排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
为揭示煤岩变形对煤层瓦斯抽采渗流特性的影响,开展了煤层瓦斯抽采气固耦合问题研究。首先,考虑煤吸附解吸变形、孔隙压力及渗透性变化对瓦斯抽采的影响|然后,根据达西定律,建立以有效应力及吸附应变为耦合媒介的煤层瓦斯渗流和煤岩变形气固耦合方程|最后,以沙曲矿24208工作面为工程背景进行抽采煤层位移、吸附应变和瓦斯渗流数值模拟,并对比分析煤层瓦斯压力、煤层渗透率和瓦斯抽采量的耦合效应。结果表明:抽采后钻孔周围煤体位移呈增大趋势,煤体因瓦斯解吸收缩变形,距抽采孔越近应变量越大|抽采初期煤层瓦斯压降梯度大|煤层渗透率随抽采时间呈增大趋势,距孔越近增幅越大|初期钻孔瓦斯抽采量较大但降幅较快,后趋于稳定,对比发现模型抽采量计算结果与实际抽采数据较为一致。 相似文献
2.
采用支持向量机对比分析了SVM分类器与InceptionV3网络模型两种方式对煤矸图像的识别准确率。首先对煤和矸石图片进行灰度、降噪处理,提取煤和矸石灰度特征值,确定了灰度方差与灰度均值是区分煤和矸石的有效特征。然后选用SVM分类器与InceptionV3网络模型两种方式分别对采集到的煤和矸石图像各2 000张分为20组进行分类处理。结果发现,以灰度方差为判别依据的SVM分类器对煤矸图像的平均识别正确率为72.3%,以灰度均值为判别依据的InceptionV3网络模型对煤矸图像的平均识别正确率为85.7%. 相似文献
3.
传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明:YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值(mAP)达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Gho... 相似文献
4.
1