仿鸟微扑翼飞行器姿态控制模型研究

设计了仿鸟微扑翼飞行器气动结构布局,采用RBF神经网络辨识获得机翼气动升力和阻力模型,研究了尾翼气动力矩模型,在此基础上建立仿鸟微扑翼飞行器姿态控制模型,并通过仿真研究验证了姿态控制模型的正确性.     

超级电容器用活性炭中钾离子的解吸动力学研究

利用解吸动力学的4个方程,Elovich方程:qt=a+blnt;一级动力学方程:ln(1-qt/qe)=-ka t;指数方程:lnqt=lna+blnt;抛物线扩散方程:qt=a+bt,对超级电容器用活性炭中钾离子的解吸过程进行了模拟,Elovich方程的拟合关系最好,r=0.994;一级动力学方程次之,r=0.992,指数方程和抛物线方程的拟合结果一般,两者r均为0.973。     

莺歌海盆地“平点”叠前AVO特征及识别

为了在复杂条件下依据“平点”地震反射特征识别油气,利用近年来莺歌海盆地中深层高温、高压领域钻探成果,总结“平点”的叠后地震反射特征,分析“平点”的叠前AVO特征。发现“平点”具有“法线入射时为正反射系数,随入射角的增加,反射系数呈逐渐增大”的变化规律。进一步研究发现,“平点”的AVO特征与Castagna的四类AVO分类方案不同,通过理论推导及地震正演证实了这一认识;提出了“平点”的叠前AVO识别特征;同时结合“平点”的叠后识别标志,建立了“叠后从‘平点’形态、反射能量影响因素综合分析,到叠前‘平点’AVO特点、砂体顶底面AVO类型综合分析”系统识别“平点”的方法。应用该方法提高了研究区“平点”识别准确性,为井位目标的确定提供了依据。     

非合作浅海声源精确定位方法研究

为了实现浅海目标声源深度及多途条件下虚源深度的测量,通过分析理想信道与多途信道下聚焦波束形成声图法在源深度测量方面的机理,提出噪声源正横时能量最大深度测量法,并根据多途条件下声源真实位置与虚源位置的对称关系,实现水平直线阵布放深度的测量。文中利用理论仿真与实验数据相结合的方法,分析了不同条件下目标声源深度测量的准确性,并给出了目标声源精确定位结果。     

深井SOS微震监测系统建设与应用

为了加强深井冲击矿压预测情报有效性,介绍了SOS微震监测系统的结构、原理、布置、定位与监测信息后处理;针对采空区残余应力以及断层构造应力诱发冲击矿压的问题,以微震监测为基础,分析了不同地应力作用下可能的冲击危险。结果表明:微震活动持续不均衡活跃并呈增大趋势时有较高冲击矿压可能性;微震活动持续沉寂但矿压显现异常强烈时有较高冲击矿压可能性;微震监测系统在深井冲击危险等煤岩动力灾害的监测预报方面发挥重要作用。结论对于矿井冲击矿压监测与治理工作具有借鉴和指导意义。     

冲击矿压综合防治技术在星村深井的应用

针对深部矿井在开采过程中遇到的一些冲击矿压问题,通过微震监测技术、数值模拟分析等方法预报了可能存在的冲击威胁,依据强度弱化减冲理论,对危险区域针对性地采取大直径钻孔卸压技术和煤体爆破卸压技术等解危措施,有效地解除了冲击矿压危险,实现了安全生产,对于后期矿井进入千米开采阶段的防冲工作具有借鉴和指导意义。     

冀东油田绒囊修井液控制储层伤害应用研究

针对冀东油田在修井过程中出现漏失、含水恢复时间长、储层伤害严重等问题,在分析了绒囊暂堵机理的基础上,现场采用绒囊修井液体系,利用绒囊自匹配漏失通道实现全面封堵并可自动 返排的特性解决了这一难题。室内评价表明,绒囊修井液体系稳定时间15 d以上,封堵地层后可提高地层承压能力达到7 MPa,修井液侵入地层在8 cm以内,岩心渗透率恢复值达90%以上。在L12-6井和 NP23-X2409井进行了现场应用,L12-6井采用绒囊修井液暂堵检泵,含水恢复至正常水平仅需3 d,且日产油增加3 t多,含水率下降了30%;NP23-X2409井采用绒囊修井液暂堵后挤水泥,承压能力提高了 6~7.5 MPa,日产油增加了10 t多,含水率下降了5%。室内和现场应用表明,绒囊修井液封堵效果好,对储层伤害较小。     

基于文化算法的无线Mesh网络QoS路由算法

无线Mesh网络QoS路由问题是一个非线性的组合优化问题,已证明该问题是NP完全问题.提出一种新的基于文化算法的无线Mesh网QoS路由算法(CA PSO QoSR).该算法利用文化算法的双重演化机制,在群体空间中采用粒子群优化算法作为演化策略,在信念空间采用遗传操作实现精英解集的迭代更新,通过信念空间中不断进化的精英解信息指导群体空间的搜索.仿真实验说明新算法能够在无线Mesh网QoS路由中取得良好的效果,与其他代表性算法的对比结果验证了新算法更能满足QoS路由中带宽、时延和时延抖动等重要指标,具有较好的全局寻优能力.     

基于密集残差注意力网络的图像超分辨率算法

近年来,随着科学技术的高速发展,深度学习的蓬勃兴起,实现图像超分辨率重建成为计算机视觉领域一大热门研究课题.然而网络深度增加容易引起训练困难,并且网络无法获取准确的高频信息,导致图像重建效果差.本文提出基于密集残差注意力网络的图像超分辨率算法来解决这些问题.该算法主要采用密集残差网络,在加快模型收敛速度的同时,减轻了梯度消失问题.注意力机制的加入,使网络高频有效信息较大的权重,减少模型计算成本.实验证明,基于密集残差注意力网络的图像超分辨率算法在模型收敛速度上极大地提升,图像细节恢复效果令人满意.