机器学习在碳基环境功能材料领域的应用研究进展

随着环境功能材料领域产生的数据量及其数据复杂性急剧增加,高成本、长周期的传统实验手段已无法迎合目前功能材料的发展趋势。近年来迅速发展的机器学习能对数据进行深入挖掘和解析,有望为此类问题提供有效的解决方案。机器学习具备效率高、精度高等优势,有效弥补了传统"试错"方式的不足。介绍了机器学习的基本工作原理和算法,从预测理化性质、辅助微观表征和指导新型材料合成3个方面简述了机器学习在环境碳基功能材料领域中的应用研究进展,分析了机器学习在该领域的问题与挑战,展望了机器学习方法在环境碳基功能材料领域的前景与发展趋势。     

基于机器学习的金属有机框架吸附水中重金属性能预测

为了能准确预测金属有机框架材料(MOFs)对水中重金属的吸附性能,收集了48篇文献中的MOFs结构特征和成分特性,以及吸附水中重金属的实验参数建立数据集,训练并评价了6种回归模型,包括支持向量回归(SVR)、K-最近邻(KNN)、提升法(AdaBoost)、梯度提升树(GBDT)、随机森林(RF)和袋装法(Bagging).结果表明:基于树的集成学习模型的预测性能表现优异,其中以GBDT算法训练的模型性能最佳;进一步应用该模型,证明了机器学习方法可以准确预测MOFs对水中重金属的吸附性能;排列重要性与部分依赖图(PDP)显示,除了可控的实验参数外,影响吸附量的重要因素是MOFs的孔径、比表面积、孔体积.本研究中的方法不仅能预测MOFs结构和性能的关系,还可以基于有效的实验参数模拟水中重金属的去除,进而为吸附材料的筛选优化提供参考.     

基于高斯过程机器学习算法的矿柱稳定性分析

矿柱是地下矿山支撑顶板围岩、维持采场稳定的关键结构要素。为迅速准确地判别矿柱稳定性,选取矿柱宽度、矿柱高度、矿柱宽高比、矿岩单轴抗压强度和矿柱承受载荷作为影响指标,利用高斯过程机器学习算法建立矿柱状态与其主要影响因素之间的非线性映射关系,进而提出一种基于高斯过程二元分类(GPC)的矿柱状态识别模型。结合工程实例,以40组样本数据进行训练,以10组样本数据对该模型进行检验,并与ANN和SVM进行对比。结果表明,矿柱状态识别的高斯过程模型是科学可行的,该模型具有参数自适应化获取、分类精度高、计算复杂度低等优点,还可对矿柱状态判别结果的不确定性或可信度进行定量化评价。     

城市臭氧污染特征与高影响气象因子：以苏州为例

近年来城市臭氧(O₃)污染问题日益突出,影响O₃污染的关键气象因子尚不明确,因此分析典型城市——苏州的O₃污染特征,探究O₃污染的高影响气象因子,对该区域大气污染防治具有重要意义.基于苏州环境监测中心2015～2020年4～9月逐小时O₃浓度数据及同期气象观测资料,应用相关分析和机器学习方法对其开展相关分析研究.结果表明：(1) 6年间O₃污染高发季,O₃污染超标率均达20%以上,O₃污染日数和以O₃为首要污染物的污染日数占比均逐年上升,O₃污染问题日益凸显;(2) O₃浓度存在单峰日变化特点,谷值出现在07:00前后,峰值出现在15:00～16:00;其与气温和太阳辐射能的日内变化趋势较一致,但其浓度峰值出现时刻又滞后于二者. 2017年和2019年O₃有典型的“周末效应”,周末较高的太阳辐照度对O₃浓...     

运用机器学习方法预测空气中臭氧浓度

臭氧(O_3)浓度变化与天然源、移动源和点源的排放量存在某些隐含的关联。根据臭氧浓度变化的特性,基于污染源在线排放数据、气象监测数据以及空气质量监测数据构造特征,运用机器学习方法进行逐小时臭氧浓度预测。该方法不仅充分利用了臭氧浓度变化时序数据,而且考虑了气象条件变化对污染物浓度变化的影响,最重要的是将点源排放氮氧化物这一臭氧生成的重要前体物纳入模型考虑。在金砖国家领导人厦门会晤前后(2017年8月31日至9月9日),运用该方法对厦门市溪东、洪文、鼓浪屿和湖里中学四个大气自动监测站的臭氧小时浓度平均值进行滚动预报,比较准确地模拟出臭氧浓度的日周期性变化,同时对峰值和低谷能够进行较为有效的捕捉和刻画。按照《环境空气质量标准》(GB3095—2012)臭氧日最大八小时浓度平均值进行评价,四个站点均取得了90%的预报等级准确率。     

