基于BP神经网络的星箭界面动载荷识别

提出一种基于BP神经网络的星箭界面动载荷识别新方法。建立卫星结构的高保真动力学模型,利用仿真分析/地面试验获取的卫星结构加速度响应与星箭界面加速度激励的样本库;基于BP神经网络训练卫星结构加速度与星箭界面加速度激励的传递关系,利用实测卫星结构加速度响应识别星箭界面加速度激励;将星箭界面加速度激励施加与卫星结构的高保真动力学模型获取星箭界面动载荷。开展了数值仿真和振动试验,验证了所提出方法的有效性,为服役状态下卫星结构的振动载荷环境预示提供有力支撑。

基于钻进参数的煤岩界面识别系统研究

针对底抽巷瓦斯抽采穿层钻孔施工过程中,煤岩界面识别不及时、不准确,缺少相应技术手段的问题,设计开发了一套基于钻进参数(转速、回转扭矩、推进力、推进速度、破碎比功)的煤岩界面识别系统,整套系统由数据感知层、采集层和分析层组成。其中,数据感知层和数据采集层合称钻机数据采集系统,可以对钻进参数进行实时采集;数据分析层则采用支持向量机(Support Vector Machine,SVM)分类算法对带有煤岩分类标记的钻进参数进行数据学习和模型训练,继而对未知的钻进参数进行分类预测,最终实现煤岩界面自动识别。在河南鹤壁中泰矿业的现场应用表明:钻进参数中的回转扭矩、推进速度和破碎比功在煤岩界面处均产生明显的“涨落”,可以作为区分煤层和岩石的3个特征参数;使用线性核函数的支持向量机分类模型可以准确地将两种地层中的钻进参数区分出来,通过对训练集中89个样本数据学习即可在测试集中获得100%的正确率,说明了特征参数和地层信息之间是线性可分的。该系统推广应用不仅可以为煤岩分类识别提供基础数据的获取途径;还可以为穿层钻孔的煤岩界面识别提供一定的科学依据和指导,从而确保钻孔达标,避免抽采空白带的产生。

基于钻进参数的钻孔煤岩界面识别系统开发及应用

瓦斯抽采钻孔施工是落实区域防治煤与瓦斯突出措施的关键一步,目前,底抽巷穿层钻孔施工多采用普通液压钻机,而在钻进过程中无法知道钻孔轨迹和钻头层位,主要依靠人的专业知识和一些外界信息来分析判断钻孔是否到达设计层位,这种方法受工人经验积累程度,信息滞后、干扰因素多的影响,判断结果往往具有一定偏差、延迟和误差。通过采集钻机的钻进参数,开发了适用于煤矿井下瓦斯抽采钻机的钻孔煤岩识别系统,为底抽巷穿层钻孔层位的判定提供科学依据和指导,改善了现有人工识别的不准确、不及时情况,避免了见煤后进尺过多和过煤的现象,提高了钻孔施工的经济性。

钻进参数用于香港复杂风化花岗岩地层的界面识别

在采用仪器钻进系统对复杂风化花岗岩地层界面进行成功识别的基础上,在复杂风化花岗岩场址的勘探中进行进一步应用和检验。在该风化花岗岩地层中,强风化与中等风化花岗岩交错,地层特征相当复杂。试验采用R–20液压回转式钻机,并安装数字式钻孔过程监测系统,在钻孔过程中对穿孔参数进行自动采集。对穿孔参数的定性和定量分析表明,在此地层中,有效轴压力、钻具转速、冲洗压力、钻头位移及穿孔速率等监测参数在界面处亦具有明显的涨落,说明这些参数与界面处岩石强度的变化具有很好的响应特征,能可靠地揭示复杂地层的变化。同时,采用变斜率法对地层中的主、次界面进行识别。t检验表明,仪器钻进系统对岩土界面识别的置信度为99%。

基于钻进能量理论的隧道凝灰岩地层界面识别及围岩分级方法

钻机钻进过程中钻头旋转产生的扭矩以及作用于钻头的轴推进力是破碎岩石的能量来源,当钻进条件确定时,可用破碎单位体积岩石的实际能耗来反映岩石的物理力学性质。基于此原理在青岛胶州湾海底隧道FK4+375.5的上断面进行了超前地质探孔作业,得到凝灰岩地层中的钻进参数及钻进能量随钻头位移的变化曲线,并利用能量理论对钻进过程中监测的钻机参数进行分析,研究发现:在凝灰岩中,数字钻机参数与围岩岩性响应程度较高,围岩完整、坚硬、无裂隙水时,整体钻进参数值较高;围岩裂隙发育、含水或有断层、夹泥层时,钻进速度、推进力、转速、扭矩、打击能等数据会突变,其值变小。分析所得结果与钻孔取芯、TSP超前预报等物探手段得到的结果基本一致。并采用能量法对围岩进行分析,利用钻进比能划分相应的岩体区段,判断出围岩等级。通过对能量曲线的分析发现,在凝灰岩地层中,当钻进能量小于0.95 kJ时会出现断层或较大的节理裂隙区。

