海洋环境耐蚀结构钢研究进展

以海洋装备主体材料钢铁作为研究对象,概述了结构钢在海洋环境下的腐蚀与防护研究进展。叙述了结构钢在海洋环境不同区域的各种因素影响下的腐蚀行为和机理。阐述了耐蚀结构钢材料的研究现状和国内外海洋环境用典型耐蚀低合金钢,目前主要通过微合金化技术和组织调控技术提高合金钢材料的耐蚀性。对比国外相关研究,我国耐蚀结构钢开发相对滞后,除了利用微合金化技术、组织调控技术这2种方法提高结构钢材料的耐蚀性外,采用传统腐蚀研究方法结合基于机器学习技术的新型腐蚀研究方法,挖掘海洋环境因素、材料成分和组织结构因素对结构钢腐蚀速率的影响规律,对加强结构钢腐蚀机理研究、加快新型耐蚀结构钢的开发、延长海洋装备的服役寿命具有重要意义。     

基于迁移学习算法的深部爆破振动速度预测

为了更好地预测深部矿山爆破振动速度,针对深部爆破振动速度预测中存在的样本量小、数据分布同浅部爆破不同的问题,将浅部地下矿山爆破数据中有用的知识迁移至深部矿山爆破振动速度预测模型中,提出一种逻辑回归迁移学习算法(LR-TrAdaboost),提升模型的样本容量及预测准确率;以某铜矿深部爆破振动速度预测为研究对象,结合该铜矿27条深部爆破数据以及梅山矿等5个地下金属矿204条浅部爆破数据,利用支持向量回归机(SVR)、回归迁移学习算法(TrAdaboost-R²)以及LR-TrAdaboost算法分别进行预测和对比。结果表明：3种算法的模型分数分别为0.24、0.38、0.81,均方根误差(RMSE)分别为0.152、0.107、0.06,LR-TrAdaboost算法预测误差相比SVR、TrAdaboost-R²分别降低了60.5%、43.9%;同时,LR-TrAdaboost在迭代次数为50时已经收敛,而TrAdaboost-R²在迭代次数100次后才收敛,收敛速度前者是后者的2倍;LR-TrAdaboost算法的预测性...     

基于机器学习的侵财类案件危害程度分析

为了进一步分析侵财类案件的危害程度,以抢劫、抢夺和盗窃3种典型侵财类案件为例,利用ZS市2008—2014年的犯罪数据与统计年鉴数据,提取“发案时间”“发案地域”“选择时机”“选择处所”“选择对象”“人均地区生产总值”“职工月平均工资”7个特征,建立基于多种机器学习分类算法的侵财类案件危害程度预测模型,并进一步开展预测结果的分析研究。研究结果表明:梯度提升决策树（GBDT）算法性能最优,危害程度预测准确率达到了0.88;在抢劫案和抢夺案中,一般和重大的案件容易发生在繁华地带,特大案件容易发生在其他处所;侵财类案件倾向于在工作日的城区中发生,发生的危害程度大多为一般;提出的侵财类案件危害程度预测模型可为侵财类案件的风险评估及警务资源优化配置工作提供方法支持。     

四川盆地PM2.5与PM10高分辨率时空分布及关联分析

为深入了解四川盆地PM_2.5与PM₁₀污染情况，通过机器学习的方法，基于卫星遥感气溶胶产品（MAIAC）与国家环境空气质量监测网数据以及气象、地理、社会经济变量等，构建2个随机森林机器学习模型（R²均为0.86），反演四川盆地2013~2017年间1km网格逐日PM_2.5与PM₁₀浓度时空分布，并分析两者的时空关联性.结果表明：2013~2017年四川盆地地面PM_2.5与PM₁₀平均浓度分别为47.8，75.2μg/m³.PM_2.5与PM₁₀浓度空间上均整体呈现"倒月牙"状分布，西部与南部区域浓度值较高.5a间，区域颗粒物浓度逐年递减，总降幅均达到27%，季节上则均具有"冬高夏低"的特点；PM_2.5与PM₁₀浓度空间相关性显著（相关系数0.96），呈现"内强外弱"的格局，春夏季相关系数（0.91、0.90）低于秋冬季（0.96、0.96）.盆地西南部PM_2.5与PM₁₀比值较高，比值高低的季节性排序为冬季 > 秋季 > 夏季 > 春季.     

