期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
Cable attenuation study of Tibet water Cherenkov muon detector array-A
1
作者 GOU Quanbu GUO Yiqing +2 位作者 LIU Cheng QIAN Xiangli hou zhengtao 《Nuclear Science and Techniques》 SCIE CAS CSCD 2011年第4期230-234,共5页
This work aims at online calibration of signal attenuation of the long cable used in Tibet water Cherenkov muon detector array-A (Tibet MD-A) under the Tibet air shower array.Based on a waterproof connection of the si... This work aims at online calibration of signal attenuation of the long cable used in Tibet water Cherenkov muon detector array-A (Tibet MD-A) under the Tibet air shower array.Based on a waterproof connection of the signal cable to PMT (R3600_06) and characters of the high voltage divider,terminal reflection method is used for measuring the signal attenuation with a practical way to eliminate contribution of the pulse baseline.Comparison measurement data-taking method (with charge-to-digital conversion) was carried out by using open-ended cables,confirming that terminal reflection method is a fast and convenient,and suitable to online calibration of the signal attenuation for Tibet MD-A.At 26℃,the measured attenuation coefficient with the 250-m cable connected permanently to the PMT,was ~13.9%.The cable frequency response was measured by using the sinusoidal signals.The method could be used to study time dispersion of signals produced with Tibet MD-A detector via Fourier analysis. 展开更多
关键词 探测器阵列 信号电缆 信号衰减 Μ介子 西藏 防水 频率响应测量 测量数据
下载PDF
基于CNN BiGRU RF模型的TBM掘进参数预测研究
2
作者 王海宾 王永涛 +3 位作者 陈黎涵 侯正涛 刘江 丁自伟 《中国煤炭》 2024年第9期80-91,共12页
作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神... 作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神经网络(CNN)优化的双向门控循环单元(BiGRU)神经网络并通过随机森林(RF)进行集成的TBM掘进参数预测模型,实现对TBM掘进参数的预测。研究结果表明:选取与总推力和推进速率关联度最密切的刀盘转速、刀盘扭矩和贯入度作为特征参数;构建的CNN BiGRU RF模型预测掘进参数对总推力和推进速率的拟合优度R 2均值分别为0.950和0.966,均方误差MSE平均值分别为0.750和0.782,均方根误差RMSE平均值分别为0.866和0.885,平均绝对误差MAE平均值分别为1.054和1.007,并且回归评价指标MSE、RMSE、MAE相较于CNN BiGRU模型,分别降低2.497、0.966和0.386,R 2提升23.4%,证明CNN BiGRU RF模型的预测准确度和泛化性最高。该研究可为实际工程掘进参数预测提供指导,有助于推动TBM在煤矿的推广,保障TBM的施工进度。 展开更多
关键词 CNN BiGRU RF模型 TBM掘进参数 皮尔逊相关系数法 卷积神经网络 双向门控循环单元神经网络 随机森林 时间序列预测
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部