本文论述了阶段自然崩落法的几个岩体力学问题。为了减小在岩体同一地点获得的RQD值的差异,建议采用一个新的指标NRQD,这是在垂直于主要一组不连续面的方向上进行的统计。如果只是在水平面上调查岩体的不连续面,统计数据可能会失真,建议进行空间调查。提出了一个新的假设——在崩落与放矿过程中,矿石和岩石不仅具有从体积上由大变小的趋势,而且具有从形状上由不均匀向均匀过渡的趋势

在转炉留渣-双渣工艺脱磷阶段结束倒渣时,分别使用样勺获取倒渣开始时上部泡沫渣,倒渣结束时下部泡沫渣以及倒渣结束后炉内剩余底部泡沫渣,使用宏观及微观的方法分别分析泡沫渣各部位气泡分布特点.结果表明:气泡平均当量直径,上部>下部>底部;孔隙率,上部>下部>底部.转炉泡沫渣的形成过程为:随着大量CO/CO2气泡进入渣中,气泡之间不断碰撞、合并,上部气泡被下部气泡抬挤且由于气泡本身的浮力作用,气泡不断上升,气泡在上升时由于重力作用,气泡之间渣相在重力作用下析液,气泡的拓扑结构不断发生变化,同时气泡之间不断碰撞、合并,最后形成上部气泡直径大且孔隙率高,下部气泡直径小且孔隙率低的泡沫渣

1。基本概念: 杂化轨道:在原子形成分子的过程中,不是简并的轨道线性组合成 一组新的原子轨道,这种新的原子轨道就是杂化轨道。 形成杂化轨道的数目不变,只是空间分布的方向和分布情况不同, 能级改变。杂化轨道一般与其它原子形成较强的o键或安排孤电子对 不会以空轨道存在

1、书写标识符时,忽略了大小写字母的区别。 编译程序把a和A认为是两个不同的变量名,而显示出错信息。C认为大写字母和小写字母是两个不同的字符。习惯上,符号常量名用大写,变量名用小写表示,以增加可读性 。 2、忽略了变量的类型,进行了不合法的运算。 printf(\%d\, a%b) 是求余运算,得到a/b的整余数。整型变量a和b可以进行求余运算,而实型变量则不允许进行「求 余」运算 。 3、将字符常量与字符串常量混淆。 在这里就混淆了字符常量与字符串常量,字符常量是由一对单引号括起来的单个字符,字符串常量是一对 双引号括起来的字符序列

一、健康的概念 健康(heal th)一词,在古代英语中有强壮(hale)、结实(sound)和完整(whole) 的意思,这也是人们的共识。但在不同时期,不同的人对健康的认识又不完全相同,有些 人认为主观感觉良好或检查不出疾病就是健康,他们根据自己的感觉,有无症状及能否从 事日常的活动,判断自己是否健康;另外一个人的年龄、社会经济地位、文化背景、教 育程度、经验、个人的价值观和希望等都影响他们对健康的看法

充填节理的破坏主要有充填物破坏和充填物与节理接触面破坏两种形式,其抗剪强度与最小抗剪部分的强度相同.当充填物破坏时,单独对充填物部分进行受力分析,得到此时的节理抗剪强度公式.讨论了充填节理强度随法向压应力及充填厚度的变化规律:随着法向压应力的增加先增大后减小,但随充填厚度的变化并不十分明显.对不同厚度的砂浆充填节理进行直剪试验.结果表明:其剪切强度与破坏模式有关;在同一破坏模式下,不同充填厚度的节理其剪切强度变化不大

提出了一种分数阶的对称性近似平移不变过完备小波的构造方法.首先,给出一种构造具有对称性且具有最小长度的低通滤波器方法.其次,通过拓普利兹矩阵分解法求出对应的具有近似平移不变性的高通滤波器,此方法比其他分解方法具有更低的计算复杂度.此外,利用此构造方法,也得到具有更高阶消失矩的分数阶过完备小波变换.最后,将构造出的分数阶对称平移不变过完备小波应用到轴承故障诊断中.实验结果表明,提出的小波变换能有效地提取出轴承的故障特征

从金屬及合金腐蝕的一般原理出發,討論了馬氏體,鈇素體及奧氏體三類不銹鋼,著重討論了奧氏體不銹鋼的合金化問題。研究指出,可用錳及氮代替鉻鎳型不銹鋼中的部份鎳,可用鈦及鈮防止鋼的晶間腐蝕;指出,加入鋼鉬等元素能提高鋼的耐腐蝕性能,加入硼能提高含氮鋼的晶間腐蝕抗力

从中国两座高炉风口回旋区取出煤粉样研究表明:当喷煤量达到140kg/t.HM(占燃料总量的27%)时,虽然煤早在直吹管内就开始了挥发和燃烧,但煤在回旋区内并不能完全燃烧。不过这一不完全燃烧还不破坏高炉的顺行。用两种方法在实验室内进行了粉煤燃烧动力学研究,一种是用电阻丝加热鼓风,另一种则用等离子火炬。发现煤的燃烧率在40~80μm范围内几乎和煤的粒度大小成反比,它随着风温的提高而提高,直到1475℃;富氧到40%仍很有效。当空气过剩系数降到1.2~1.3以下则煤的燃烧率突然下降。当鼓风旋转时燃烧加快。滴落区内,炉渣和煤灰或未燃尽的半焦的混合并不是提高喷煤量的控制因素。喷煤枪位置、角度和形状影响气固两相分布的研究表明:这些因素对喷入煤粒在助燃空气流中的均匀分布有显著影响,这一研究是采用激波管和纹影法完成的

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度