水分对CH_(4)和CO_(2)在煤中竞争吸附特性影响研究

为研究水分对CH_(4)和CO_(2)及混合气体在煤中竞争吸附的影响,通过自主研发的含瓦斯煤多元气体竞争吸附试验系统进行不同含水率煤对CH_(4)和CO_(2)单组分吸附研究,试验结果表明:水分并没有改变CH_(4)和CO_(2)等温吸附曲线的基本规律,在相同条件下,水分也未影响煤对单组分气体吸附能力的排序,始终是煤对CO_(2)的吸附能力大于对CH_(4)的吸附能力。相同条件下,水分对CH_(4)的抑制率大于CO_(2)吸附量抑制率,说明水分对煤吸附弱吸附性气体的抑制程度更大。在进行水对混合气体的竞争吸附影响研究试验,发现:当注入煤体的气体比例保持不变时,在同一吸附平衡压力下,混合气体的吸附总量随着水分含量的升高而降低,并且吸附平衡后的CH_(4)吸附量和CO_(2)吸附量都随着煤体中水分含量的增大而减小;而当含水率不变时,同一注气比例下的气体吸附平衡压力越大,吸附平衡后的CH_(4)吸附量和CO_(2)吸附量越大。游离相中的CO_(2)的体积分数始终低于气源,而CH_(4)体积分数始终高于气源。不同条件下CO_(2)/CH_(4)选择系数的数值均大于1,范围处在4.8~5.4,煤对CO_(2)的吸附亲和能力大于CH_(4)。相同组分混合气体吸附条件下,CO_(2)/CH_(4)选择系数均随着试验煤样含水率变大而降低。该研究进一步完善影响煤对气体吸附的因素的理论分析,以及为工程实践为井下注气促抽瓦斯技术提供理论依据。

面向任务的无人飞行器自组网OLSR协议

无人飞行器(unmanned aerial vehicle,UAV)自组网的路由研究多以性能指标出发、忽略无人飞行器网络的任务驱动性,与实际需求动态耦合弱、适用性不强。针对该问题基于无人飞行器多任务网络提出了面向任务的无人飞行器联盟组网架构,提出了无人飞行器联盟的任务自适应优化链路状态路由协议(task adaptive optimized link state routing,TA-OLSR)。基于模糊逻辑设计拓扑稳定度计算方法,利用拓扑稳定度实现TA-OLSR控制消息的自适应广播,同时结合稳定度设计新的多点中继选择策略。仿真结果表明,TA-OLSR算法能从宏观面向任务的角度出发,实现不同任务下的良好自适应性,提升数据包投递率,减少冗余信息传播,降低网络开销,有效提高整体网络性能。

含添加剂双流体细水雾抑制瓦斯爆炸实验研究

针对主要威胁我国煤矿安全生产的瓦斯爆炸和燃烧事故等问题,尤其是在单一煤层综放工作面低位高抽巷内易形成瓦斯积聚,在开采过程中,又会出现顶板矸石垮落、矸石和支护金属材料撞击,很容易导致瓦斯爆炸。本文探究含添加剂双流体细水雾在瓦斯爆炸抑制方面的应用效果。基于搭建的含添加剂双流体细水雾抑制管道瓦斯爆炸实验平台,对比分析了不同惰性气体与细水雾相互作用对瓦斯爆炸的抑制规律和效果,含添加剂的瓦斯抑制机理,并研究了不同添加剂浓度、不同添加剂种类对瓦斯爆炸抑制效果的影响。探究发现细水雾分别与CO_(2)、N_(2)、He和Ar四种惰性气体作用,均对瓦斯爆炸有着协同增益的效果。对比分析了有无添加剂的细水雾对瓦斯爆炸的抑制效果,添加剂的加入明显能够提升抑制效果;添加剂的浓度及添加剂的种类对抑制瓦斯爆炸有一定影响,很大程度地减少了瓦斯爆炸的危害。本文研究为防治煤矿瓦斯爆炸提供了一项具有重要意义的主动抑爆新技术。

