西北灌区地下水资源开发利用研究进展及发展趋势

围绕西北灌区地下水资源开发利用面临的问题,分析了灌区地下水的基本特征及调蓄功能,重新审视了合理开发利用地下水资源对灌区可持续发展的重要支撑作用。在此基础上,从变化环境下西北灌区地下水循环与演化机制、灌区地表水与地下水联合调控、灌区地下水开采模式及机井合理布局、灌区地下水管理机制4个方面归纳分析了国内外研究现状及进展,针对西北灌区地下水资源开发利用研究中存在的关键科学问题,探讨了灌区地下水资源开发利用科学与技术研究发展的趋势。     

汽车座椅滑轨装配生产线精益改善研究

针对某车型电动座椅滑轨装配生产线生产效率低、制造周期长的问题,基于精益生产模式,分析人员、工装设备、运输条件等要素对装配生产线制造过程能力的影响,提出装配生产线改善方案,对生产过程进行优化。改善后,生产线平衡率提高7.5%,投料工时降低87.5%,达到降低生产成本、提高生产效率的目的。     

低阶煤颗粒-气/油泡间的诱导时间研究

为表征低阶煤颗粒-气/油泡间矿化过程的差异,通过Sutherland理论下固体颗粒进入泡沫产品的总概率(E)和浮选速率常数(k)之间关系,并结合低阶煤颗粒-气/油泡的浮选速率试验,求得了低阶煤颗粒-气/油泡间的诱导时间。浮选实验研究表明,在相同的捕收剂消耗量下低阶煤-油泡浮选产率均高于低阶煤-气泡浮选产率。诱导时间测试表明,低阶煤颗粒-油泡间的诱导时间(35 ms)要明显低于低阶煤颗粒-气泡间的诱导时间(93 ms)。上述实验结果表明,油泡表面的疏水性要强于传统浮选气泡表面的疏水性。然而,进一步利用Sutherland理论中固体颗粒进入泡沫产品的总概率和浮选速率常数之间的数学关系,并结合低阶煤颗粒-气/油泡的浮选速率试验求得的低阶煤颗粒-气/油泡间的诱导时间分别为9.67和8.46 ms,其与诱导时间测试仪分别测量的诱导时间差异很大。这主要是由于在实际浮选过程中气/油泡的上升速度分别为23.26和22.68 cm/s,其远高于2015EZ型诱导时间仪测试过程中气/油泡碰撞速度(2.0 cm/s)。因此,诱导时间理论计算表明气泡-颗粒间的碰撞速度对颗粒-气泡间的诱导时间影响很大。上述研究...     

阳离子高分子絮凝剂在细粒煤泥水中的应用

为了有效解决QD选煤厂煤泥水中微细粒含量多、自然沉降,压滤处理困难的问题,采用接枝共聚反应,在淀粉骨架上引入二甲基二烯丙基氯化铵、丙烯酰胺单体制备的阳离子淀粉改性高分子絮凝剂,能使煤泥水中的细泥颗粒形成较大的絮团而快速沉降,固液分离效果好.试验结果表明,选用此接枝物用量5～15 g/m3,辅以凝聚剂30～50 g/m3进行煤泥水絮凝试验,压滤效果最佳,给煤处理能力达300～350 t/h,滤饼水分的质量分数可控制在26%,滤液浓度低于65 g/L,压滤时间比原来缩短了2/3,与非离子型PAM相比,具有价廉、无毒、絮凝效果好等特点.     

长九神山灰岩矿开采爆破块度预测研究

长九神山灰岩矿是世界上生产规模最大的砂石骨料场,爆破块度直接影响矿山的生产效益.结合现场实际生产,在两个岩体节理发育的采区共进行了11次爆破试验.基于Kuz-Ram爆破块度预测模型计算了爆破后的平均块度,发现平均块度预测计算值与爆破后实测值差异巨大.进而研究了计算值与实际值差距较大的原因,结果表明:岩体结构中节理发育程度、岩石性质是影响块度分布的主要因素,修正的Kuz-Ram模型岩石系数A的计算严重影响预测结果,建议在计算岩石系数A时,不考虑岩石密度的影响.通过现场4次验证性爆破试验数据分析显示,基于Kuz-Ram模型并使用建议修正方法得到的岩石系数,计算得到的平均块度预测值准确性明显提升,相对误差均在10％以下,预测准确性大幅提高.     

