摘要：针对无线节点式地震勘探仪器工作过程中实时监测能力不足的问题,设计了基于Android平台的监控系统。系统采用WiFi无线通信技术,基于TCP或UDP协议实现Android移动设备与分布式采集节点的通讯,完成对采集节点的采集控制、实时数据传输、状态监测;通过引入第三方图标库实现采集数据的多种可视化显示;采用SQLite数据库加文件系统形式实现采集数据的存储与回放。该系统能够有效提高地震勘探工作数据采集的可靠性,解决无线节点式地震仪器“盲采”式工作数据质量不佳问题。经测试,系统实时性强、可靠性高,能够满足实际地震勘探监控需求。

摘要：岩爆是深埋隧道施工过程中开挖时形成临空面,引起能量突然释放的现象,轻则岩片剥落,重则造成人员伤亡和财产损失,其危害程度取决于岩爆烈度等级,因此岩爆烈度等级预测是急需解决的难题之一。针对单一指标预测法预测效果不理想的问题,首先设计并实现了综合指标法和针对多分类问题的分类器,其次提出并建立了基于梯度下降(gradient descent,DN)算法优化深度神经网络(deep neural network,DNN)的GD-DNN岩爆烈度等级预测模型。实验结果表明:GD-DNN模型预测的准确率达到95.8%,相比机器学习算法,K最近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)和深度学习算法DNN分别提高了45.8%、38.7%和8.3%,同时在精确率、召回率和F1三项指标上均优于其他模型。最后在秦岭隧道、大相岭隧道、通渝隧道和马路坪矿井4个实际工程中检验模型的预测效果,检验结果证明GD-DNN模型能够精准预测岩爆烈度等级,研究成果可应用于深埋隧道工程中。

摘要：在调研部分农村地区煤改气居民用户实际用气情况的基础上,建立了一种基于小波阈值去噪和采用遗传算法优化BP神经网络的短期燃气负荷预测模型(称为GA-BP神经网络预测模型)。以华北地区农村煤改气居民用户作为研究对象,对974户管道天然气居民用户2018年1月—2021年12月的日用气量进行采集。对采集数据进行小波阈值去噪处理,进行日负荷预测影响因素的选择及量化。将负荷预测影响因素和日负荷组成的数据集划分为训练集和测试集,对BP神经网络预测模型、GA-BP神经网络预测模型进行训练和测试。将两种模型的日负荷预测值与真实值进行对比,并将两种模型的评价指标进行对比,验证两种预测模型的准确性。研究结论如下。小波阈值去噪处理去噪效果良好,可用于燃气日负荷预测数据预处理。日平均温度、天气类型、节假日情况、前一日用气量、供暖情况是影响燃气日负荷预测的5个主要影响因素。有必要关注供暖过渡期的日负荷变化。这段时期温差变化大,用气情况复杂多变,对供气不确定性影响较大。对这部分的合理处理可以有效减小预测误差。日平均温度是影响农村居民用气非常重要的因素。遗传算法对BP神经网络的优化,可以很好地为网络初始权值和阈值的确定提供依据,优化了网络参数。相较于BP神经网络,GA-BP神经网络的稳定性提高,预测误差减小,预测精度提高。GA-BP神经网络预测模型应用于燃气日负荷预测是可行的。

摘要：构建由原制造商主导和第三方回收商负责再制造的逆向供应链模型,通过斯塔克伯格博弈理论分析碳税、再制造商规模效应和碳减排专利在分散和集中决策下对该逆向供应链成员最优决策的影响,并利用MATLAB进行数值仿真。研究表明:分散和集中决策下,碳税和再制造商规模效应均可促进供应链碳减排;分散决策下,碳税可以降低碳减排专利使用价格、增加再制造商产量,但未达到最优碳减排效果;当消费者对再制造品的偏好水平大于再制造过程的碳排放率时,集中决策下各成员共同研发、使用碳减排专利,供应链产量增加且倾向于销售再制造品,利润提高,碳减排效果提升。因此,可通过设计契约,合理分配供应链利润,使供应链总利润增加、碳减排效果提升,实现供应链的协调。