岩块体崩塌的早期预警一直是岩土工程灾害研究的热点和难点问题。传统监测方法大多关注于破坏阶段,因此很难实现崩塌等脆性破坏灾害的早期预警。实际上,崩塌通常经历分离和破坏两个阶段。关注分离破坏阶段的前兆事件,可更快提醒公众在灾难性的崩塌事件之前寻求庇护。本次实验应用激光多普勒测振技术,通过新型物理模型实验,开展危岩分离破坏前兆现象识别研究。实验采取新型的冰冻实验方法来模拟岩块体黏结强度不断降低,块体随着时间推移,稳定性不断降低,最终于117 s发生破坏。监测结果显示,频率监测指标分别在50 s和115 s发生分离和加速破坏前兆。基于分离阶段破坏前兆识别提前67 s实现预警,而基于加速破坏阶段的破坏前兆识别则在破坏前2 s触发预警。相较于传统的基于破坏前兆识别的预警思路,基于分离破坏前兆识别的预警方法提前65 s对岩块体崩塌破坏进行预警,具有更好的时效性,可有效利用早期预警的“黄金期”,为工程中更好地应对崩塌灾害争取时间。基于分离破坏前兆识别的岩块体崩塌灾害预警思路是矿山等高陡边坡岩体崩塌等脆性破坏灾害应急预防的发展方向。
2024-07-15 12:55:01 2MB 行业研究
1
《CECS 448:2016 可视图像早期火灾报警系统技术规程》 标准文档。
2022-12-07 16:40:17 20.72MB 火灾报警 早期预警 可视图像
1
主要包括:Early-warning signals for critical transitions 、 DNB:Detecting early-warning signals for sudden deterioration of complex diseases by dynamical network biomarkers、Identifying critical transitions and their leading biomolecular networks in complex diseases、Identifying critical transitions of complex diseases based on a single sample、Quantifying critical states of complex diseases using single-sample dynamic network biomarkers、Detection for disease tipping points by landscape dynamic network 等
2022-11-19 14:25:25 17.68MB 论文讲解
基于BP神经网络和决策树的梅毒早期预警指标的模型构建.pdf
2021-09-25 17:06:18 3.17MB 神经网络 深度学习 机器学习 数据建模
采用边缘计算技术、区块链技术、人工智能技术、远距离智能传感技术等先进技术,真正做到在火灾慢速阴燃时极早期的吸热阶段即能发现被监控对象表面的温度缓慢变化过程,为避免火灾的发生赢得黄金的补救时间,有效地填补了在火灾阴燃阶段极早发现火灾苗头的空白,真正达到火灾极早期及时预警,将风险遏制在萌芽中的效果,是一款与现有火灾报警类产品的完美结合。
1