基于改进哈里斯鹰算法的无人飞行器路径规划

针对无人飞行器三维路径规划问题,提出一种基于哈里斯鹰优化(Harris hawks optimization,HHO)算法的无人飞行器三维路径规划算法。首先根据路径规划代价指标和无人飞行器自身性能,建立路径规划模型确立代价函数和约束条件。接着针对传统HHO算法的不足,引入非线性能量因子来平衡全局搜索和局部搜索的关系,使算法避免陷入局部最小值;引入混沌映射对HHO算法进行初始化种群并对其进行局部混沌搜索,增强算法种群多样性和搜索能力。最后通过仿真实验证明,改进的哈里斯鹰优化(improvement Harris hawks optimization,IHHO)算法可以有效规划出安全的无人飞行器航线,并且能够跳出局部最小值和具备较优的收敛速度。

基于改进Deformable-DETR的水下图像目标检测方法

针对由于水下复杂环境造成的目标检测效果较差、检测精度较低的问题,基于Deformable-DETR算法提出一种改进的水下目标检测算法Deformable-DETR-DA。使用空间注意力模块结合标准Transformer块设计了一个用于增加模型深度的深度特征金字塔(deep feature pyramid networks,DFPN)模块,将其嵌入到模型中提高模型对深层纹理信息的提取能力。使用注意力引导的方式对原模型中编码器部分进行改进,加强了对特征信息的聚合能力,提高了模型在复杂环境下的检测能力。针对URPC数据集,模型各交并比尺度的平均准确度(average precision,AP)为39.5%,相比原模型提升1%,与一些DETR(detection transformer)类的模型相比,不同目标尺度的平均准确度均有1%~4%左右的提高,表明改进的模型能够很好解决复杂环境的水下目标检测的问题。本文提出的模型可作为其他水下目标检测模型设计的参考。

脑血管数字减影血管造影高分辨率分割网络设计

针对现存卷积神经网络对脑血管数字减影血管造影分割精度不高的问题,本文提出了一种基于U-Net的改进网络(IC-Net)。通过融合使用Inception和CAM通道注意力模块,以多种感受域提取更丰富的血管特征信息,并对特征信息进行筛选。增加7×7卷积层,通过压缩特征层分辨率的方式减少训练过程中产生的数据量。本文所提模型与U-Net、R2U-Net、Attention U-Net相比,IOU、Accuracy、F1-Score和ROC曲线下面积4项指标平均提升了1.82%、0.014%、1.19%和0.73%。结果验证了IC-Net模型明显提升了脑血管数字减影血管造影虚弱血管和血管末端的检测能力,提升了分辨伪影噪声的能力,为医生识别脑血管中产生的病变提供有力参考。

基于语序知识的双通道图卷积网络方面级情感分析

当前大多数基于图卷积网络的方面级情感分析方法利用文本的句法知识、语义知识、情感知识构建文本依赖,但少有研究利用文本语序知识构建文本依赖,导致图卷积网络不能有效地利用文本语序知识引导方面项学习上下文情感信息,从而限制了其性能。针对上述问题,提出基于语序知识的双通道图卷积网络(dual-channel graph convolutional network with word-order knowledge,WKDGCN)模型,该模型由语序图卷积网络(word-order graph convolutional network,WoGCN)和情感知识结合语义知识增强的句法图卷积网络(sentiment and attention-enhanced graph convolutional network,SAGCN)组成。具体地,WoGCN基于文本的语序知识构建图卷积网络,由文本的语序依赖引导方面项特征学习上下文情感信息;SAGCN利用SenticNet中的情感知识结合注意力机制增强句法依赖,利用增强后的句法依赖构建图卷积网络,以此引导方面项特征学习上下文情感信息;最后融合两个图卷积网络的特征用于情感分类。此外,设计了一种权重分配策略,在放大方面项权重的同时保持上下文权重一致,避免错误的计算方面项特征与重要特征的语义相关性。在多个公开数据集上的实验结果表明,所提方法优于对比模型。

基于能量均衡的非均匀分簇调度算法

针对无线传感器网络节点能量有限且不可充电的问题,本文提出基于能量均衡的非均匀分簇调度算法(EBNC_CHES)延长网络寿命。EBNC_CHES在麻雀搜索算法的基础上,引入时间竞争机制减少冗余信息获取和能耗传递的同时,采取K-means非均匀分簇均衡簇间网络能量消耗,引入改进的麻雀搜索在簇头选举中均衡簇内能耗。仿真结果表明:该算法与LEACH、EECHS_ISSADE和EESSTBRP相比,冗余信息降低了81%、80%、55%,能耗利用率提高了133%、50%、11.4%,寿命延长了52.8%、43.5%、12.2%。此算法能减少冗余信息,降低网络能耗、延长网络寿命。

