饮用水源微生物快速检测技术的发展及应用

微生物是威胁饮用水安全的首要问题，水环境微生物快速检测技术的开发和应用是推动饮用水源微生物快速检测和水质安全预警技术发展的保障。随着对水质微生物污染快速检测和准确预警新要求的提出，水环境中微生物在线检测和预警技术得到了越来越多的开发和应用。笔者总结了水环境常见微生物检测方法和技术的发展，重点讨论了饮用水源微生物快速检测技术的发展和应用，根据各项技术的应用和推广使用程度，将其归纳为常用快速检测技术、潜在适用快速检测技术和新型快速检测技术等类别，并详细阐述了一些应用较广的技术，以期为构建水质微生物污染早期预警系统提供参考。     

基于CREAM和贝叶斯网络的空管人误概率预测方法

针对研究管制人因可靠性时存在的模糊性和片面性问题，采用认知可靠性与失误分析方法（CREAM）中的扩展预测法，计算10项管制通用任务的人误概率；在此基础上，以管制行为形成因子作为根节点构建贝叶斯网络，建立其与情景控制模式的不确定关系模型，对管制员在多任务中的人误概率进行预测。研究结果表明:在由相同评判者给出行为形成因子影响效应的前提下，由CREAM扩展预测法和构建贝叶斯网络的方法预测得到的多数任务的人误概率差异较大，从方法的客观性、合理性和适用性角度分析，贝叶斯网络在研究该问题时更具优势。     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题，提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据，采用BP与RBF神经网络，通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择，并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差，而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好；通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现，神经网络对气体泄爆中最大超压的预测效果较好；通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明，神经网络相比于传统气体泄爆经验公式具有明显优势。     

基于视频分析的人群密集场所客流监控预警研究

为实现人群密集场所客流安全隐患早发现，辅助管理人员早决策，人群聚集风险区早疏散，提升对灾难的预见性和主动性。在国内外人群异常聚集监测预警现状分析基础上，对比分析得出监控视频分析技术是解决人群密集场所精准预警难题较为理想的解决方案；构建以视频智能分析的人群计数、密度估计、行人追踪、活动烈度识别为核心技术的人群密集场所风险预警技术框架；将该技术框架应用到某大型商圈的商业街区，获得监控区域内的人群总数、密度分布、行人轨迹和异常活动等特征。结果表明:提出的基于视频分析的人群密集场所风险预警技术框架可为城市大型商圈、交通枢纽、大型活动场所等城市公共场所的安全管理提供参考和借鉴。     

基于贝叶斯网络气化炉供料系统风险分析

为解决当前气化炉供料系统风险分析不完善的状况，提出1种基于贝叶斯网络和HAZOP的风险分析模型。以某单日投煤量3 000 t级气化炉煤化工企业实际运行情况为研究对象，应用HAZOP法对其进行风险分析，并将HAZOP分析结果中各偏差产生原因转化为贝叶斯网络节点；考虑到先验知识的缺乏问题，引入Leaky Noisy OR模型，通过文献资料和相关领域专家经验知识获得先验概率，并利用贝叶斯网络进行风险分析，找出系统运行的薄弱环节。结果表明:未知因素影响会使各节点的后验概率值差异性降低，更加贴合实际；在引入未知因素影响后，系统运行薄弱环节并未发生改变。     

基于复杂网络的燃气管线破裂灾害链风险分析*

为提高燃气管线突发事件应急处置决策水平和应急响应能力及效率，采用复杂网络理论和灾害链演化机理对燃气管线破裂灾害事件影响进行耦合分析，构建燃气管线破裂灾害链网络和风险评估模型，并计算得出燃气管线破裂灾害链风险度。为更准确地表达无传播路径的灾害事件之间的关系，将灾害网络中所有最短路径长度的最大值作为其最短路径长度，计算表明这种算法更符合灾害传播实际情况。结果表明:通过燃气管线破裂灾害链风险分析，能够为燃气管线灾害风险控制措施和方案制定提供参考，有利于提高燃气管线破裂灾害事件的应急处置能力和决策水平。     

维修时间不确定性下配电网灾后维修队安排的鲁棒恢复研究*

为最小化灾后配电网损失量，准确描述完整维修队工作时间（分为路途时间与具体维修时间），依据台风路径对维修队所需路途时间进行分类，并利用期望概率描述具体维修时间的不确定性。建立2阶段分布式鲁棒优化模型，采用CCG算法分析国内某地区配电网算例发现:考虑维修时间不确定性可以有效减少配电网损失量。     

探究环境监测数据在环境执法中的应用

伴随经济发展的迅速,人们对环境越来越重视,国家也制定了相应的环境执法与保护措施,保障环境质量。在环境执法的过程中,必须严格依照环境监测的数据,从而保障信息的准确性,使环境执法策略的开展能够顺应时代发展,符合目前发展的现状。因此,环境执法中环境监测数据占据重要的位置。基于此,本文分析了环境执法中环境监测数据的应用,笔者根据自身经验提出相应的建议。     

How can process safety and a risk management approach guide pandemic risk management?

The coronavirus disease (COVID-19) brought the world to a halt in March 2020. Various prediction and risk management approaches are being explored worldwide for decision making. This work adopts an advanced mechanistic model and utilizes tools for process safety to propose a framework for risk management for the current pandemic. A parameter tweaking and an artificial neural network-based parameter learning model have been developed for effective forecasting of the dynamic risk. Monte Carlo simulation was used to capture the randomness of the model parameters. A comparative analysis of the proposed methodologies has been carried out by using the susceptible, exposed, infected, quarantined, recovered, deceased (SEIQRD) model. A SEIQRD model was developed for four distinct locations: Italy, Germany, Ontario, and British Columbia. The learning-based approach resulted in better outcomes among the models tested in the present study. The layer of protection analysis is a useful framework to analyze the effect of different safety measures. This framework is used in this work to study the effect of non-pharmaceutical interventions on pandemic risk. The risk profiles suggest that a stage-wise releasing scenario is the most suitable approach with negligible resurgence. The case study provides valuable insights to practitioners in both the health sector and the process industries to implement advanced strategies for risk assessment and management. Both sectors can benefit from each other by using the mathematical models and the management tools used in each, and, more importantly, the lessons learned from crises.     

Modeling of a sequencing batch reactor treating municipal wastewater using multi-layer perceptron and radial basis function artificial neural networks

A sequencing batch reactor was modeled using multi-layer perceptron and radial basis function artificial neural networks (MLPANN and RBFANN). Then, the effects of influent concentration (IC), filling time (FT), reaction time (RT), aeration intensity (AI), SRT and MLVSS concentration were examined on the effluent concentrations of TSS, TP, COD and NH₄⁺-N. The results showed that the optimal removal efficiencies would be obtained at FT of 1 h, RT of 6 h, aeration intensity of 0.88 m³/min and SRT of 30 days. In addition, COD and TSS removal efficiencies decreased and TP and NH₄⁺-N removal efficiencies did not change significantly with increases of influent concentration. The TSS, TP, COD and NH₄⁺-N removal efficiencies were 86%, 79%, 94% and 93%, respectively. The training procedures of all contaminants were highly collaborated for both RBFANN and MLPANN models. The results of training and testing data sets showed an almost perfect match between the experimental and the simulated effluent of TSS, TP, COD and NH₄⁺-N. The results indicated that with low experimental values of input data to train ANNs the MLPANN models compared to RBFANN models are more precise due to their higher coefficient of determination (R²) and lower root mean squared errors (RMSE) values.