YOLOv3融合图像超分辨率重建的鲁棒人脸检测

复杂场景中的人脸检测由于受到图像质量、人脸尺度和光线等因素影响,精准地定位小人脸、避免漏检、误检是一件极具挑战性的任务。提出了一种基于YOLOv3、融合图像超分辨率重建技术的两级人脸检测模型SR-YOLOv3。针对场景中小人脸目标的漏检问题,利用K-means++算法对先验框进行聚类分析,设置更小尺寸的先验框来捕获小人脸信息;针对模糊小尺度人脸的误检问题,采用Darknet53作为主干网络,融入SRGAN图像超分辨率重建模块对低分辨率的人脸进行数据增强,形成一个可以提高低分辨率小人脸检测性能的检测网络。利用WIDERFACE数据集对SR-YOLOv3模型进行训练和测试,并与MTCNN、CMS-RCNN、HR、S3FD算法相比,验证了提出的模型具有更高的检测精确度,尤其是在hard子集上的性能提升最为明显。SR-YOLOv3能够有效地利用人脸信息,精准检测出复杂场景中的难检测人脸目标,具有很好的鲁棒性。     

基于正则互表示的无监督特征选择方法

针对高维数据含有的冗余特征影响机器学习训练效率和泛化能力的问题,为提升模式识别准确率、降低计算复杂度,提出了一种基于正则互表示（RMR）性质的无监督特征选择方法。首先,利用特征之间的相关性,建立由Frobenius范数约束的无监督特征选择数学模型;然后,设计分治-岭回归优化算法对模型进行快速优化;最后,根据模型最优解综合评估每个特征的重要性,选出原始数据中具有代表性的特征子集。在聚类准确率指标上,RMR方法与Laplacian方法相比提升了7个百分点,与非负判别特征选择（NDFS）方法相比提升了7个百分点,与正则自表示（RSR）方法相比提升了6个百分点,与自表示特征选择（SR_FS）方法相比提升了3个百分点;在数据冗余率指标上,RMR方法与Laplacian方法相比降低了10个百分点,与NDFS方法相比降低了7个百分点,与RSR方法相比降低了3个百分点,与SR_FS方法相比降低了2个百分点。实验结果表明,RMR方法能够有效地选出重要特征,降低数据冗余率,提升样本聚类准确率。     

牛顿-软阈值迭代鲁棒主成分分析算法

针对鲁棒主成分分析（RPCA）问题,为了降低RPCA算法的时间复杂度,提出了牛顿-软阈值迭代（NSTI）算法。首先,使用低秩矩阵的Frobenius范数与稀疏矩阵的l₁-范数的和来构造NSTI算法的模型;其次,同时使用两种不同的优化方式求解模型的不同部分,即用牛顿法快速计算出低秩矩阵,用软阈值迭代算法快速计算出稀疏矩阵,交替使用这两种方法计算出原数据的低秩矩阵和稀疏矩阵的分解;最后,得到原始数据的低秩特征。在数据规模为5 000×5 000,低秩矩阵的秩为20的情况下,NSTI算法和梯度下降（GD）算法、低秩矩阵拟合（LMaFit）算法相比,时间效率分别提高了24.6%、45.5%。对180帧的视频前景背景进行分离,NSTI耗时3.63 s,时间效率比GD算法、LMaFit算法分别高78.7%、82.1%。图像降噪实验中,NSTI算法耗时0.244 s,所得到的降噪后的图像与原始图像的残差为0.381 3,与GD算法、LMaFit算法相比,时间效率和精确度分别提高了64.3%和45.3%。实验结果证明,NSTI算法能够有效解决RPCA问题并提升RPCA算法的时间效率。