【摘 要】
:
深井大倾角工作面采用留窄煤柱沿空掘巷布置方式时,受深井高应力、复杂地质构造和多次采掘扰动等影响,造成巷道反复受载,返修量大,影响矿井的安全生产.通过理论分析和数值模拟计算,最终确定张双楼煤矿深井大倾角工作面留设5m煤柱较为合理,采取爆破切顶、非对称耦合支护、帮部锚索和护表构件高强连接等技术,改善了沿空掘巷的应力环境,提高了支护体的整体性、协调性和围岩自承载能力,保证了沿空掘巷的支护效果.
【机 构】
:
徐州矿务集团有限公司 生产调度指挥中心,江苏 徐州 221018
论文部分内容阅读
深井大倾角工作面采用留窄煤柱沿空掘巷布置方式时,受深井高应力、复杂地质构造和多次采掘扰动等影响,造成巷道反复受载,返修量大,影响矿井的安全生产.通过理论分析和数值模拟计算,最终确定张双楼煤矿深井大倾角工作面留设5m煤柱较为合理,采取爆破切顶、非对称耦合支护、帮部锚索和护表构件高强连接等技术,改善了沿空掘巷的应力环境,提高了支护体的整体性、协调性和围岩自承载能力,保证了沿空掘巷的支护效果.
其他文献
2021年10月22日,为庆祝中国自动化学会成立60 周年,由《模式识别与人工智能》参与举办的2021中国自动化大会Workshop“人工智能前沿热点论坛”成功召开.此次论坛旨在探讨未来人工智能发展趋势,明确研究发展方向,针对人工智能几个关键领域展开深入探讨与交流,邀请著名学者做主题报告,加强同行交流互动.
NTRU (number theory research unit)作为基于格公钥密码体制的经典分支,具有实用性强、尺寸小、计算速度快的优势,在第三轮NIST后量子密码算法标准化的评估中成功入围.自2015年Nu?ez提出第一个基于NTRU的代理重加密方案以来,如何构造可证明安全的高可用性NTRU代理重加密方案,成为NTRU代理重加密体制研究发展的重难点问题.本文首先基于BI-NTRU-LPR公钥
领域自适应方法在特征变换过程中对多个度量大多采取静态权重设置,导致方法在不同任务上效果差异较大.为此,文中提出领域自适应任务中的动态参数调整方法.基于再生希尔伯特空间模型,最小化域间可区分性联合概率分布差异,求解域间不变特征空间.在此过程中,依据A-距离计算域间差异中同类标签和不同类标签分布差异的占比,并以此动态调整可区分性和可迁移性的权重参数,从而达到最优的自适应效果.在3个图像分类数据集上的实验表明文中方法的有效性.
许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的
Camellia算法是一种在国际上应用广泛的密码算法,当需要在资源受限的硬件设备上实现该算法时,通常会使用塔域实现技术来优化S盒的面积.本文研究S盒的紧凑实现,通过穷搜基于正规基构造的塔域空间下的每一种方案,并对每种方案使用最新的优化技术,得到了一个比目前最佳情况面积更小的方案.对方案的仿真实验证明,综合结果与理论分析结果一致,打破了目前紧凑实现的记录.
本文通过求解SIMON算法密钥扩展算法的混合整数线性规划(mixed-integer linear programming, MILP)模型,首次给出其相关密钥不可能差分分析结果.对分组密码算法的不可能差分特征搜索一般是限制输入输出差分均只有1比特或1个S盒活跃,在此基础上遍历求解,如果其MILP模型无解,则得到一条不可能差分特征.而SIMON算法采用线性密钥扩展算法,主密钥差分确定之后每一轮的子
少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类
针对类间间距较小、可分性较差的样本数据聚类问题,文中提出自适应Rulkov神经元聚类算法.首先,构建基于自适应距离和共享近邻的相似度矩阵,将样本构成的无向图的最优分割问题转化为拉普拉斯矩阵的谱分解问题,并按特征值大小选取拉普拉斯矩阵的特征向量作为新的样本特征,增大样本类间间距,减小类内间距.然后,将样本根据新特征映射为神经元,样本特征距离决定神经元之间的耦合权值,通过耦合强度自学习进一步提升样本可分性.最后,通过强连通分量实现样本聚类.在多个合成数据集和真实数据集上的实验表明文中算法获得较优的聚类效果.
小样本学习旨在让机器像人类一样通过对少量样本的学习达到对事物认知和概括的能力.基于度量的小样本学习方法希望学习一个低维嵌入空间,直接对比查询集合和支持类之间的相似性,分类测试样本.文中针对基于度量的小样本学习方法,尝试从这类方法需要解决的关键问题、类表示学习和相似性度量入手,梳理相关文献.与已有相关综述不同,文中只针对基于度量的小样本学习方法进行更详尽全面的分类,而且从关键问题角度进行分类.最后总结目前代表性工作在常用的图像分类任务数据集上的实验结果,分析现有方法存在的问题,并展望未来工作.
近年来,群智感知网络作为一种新型的感知模式,已成为当前的研究热点之一.数据请求者将感知任务分发到各地区的用户,用户根据任务要求将采集到的感知数据上传到数据中心,并由数据中心返回到数据请求者.为了保护数据隐私并减少数据在传输过程的通信开销,本文基于Huang等人提出的支持密文比较的同态加密方案,设计了一种群智感知网络环境下支持多种数据处理功能的数据聚合方案.通过同态加密,提出的方案实现了安全数据聚合