基于双反射镜的2D-DIC变形测量系统开发

二维数字图像相关(two-dimensional digital image correlation,2D-DIC)在测量过程中不可避免地会出现相机光轴与测量表面非垂直,由此产生的离面位移而将导致较大的测量误差,同时在视场受限的环境中难以通过单台相机完成大范围的变形测量。有鉴于此,该文开发了基于双反射镜的2D-DIC变形测量系统,使用双反射镜成像缓解离面运动对2D-DIC的影响,通过可移动相机实现小视场下的图像采集,提出基于频域移位的高精度图像拼接方法,并改进了融合函数,最终获得试样的高分辨率图像。单轴拉伸实验结果表明,轴向应变的平均相对误差相比传统2D-DIC方法降低12.82%,测量分辨率提高约34.92%,验证了测量系统的可行性和有效性。

MCFNet:融合上下文信息的多尺度视网膜动静脉分类网络

针对由于血管类间具有强相似性造成的动静脉错误分类问题,提出了一种新的融合上下文信息的多尺度视网膜动静脉分类网络(multi-scale retinal artery and vein classification network,MCFNet),该网络使用多尺度特征(multi-scale feature,MSF)提取模块及高效的全局上下文信息融合(efficient global contextual information aggregation,EGCA)模块结合U型分割网络进行动静脉分类,抑制了倾向于背景的特征并增强了血管的边缘、交点和末端特征,解决了段内动静脉错误分类问题。此外,在U型网络的解码器部分加入3层深度监督,使浅层信息得到充分训练,避免梯度消失,优化训练过程。在2个公开的眼底图像数据集(DRIVE-AV,LES-AV)上,与3种现有网络进行方法对比,该模型的F1评分分别提高了2.86、1.92、0.81个百分点,灵敏度分别提高了4.27、2.43、1.21个百分点,结果表明所提出的模型能够很好地解决动静脉分类错误的问题。

变工况下动态卷积域对抗图神经网络故障诊断

针对基于无监督域自适应故障诊断方法忽略了域间数据结构信息、传统域对齐平均最大差异法全局泛化能力差等问题,本文提出一种基于无监督域自适应理论的动态卷积域对抗图神经网络故障诊断模型,分别通过对数据的类别标签、域标签和数据结构信息进行建模。通过分类器和域鉴别器分别建模类别标签和域标签,通过图神经网络将数据结构信息嵌入到实例图节点中,利用高斯Wasserstein距离来度量不同领域的实例图之间的差异。本文对比了不同工况下共14种迁移任务在各模型下故障识别的准确率。实验结果表明:基于动态卷积的域对抗图神经网络模型在变工况下的故障诊断效果均优于其他对比模型,且模型性能稳定。

高压注入条件下N_(2)对含水煤中CH_(4)置换效应的影响

为了揭示高压注入条件下N_(2)对不同含水率煤中CH_(4)置换效应影响,基于含水率为0.75%、1.5%和3%的3种煤样,开展了高压注N_(2)置换CH_(4)实验。实验结果表明:随着煤含水率的增加,煤吸附CH_(4)和N_(2)的能力表现出逐渐减弱的趋势,N_(2)的吸附量始终小于CH_(4)的吸附量,且N_(2)置换CH_(4)的能力逐步下降;在本实验压力条件下,CH_(4)预吸附平衡压力超出0.75 MPa越大,其N_(2)利用率越低。同时随煤含水量的增加,CH_(4)置换率、N_(2)注置比均出现逐步减小的趋势,因此可得CH_(4)置换率、N_(2)注置比均与煤的含水量呈负相关关系。实验含水煤样更好的还原井下处于潮湿环境中的原煤,通过CH_(4)置换率和N_(2)注置比的反馈得出,过大的注气压力并不能得到良好的注气效果,反而会降低该置换源气体的利用率,因此对井下注N_(2)置换煤层CH_(4)的工程技术来说,为避免盲目提高注气压力而造成N_(2)的置换效率下降的现象,建议井下煤层注N_(2)置换CH_(4)时,CH_(4)吸附平衡压力控制在0.75 MPa最佳。

