猪粪与鲜红薯藤不同配比中温厌氧发酵特性

为了研究中温条件下猪粪与鲜红薯藤不同配比对厌氧发酵特性的影响及各指标的变化规律,在35℃恒温、总固体质量分数8%条件下,猪粪与鲜红薯藤按质量比2∶1、1∶2、1∶3进行厌氧发酵试验,试验结果用SPSS 22和Excel进行统计学分析。结果表明,猪粪与鲜红薯藤混合厌氧发酵最佳效果的配比是1∶2,其最大甲烷体积分数是56.5%,累计产气量为10 033 m L,这比2∶1和1∶3分别高出33.9%和17.8%。各组的累计产气量、挥发性脂肪酸(VFA)质量浓度和甲烷体积分数两两之间均出现显著性差异(p0.05)。各配比的p H值、VFA与甲烷体积分数之间呈动态相关。     

Fe2(SO4)3对稻秆和猪粪混合厌氧发酵产气的影响

为了探究不同剂量Fe_2(SO_4)_3对混合厌氧发酵产气的影响,以猪粪和稻秆为发酵原料,添加初始剂量分别为0.5%、1%、3%、6%、9%(基于发酵原料总固体质量)的Fe_2(SO_4)_3,采用中温((35±1)℃)厌氧发酵,发酵周期为30 d。结果表明,添加3%Fe_2(SO_4)_3处理总产气量和产甲烷量最高,相比对照分别提高了32.01%和51.48%;而Fe_2(SO_4)_3添加量过高会抑制产气,6%、9%添加量处理的总产气量相比对照分别降低了10.50%、11.73%。其中,9%的Fe_2(SO_4)_3添加组出现了挥发性脂肪酸(VFA)累积和发酵液p H值偏低的现象。对产气组分分析发现,不同添加量的Fe_2(SO_4)_3对N_2等主要气体含量影响无明显差异,但硫酸根的引入提高了各试验组沼气中的H_2S含量。通过对沼渣的XRD分析发现,铁源的添加促进了纤维素的分解,并刺激了体系中的硫与多种重金属元素生成矿物沉淀。     

含固率对污水厂剩余污泥和生活垃圾混合厌氧发酵的影响

以城市污水处理厂剩余污泥和生活垃圾的混合物为厌氧发酵底物,在中温(35℃)条件下,采用序批式厌氧发酵法进行试验。研究了不同含固率下的日产气量、累计产气量、TS和VS去除率、发酵液p H值等变化规律。研究结果表明,在适宜范围内提高进料含固率可提高系统累积产气量,但会推迟产气高峰,延长发酵周期。其中,物料含固率为3%的试验组产气效果最佳,日产气量高达537 m L,累计产气量为7 905 m L,过高或过低的含固率均不利于产气以及TS和VS的去除。混合物料含固率越高,发酵液p H值降低越多。控制合理的进料含固率能够增强系统缓冲能力,有效缓解城市生活垃圾易水解导致的p H值急剧下降情况。     

废弃碳源甘油强化污泥发酵生产挥发性脂肪酸的研究

针对污泥厌氧消化碳氮比不均衡导致挥发性脂肪酸(VFA)产量低的问题,在中温(35℃)条件下,通过向污泥发酵体系投加不同量的废弃生物碳源甘油,考察污泥和甘油混合比对p H、VFA、溶解有机物、生物气的影响。结果表明C/N为25/1对污泥厌氧发酵促进效果最好,p H最低值为7.1,VFA的最大含量为584 mg/g。进一步研究发现适宜C/N能够提高溶解性蛋白质和多糖的含量,从而为VFA的积累提供充足的物质基质。此外,C/N为25/1时,生物气的最大产量为2 141 m L。     

基于RBF核ε-SVR的导水裂隙带高度预测模型研究

为了构建更多样本条件下的高精度导水裂隙带高度预测模型,利用灰色关联理论筛选出关联度较高的煤层采厚、顶板岩层强度及其组合特征、采深、工作面斜长、开采分层数及倾角等因素作为输入变量;应用支持向量机回归模型理论,建立了不同模型类型与不同核函数组合的4种支持向量回归模型;采用PSO算法对模型参数进行优化,并对4组模型预测结果进行分析比较.结果表明,基于RBF核ε-SVR预测模型在预测精度、拟合效果与训练效率等方面优于其他3组模型.通过对PSO算法优化的RBF核ε-SVR模型与传统经验公式的预测效果进行综合比较和讨论,可得支持向量回归模型在现代化开采条件下预测准确率更高,可为矿井安全开采与资源综合开发提供依据.     

