Las señales microsísmicas en el campo minero de carbón son muy complejas debido a su entorno especial con una gran cantidad de señales de vibración de explosiones, y cómo identificar de manera efectiva las señales microsísmicas sigue siendo un gran problema. Los métodos S transform (ST) y Manifold Learning (ML) son introducidos para extraer las características de las señales microsísmicas, y se establece un Modelo de Mezcla Gaussiana basado en el algoritmo de optimización de Colonia de Abejas mejorado (IBC-GMM) para identificar con precisión las señales microsísmicas. En primer lugar, las características tiempo-frecuencia de las señales microsísmicas en minas de carbón son extraídas mediante análisis ST. Se encuentra que existen diferencias tiempo-frecuencia evidentes entre las señales de fracturamiento de roca y las señales de vibración de explosiones. Las señales de vibración de explosiones tienen una duración corta, alta frecuencia y un espectro de frecuencia complejo, y sus frecuencias dominantes son principalmente superiores a
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Efectos del Polietileno Tereftalato Reciclado (PET) en la Rigidez de las Mezclas Asfálticas Calientes.
Artículo:
Un Nuevo Desarrollo de TRIZ-Identificación de Problemas de Interfaz de Construcción Analógica y Marco de Soluciones
Artículo:
Análisis elastoplástico de túnel circular basado en el criterio de Drucker-Prager.
Artículo:
Interacción dinámica humano-estructura durante caídas libres a corta distancia
Artículo:
Propiedades Mecánicas y Clasificación de Resistencia de los Compuestos de Bambú Ingenieril en China
Artículo:
Análisis ABC en la gestión de inventarios : aplicación de la metodología en un caso específico
Artículo:
Metodología six-sigma : calidad Industrial
Artículo:
Aplicación de seis sigmas integradas con AMEF y QFD en el proceso de fabricación y distribución de muebles
Artículo:
Mejora de procesos de producción a través de la gestión de riesgos y herramientas estadísticas