首页期刊导航|中南大学学报（英文版）
期刊信息/Journal information
中南大学学报（英文版）
中南大学学报（英文版）

黄伯云

月刊

2095-2899

zngdxb@mail.csu.edu.cn

0731-88879765

410083

湖南省长沙市中南大学内

中南大学学报（英文版）/Journal Journal of Central South UniversityCSCDCSTPCD北大核心EISCI
查看更多>>《Journal Central South University of Technology》（即《中南大学学报（英文版）》ISSN 1005-9784,CN43-1231/TD）是国家教育部主管、中南大学主办的以材料、选矿、冶金、化学化工、机电、信息、地质、采矿、土木等专业学科为主的科技期,1994年创刊,双月刊。自2007年第1期起与世界著名德国科技出版集团施普林格(Springer-Verlag)联合出版。本刊已被《科学引文索引》（SCI-E）；《EI Compendex》(即EI核心版)；《化学文摘》；《金属文摘》；《铝工业文摘》等知名检索刊物收录：
正式出版
收录年代

    特厚煤层综放强采动巷道围岩应力演化特征:以塔山矿为例

    严红李桂臣李永祺张庆超...
    3840-3854页
    查看更多>>摘要：特厚煤层上下区段综放工作面两次开采形成的强采动应力易诱发煤与瓦斯突出、冒顶、塌陷等灾害,开展强采动应力演化和作用特征研究是关键.本文主要通过建立几何相似比1:100的物理模型,研究采动应力演化特征、强采动巷道围岩失稳机理和高应力卸压方法.实验结果显示上下区段综放面两次开采过程中,特厚煤层综放强采动巷道煤柱帮均为所监测围岩区域中最剧烈影响区;结合室内相似材料物理模型和现场钻孔应力监测结果比较,验证了特厚煤层综放开采利用窄煤柱布置方法进行高应力卸压的可行性.研究结果可为特厚煤层开采中区段煤柱设计、巷道布置,支护方案等优化确定提供一定的理论参考基础.

    特厚煤层强采动垂直应力两次顺序开采过程物理模型

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    一个新的压气储能多层预应力内衬洞室多目标优化模型

    黄典一马燕饶秋华易威...
    3855-3866页
    查看更多>>摘要：地下多层洞室是压气储能(CAES)工程的关键环节,其优化设计对提高压气储能工程的效率至关重要,而大多数压气储能工程的洞室优化模型只考虑强度指标,未考虑经济性指标.本文采用有限元方法模拟了高温高压作用下的CAES多层洞室,计算了各层的应力场和应变场(通过试验验证了εθmax出现在衬砌层的顶部),并论证了衬砌层εθmax受结构参数的影响较小,以及预应力衬砌的必要性.预应力衬砌洞室的数值计算结果表明,施加预应力可以有效地减小εθmax,提高CAES预应力衬砌洞室的稳定性.建立了一种新的CAES预应力内衬洞室的多目标优化模型,该模型考虑了安全性(最小化预应力以满足其强度条件)和经济性(最小化洞室表面积以降低施工成本).计算结果表明,多目标优化模型比单目标优化模型(仅考虑强度指标)更安全、更经济地获得CAES多层洞室结构.

    压缩空气储能多层洞室结构热-力耦合预应力衬砌多目标优化

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    一种用于机器人电池电量预测的Sarsa强化学习混合集成方法

    彭飞刘辉郑力
    3867-3880页
    查看更多>>摘要：建设数据高效互联的轨道交通车间已成为当前轨道交通装备行业转型发展的必然趋势.越来越多样化的移动运输机器人设备成为智能工厂数字化转型过程中的关键.准确预测机器人的电池电量可以指导控制中心提前采取科学合理的指令,确保物流运输链高效稳定运行.在本研究中,我们提出了一种基于状态-动作-奖励-状态-动作(Sarsa)强化学习算法的多学习器混合集成方法.首先,采用最大重叠离散小波变换(MODWT)对所测量的机器人原始电源电压数据进行预处理,可以显著降低时间序列数据的非平稳性和波动性.其次,利用门控循环单元(GRU)、深度置信网络(DBN)和长短期记忆(LSTM)对分解后得到的子序列进行预测建模.最后,使用Sarsa强化学习集成策略对上述三个基础预测器进行加权组合.所提出的Sarsa混合集成模型的性能在三个真实移动机器人功率数据集上得到验证.实验结果表明,运输机器人电池动力混合预测模型在鲁棒性、准确性和适应性方面具有竞争力.

    机器人电源管理运输机器人时间序列预测深度学习Sarsa强化学习集成模型

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据