基于AdaBoost卷积神经网络的矿山边坡稳定性预测

为了准确快速地分析露天矿边坡的稳定性,本文提出 Adaboost卷积神经网络（Adaboost-CNN）建立露天矿边坡稳定性和影响因素之间的非线性关系。Adaboost-CNN是结合自适应Boosting算法(Adaboost)和卷积神经网络（CNN）的一种新的机器学习方法。其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点。Adaboost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题。本文分别采用BP神经网络、支持向量机（SVM）、卷积神经网络以及Adaboost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差（RPE）,发现Adaboost-CNN的预测精度最高、模型泛化能力最强。结果表明,Adaboost-CNN能够较精确对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具     

基于AWSST和GCV的矿山微震信号联合降噪新方法

由于露天矿山开采环境的复杂性和各异性,传感器采集得到的微震信号包含大量的噪声干扰,为了获得更加准确的微震信号特征,提出了基于自适应同步压缩小波变换（Adaptive Synchrosqueezing Wavelet Transform,AWSST）和广义交叉验证（Generalized Cross-Validation,GCV）的联合降噪方法,从而对微震事件定位和判断开挖过程中岩体状态提供可靠的数据保障。首先在自适应小波变换（Adaptive Wavelet Transform, AWT）的基础上,对每个尺度中的小波系数进行阈值化处理,利用GCV方法自动确定每个成分的最佳阈值水平,达到去除噪声的目的。然后,通过同步压缩变换（Synchrosqueezing Transform,SST）的后处理操作,在时频平面对小波变换系数进行二次重分配,从而提升时频表达的能量聚集性。最后,应用于微震信号的降噪处理,并与现有的时频分析方法进行比较,结果表明提出的联合去噪方法降噪效果更好、时频分析的分辨率更高。     

浅谈地面工程项目的投资控制

以江汉采油厂王一联合站改造工程为例,分析了地面工程项目投资失控的原因,阐述了地面工程项目应在投资决策阶段、工程设计阶段、工程发包阶段和工程实施阶段进行投资控制。     

击“硫”勇进铁山坡

<正>铁山坡气田的全面达产,标志着我国特高含硫气田开发关键核心技术实现了新突破。“铁山坡气田全面达产了！全面达产了！”6月6日,雀跃的欢呼声在中国石油西南油气田川东北气矿此起彼伏。此刻,这个为攻克高含硫气田开发而生的气矿,终于圆了建矿20余年来的初心梦想;这支因迎战高含硫气田开发而奉献青春岁月的铁军,终于收获了渴望已久的胜利勋章。