数字金融与碳排放:基于微观数据和机器学习模型的研究北大核心CSCDCSSCI

数字金融发展新阶段,中国同时正在进行碳达峰、碳中和的深刻变革。基于2000—2019年城市面板、工业企业等数据库匹配的多维微观数据样本,首先运用传统计量模型,结合R语言地理坐标系统和爬虫等前沿技术构建相应指标,从多个角度实证研究数字金融如何影响碳排放。然后,运用Python机器学习模型开展数字金融对碳排放的真实非线性效应研究。实证结果显示:①数字金融对地区总体碳排放量具有显著降低作用,而且通过了工具变量法等稳健性检验。②机制检验首次验证发现,数字金融通过支持数字科技产业化和传统产业数字化这两大机制影响碳排放。一方面,数字金融发展的普惠性主要体现在通过助力数字科技的产业化和优化产业结构减少地区总体碳排放。另一方面,对传统产业的数字化赋能并不在于直接的金融普惠性逻辑,而是通过深化市场整合、强化市场竞争,促进了企业的优胜劣汰,提升企业的创新投入和创新能力,从而提高能源利用和碳减排效率,降低地区总体碳排放。③机器学习模型分析首次发现,数字金融对碳排放影响的重要性与传统因素相当,此外,还揭示了其对碳排放影响的非线性趋势。上述研究有助于解释和统合数字金融对实体经济“创造性”和“破坏性”的争议,即数字金融发展对碳排放的减少起到重要作用,但是其影响机制较为间接,而且正面作用逐渐收敛和转向。基于此,应注重引导传统金融机构数字化转型和深耕服务实体经济,推进碳金融的数字化创新,强化数字金融反垄断监管,从而充分抓住新一代数字科技机遇,引导数字金融支持数字产业化和产业数字化,助力实现“双碳”目标。     

基于深度学习的空气质量预报方法新进展

空气质量预报与人们的日常生活密切相关,其基本思想是分析历史空气质量数据,发现其内在的时空相关性,结合未来气象信息以及污染源排放量,对未来的空气质量进行预测。目前,环境管理和社会公众服务对空气质量预报提出了长时间、多维度、高精度的预测要求,一些新型的空气质量预测方法仍处于起步探索阶段。近年来,随着人工智能的普及与推广(特别是云计算与大数据的发展),深度学习这项基于传统人工神经网络的技术被国内外研究者所重视。笔者对现有典型的空气质量预报方法进行了阐述,包括数值预测模型方法、统计预报模型方法、基于机器学习模型的预测方法等,并重点介绍了该领域最新进展:基于深度学习模型的预测方法,并在此基础上进行了总结与展望。     

生态文明城建设对马拉松运动成绩的影响分析研究

在马拉松运动中,生态文明城建设与运动成绩具有直接性的关联关系,为了定量分析生态文明程度指数对马拉松运动成绩的影响,提出一种基于相空间重构和机器学的马拉松运动中环境污染指数与运动成绩的关联模型。采用统计分析方法进行马拉松体育成绩数据采集,结合主成分特征提取方法进行生态文明程度指数提取,对环境污染指数序列进行相对空间重构,在重构的相对空间中与马拉松运动成绩进行机器学匹配,实现两者关系的准确定量分析。     

基于机器学习的CNG加气站风险预警模型研究

加气站一旦发生事故,不仅会造成人员伤亡和财产损失,而且也会给周边居民乃至社会带来一定的负面影响。借助机器学习技术,构建CNG加气站风险预警模型,对加气站的风险状态进行预警,实现对事故的事前控制。首先建立了加气站风险预警指标体系,以12座加气站为研究对象,采集指标样本数据,通过大数据分析技术构建训练数据集,并采用SMOTE算法解决了样本不均衡问题;然后分别采用决策树、朴素贝叶斯、SVM、KNN等4种机器学习分类算法构建预警模型。研究证明,采用决策树算法和SVM构建的预警模型准确度均达到97.8%,可以对加气站的风险状态进行有效识别和预警。     

基于特征提取的输油管道泄漏系数预测*

为准确预测管道泄漏系数,估计管道泄漏量,以基于瞬变流方法的模拟数据为例,建立多个管道泄漏系数预测模型(多层感知机、长短期记忆网络、随机森林、支持向量机以及K近邻回归),综合考虑管道流量和压力数据特点,提出序列提取法和均值提取法2种管道时序数据预处理方法,模型评价指标为相关系数（R2）和平均绝对百分比误差（MAPE）。研究结果表明:随机森林和多层感知机的抗噪性较强,在5%的噪声影响下,模型准确度下降幅度较小;均值提取法去噪功能较好,可在一定程度上降低噪声影响;基于均值提取法的多层感知机模型效果相对较好,R2为0.997 5,MAPE为1.599%,研究结果可为准确预测管道泄漏系数、估计泄漏量提供指导。