松辽盆地南部上白垩统中部组合层序界面的识别标志及高分辨率层序地层格架

系统总结了松辽盆地南部中部组合层序界面的岩心、测井、生物、地震等识别方法;统计了盆地短轴方向不同相带层序界面及短期基准面旋回的分布特征,并分析了层序界面和短期旋回模式在不同相带的分布规律。中部组合青山口组和姚家组共划分为4个长期旋回和10个中期旋回。在层序地层序、沉积学原理的指导下,采用岩心、测井、地震三位一体,点、线、面紧密结合,以岩心、测井层序划分为基础,以地震技术为手段进行层序地层的立体拓展,建立层序地层格架,为下一步勘探提供了重要的依据。

河流相地层高精度地层构型界面形成机制及识别方法

分析了河流相单砂层级别的高精度地层构型界面的形成机制及河流相自旋回对异旋回的改造和影响,总结了单砂层级别高精度地层构型界的识别标志,及在异旋回控制下进行自旋回对比高精度地层构型界面的对比方法。结果表明:一个单层主要由河道侵蚀前期沉积物掠夺可容空间并逐渐充填、洪水期形成洪泛泥岩后形成;共有5种河道砂体的叠置模式和对比模式,而且河道砂体的叠置模式受可容空间增加速率与沉积物供应速率比值控制。

自然T射线煤岩界面识别传感器的理论建模及实验验证

根据采煤机实际工作环境，提出了顶板自然ｒ射线在穿透顶煤后按加权指数函数衰减的观点，在此基础上导出了指导煤岩界面识别的测报方程，提出通过３次标定确定煤层的线衰减系数，更接近实际参数。现场实验表明，提出的方法与以往基于简单指数衰减函数的测报方法相比精度大为提高，实验中出现的最大误差为５０ｍｎ，同时，该方法具有在薄顶煤条件下测报精度高、可靠的特点，适合我国不留顶煤或少留顶煤的采煤工艺要求。为开发适合我国煤矿使用要求的煤岩界面识别传感器提供了理论依据。

岩土工程界面识别中的地层判别分类方法研究

如何根据钻进过程参数曲线对钻进地层进行可钻性实时分级是仪器钻进系统发展和应用的关键技术。据此,对统计模式识别进行分析,并针对钻进参数样本数据的特点,采用最短距离聚类准则,分别建立类及分类数已知与类及分类数未知条件下的地层判别分类及有效性检验方法;同时,在风化花岗岩金刚石钻进中采用钻进比功曲线对地层进行了分级研究。研究结果表明,在普通风化花岗岩地层中,该聚类分析方法分类性能良好、精度高、误判率低,所获得的分类结果与岩芯地质录孔的分类结果相吻合。该方法为岩土工程地层的自动判别分级提供了定量判别方法。

基于EMD与神经网络的煤岩界面识别方法

针对放顶煤中煤岩界面难以识别的问题,采用检测液压支架尾梁振动信号的方式进行了研究,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和神经网络的识别方法。首先,对振动信号进行经验模态分解,得到多个固有模态分量(intrinsic mode functions,简称IMF);然后,对各IMF进一步分析以提取特征参数;最后,选择若干个包含主要信息的参数组成特征向量作为神经网络的输入来识别落煤和落岩两种情况,实现煤岩界面的自动识别。实验结果表明,分别以各IMF的能量、峭度和波峰因子组成的特征向量均可用于识别煤岩界面,且当以能量组成特征向量时比其他两种方式具有更高的识别率。

基于主成分分析和BP神经网络的煤岩界面识别

针对现有煤岩识别方法由于提取的时域参数过多,存在识别速度慢、实时性差等问题,提出了一种基于主成分分析和BP神经网络的煤岩界面识别方法。该方法首先提取采煤机滚筒扭矩的时域信号,然后利用主成分分析方法对该时域信号进行压缩,最后将得到的最终信号输入到BP神经网络进行煤岩识别。仿真结果表明,该煤岩识别方法不仅满足了识别率,还提高了识别速度,为提高滚筒调高响应速度奠定了基础。

基于图像多小波变换的煤岩界面识别

针对现有煤岩界面识别方法存在普适性差、可靠性差等问题,提出了一种基于图像多小波变换的煤岩界面识别方法。对煤岩图像进行多小波变换,提取不同频带多小波系数在固定窗口大小下的标准差作为纹理测度并生成归一化多频带特征向量,利用朴素贝叶斯分类器对纹理特征进行识别。实验结果表明,对于分辨率为128×128的图像,当窗口大小为9,选择频带F5—F16构造特征向量时,识别率可达96.14%。

香港充填土风化花岗岩场址勘探中的界面识别研究

针对香港充填土风化花岗岩场址勘探,在液压旋转钻机上安装钻孔过程监测系统(DPM),对有效轴压力、钻具转速、冲洗压力、钻头位移及穿孔速率进行了实时监测。采用变斜率作为显著性指数,对地层中的主、次界面进行了识别。t-检验表明:DPM系统对岩土界面识别的置信度为99%。此外,对穿孔参数在界面处的变化分析表明:这些参数随孔深的变化曲线在界面处存在不同涨落,轴压力和穿孔速率对界面上岩石强度变化的响应度为81.82%。

