凝土28天抗压强度为30.2～35.6 MPa,...     

冲击载荷下液压支架再制造立柱强度分析

采用有限元方法分析冲击载荷下激光熔覆再制造立柱的强度以及再制造工艺参数对强度的影响规律。以?400 mm双伸缩立柱为研究对象,建立含有熔覆层的立柱三维模型,计算冲击载荷作用下再制造立柱熔覆层及基体的应力分布及大小,分析不同熔覆厚度、熔覆材料、激光功率等参数对再制造立柱强度的影响。结果表明：再制造立柱各级缸体的应力均小于材料的屈服极限,满足强度要求;中缸内壁熔覆层局部应力大于材料的屈服极限;增大熔覆层厚度、选用较小弹性模量材料或者减小激光熔覆功率有利于提高再制造立柱的强度。     

改进蚁群系统在火炮弹药装填中的应用

在现代自行火炮武器系统中,弹药自动装填过程要求在短时间内将多枚待发药筒装填完毕.该过程的时间优化属于NP-难问题。由于算法优化的时间也计入装填过程时间内,要求算法能在短时间内优化出较好的结果。为解决该优化问题,使用了蚁群算法,并针对算法易陷入局部最优的缺点,提出了至今最优路径信息素归零策略:在迭代最优路径收敛为至今最优路径时,将其边上的信息素赋值为0。通过实验,和标准蚁群系统对比,表明具有该策略的蚁群系统,迭代次数更少、求解时间更短、解的质量更好更稳定,因而综合性能更好,更加适用于火炮的弹药自动装填过程。     

别被这些健康食品的名字给骗了

正现如今,由于人们愈发关注养生健康,超市里所谓的"健康食物"也多了起来,植物奶、营养麦片、全麦面包……真相是我们都被它们的名字骗了,它们真没那么健康!1.植物奶不是奶目前较多见称为植物奶的有豆奶、椰奶和杏仁奶,而这些其实并不属于真正意义上的奶。只有哺乳动物才能产奶,植物不可能产奶。"植物奶"更类似于"豆浆",都是把豆子、坚果或者椰子肉通过浸泡、研磨、高压均质等步骤制成的。有些"植物奶"为了达到类似"牛奶"的     

柔性零件车削振动系统建模与实验

针对轨道车辆车体各位置振动情况差异明显特点,以及刚性频段、弹性频段的减振存在宽频减振需求,建立了含多吸振器的弹性车体模型,提出了评价轨道车辆多吸振器减振指标。探讨了单吸振器在抑制车体垂向振动时存在的局限性,提出了基于轨道车辆弹性车体模型的多吸振器设计步骤,形成了能够同时抑制弹性振动与刚性振动的多吸振器设计方法,明确了多吸振器的优越性,并利用Sperling平稳性指标对多吸振器减振效果进行验证。结果表明：综合多频段、全车长的轨道车辆多吸振器减振指标能够有效地评价车体吸振器的减振效果;相比单吸振器,多吸振器能同时兼顾刚性频段和弹性频段,而且分散质量分布,对车下空闲体积要求更小,具有更好的优越性。该工作对抑制城市轨道车辆的垂向振动、提高车辆乘坐舒适性有一定参考价值。     

煤系微细高岭石颗粒沉降曳力系数的研究

经模拟和试验研究了煤系微细高岭石颗粒的沉降终端速度;运用应用统计学对煤系微细高岭石颗粒形貌属性进行了统计分析和定义;基于颗粒的形貌特性,修正了颗粒的三维球形因子(Φ)和二维球形因子(X),并构建介观高岭石沉降曳力系数模型Cd-Φ和微观高岭石沉降曳力系数模型Cd-X;运用计算流体力学-离散元法(CFD-DEM)耦合的方法...     

基于2D元胞自动机的铣刀片温度场模型建立

铣刀片在切削过程中受到周期性的热冲击,切削热产生的恶劣的温度场对刀片造成破损,温度场在铣刀片切削过程中呈现出非常复杂的变化,研究切削热和切削温度的产生和变化规律是揭示刀具破损磨损的产生机理的重要手段.针对这一问题,采用元胞自动机思想,建立以元胞自动机理论为基础的2D铣刀片的温度场模型,模拟切削过程中温度的分布,解决其他技术无法精确计算刀片中温度场分布的问题.     

基于属性描述的零样本滚动轴承故障诊断

数据驱动方式是对故障诊断模型进行训练的主要方法,然而因为机器运转环境复杂,没有可用的目标故障样本供模型训练而导致特征学习不充分的情况时有发生。针对这一问题,结合零样本学习(zero-shot learning, ZSL)思想,从属性描述的角度出发,提出了一种基于Xception网络和卷积神经网络(convolutional neural networks, CNN)的零样本滚动轴承故障诊断方法,即X-CNN故障诊断模型。X-CNN模型首先使用Xception网络对故障信号时频图进行特征提取;根据故障类别的属性描述构建属性矩阵,使用CNN对提取的特征进行属性学习;最后通过属性矩阵的相似度比较完成诊断工作。通过零样本条件下的故障诊断试验,证明了X-CNN故障诊断模型可以在不使用测试类样本进行训练的情况下完成滚动轴承故障诊断工作。