基于人工蜂群算法的大规模武器目标分配研究

针对大规模武器目标分配问题,本文提出一种改进的多目标武器目标分配模型,该模型将武器平台泛化为武器,并将武器平均飞行时间作为第2个优化目标。为有效解决这类问题,本文还提出了改进的自适应离散多目标人工蜂群算法。该算法基于人工蜂群算法和非支配排序策略,引入了自适应算子操作数、重用蜜源探索信息的变异概率策略,并通过蜜源之间、蜜源与外部解集之间的交互以提高算法的收敛性,通过算子的随机选择保持种群多样性。最后通过不同规模武器目标分配的对比实验,证明了所提自适应算子操作数与重用蜜源探索次数的变异概率策略的有效性,并与MOABC、MOPSO、NSGA-II算法在反向世代距离、超体积、时间3个方面进行比较,本文算法能够在保证时效性的前提下得到质量更好的Pareto解集。

深部强压工作面水力压裂卸压防控效果研究

潞安化工集团余吾煤业S5207回风巷掘进过程中,部分巷道出现底鼓、顶角帮鼓和顶板下沉等问题,同时存在断锚杆锚索和响煤炮等动力显现情况。经测量得知,该工作面存在方向为N21.5°E的最大水平主应力为9.15 MPa,最小水平主应力为4.97 MPa,垂直方向上的主应力为10.9 MPa。为解决这一问题,针对S5207深部强压工作面,采用水力压裂技术工艺来弱化坚硬难垮顶板。经过对压裂段和非压裂段的检测点进行位移、应力和荷载检测,结果显示,在压裂段中,顶底板的移近率和两帮的收缩率相比非压裂段分别降低了43.8%和37.9%。压裂段滞后工作面的应力值稳定在平均13.05 MPa,而非压裂段工作面的应力持续增长,最终平均值达到18.6 MPa。在超前工作面的位置,压裂段工作面出现了超前支承应力峰值,平均值为13.0 MPa,增幅为2.1 MPa,超前支承应力集中系数约为1.2。综上所述,水力压裂技术能够明显减轻相邻工作面回采动压,降低巷道受力和围岩变形,有效弱化坚硬顶板,提高巷道整体安全性,并保证动压巷道留巷成功率。该技术的应用,不仅解决了余吾煤业动压巷道的技术难题,还取得了一定的技术、经济和社会效益,并为类似条件下的巷道卸压提供了宝贵的经验。

面向水下移动汇聚节点的媒体接入控制协议研究

针对水下移动传感网络(underwater mobile sensor network,UWMSN)中使用自主移动节点进行数据收集存在的拓扑结构不断变化、传输不可靠的问题,提出一种动态退避发送数据帧的自适应媒体接入控制(media access control,MAC)协议,通过将协议划分为控制阶段与数据阶段周期性地更新可建立通信的节点信息,根据当前周期获得的节点距离信息调度各节点数据传输顺序,利用水下环境的大传播时延计算各节点的回退发送数据帧的时间,使用数据重传机制提高传输的可靠性。采用OPNET网络仿真模拟器对提出的协议进行仿真和对比分析。仿真结果显示,协议在密度较低的小范围水下传感网络中可保证较高的投递成功率和较低的端到端时延,增大了网络吞吐量,提高了网络性能。

水分对CO_(2)置换煤中甲烷的影响效应研究

为了研究水分对CO_(2)置换煤中甲烷的影响效应,选择无烟煤作为试验煤样,采用水蒸气吸附法分别配制不同含水率的煤样,通过优化的BET模型计算出煤对水的吸附势能,并展开CO_(2),CH_(4)及混合气体等温吸附试验。结果表明:优化的BET模型可以很好地拟合煤对水蒸气的吸附量;无烟煤对水的一级吸附势能E1与二级吸附势能E2分别为44.20 kJ/mol和42.27kJ/mol,大于煤对CH_(4)与CO_(2)的吸附势能,说明水分对煤中气体具有置换作用;相同条件下,CO_(2)的吸附能力大于CH_(4);随着含水率提高,煤吸附CO_(2)与CH_(4)的能力逐渐减弱;水分对煤中甲烷的置换效果显著增强;CO_(2)对煤中甲烷置换量随含水率提高而降低,置换率基本不变,水分对CO_(2)置换起到抑制作用。

