溶浸采铀“线上+线下”混合教学模式

“线上+线下”混合教学是结合传统线下教学和网络线上教学各自优势的一种新型教学模式,是当前高校教学改革的热点研究方向。以溶浸采铀课程为例,在调研现有教学模式的基础上,设计了“线上+线下”混合式教学模式,并对该模式的课程内容设计、线上线下课程组织、课程教学评价等方面进行了分析。     

基于曲线拟合和神经网络的独头巷道CO浓度预测研究

为了准确预测矿山独头巷道CO浓度,基于云南老厂锡矿1800运输巷甩车场独头巷道掘进工作面CO浓度监测数据,运用MATLAB曲线拟合工具箱对该独头巷道中CO浓度随时间的变化情况进行曲线拟合,建立了该矿山独头巷道中CO浓度随时间变化的数学模型。通过该模型得到该独头巷道中CO浓度值达到安全规程要求所需的时间。然后,运用卷积神经网络时间序列预测模型（CNN模型）和BP神经网络时间序列预测模型（BP模型）对独头巷道CO浓度进行预测,并比较评价指标R2和RMSE。结果表明：BP神经网络时间序列预测模型对该独头巷道CO浓度的预测效果更好,为该矿山独头巷道CO浓度值的监测和控制提供了准确可靠的理论依据。     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

无烟煤基质表面CO2和CH4的吸附热力学分析

以四川煤田无烟煤为研究对象,采用高精度智能重量吸附仪测定了288、308、328 K 3个温度下CO_2和CH_4的吸附等温线,分析了CO_2和CH_4在煤基质表面的吸附热力学特性。结果表明:CH_4的亨利常数低于CO_2,CH_4在煤基质表面的吸附亲和力较弱;温度可以降低亨利常数,进而减弱CO_2和CH_4与煤的相互作用;CH_4的负值的吉布斯自由能变和表面势能大于CO_2,CO_2在煤上吸附的自发性更高,吸附也更容易;随着压力增大,负值的吉布斯自由能变和表面势能逐渐减小,高压更有利于气体的吸附;CO_2的等量吸附热和熵变随吸附量的增加呈现增加趋势,而CH_4的等量吸附热和熵变随吸附量的增加呈现降低趋势;CO_2的等量吸附热和熵变大于CH_4。