多种废弃物混合厌氧发酵产气及对重金属的影响

为综合利用多种废弃物混合发酵产沼气及解决沼渣中重金属污染问题,选用猪粪为主料,麦秸、蓝藻、磷矿粉作为辅料,厌氧污泥为微生物接种源,将多种废弃物组合发酵.通过分析不同原料组合的产气效果及对沼渣重金属的钝化效果来探究最佳产气和钝化重金属的原料组合.结果表明:各配比试验中"猪粪+污泥+麦秸"组合(ZJ)产气效果最佳,总产气量是"猪粪+污泥+蓝藻"组合(ZL)的4.8倍,日产气量较ZL组提前3 d达到极值;磷矿粉对各组沼渣中的重金属均有钝化作用,"猪粪+污泥+麦秸+磷矿粉"(ZJ1)组合对沼渣中重金属Cu、Zn钝化效果最优,残渣态分配率分别升高了 5.25个百分点和6.77个百分点;ZJ1沼渣重金属生物有效性下降率最高,Cu、Zn生物有效性分别下降了50.39％和59.25％.蓝藻对发酵沼渣中Cu、Zn则具有活化作用,其Cu、Zn生物有效性分别增加了 28.04％和20.69％.因此,猪粪、污泥、秸秆、磷矿粉通过合适配比进行厌氧发酵,既能绿色产能使多种污染物资源化,又能降低沼渣中重金属污染,为多种污染物协同厌氧发酵产沼气提供理论依据和参考.     

厌氧发酵连续运行中有机负荷与工艺参数相互作用研究

以餐厨垃圾为研究对象,在高温(55±1)℃条件下,采用连续湿式厌氧发酵技术研究发酵过程中进料有机负荷、日产气量、pH值、挥发性有机酸(VFA)质量浓度等参数的变化情况及相互作用关系.结果表明:厌氧消化过程中出现了4个阶段,即适应阶段、提高阶段、稳定阶段和超负荷阶段;反应达到稳定阶段时,反应器运行有机负荷为3.9 kg/(m3·d),系统pH值稳定在7.8左右,平均产气速率达到5.26L/d;负荷达到4.2 kg/(m3·d)时,对系统产生明显抑制作用.     

餐厨垃圾厌氧干发酵处理产甲烷潜力及动力学研究

研究采用中温厌氧干发酵反应器,针对餐厨垃圾厌氧干发酵过程中p H,VFA,COD和产气量的变化,结合修正Gompertz方程分析厌氧干发酵产甲烷的动力学过程。在中温厌氧干发酵系统负荷和初始条件下,分析厌氧干发酵产甲烷过程变化,建立厌氧干发酵产甲烷模型,对其预测和试验验证及误差进行分析。结果表明,在中温厌氧干发酵过程中p H先下降后上升,VFA浓度先增加后减少,COD去除率保持在76.02%~90.28%之间;修正Gompertz动力学模型,可以较好地分析餐厨垃圾厌氧干发酵产甲烷过程(决定系数R~20.99),经拟合,具有较高的产甲烷能力,且与试验结果显著相关;在检验水平a=0.05条件下,其方差分析的P值为0.938,大于0.05的显著性,表明模型能较好地预测厌氧干发酵累积产甲烷量。     

LS-SVM在地下空间可燃气体分类中的应用研究

在城市燃气管线相邻地下空间可燃气体监测过程中,由微生物产生的沼气会对可燃气体监测预警的准确性造成影响。为了能够准确地对地下空间中可燃气体的来源进行判别,提出了一种基于最小二乘法支持向量机(LS-SVM)的可燃气体分类预测模型。选取了典型的燃气及沼气体积分数时空演化数据,分析得到了两类可燃气体数据的基本特征。基于最小二乘法支持向量机分类算法,选取多项式核函数和径向基核函数分别构建可燃气体分类预测模型。通过样本数据对两种分类器分别进行测试,结果显示两种分类器的准确度相差不大,其中采用径向积核函数的分类模型测试准确度达到81%。最小二乘法支持向量机对于可燃气体监测分类具有一定的应用价值,有助于提高燃气监测运维过程的准确性和高效性。     

基于双耦合算法的煤与瓦斯突出预测模型

为提高煤与瓦斯突出预测精度,有效预防瓦斯突出灾害,将等距映射(IsoMap)算法与优化加权向量机耦合算法(DDICS-WLS-SVM)相结合,建立煤与瓦斯突出双耦合算法预测模型。首先利用非线性流形学习IsoMap算法对煤与瓦斯突出高维数据进行数据挖掘,提取其低维本质特征参量;然后通过逐维改进布谷鸟(DDICS)算法对加权最小二乘向量机(WLS-SVM)的正则化参数λ和高斯核参数σ进行寻优;最后对双耦合算法预测模型进行仿真试验,将IsoMap算法提取的低维本质特征作为该预测模型的输入,煤与瓦斯突出强度值作为模型的输出,并与PSO-SVM、LS-SVM方法的预测结果进行对比。结果表明:双耦合算法预测模型的平均相对误差为1.825%,最大相对误差为2.63%,该预测模型具有较高的预测精度。     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

荆门市静脉产业园餐厨垃圾、市政污泥联合发酵系统主要监控指标及控制措施

荆门市静脉产业园餐厨垃圾、市政污泥采用联合发酵工艺,结合厌氧发酵机理。本文分析了餐厨垃圾、市政污泥联合发酵系统运行过程中温度、pH值、有机负荷、C/N、Na^+、VFA、VFA/碱度等关键影响因子,并提出了相应控制措施来确保联合发酵系统安全、稳定、高效的运行。     

