煤层瓦斯突出危险区综合预测方法

常规的瓦斯突出预测技术,主要从单一角度出发,无法达到多因素影响下的瓦斯突出危险区域预测精度。以某研究区为例,利用基于遗传算法的支持向量机(SVM)网络,预测了瓦斯含量;将孔隙度作为构造煤的判别因子,并通过概率神经网络(PNN)反演方法,得到了构造煤分布情况;介绍了基于自然伽马曲线的拟密度反演方法,获得了煤层顶板岩性情况。综合瓦斯含量、构造煤分布及煤层顶板岩性3个方面特征,建立了一套瓦斯突出危险区域综合预测方法,为判断瓦斯突出危险区提供了理论基础。经过与实际突出位置做验证,预测结果吻合,说明了综合预测方法在此研究区具有较高的准确性。     

基于YOLOv4的航空发动机叶片凸台目标检测北大核心

针对航空发动机内部检测叶片凸台缺陷的问题,提出了一种基于YOLOv4(You Only Look Once)的目标检测算法。算法使用迁移学习加载了在coco公开数据集上训练的预训练模型权重,为了更好的适应对凸台检测中小目标、结构复杂的特点,通过聚类分析的方法调整先验框尺寸,同时对原始数据集使用Mosaic方法进行数据增强。实验结果表明,改进后的YOLOv4模型在检测精度上提高了15.85%,召回率提高了21%,平均交并比可达0.75,检测性能优于在同一数据集中使用的SSD目标检测算法。     

基于测井参数的页岩有机碳含量支持向量机预测

为了解决传统的有机碳含量TOC测量方法成本高和无法获得TOC含量连续分布的问题,提出了一种TOC含量的统计预测方法。由于地层的岩性的不同,TOC含量的差异非常大,因此,首先对原始的测井数据聚类,通过聚类的方法将不同岩性的地层区分开,对不同的地层分别建立TOC含量的预测模型,再通过聚类的方法提高了各测井参数和TOC含量的相关性,这不仅提高了模型的准确性,而且使得模型更有说服力;然后通过粒子群算法优化SVM模型参数,避免了因人工选择参数带来的模型不稳定的问题,依此建立测井参数优选的SVM-RFE模型,对每一类分别进行测井参数筛选,有效的规避了各测井参数之间的信息冗余和不相关参数带来的模型性能降低和训练时间增加的问题;最后利用优选后的测井数据和SOM的分类结果,对不同的地层岩性分别建立SVR模型进行预测。结果表明:通过与其他TOC含量预测模型对比,SOM-SVR模型更加稳定,更有说服力,预测误差小,平均相对误差约6%,平均绝对误差不超过0.2。由此,可以通过SOM算法对不同岩性的地层进行聚类之后再建立TOC含量的预测模型,更有利于提高模型的精度。     

新时期环境保护与节能减排问题及对策探析

近年来,随着新经济时代的来临,人类能够对各种资源进行更好地开发和利用,与此同时,人们越来越意识到环境保护的必要性。在能源稀缺与污染严重的情况下,如何制定相应的环境保护和节能减排对策,成为我国亟待解决的问题。只有从源头着手解决环境污染问题,找到合理利用自然资源的途径,才能制定符合新时代发展需求的策略,促进人与自然的和谐发展^[1]。     

鄂尔多斯盆地临兴区块测井含气量解释方法

煤层含气量不仅是煤层气储层综合评价的一个重要参数,同时,准确预测煤层含气量也是预防瓦斯爆炸事故的重要手段,因此准确确定煤层含气量是至关重要的。针对这一问题,以鄂尔多斯盆地东缘临兴区块为研究对象,结合前人研究成果,同时引入了基于决策树模型的集成算法模型,依据研究区实测数据,分别建立了煤层含气量的SVM模型、神经网络模型、随机森林模型、梯度提升树模型4种预测模型,分析并对比了各模型的性能。结果表明,基于决策树模型的集成算法模型预测效果更好,稳定更强,在样本量较少、维度较低的样本集上比SVM模型和ANN模型更有优势。     

电力调度对象持证在线管理系统设计与实现

随着电网的不断发展,电网规模的不断扩大和新型设备的引入,电力操作处置越来越频繁,同时对电力调度对象的技能等级和操作熟练度要求也越来越高。为了保证电力操作工作稳定顺利地推进,相应的培训工作也要紧跟步伐。但目前尚无一个有效的培训管控机制或者方法,去有效地验证培训的实际效果。因此,文章构建了电力调度对象持证在线管理系统,通过数据分析来量化培训工作的开展效果,间接保证了电网的安全稳定运行。