基于仪器钻进系统的风化花岗岩地层界面识别

针对香港风化花岗岩场址勘探,在液压旋转钻机上安装钻孔过程监测系统(drilling process monitoring,DPM),对有效轴压力、钻具转速、冲洗压力、钻头位移及穿孔速率进行了实时监测.采用变斜率作为显著性指数,对地层中的主、次界面进行了识别.t检验表明,DPM系统对岩土界面识别的置信度为99%.此外,对穿孔参数在界面处的变化分析表明,这些参数随孔深的变化曲线在界面处存在不同涨落,轴压力和穿孔速率对界面上岩石强度变化的响应度为81.82%.

基于EMD与峭度滤波的煤岩界面识别

煤岩界面识别问题一直是制约放煤自动化发展的一项关键问题,液压支架尾梁振动信号分析法是近年来发展较快的一种有效方法。该方法中煤和矸石信号在频域内存在差异是非常有用的信息,但因系统低频干扰较多且两种信号差异微弱,无法直接提取使用。通过对振动信号使用经验模态分解(empirical mode decomposition,简称EMD)得到多个固有模态分量(intrinsic mode function,简称IMF);以峭度为准则,选取煤和矸石差异最大的通道对信号重新合成;使用Hilbert边际谱分析煤、矸石的频域范围,以矸石频域特征区域求取带通滤波最优截止频率;对合成后的信号进行滤波。实验结果表明,该方法能够减少信号低频干扰、突出较高频成分,使煤与系统干扰的低频信号视为常态被屏蔽,而混入煤中的矸石较高频信号能够被及时识别,实现了煤岩界面识别的目的。

基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究

针对现有的煤矸界面识别技术采用的γ射线法不适用于顶板不含放射性元素或者放射性元素含量较低的工作面,而雷达探测法探测范围小、信号衰减严重的问题,提出了一种基于Mel频率倒谱系数和遗传算法的煤矸界面识别方法。该方法利用煤矸放落过程中产生的声波信号的特征差异进行煤矸识别,采用Mel频率倒谱系数将去噪后的煤矸声波信号变换到频域进行处理,提取出煤矸声波信号的32维特征参数;采用遗传算法优化处理32维特征参数,得到最优参数组合;采用支持向量机和BP神经网络对最优参数进行识别。实验结果表明,该方法能够准确识别出煤矸下落状态。

基于机器视觉的煤岩界面识别研究

针对现有煤岩识别方法存在煤岩界面传感器结构复杂、可靠性差、普适性差等问题,提出了一种基于机器视觉的煤岩界面识别系统设计方案,给出了系统总体结构,分析了系统识别煤岩界面的工作原理,重点讨论了图像特征选取和分类器的设计。该系统根据灰度共生矩阵理论提取煤岩图像的22种纹理特征,采用增l减r法搜索出优选特征,最后运用线性函数判别法构建煤岩分类器模型。实验结果表明,该系统的煤岩分类器模型性能稳定,具有较强的识别能力。

创业团队簇协同复杂性及关键界面识别

为满足复杂情景下多团队创业过程中界面协同涌现性分析及管理需求,围绕创业型团队的创业创新交互特征,从群体、环境、机会和能力4个维度梳理了实现创业团队簇协同的界面结构。解读动态创新环境下多主体共同创业衍生的协同有效性非线性涌现属性及内涵,从共生共赢、动态适应、系统全局3个层面提出创业团队簇界面协同有效性涌现机理。在此基础上,改进常规DEMATEL方法,构建能够满足复杂情景下多重决策导向判定需求的关键影响界面识别方法,并面向某一混合所有制创新型企业开展案例应用分析。案例应用结果表明,该理论框架和分析方法有效、可行,对复杂合作情景下多主体协同效应涌现属性解析评价具有一定借鉴意义。

扭振测量在煤岩界面识别中的应用研究

为了更有效地进行煤岩界面识别,利用扭振信号来进行煤岩界面识别研究。首先从理论上分析了扭振信号与滚筒截割力的关系;应用小波包和模糊神经网络技术进行信息特征提取和数据融合,论证了扭振信号的有效性与可靠性,并与直线振动信号进行了对比。识别结果表明,扭振信号数据比较稳定,识别正确率达到92%;而直线振动信号的正确识别率为63%,理论分析与试验验证是一致的。通过滚筒轴扭振信号来监测采煤机运行状态是一有效手段。

煤岩界面识别技术研究

煤岩界面识别系统是综采工作面智能化生产的重要环节,总结了目前国内外各种煤岩界面识别的技术方法,分析了各种方法的优缺点及其应用场合,展望了未来煤岩界面识别技术的发展方向,对煤矿的智能化生产具有重要意义。