-
根子隧洞开挖断面较大,围岩等级低,自稳能力差,地下水较丰富,受开挖扰动及地下水影响,施工过程中易发生掉块、涌水突泥、滑塌等事故.文章结合根子隧洞开挖安全风险,确定了隧洞开挖风险关键因素,以故障树法结合层次分析法为基础,基于模糊数学模型对隧道工程各个评价指标的量化分级,获得各个评价指标的隶属度函数,根据根子隧洞不同参数水平下数据对富水破碎带浅埋大断面隧洞开挖中风险评价,最终获得研究洞段不同参数水平下的开挖风险等级.研究结果为施工的提前防护和风险处理提供参考和依据.
大断面隧洞富水破碎带风险评估故障树法层次分析法
-
地下空洞是导致近年来地面塌陷事故频发的主要诱因之一,给公共安全带来了较大的威胁.传统检测手段很依赖人工判读,存在效率低、误判率高的问题.为了提高检测的准确度和效率,本文提出一种基于 YOLOv8 模型的地下空洞智能检测方法.该方法先构建空洞图像数据集,并采用图像增强技术扩充训练样本,有效缓解了样本数量有限引起的过拟合风险,Faster R-CNN 和 YOLOv8两种模型在文中做了对比分析,输入尺寸和学习率也经过了调整优化,从而让模型的检测准确度和收敛速度都有提高.实验结果显示,YOLOv8 最优参数模型的精确率是 0.971,召回率是 0.994,F1分数为 0.9824,处理速度可以达到每秒 52.9 张,总体表现好于 Faster R-CNN最优参数模型,更符合实际工程部署的要求.案例验证还表明该智能检测模型与人工判读结果高度一致,研究给地下空洞的自动化识别提供了一种高效且无损的解决办法,具有良好的工程应用价值和推广前景.
塌陷探地雷达地下空洞智能检测
-
供热管网安全稳定运行是城市冬季民生保障的核心基础,管网突发泄漏若不能快速识别、定位与处置,极易扩大故障影响,甚至引发次生事故.负压波法是利用管道泄漏瞬时压降进行泄漏监测的主流技术,该文以天津能源大型集中供热管网为应用场景,构建融合北斗精准授时、高频信号采集、SVD-NMF联合降噪、多径管网定位算法的泄漏监测大数据预警平台,系统依托1 kHz高频采样设备捕捉泄漏瞬间产生的负压波信号,结合北斗系统实现全域测点毫秒级时钟同步,通过多层次信号处理与模式识别算法,在复杂工况、强噪声环境下实现泄漏瞬态信号快速提取、泄漏点精准定位.工程应用结果表明,该系统时钟同步精度优于1 ms,枝状管网定位误差不超过测点间距的3％,可在泄漏发生1 min内完成报警,缩短故障排查与隔离时间,解决大型环状、长输供热管网泄漏瞬态监测与快速定位难题.
SVD-NMF联合降噪算法供热管网负压波泄漏监测精准定位
-
变压器作为电力系统中电能传输与分配的核心设备,其运行可靠性直接影响电网安全稳定.铁芯作为变压器的重要组成部分,正常运行时应保持单点接地,以避免产生环流.然而在实际运行中极易出现多点接地故障,导致铁芯局部过热、油色谱异常、绝缘性能下降,严重时甚至引发变压器烧毁事故.因此,对变压器铁芯多点接地故障进行准确诊断与及时处理,具有重要的工程意义.本文系统阐述了当前常用的诊断方法,提出了一套优化的处理技术方案,为电力企业开展变压器铁芯故障诊断与处理提供参考.
变压器铁芯多点接地故障诊断处理技术优化
-
针对自动驾驶车辆交通事故受伤小样本预测中模型性能与可解释性难以兼顾的问题,提出了一种基于表格先验数据拟合网络模型的可解释预测方法,利用TabPFN处理小表格数据的精准性,结合可解释人工智能技术,构建交通事故受伤风险预测模型.基于1 725例真实自动驾驶交通事故数据(受伤样本345例),采用递归特征消除与极端梯度提升特征重要性联合筛选,从49维原始变量中提取9个关键特征.随后,构建人工神经网络等8种机器学习基线模型,并通过网格搜索优化超参数,通过绘制改进的混淆矩阵图和接收者操作特性曲线,比较不同模型在受伤二分类预测中的性能.试验结果表明,TabPFN在小样本场景下表现最优,其测试集召回率达0.855,较最优基线模型提升11.6百分点,曲线下面积值达0.923,显著优于传统集成方法.进一步结合沙普利加和解释(SHapley Additive exPlanations,SHAP)全局解释与局部可解释模型无关解释(Local Interpretable Model-agnostic Explanations,LIME)局部解释,揭示了碰撞对象、驾驶行为、感知类型及车辆运动状态是导致受伤的核心因素;主成分分析降维结果则验证了预测边界的类别可分性.研究不仅验证了TabPFN在自动驾驶安全工程领域的适用性,也为碰撞前安全预警系统的风险评估提供了高精度、可解释的决策范式.
