秦岭深处“清隧人”******
(新春走基层)秦岭深处“清隧人”
中新网西安1月17日电(张远 张霖)秦岭近日迎来大雪，银装素裹，货运列车一趟趟穿越秦岭呼啸而过。在秦岭特长隧道里，“清隧人”安洪生一刻不停地忙着清淤以保通保畅。
安洪生是安康工务段营镇桥隧工区工长，工区所养护的西康铁路秦岭特长隧道全长18.46公里，是连接关中与陕南的交通要道。随着全路货运增运增收，西康铁路加开了多趟列车，天窗多在中午时段，每次作业时间只有120分钟，他们必须与时间“赛跑”，抓紧为隧道“瘦身”。
据介绍，隧道内地质条件复杂，更像一个巨大的抽风筒，空气伴着灰尘、杂物与隧道内潮湿的空气粘合在一起，形成橡皮泥一样的淤积，容易污损道床、堵塞水沟，影响侧沟排水和线路状态稳定。每隔一段时间，安洪生就会带着工友们对隧道内淤积进行清理，让隧道设备“神清气爽”。
“大伙儿注意，注意清淤堆放的安全高度和距离。”隧道内轨道车轰鸣声不断，安全帽头灯不断在隧道边墙上交汇，安洪生和工友们挥舞着铁锨干得热火朝天。
图为工友们在隧道内清淤。 陈星衡 摄隧道清淤是个脏活累活，安洪生总会照顾年龄大的师傅们，让他们从事淤积装袋等劳动强度小一些的活，自己则和年轻工友们干最重的“转运”活。他们提着沉重的编制袋、挥舞着胳膊，三步并两步的把编织袋一袋一袋地往轨道车上“甩”。有时候清淤时候受条件限制，需要把手伸进冰冷的淤积里，一把一把将淤积从侧沟中掏出来。
“带了两层口罩，都挡不住这黑灰。”作业时灰尘飞扬，大家都戴着口罩、手套、帽子等，口罩夹层都是黑色的印记，每次清理淤积他们都要挥动铁锹千百次，来来回回要走几万步。来一趟秦岭隧道不容易，为节约作业时间，安洪生和他的工友们带着干粮上“战场”，一干就是一天。
走出洞口，早已过了中午饭点、大伙摘下口罩，就着隧道里的冰水简单洗了把手脸，便席地而坐吃起了干粮。6个小时的奔波，每个人的脸上都形成了一道道黑色印记。“虽然又脏又累，但是每当走出隧道，看到一趟趟列车安全通过，再多辛苦都值了。”安洪生说。(完)
提速近10倍！基于深度学习的全基因组选择新方法来了****** 近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。 全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。 相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟 乐发彩票地图 |