基于跨任务一致性的半监督肝脏CT图像分割

目前基于深度学习的医学图像分割方法往往需要大量带标记数据训练网络模型,然而医学影像的标记数据获取通常非常昂贵,半监督学习能使模型利用大量未标记数据和少量标记数据学习。该文提出了一种基于跨任务一致性的半监督学习框架来降低神经网络模型训练时需要的标记数据成本。该方法利用V-Net网络作为主干框架并添加两个辅助解码器,同时在解码器中引入一个辅助回归任务,提高模型分割性能,并在主副解码器的分割任务和回归任务之间施加正则化约束的跨任务一致性损失,该框架能够学习到大量未标记数据的几何先验信息。在LiTS2017 Challenges数据集上验证了该方法的有效性。在使用20%标记数据的实验中,该方法的Dice系数和Jaccard指数分别达到了93.95%和88.87%,相比全监督V-Net网络模型训练下的Dice系数和Jaccard系数分别提高了3.60百分点和5.78百分点。实验结果表明,该方法在使用少量带标记数据情况下达到接近100%带标记数据训练分割肝脏的精度,与其他的半监督方法相比分割精度更优。

中医温通法在奥沙利铂相关周围神经病变中的应用

奥沙利铂作为消化系统肿瘤化疗的常用药物,其治疗副反应一直困扰着肿瘤患者,并影响患者预后,值得临床关注。其中,奥沙利铂相关的周围神经病变是限制肿瘤患者预后的主要因素。通过查阅文献,总结中医防治奥沙利铂相关周围神经病变的方法手段,以期为临床治疗提供参考。

融合卷积和Transformer的腹部多器官分割网络

腹部多器官分割在计算机辅助诊断中起着至关重要的作用,具有重要的研究价值。但由于腹部多器官边界模糊、背景复杂以及形状大小多变,使这项任务极具挑战性。为此,提出了一种融合卷积和Transformer的腹部多器官分割网络TCMSUnet。首先,在特征提取阶段设计了多尺度引导融合模块(GFM),利用高层特征提取的显著语义信息来引导低层特征以增强相邻特征的语义一致性,从而促进不同尺度特征的融合;随后设计了全局局部增强模块(GLE),通过空洞卷积和Transformer块结合来增强模型对全局局部上下文信息的提取,使模型在建立长距离依赖关系的同时加强特征的局部关联性;最后,在解码器部分引入多阶段损失聚合结构以加快模型的收敛并优化模型的性能。在Synapse数据集上评估了模型的性能,其平均Dice相似系数(DSC)为81.20%。实验结果表明,所提方法整体性能优于多种比较网络,并对形状大小多变的器官有更好的分割效果。

面向方面级情感分析的双通道图卷积网络

当前大多数方面级情感分析通过在句法依赖树上构建图神经网络,从句法依赖树上聚合方面项与上下文之间的情感信息,缺乏对文本语义相关性以及文本中情感知识的挖掘。为此,提出一种融合语义信息和文本自身情感信息的双通道图卷积神经网络(Dual-Channel Graph Convolutional Networks,DC-GCN)模型,该模型基于具有上下文语义相信息的句法依赖图(Sentiment-relationship Graph,SrG)和情感依赖图(Sentiment Graph,SeG)构建。具体来说:首先,使用注意力机制捕获文本的语义相关性,并将其融入句法依赖,设计了一个具有上下文语义信息的句法依赖图(SrG);其次,整合SenticNet词典中单词的情感信息构建了一个文本情感依赖图(SeG);最后,分别基于SrG和SeG构建单通道图卷积神经网络,再将两个单通道图卷积网络融合成双通道图卷积神经网络,以融合文本的具有语义信息的句法特征和文本自身的情感特征。在四个公开数据集(Twitter,Rest14,Lap14和Rest16)上取得了比对比模型更好的效果,其中文中模型在Marco-F1值上分别高出对比模型0.95百分点、1.24百分点、0.62百分点和2.75百分点。