深锥浓密机搅拌刮泥耙扭矩力学模型

基于深锥浓密机内部不同高度、不同浓度尾砂对耙子运行的影响,对耙子进行受力分析,提出复杂结构耙子扭矩的计算模型。根据实际现象,将浓密机部物料分布划分为流体区和散体区两大区域,散体区内尾砂无流动性;运用浆体流变学原理和散体力学原理分别分析位于不同区域内耙子构件的受力状态,对不同的构件提出相应的扭矩模型,最终建立一种新的复杂结构耙子的扭矩力学模型。最后,利用该模型对现场深锥浓密机驱动参数进行验算。研究结果表明：最大扭矩为633.808 6 kN∙m,超出停机保护额定值21.85%;小耙子产生的扭矩占耙子总扭矩的37.96%,贡献最大。这一结果从理论上解释了深锥浓密机压耙及压耙后无法重启的原因。     

基于尾砂沉降与流变特性的深锥浓密机压耙分析

采用深锥相似模型动态沉降实验及流变参数测定方法研究深锥浓密机压耙原因.结果发现造成深锥浓密机压耙一方面是由全尾砂进料浓度和絮凝剂添加量波动造成全尾砂絮凝沉降效果不佳而引起的;另一方面是间歇式充填排料引起深锥中料浆浓度分布差异性增强,进而导致料浆流变参数突变引起的.通过对深锥压耙机理的研究,为深锥正常运行及事故预测和排除提供理论依据.     

基于泥层高度的耙架扭矩力学模型及机理分析

通过进行不同泥层高度下的连续动态浓密实验,得到压密区尾砂浆的质量分数和屈服应力的变化规律;借助屈服应力与泥层高度的回归关系,并对浓密机耙架进行力学分析,建立不同泥层高度下的耙架扭矩力学模型。研究结果表明：耙架扭矩随泥层高度的变化规律可以分为缓慢—强化—线性3个阶段。结合压密区砂浆存在形式的变化,发现随着泥层高度的增加,压密区尾砂颗粒受到的压力增大,砂浆密度提高并逐渐致密化,导致耙架扭矩在不同阶段内增长规律不同。通过采用扫描电镜观测压密区尾砂浆的微观结构,发现3个阶段内,絮团发生沉积—致密—稳定3种不同形式的变化,并伴随着絮团尺寸的改变,从而最终提高了浓密机耙架扭矩,进一步验证了耙架扭矩力学模型。     

深锥浓密机底流浓度预测与外部结构参数优化

针对困扰支持向量机(SVM)模型参数选择问题,结合遗传算法(GA),建立了深锥浓密机底流放砂浓度的GA-SVM预测模型,研究了不同结构参数状态下底流浓度的变化规律,进行了深锥浓密机的外部结构参数优化选择。以司家营铁矿为例,在最优底流放砂浓度为72%的条件下,经外部结构参数优化后的深锥浓密机锥高10m、锥角为30°,系统稳定可靠、底流连续均匀,动力荷载较同类矿山降低约15%,压耙停机故障降低80%。     

深锥浓密机底流浓度模型及动态压密机理分析

泥层高度和底流浓度是深锥浓密机最为重要的两个参数,因此有必要研究底流浓度随泥层高度的变化规律.采用自制小型深锥浓密机,对尾矿非连续/连续动态压密过程进行了物理实验;借助于有效孔隙比与泥层压强间遵循的Power函数关系,结合对尾矿颗粒的受力分析,推导出了底流浓度与泥层高度的数学模型,揭示了浓密机底流浓度与泥层高度的内在关系,并从尾矿颗粒空间结构的角度解释了该模型的变化规律;结合矿山生产对于底流浓度的要求,应用该数学模型,为其推荐了泥层高度的合理范围,验证了底流浓度数学模型的可靠性.该模型为深锥浓密机的设计和运行提供了理论依据.     

基于计算流体力学的空中回收锥套气动特性分析

无人机空中回收是指当无人机完成飞行任务后,载机在空中对其回收的技术。当前回收的方法是载机舱门打开,伸出一套绳索-锥套系统,无人机头部安装捕获杆,插入锥套并锁紧,绳索将锥套和无人机一起拖回舱内。若要完成自主控制的空中回收,要准确掌握空中回收锥套的气动特性。基于计算流体力学(CFD)研究了国外某型锥套的气动特性,并与风洞实验值进行比较,误差在合适范围内。通过CATIA改变锥套支柱的数量、展开角,构建了锥套的子模型以及改变来流空速、迎角等条件,用CFD计算的方法分别计算了不同状态下锥套的气动阻力,通过分析比较可以得出结论:稳定伞是锥套阻力的主要来源。锥套支柱数量越多,阻力系数越小,来流迎角增加,锥套阻力系数减小,锥套支柱展开角增加,锥套阻力系数增加。而空速对阻力系数几乎没有影响。该方法计算了不同影响因素变化时的锥套阻力系数,为工程中分析锥套阻力特性提供了重要依据。     

基于拉压杆模型的ECC深梁受剪承载力分析

为研究分布筋对ECC深梁破坏模式和受剪承载力的影响,对分布筋配筋率分别为0、0.31％、0.63％的ECC简支深梁进行剪切试验,分析其破坏模式及纵筋和分布筋应变的发展规律.在拉压杆(STM)模型的基础上,根据Mohr-Columb破坏准则推导建立了STM1模型,基于压杆的试验结果建立了STM2模型,并与美国规范ACI3...     

基于生物启发的信用风险分析 计算智能与支持向量机

信用风险分析是金融风险管理领域中最重要的课题之一。银行对于可靠的能准确预测违约的定量模型的需求是紧迫的。在这本专著中作者们试图把最近出版的支持向量机（SVM）和其他的计算智能技术相结合,为信用风险建模和分析复制基于生物启发的信息过程原理。为信用风险建模分析选择SVM是由于它独一无二的特性和功能强大的模式识别能力。与大多数传统的统计学模型不同,SVM是一类数据驱动、自适应及非线性的方法。它们不要求对作为基础的数据产生过程进行特殊干预,这一特性对于实际的商业环境是特别有吸引力的,在这种环境中数据是大量的,或者是容易使用的。