基于IGWO-CatBoost模型的岩石爆破块度预测

针对无法准确预测矿山岩石爆破后块度大小的问题,提出一种基于改进灰狼算法(IGWO)优化的CatBoost块度预测模型。采用一种新的非线性收敛因子,引入动态权重策略,改进已有的灰狼算法(GWO),通过4个测试函数和5种优化算法验证了IGWO的寻优能力。对公开数据库和现场采集的32组数据进行预测分析。首先,采用随机森林算法进行特征重要性筛选,利用IGWO对CatBoost进行参数寻优,建立IGWO-CatBoost爆破块度预测模型;然后,将预测结果与在相同条件下建立的CatBoost、XGBoost、LightGBM模型进行对比分析。经过IGWO调参,CatBoost模型的预测准确度得到有效提高,IGWO-CatBoost模型的预测准确度均优于其他3种预测模型。对比结果表明,IGWO-CatBoost模型具有很好的预测能力和适应性。

封闭体系内丁烷-空气预混气体爆炸的试验研究

为研究不同浓度丁烷-空气预混气体在封闭管道内的燃爆特性,利用方形密闭爆炸试验管道对不同体积分数的丁烷-空气预混气体进行爆炸试验。结果表明:气体爆炸先后经历了压力上升第一阶段、压力上升第二阶段和压力下降阶段;随着丁烷气体浓度的上升,爆炸压力上升速率、最大火焰速度、火焰加速度都呈先升高、后降低的趋势;其中,当丁烷体积分数为5%时,上述参数均达到峰值;含水管道中,气相与液相的爆炸压力趋势基本一致,但相较于无水管道中的压力变化更为平缓,并且最大爆炸压力及升压速率都较低。为可燃气体燃爆问题研究提供理论参考。

基于多模态特征融合的井下人员不安全行为识别

采用人工智能技术对井下人员的行为进行实时识别,对保证矿井安全生产具有重要意义。针对基于RGB模态的行为识别方法易受视频图像背景噪声影响、基于骨骼模态的行为识别方法缺乏人与物体的外观特征信息的问题,将2种方法进行融合,提出了一种基于多模态特征融合的井下人员不安全行为识别方法。通过SlowOnly网络对RGB模态特征进行提取;使用YOLOX与Lite-HRNet网络获取骨骼模态数据,采用PoseC3D网络对骨骼模态特征进行提取;对RGB模态特征与骨骼模态特征进行早期融合与晚期融合,最后得到井下人员不安全行为识别结果。在X-Sub标准下的NTU60 RGB+D公开数据集上的实验结果表明:在基于单一骨骼模态的行为识别模型中,PoseC3D拥有比GCN(图卷积网络)类方法更高的识别准确率,达到93.1%;基于多模态特征融合的行为识别模型对比基于单一骨骼模态的识别模型拥有更高的识别准确率,达到95.4%。在自制井下不安全行为数据集上的实验结果表明:基于多模态特征融合的行为识别模型在井下复杂环境下识别准确率仍最高,达到93.3%,对相似不安全行为与多人不安全行为均能准确识别。

基于减震设计的药品运输冷藏箱研究

通过对药品冷藏箱的发展现状及多个方面的特性进行分析,研究出一种减震效果较好的药品冷藏箱。利用减震胶垫的减震特性以及因果关系分析的数学方法,寻找减震胶垫的合理位置;利用对比实验分析卡扣数量及组合;利用六西格玛能力图验证减震的有效性。在此基础上,还对冷藏效果做了进一步的改进,从而解决药品运输过程中存在的问题,最终做到在保证运输速度的同时也能够保证箱体内药品的质量。

基于TAUNet分割模型的爆堆块度空间分布研究

为了更好地满足矿区现场爆堆块度实时高精度检测的需要,提出了一种基于深度学习的爆堆块体分割模型TAUNet(Transformer Aspp UNet),该模型在UNet的编码器和解码器中融入Transformer的自我注意机制,利用其处理大型特征映射,改善全局信息的提取,恢复在编码器中跳过的粒度细节。在骨干网络特征提取阶段,加入了ASPP空洞卷积模块,增强了模型对块体局部特征的融合。在爆堆图像分割的基础上,采用爆堆分层的方法获取爆堆的块度空间分布信息。结果表明:(1)TAUNet分割模型具有良好分割性能,模型训练评价指标骰子系数、交并比、召回率分别达到97.12%、94.61%、96.2%,均优于主流的语义分割模型,对现场爆堆块体有着良好的分割效果;(2)通过爆堆分层的方法可知肇庆某矿山西采区315~300 m平台的爆堆块度空间分布,87.15%岩块粒径分布在0~0.6 m, 9.9%的岩块粒径分布于0.6~1.0 m,大于1.0 m的大块占2.95%。研究结果能够为爆破效果评价的精细化、智能化发展提供参考借鉴。