低空无人机飞行冲突分类探测与差异解脱方法研究

针对低空空域这一民用无人机当前的主要活动空间，为解决低空无人机飞行冲突问题，保证无人机飞行安全，提出了一种无人机飞行冲突分类探测与差异解脱方法。首先，在分析无人机低空运行模式的基础上，从对头、交叉和追赶等视角构建低空无人机异质飞行冲突场景，设计了基于安全间隔的无人机飞行保护区，建立了基于改进速度障碍法的无人机飞行冲突探测方法；然后，采用调整高度、航向和速度的飞行调配思路，设计了无人机飞行冲突解脱策略及其适用条件，构建了以最小化冲突解脱时间成本为导向的无人机飞行冲突解脱策略最优配置规则及实施流程；最后，设计多种典型冲突场景对所提方法进行了仿真验证，并分析了时间约束的敏感性。仿真结果表明，所提方法可对低空空域内潜在的无人机飞行冲突进行有效探测，并实现异质冲突场景下解脱策略优先级的科学配置，最优解脱策略的求解时间可控制在2.5 s以下。研究成果可为提升低空空域系统内无人机运行安全管理水平提供依据。     

江苏省颗粒物激光雷达组网在一次复合过程中的应用分析

基于2022年9月5—11日江苏省发生臭氧连续超标，细颗粒物（PM_2.5）浓度同步上升的一次典型复合污染过程，利用颗粒物激光雷达组网对江苏省6个城市的大气垂直剖面进行了连续监测，并结合近地面污染物浓度和气象要素观测数据分析了此次污染过程的成因。结果表明，污染过程期间各城市呈现高温、小风、强太阳辐射的特征，造成日间二次生成的颗粒物在本地积聚。各城市颗粒物浓度的小时变化趋势大致相同，颗粒物浓度大幅升高期间，ρ（PM_2.5）/ρ（PM₁₀）值也同步上升，以PM_2.5生成为主导。激光雷达探测结果显示，1 km以内的355 nm消光系数显著增强，表明此次污染过程是由于强大气氧化性导致以极细颗粒物为主导的PM_2.5大量二次生成，无明显的区域传输，同时夜间伴随边界层高度降低，白天生成的高浓度PM_2.5沉降至地面，期间淮安市、扬州市和镇江市受浮尘、扬尘等粗粒子影响，边界层内粗颗粒物浓度也较高。     

石家庄市夏季臭氧污染近地层垂直变化特征

基于2022年6月1日—8月31日河北省石家庄市地面气象要素和臭氧（O₃）观测数据，结合O₃激光雷达垂直探测数据分析近地层O₃垂直变化特征，并利用后向轨迹聚类分析法探讨其污染来源。结果表明：（1）2022年夏季石家庄O₃污染天数为6月＞7月＞8月。影响ρ（O₃）变化的主要影响因子是气温，平均气温与ρ（O₃）正相关，相对湿度与ρ（O₃）负相关。（2）当探测高度≥2 km时，全天、日间、夜间的ρ（O₃）变化较稳定，ρ（O₃）均在100μg/m³左右。近地层ρ（O₃）差异最大，无论是日间还是夜间，ρ（O₃）均在0.3 km左右达到峰值，之后逐渐降低。6月的ρ（O₃）垂直变化速率较大，7、8月ρ（O₃）垂直变化速率逐渐降低。（3）不同垂直高度下，石家庄夏季ρ（O₃）日变化情况均成“单峰单谷”型，地面ρ（O₃）日变化波动最明显，随着高度的上升ρ（O₃）日变化情况趋于平缓。（4）后向轨迹聚类分析结果表明，距离地面10，500，1 000 m高度层的O₃后向轨迹均呈散射状分布，距离地面10 m的O₃路径来源为河北西南部，距离地面500 m的O₃路径来源为河北南部，距离地面1 000 m的O₃主要途经地点为内蒙古西南部、西北部和河北东北部。     

飞机货舱锂离子电池火灾烟雾光散射特性

锂离子电池应用广泛，飞机货舱内不可避免地会运载锂离子电池或含有锂离子电池的货物，导致货舱内锂离子电池火灾时有发生。然而，研究者对飞机货舱感烟火灾探测器是否适用于锂离子电池火灾及响应性能的认识尚不清楚。航空标准SAE AS8036A是为测试和评估飞机货舱感烟火灾探测器性能而制定的，其中仅规定了几种标准测试火，并没有锂离子电池火灾相关内容。使用SAE AS8036A标准中规定的试验装置，研究了两种荷电状态的18650锂离子电池火灾烟雾光散射特性，并选取SAE AS8036A标准中规定的2种阴燃烟雾、2种明火烟雾及2种粉尘干扰气溶胶作为对比。结果表明，设计的探测器模型采用两种波长入射光(405 nm、850 nm)及两个散射角(45°、135°)光电二极管，能区分识别火灾烟雾与粉尘干扰气溶胶，并且判断是否为锂离子电池火灾。     

国家自然科学基金“煤田火区自燃气体滞留机制及早期探测技术研究”(51874313)研究进展

煤田火区自燃气体滞留机制及早期探测技术研究,是中国矿业大学(北京)承担的国家自然科学基金项目。课题成果可为地下煤火自燃的早期识别、煤火治理与综合利用以及火区生态恢复提供重要的理论和实验基础。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。