矿井火灾防治技术的发展现状及趋势

防治工作主要包括3个方面:煤层自燃发火危险性评价、煤层自燃发火的预测预报和矿井火灾的防治技术。煤层自燃发火危险性评价的目的是要在火灾发生之前对火灾发生的可能性做出科学性的评价;煤层自燃发火的预测预报是在煤矿生产过程中对可能或已经发生的火灾进行监测和预测;而矿井火灾防治技术则是对即将发生或已经发生的火灾采取措施,阻止火灾的发生。     

高档普采工作面顶板管理经验

总结了益新煤煤矿在厚煤层顶板管理方面成功经验,从几个不同方面分别对高档普采工作面的顶板支护方式进行分析探讨,并介绍了顶板管理的基本工作以及特殊地点的主要措施,对分层开采假顶的注水软化、再生、进行了新的探索。     

宜万铁路岩溶隧道施工地质技术

以宜万铁路岩溶隧道的施工地质技术实践为例,介绍了施工地质作为工程勘察阶段工程地质勘探在施工阶段的延续,用以在施工过程中解决勘察阶段所没有或不能解决的工程地质问题。施工地质以超前地质预测预报为主体,以规避大型施工地质灾害为目的,在施工阶段针对可能发生的隧道围岩变更;可能存在的溶腔、断层构造、地下暗河的预测预报;可能引发的水文环境地质问题;工程竣工以后可能存在的隐伏地质病害等,在隧道施工环境条件下为保证施工进度、保证施工安全、保证工程效益、保证工程质量所进行的综合工程地质工作。施工地质包括综合超前地质预报、水文观测和隧道周边及隧底隐伏岩溶探查。     

LZ 地区致密砂岩储层裂缝综合预测方法及应用

LZ 地区储层为低孔、低渗致密砂岩储层,裂缝控制了储层的储渗空间和井的产能。通过对LZ 地区的构造特征及演化分析,并结合野外露头资料对裂缝产状进行分期配套,认为该区主要发育横张缝、剪切缝以及断层伴生缝和派生缝等构造成因裂缝。针对以上3 种构造裂缝类型,分别采用构造曲率法、古构造应力场有限元模拟法、地震不连续性检测法等对该区不同类型裂缝的分布进行了预测,并采用权重评价方法综合这3 种预测成果进行裂缝的综合预测,即建立各预测方法的准确率与其影响因子之间的回归函数,再根据预测方法的准确率确定权重系数,将不同方法的预测成果进行综合权重计算,从而对研究区致密储层的裂缝发育情况进行综合预测,经钻井资料证实其预测效果较好。     

GPRS小区流量预测中时序模型的比较研究

针对通用无线分组业务(GPRS)小区流量预测问题,对几种典型时序预测模型的性能进行了综合分析。在总结时序预测模型使用步骤的基础上,分析了自回归（AR）、自回归移动平均（ARIMA）和乘积季节自回归求和移动平均（ARIMA）模型的性能。首先,对GPRS小区流量的变化情况进行分析;再根据流量的自相关系数和偏相关系数,从不同的角度进行分析,分别得到了流量变化的AR模型和ARMA模型;进而利用小区流量以天为周期变化的特点,得到了流量变化的乘积季节ARIMA模型。最后根据GPRS小区历史流量数据,应用这三种模型预测将来某一时间的流量,并对模型性能进行比较研究。     

从勘探领域变化看地震储层预测技术现状和发展趋势

在分析构造、岩性地层和非常规勘探领域对地震储层预测技术需求的基础上,从勘探领域变化与地震技术储备之间的关系阐明当前地震储层预测技术存在的问题与不足。从地震波的定义出发,基于地震储层预测技术前提假设与实际勘探领域介质之间存在的差异,总结地震储层预测技术的发展趋势,分析储层预测关键技术的发展方向,给出整体技术发展建议：即以连续、非均匀、各向异性介质及其弹性波传播理论为基础;强化地震岩石物理分析和资料保真处理研究;研发基于衰减与频散以及方位相关地震属性的储层预测特色技术;通过整合技术资源,形成面向复杂岩性地层和非常规油气勘探领域的地震储层预测配套技术;做好储层预测质控,提高储层预测的精度和可靠性。     

一种层次化网络距离预测机制

网络坐标系统向分布式应用提供了一种高效的网络距离信息获取机制,但现有基于单一度量空间嵌入的距离预测机制难以精确描述因特网复杂的层次结构特征,进而导致较大的距离预测误差.文章提出了一种分域的层次化网络距离预测机制NetPharos,该机制根据因特网结构以及性能特征将其划分为相互独立的核心预测域和边缘预测域,通过相关边缘预测域和核心预测域内预测值迭加获取节点间距离信息.理论分析和仿真实验显示,NetPharos能够有效解决预测过程中短距离和长距离的相互干扰问题,提高预测精度.     

基于GNN双源学习的访问控制关系预测方法

随着大数据技术的迅速发展和广泛应用,用户越权访问成为制约大数据资源安全共享、受控访问的主要问题之一。基于关系的访问控制（ReBAC,relation-based access control）模型利用实体之间关系制定访问控制规则,增强了策略的逻辑表达能力,实现了动态访问控制,但仍然面临着实体关系数据缺失、规则的关系路径复杂等问题。为克服这些问题,提出了一种基于GNN双源学习的边预测模型——LPMDLG,将大数据实体关系预测问题转化为有向多重图的边预测问题。提出了基于有向包围子图的拓扑结构学习方法和有向双半径节点标记算法,通过有向包围子图提取、子图节点标记计算和拓扑结构特征学习3个环节,从实体关系图中学习节点与子图的拓扑结构特征;提出了基于有向邻居子图的节点嵌入特征学习方法,融入了注意力系数、关系类型等要素,通过有向邻居子图提取、节点嵌入特征学习等环节,学习其节点嵌入特征;设计了双源融合的评分网络,将拓扑结构与节点嵌入联合计算边的得分,从而获得实体关系图的边预测结果。边预测实验结果表明,相较于R-GCN、SEAL、GraIL、TACT等基线模型,所提模型在AUC-PR、MRR和Hits@...     

形式化 B 描述测试序列自动生成研究

基于严格数学理论的软件形式化规格说明,经过逐层精化,不仅可以让软件开发过程更加有效精准,而且为测试用例测试序列的自动生成提供了最原始可靠的依据。通过B抽象机操作的规范型,依据测试理论,可以将原操作等价于多个效用谓词（effect predication）的形式。按照路径覆盖得到状态转换图,并对状态图做了确定性处理;运用基于状态图的测试准则,生成有效的测试序列,提高测试的有效性和效率。     

一种基于特征选择的不平衡数据分类算法

不平衡数据分类是当前机器学习的研究热点,传统分类算法通常基于数据集平衡状态的前提,不能直接应用于不平衡数据的分类学习.针对不平衡数据分类问题,文章提出一种基于特征选择的改进不平衡分类提升算法,从数据集的不同类型属性来权衡对少数类样本的重要性,筛选出对有效预测分类出少数类样本更意义的属性,同时也起到了约减数据维度的目的.然后结合不平衡分类算法使数据达到平衡状态,最后针对原始算法错分样本权值增长过快问题提出新的改进方案,有效抑制权值的增长速度.实验结果表明,该算法能有效提高不平衡数据的分类性能,尤其是少数类的分类性能.