改进的数理统计法在勘探网密度定量研究中的应用

分析了数理统计学法在定量研究和确定合理的勘探网密度的原理、方法的基础上,指出了数理统计法不足的地方,并提出了改进方法。结合刘桥二矿实际情况进行了计算和分析,认为该方法更符合生产实际。

七氟丙烷(HFC-227ea)灭火系统管路流场数值模拟

采用二阶精度的有限体积法对稳定、不可压缩、绝热流动的时均雷诺方程进行离散,并使用不同密度的网格及不同类型的湍流模型对七氟丙烷(HFC-227ea)灭火系统管路的90°弯管的内部流场进行数值模拟,数值模拟结果与实验结果保持相当的一致性,满足工程计算要求。但要更为精确地模拟弯管的内部流场,需采用更为精确的模拟方法如大涡模拟(LES)或直接数值模拟(DNS)的方法。

试论矿床勘探网度的定量分析

本文采用矿床稳定程度、构造复杂程度以及变化系数修正值、二级差、变异函数、矿体规模等六项指标,按其作用大小及可靠程度给予不同的指数赋值并计算各矿床的熵值,以熵值作为确定勘探网度级别的定量标准。据此,提出磷矿床勘探网度的四大类型和勘探网度方案,通过28个实例计算以及17个矿区探采对比结果证明,该方法计算结果与实际资料基本一致。同时,本文采用区间估计验证勘探网度,该验证方法能充分利用全部探矿工程,体现了勘探类型—勘探网度—储量级别的定量关系,简便、可行。

道路结构特征下的车道线智能检测

目的在智能网联汽车系统开发中,复杂环境下的车道线检测是关键环节之一。目前的车道线检测算法大都基于颜色、灰度和边缘等视觉特征信息,检测准确度受环境影响较大。而车道线的长度、宽度及方向等特征的规律性较强,具有序列化和结构关联的特点,不易受到环境影响。为此,采用视觉信息与空间分布关系相结合的方案,来提高复杂环境下的车道线检测能力。方法首先针对鸟瞰图中车道线在横向和纵向上分布密度不同的特点,将目标检测算法YOLO v3(you only look once v3)的网格密度由S×S改进为S×2S,得到的YOLO v3(S×2S)更适于小尺寸、大宽高比物体的检测;然后利用车道线序列化和结构相互关联的特点,在双向循环门限单元(bidirectional gated recurrent unit,BGRU)的基础上,提出基于车道线分布关系的车道线检测模型(BGRU-Lane,BGRU-L)。最后利用基于置信度的D-S(Dempster-Shafer)算法融合YOLO v3(S×2S)和BGRU-L的检测结果,提高复杂场景下的车道线检测能力。结果采用融合了视觉信息和空间分布关系的车道线检测模型,在KITTI(Karlsruhe Institute of Technology and Toyoko Technological Institute)交通数据集上的平均精度均值达到了90.28%,在欧洲卡车模拟2常规场景(Euro Truck Simulator 2 convention,ETS2_conv)和欧洲卡车模拟2复杂场景(Euro Truck Simulator 2 complex,ETS2_complex)下的平均精度均值分别为92.49%和91.73%。结论通过增大YOLO v3纵向的网格密度,可显著提高模型检测小尺寸、大宽高比物体的准确度;序列化和结构关联是车道线的重要属性,基于空间分布关系的BGRU-L模型的准确度受环境影响较小。两种模型的检测结果在经过D-S融合后,在复杂场景下具有较高的准确度。