智能控制在污水生物处理系统中的应用

对智能控制的适用范围及污水生物处理工艺的特征进行了简单分析。对智能控制的3大主要分支模糊逻辑控制、神经网络控制及专家控制系统在污水生物处理中应用的最新动态进行了评论和分析。结果表明,在污水生物处理中引入智能控制是一种提高处理效率、降低运行成本的有效方法,国内在污水生物处理智能控制的应用研究与国外有较大的差距,国内的研究及应用还处在发展阶段,应当加强。最后对污水生物处理智能控制的发展方向作了简要分析。     

基于改进Faster R-CNN的石化装置火灾增强识别方法

为提高复杂石化装置场景下火灾发现速度和识别准确率,特别是强化对石化厂区监控图像内小微火焰、烟雾等事故初期关键目标信息的发现能力,以应对石化装置火灾事故演化所具有的典型多米诺效应,在事故发展初期快速准确发现异常、控制事故态势发展、降低事故危害,建立了基于深度学习的石化装置明火、烟雾识别方法,以改进的Faster R-CNN作为目标信息检测算法,利用K-Means++聚类方法优化锚框尺寸,结合基于递归策略的多尺度特征融合设计,显著改善了模型小微关键目标识别能力,实验测试数据表明,改进后的模型检测平均准确率(mAP)提升11.0%,小目标平均识别准确率(mAP(s))提升19.7%。     

基于图神经网络聚类的土壤监测点位优化

在土壤污染的监测过程中,由于需要大面积的监测点位布设,所以需要大量的人力和物力,同时原有的土壤监测点位存在冗余和代表率低的问题,对监测结果的准确性和全面性产生了影响。使用一种基于自编码器降维和图卷积网络（GCN）推理的土壤点位优化方法,通过将原有监测点位聚类成不同簇,来实现用尽量少的监测点位全面地表现区域污染情况的目的。使用GCN推理结合自编码器降维的土壤点位优化方法,该方法同时利用土壤监测点位数据的结构信息和高维特征表示,将监测点位聚类成不同簇。通过对相关性进行分析,发现聚类后的簇中心点位可以作为原始簇的代表,从而降低土壤监测点位的冗余性,实现了监测点位的优化。实验证明GCN方法可以有效地减少监测点位的数量,同时保持监测结果的准确性和全面性。     

黄昏时段驾驶员对红绿色障碍物空间距离判识差异

为研究黄昏时段不同颜色引起驾驶员空间距离判识差异的变化规律,选用32名驾驶员,在黄昏环境照度变化的实际道路中,对不同深度距离下红、绿色障碍物的空间绝对距离和相对距离进行判识.比较人在三维空间中对红、绿色障碍物距离判识结果,获得判识距离差异特征值.对所获得的试验结果,运用BP神经网络模拟距离判识差异随照度和深度距离不同而变化的规律.结果表明:在三维空间,红、绿色障碍物黄昏时段距离判识差异显著,绿色障碍物判识距离大于红色,BP网络可以很好地拟合距离判识差异变化规律;随着外界环境照度的下降,红、绿颜色引起的距离判识值差异均增大,其中绝对距离差异增加明显;随着空间深度方向距离增加,判识差异也增大,其中相对距离判识差异增加量较绝对距离小.     

基于BP神经网络的间硝基苯磺酸钠CWPO降解条件优化

为了对电镀废水中的间硝基苯磺酸钠催化湿式过氧化氢氧化(CWPO)降解条件进行模拟及优化,建立了间硝基苯磺酸钠CWPO降解过程BP神经网络模型.经验证,模型预测值与试验值的平均相对偏差为0.81%,相关系数r和Nash-Suttcliffe模拟效率系数NSC分别为0.992 5和0.983 9.相对灵敏度分析表明,影响间硝基苯磺酸钠去除率(以TOC表示)的顺序从大到小为: 反应温度、间硝基苯磺酸钠质量浓度、pH值、H2O2用量、反应时间、初始氧分压、催化剂用量.结合遗传算法以TOC去除率最高作为优化目标,分别对降解条件进行优化.经对比,带成本约束的优化降解结果(99.36%)比试验中的TOC去除率平均值(85.51%)提高了10%以上,同时,优化后的降解成本(2.03元)相比无成本约束条件下的降解成本(2.38元)降低了近15%(0.35元).     

基于相空间神经网络耦合模型的径流降尺度分析

基于混沌理论和神经网络理论,研究水文科学的尺度问题,将混沌神经网络分析方法应用于径流的降尺度分析。首先通过对年径流量分解到月径流量的分解系数的分析,证明了分解系数具有混沌特性;其次利用相空间BP神经网络模型对分解系数进行预测,并根据预测结果进行月径流量的降尺度计算。实例研究表明,用神经网络拟合分解系数相空间的相点演化非线性关系和用相空间神经网络模型对径流作降尺度分析是可行的。     

基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法

爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应。借助基于机器学习(Machine Learning, ML)算法的代理模型可以有效缩短定量分析周期,但可供算法学习的数据量少是该项技术在化工事故后果分析中应用所面临的主要问题。因此,将物理模型分析与深度神经网络相融合,通过数据集构建、数据降维、数据回归和数据生成4个步骤,最终构建高效的卷积变分自编码器(Variational Autoencoder with Deep Convolutional Layers, VAEDC)与多层前馈神经网络(Multi-layer Forward Neural Network, MFNN)混合模型,用于实时预测区域爆炸压力场。基于特定区域,根据定义的算法输入与输出,利用CFD技术对各种爆炸过程进行模拟以获得大量的数据;基于CFD模拟数据,利用VAEDC将区域压力场的高维特征降维为隐空间变量,利用MFNN拟合爆炸相关参数、流场观测时刻与隐变量的映射关系,并以储罐区为例进行建模分析。结果表明...     

软岩保护层开采采动卸压效果的预测及应用

为了研究软岩保护层不同开采参数下采动卸压影响规律,探讨5种不同开采参数下被保护层的等效膨胀率和等效卸压率,构建软岩保护层卸压效果改进鲸鱼BP神经网络预测模型,对不同开采参数下被保护层卸压程度进行预测,通过灰色关联度分析影响采动卸压效果的主次影响因素。研究结果表明：对软岩保护层卸压效果产生影响的主要因素是关键层位置,其次是层间距、采高、面长和埋深,灰色关联度分析结果与实际情况相吻合。模型能较为准确地预测各种情况下被保护层的卸压情况,预测误差小于5%,并且模型易于实现、操作简单。研究结果可为软岩保护层卸压开采提供重要的参考价值。     

基于BP神经网络的污水格栅间气体监测

为实现对城市污水泵站格栅间内H₂S和CO有害气体浓度实时准确监测分析,设计气体传感器阵列监测系统,建立单隐层BP神经网络模型对气体浓度样本进行训练,确定网络隐含层数为9,训练函数为traindm,模型优化后输出的H₂S和CO气体浓度与实测值的平均相对误差分别为1.3%与0.4%。研究结果表明：采用BP神经网络模型对传感器阵列采集到的样本数据进行训练,可提高其测量精度,提升精度范围在57%～75%之间,能够满足对污水泵站有害气体监测的基本要求,所建立模型表现出良好效果。研究结果可为污水格栅间有害气体监测提供新方法。     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义.针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型.该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的...