基于Spark Streaming流回归的煤矿瓦斯浓度实时预测

为了实时分析瓦斯监测流数据并对瓦斯浓度进行准确预测以实现瓦斯灾害实时预警,以实时流数据处理框架Spark Streaming构建基于流回归的瓦斯浓度实时预测系统。系统采用分布式流处理技术,可使基于回归算法的瓦斯浓度预测模型更新周期达到秒级,提高了瓦斯浓度预测精度,满足流式大数据处理的实时性要求。实验表明:应用Spark Streaming流回归预测系统在采样周期为5 s的瓦斯监测数据流上进行实时预测时,预测平均均方根误差随模型更新周期的缩短而减小,模型更新周期可达15 s,且更新周期为45 s时预测总均方根误差最小,既能保证预测精度,又能提高瓦斯灾害预警时效。     

Prediction of gas explosion pressures: A machine learning algorithm based on KPCA and an optimized LSSVM

A gas explosion, as a common accident in public life and industry, poses a great threat to the safety of life and property. The determination and prediction of gas explosion pressures are greatly important for safety issues and emergency rescue after an accident occurs. Compared with traditional empirical and numerical models, machine learning models are definitely a superior approach. However, the application of machine learning in gas explosion pressure prediction has not reached its full potential. In this study, a hybrid gas explosion pressure prediction model based on kernel principal component analysis (KPCA), a least square support vector machine (LSSVM), and a gray wolf optimization (GWO) algorithm is proposed. A dataset consisting of 12 influencing factors of gas explosion pressures and 317 groups of data is constructed for developing and evaluating the KPCA-GWO-LSSVM model. The results show that the correlations among the 12 influencing factors are eliminated and dimensioned down by the KPCA method, and 5 composite indicators are obtained. The proposed KPCA-GWO-LSSVM hybrid model performs well in predicting gas explosion pressures, with coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 0.928, 26.234, and 12.494, respectively, for the training set; and 0.826, 25.951, and 13.964, respectively, for the test set. The proposed model outperforms the LSSVM, GWO-LSSVM, KPCA-LSSVM, beetle antennae search improved BP neural network (BAS-BPNN) models and reported empirical models. In addition, the sensitivity of influencing factors to the model is evaluated based on the constructed database, and the geometric parameters X1 and X2 of the confined structure are the most critical variables for gas explosion pressure prediction. The findings of this study can help expand the application of machine learning in gas explosion prediction and can truly benefit the treatment of gas explosion accidents.     

沼液复合型杀虫剂的田间应用试验研究

通过沼液复合型杀虫剂的田间应用试验,对各种沼液复合型杀虫剂的抗病防虫性能进行了深入研究.在大田应用条件下测试了沼液复合型杀虫剂的杀虫效果.结果表明,该沼液复合型杀虫剂对蚜虫的毒杀作用均比较明显.为了推进沼液复合型杀虫剂的商业化进程,提出便于其田间应用的各种最佳配比浓度,即BP01号、BP02号、BP03号、BP04号、BP05号沼液复合型杀虫剂抗病防虫性能最佳的配比分别为9 500倍液、26000倍液、11 667倍液、22 000倍液和13 333倍液.     

基于自记忆模型的煤与瓦斯突出电磁辐射预测研究

利用实验测定的电磁辐射信号时间序列,用双向差分原理反导出一个非线性常微分方程;以其为微分动力核,运用动力系统数据机理自记忆模式构造自记忆方程并求出自记忆系数;利用该方程预测未来电磁辐射信号的变化,并与现场测定对比分析,用误差分析和距平分析法验证该模型正确性和预测准确率。实例表明:该自记忆模型预测与实测结果是一致的,相对误差均在6.7852%左右,距平符合率为90%;自记忆方法能有效应用于煤与瓦斯突出电磁辐射动态预测中;该模型与电磁辐射预测方法的有机结合能有效地提高预测准确性,从而为煤与瓦斯突出电磁辐射预测技术提供了一种新的研究途径。     

基于多因素的LSTM瓦斯浓度预测模型*

为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。     

基于GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。     

A CFD-based empirical model for hazardous area extent prediction including wind effects

Hazardous extent predictions that ensure process safety while avoiding overestimation have been a challenge for hazardous area classification. Specific leak scenarios can be addressed to build rapid empirical models to accurately determine hazardous extent considering several factors that are not included in general approaches. In view of that, this work aims to propose a novel CFD-based empirical model for gas emissions in open and unobstructed areas. It considers a wide range of variables such as storage temperature and pressure, orifice diameter, molecular weight, gas concentration, and wind velocity. A sensitivity analysis was performed to evaluate each variable's contribution to the gas cloud extent. The linear regression model resulting from the combination of all variables contribution was coupled with Ewan and Moddie's model to minimize the prediction errors due to the non-monotonic wind effects. The suggested algorithm accurately calculates the hazardous extent with a coefficient of determination equals to 0.9842 and a RMSE of 0.0151 for a dataset of 600 cases of generic gases release. The proposed model was also validated for 60 cases of hydrogen releases under different storage conditions, giving a coefficient of determination equal to 0.9829 and a RMSE of 0.0680, indicating a good agreement with the data.