基于人工神经网络理论的建筑物火灾安全评价研究

依据建筑物火灾危险性的影响因素,应用人工神经网络理论及系统安全方法,建立了建筑物火灾危险性的评价指标体系,该方法摆脱了评价过程中的随机性和参评人员主观上的不确定性及其认识上的模糊性等缺点,大大提高了准确性。为了验证评价模型的准确性,将该理论应用到某高校图书馆火灾危险性评价中,快速、准确地得到了安全评价结果,取得了满意效果,为建筑物防火设计以及安全管理提供了可行的依据。     

阿海水电站新源沟砂石加工废水处理工艺浅谈

新源沟砂石加工系统生产废水SS浓度高,采用水力旋流/加药絮凝/多级沉淀工艺处理,运行结果表明,处理出水水质满足《污水综合排放标准》（GB8978-1996）一级标准中的给定限值70mg/L,达标出水全部回用。     

黄河三角洲人工草场群落土壤盐分动态集成预报模型及其应用

提出了以ＧＭ（１，１）模型拟合发展的趋势、傅里叶变换撮周期分量ＡＲ（ｐ）模型模拟随机过程的集成预报模型，并用于黄河三角洲人工草场群落土壤盐分的定量研究中，经理论和应用检验证明：该模型能以较高的精度模拟或预报土壤盐分在较长时期内的动态变化过程，方法简单，计算工作量小，并优于传统的单一预报模型。     

成都市活水公园人工湿地系统10年运行回顾

成都市活水公园是1997年建成的世界上首座以展示"人工湿地水处理系统"和"仿峨眉山亚热带自然植被"为主要内容的、以水保护为主题的生态公园。它所展示的人工湿地处理系统工程,现己正常运行了10年。本文通过回顾10年来活水公园人工湿地工程设计、建设与运行的经验,结合当前己建和在建的人工湿地工程中所存在的一些问题,提出一些看法与建议。供从事人工湿地工程设计、施工及管理人员参考。     

垂直潜流人工湿地堵塞微观概念模型的提出

根据垂直潜流人工湿地发生堵塞的成因主要是基质层中不可滤物质积累的结论,在分析垂直潜流人工湿地堵塞物形态及成分粒径的基础上,首次提出了基质间不可滤物质积累微观概念模型的假设;并根据微观概念模型,在考虑生物膜、无机物积累等动态变化因素条件下提出基质间完全堵塞所需时间、基质表面发生雍水所需时间及基质渗透系数随时间变化的关系.     

基于人工神经网络建模的PTC功率智能检测技术

PTC是家用空调器中主要器件之一,具有耗电量大、非线性的特征。目前PTC常用的功率检测方法是通过"专用电量计量芯片结合电压、电流采样电路"来实现,存在成本高和可靠性低问题。提出一种基于人工神经网络的PTC功率纯软件计算方法,无需增加任何硬件成本。通过实验验证,精度达±3%,满足产品化需求,成熟可靠。     

Development and Operational Testing of a Super‐Ensemble Artificial Intelligence Flood‐Forecast Model for a Pacific Northwest River

Coastal catchments in British Columbia, Canada, experience a complex mixture of rainfall‐ and snowmelt‐driven contributions to flood events. Few operational flood‐forecast models are available in the region. Here, we integrated a number of proven technologies in a novel way to produce a super‐ensemble forecast system for the Englishman River, a flood‐prone stream on Vancouver Island. This three‐day‐ahead modeling system utilizes up to 42 numerical weather prediction model outputs from the North American Ensemble Forecast System, combined with six artificial neural network‐based streamflow models representing various slightly different system conceptualizations, all of which were trained exclusively on historical high‐flow data. As such, the system combines relatively low model development times and costs with the generation of fully probabilistic forecasts reflecting uncertainty in the simulation of both atmospheric and terrestrial hydrologic dynamics. Results from operational testing by British Columbia's flood forecasting agency during the 2013‐2014 storm season suggest that the prediction system is operationally useful and robust.     

基于神经网络分类器的城市污水处理厂水力冲击预警系统

提出了一套基于神经网络分类器的城市污水处理厂水力负荷冲击预警系统,以期对进水水量骤增现象进行提前1天的预报,使污水处理厂可根据预报结果提前采取水力冲击防护措施,从而保证各单元的平稳运行.根据进水水量的涨幅将某污水处理厂12年日进水水量监测数据分为"常规"和"冲击"两类,重点对"冲击"数据进行提前1天的预测,并采用冲击漏报率、冲击误报率和报准率对模型的预测精度进行评价;同时,基于同样的建模方法和不同的训练、验证样本建立了N(1)、N(2)和N(3)3个平行模型,以对模型的鲁棒性和建模方法的可重复性进行考察.结果显示,3个模型对2010年、2011年和2012年3年测试样本的预测效果良好,冲击漏报率和报准率两项指标数值均较为稳定,分别在0~0.167和0.981~0.995之间浮动,冲击误报率虽然在数值上的浮动较大,最低为0.143,最高为0.500,平均为0.310,但仍在工程上的可承受范围内.该结果表明,本研究基于神经网络分类器所建立的3个神经网络模型预测精度高、鲁棒性好,显示出良好的性能,有望为污水处理厂水力冲击防护工作提供有力参考.     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区（水源地）为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM（长短期记忆神经网络）3种时间序列模型在藻华（日平均叶绿素a大于15 μg?L^-1）预测方面的效果.结果表明：①时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;②基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;③输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据 无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于LSTM模型实现总叶绿素a浓度的短期预测,可为九龙江河流库区藻华早期预警和供水安全保障提供技术支撑.     

地下水人工补给过程介质堵塞及控制研究进展

人工补给作为解决地下水超采及其环境负效应的有效措施,在全球得到广泛应用.但人工补给过程中的介质堵塞问题对补给效率、运行成本及工程寿命有着显著不利影响.在收集整理已有研究资料的基础上,对人工补给类型,过程中介质堵塞机理、预测、控制和治理方法进行了详细归纳和总结.分析表明,介质堵塞受到介质、水源物化特征和水文地球化学条件等因素影响;堵塞预测方法有水质指标法、经验公式法、数学模型法;堵塞的预防目前以水质控制为主;堵塞的治理需综合物理和化学方法.尽管有关人工补给的多种技术已日益成熟,但结合介质空间差异特征和水源条件复杂性开展的人工补给促渗技术还需进一步研究.