高温对煤炭地下气化围岩损伤的影响

煤炭地下气化是煤炭无害化开采技术创新战略方向之一，该技术可以回收老矿井废弃煤炭资源，对传统采煤技术难以开采的煤炭资源进行原位清洁转化。气化过程中燃空区形成带来的结构应力和高温造成的热应力共同作用对岩石造成损伤。以大城勘查区深部煤层为气化对象，得出典型围岩热物性及力学参数随温度变化规律。基于连续损伤力学理论，在平滑Rankine损伤模型的基础上提出高温岩石损伤变量模型，使用COMSOL Multiphysics多物理场耦合软件对深部煤层地下气化过程围岩温度、主应力、损伤变量进行模拟研究。结果表明，5种典型岩石的比热容随温度升高整体呈上升趋势，导热系数随温度升高整体呈下降趋势，抗压强度和弹性模量随温度变化规律差别较大。围岩受温度影响范围随气化时间呈指数变化，气化10 d时，温度影响范围仅为3.27 m;气化50 d时，温度影响范围达到5.73 m;气化100 d时，温度影响范围为8.21 m;气化400 d时，温度影响范围达到18.20 m。结合地下气化过程中普遍采用的控制注气点后退气化法，岩石处于高温区的时间在40 d左右，温度场对围岩的影响范围约为4.7 m。燃空区上方及两端均出现损伤...     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

三维石墨烯-碳纳米管/水泥净浆的压敏性能

为了探索三维石墨烯-碳纳米管(G-CNTs)/水泥净浆的压敏性能,采用四电极法研究了荷载作用下GCNTs/水泥净浆的电阻率变化,并分析不同G-CNTs掺量、加载幅度、加载速度以及恒定荷载对电阻率变化的影响。研究表明:随着G-CNTs掺量的增加,电阻率呈先减小后稳定的变化趋势,在G-CNTs掺量由0.2wt%增加至1.6wt%时,电阻率下降51.8%;电阻率与温度呈负相关;G-CNTs掺量高于0.8wt%时可以显著提高水泥净浆的压敏性能,且电阻率变化率与应力应变有明显的对应关系,1.2wt%G-CNTs掺量下试件的应力灵敏系数和应变灵敏系数分别为2.3%/MPa和291;G-CNTs/水泥净浆电阻率变化率幅值随着加载幅度增大而相应增加,其电阻率变化率曲线在不同加载速度以及恒定荷载作用下均与应力-应变曲线一一对应,具有良好的压敏特性。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。     

基于特征建模的TDD系统大气波导干扰控制体系研究

大气波导干扰是特定气象条件下发生的时分双工（time-division duplex，TDD）系统内干扰，是TDD移动通信系统大规模组网面临的顽疾。在总结分析大气波导干扰成因和分类等的基础上，对大气波导干扰进行建模和表征，验证了海量干扰源在时域和频域的功率集总特征，并结合大量4G/5G现网实测数据给出了典型条件下内陆波导和海面波导的量化干扰信号传播模型，对于干扰的预测和预防具有重要意义。基于干扰特征，给出了TDD系统预防大气波导干扰的帧结构与组网的4项设计原则，5G现网数据表明干扰控制方案有效，上行干扰下降10 dB以上，相关原则对于6G系统的设计也具有指导意义。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.