安全工程TabPFN模型小样本学习事故受伤预测可解释人工智能
-
目的：最大限度地减少液氨泄漏对大型水利水电工程及周围环境的危害。研究液氨泄漏原因及扩散机理，建立完善的安全防护和应急处理措施。方法：文献检索与野外调研获取基础资料；数值模拟和观察试验探讨液氨不同地形、不同气象条件下扩散规律及其影响因素；对液氨储存、运输及使用等相关环节开展具体评价。结果：可以降低液氨泄漏的可能性与数量的科学布置液氨库址、定期维修液氨管线、储备监测检测装置；而针对人员疏散、阻止后续污染、水电工程损失的全方位综合应急处理能有效缩略液氨事故处理时间、减缓损害。结论：今后大型水利水电工程上要重源头，抓动态监测，建预案，加强多部门联防联动；日后还要注重污染治理研究储备、长期研究，为长效化运作水利水电工程、保障工程生态安全作好保障。
液氨泄漏水利水电安全管控应急措施
-
地下工程施工环境复杂,人员的不安全行为是诱发事故的关键因素.针对传统人工监管效率低、现有算法对复杂地下场景适应性不足等问题,提出了一种基于深度学习的地下工程施工人员典型不安全行为智能识别方法.通过构建融合了多尺度特征融合网络、CBAM注意力模块和时序Transformer编码器的双路识别模型,有效应对了地下环境中的光照不均、粉尘干扰和目标遮挡等挑战.利用真实地下工程场景数据进行试验,结果表明:该模型在目标检测和行为识别任务上均优于现有主流行为识别方法,平均精度和综合F1-Score显著提升,并能以35 FPS的速度进行实时处理.该研究结果为提升地下工程施工安全管理智能化水平提供了有效的技术方案,具备良好的应用前景.
地下工程不安全行为识别深度学习计算机视觉施工安全
-
配网现场作业环境复杂、风险点多,人员不安全行为是导致电力安全事故的主要诱因.为解决传统不安全行为识别依赖人工巡检、效率低、漏判率高、处理流程不闭环等问题,本文提出数据驱动的配网现场人员不安全行为智能识别与处理方案.基于作业场景特性构建多维度分类体系,搭建"数据采集—预处理—特征工程—模型识别"的全流程实现路径,进而构建"分级处理—闭环管理—应急追溯"的一体化处理机制,为配网作业安全管控提供技术支撑与实践参考.
配网现场不安全行为数据驱动智能识别分级处理闭环管理
-
随着人工智能技术发展,其在核工程与核技术领域的应用愈发广泛,可显著提升核设施安全性、效率与经济性.聚焦人工智能在该领域的应用与展望,概述了核工程发展背景及人工智能潜在应用点,涵盖核反应堆设计优化、事故预测管理、废物处理等.研究采用算法开发与实验验证方法,开发多种机器学习模型,结合传统核技术优化改进.结果显示,人工智能的数据分析与模式识别能力,能有效预测和管理核反应堆运行状态,提升响应与事故处理能力,提升核废料处理和资源回收效率.此外,还探讨了融合挑战与未来方向,研究意义在于凸显人工智能对提高核工程安全性和效率的作用,为运维提供新思路与技术支撑.
人工智能核工程核设施安全性核技术
-
随着我国电梯保有量持续增长,老旧小区加装电梯工程不断推进,电梯内人员晕倒、突发疾病等意外事故的频率也随之升高,严重威胁乘客生命安全.为实现电梯轿厢内部状况实时检测与及时反馈,本文利用 RV1126 内部集成ARM内核的主控处理器系统(因其内部可以装配Linux系统,所以能够在众多复杂环境中加入网络模块),能够实时发送预制信息至服务器.装配于电梯内部的上述系统将梯内实时影像与内部语音采集获取后发送至服务器端,并即刻显示于屏幕上,而且能将信息及时告知相关管理人员.在物联网加速渗透民生领域的背景下,本系统为物业实现智能化监测、保障乘客乘梯安全提供了可行方案,因而具备较好的产业应用前景.
电梯安全RV1126智能化监测