火炸药企业重大事故隐患危险性评估的计算机自学习实现

通过对火炸药工厂重大事故隐患危险性评估方法的分析,以计算机自学习的基本结构为主线,详细探讨了以机械学习策略完成该评估程序中对新危险品源自学习的过程。对此过程中知识表示等几个应注意的问题进行了描述     

多机器学习模型下逐小时PM2.5预测及对比分析

为了能及时、准确的估算出PM_2.5浓度及污染等级,分别构建了K最邻近模型（KNN）、BP神经网络模型（BPNN）、支持向量机回归模型（SVR）、高斯过程回归模型（GPR）、XGBoost模型和随机森林模型（RF）6个PM_2.5浓度预测模型,选取江西省赣州市为实验区域,采用2017~2018年逐小时气象站数据、PM_2.5浓度数据和Merra-2再分析数据开展PM_2.5预测实验.结果表明,缺少污染物观测数据时,利用能见度和气象因子等数据也能较好的预测PM_2.5浓度.在PM_2.5浓度预测精度方面,XGBoost模型最高,随机森林模型次之,高斯过程回归模型最差.6个模型的预测精度总体呈现冬季最高,秋季和春季次之,夏季最低.XGBoost模型的PM_2.5污染等级预测准确率高于其他模型,综合准确率达87.6%,并且XGBoost模型具有训练时间短,占用内存小等优点.XGBoost模型的变量重要性结果表明,能见度变量的重要性最高,相对湿度和时间变量次之.本研究可为环境部门准确预测、预报PM_2.5浓度提供参考.     

基于自组织映射与随机森林耦合模型的流域水质空间差异性评估

流域水环境质量空间分布特征分析是推进流域精细化管理的基础.本研究基于流域特征指标与水质的关联性,以子流域为分析单元,利用自组织映射人工神经网络模型（SOM）对苕溪流域水质数据聚类分析为3类后与随机森林模型（RF）进行耦合,对全流域水质进行了空间差异性评估.研究结果显示,上游山地区域水质较好,而平原河网人口集聚区的COD_Mn、NH₃-N及TP浓度较高,山地与平原过渡地带水质则主要受到COD_Mn和TN的影响.采用自然环境、社会经济及土地利用/覆盖指标作为流域特征进行水质分级模式识别,SOM与RF模型耦合模型的准确率稳定在80%左右;在对强相关性特征进行筛选识别后,将蒸发蒸腾量、坡度、人口密度、大于10℃积温、旱地占比、城镇用地占比及景观多样性指数为作为输入特征,准确率可达83%,可以有效地开展全流域水质分级评估.     

基于机器学习的短临预报方法及其在空气质量保障中的应用

基于多个数值模式(NAQPMS、CMAQ)预报结果和站点观测资料,采用岭回归机器学习方法构建了一种多污染物短临预报方法,并应用于2017年厦门金砖国家峰会和2019年武汉军运会空气质量保障工作,评估总结了短临预报方法的可行性和预报效果。结果表明:短临预报表现出很好的预报能力,可以有效改进数值模式的预报趋势和量值。从日均模拟效果来看,短临预报的颗粒物相关系数达到0.9以上,均方根误差小于5μg/m~3,而且预报的臭氧相关系数和均方根误差分别为0.99和2μg/m~3。相较于日均数值模式预报结果,短临预报可使颗粒物和臭氧的预报相关系数至少提升16%和9%,预报均方根误差至少下降50%和86%。对于小时模拟效果,短临预报能够更好地把握颗粒物的小时变化特征,其相关系数较模式提升了0.2以上;同时短临预报能够更好地再现观测到的臭氧日循环特征,对白天的峰值和夜晚的低值预报更好,其相关系数高达0.9。总体来说,短临预报方法可为重大活动空气质量保障提供较为精准的临近预报结果,具有较好的应用价值。     

基于机器学习的珠三角秋季臭氧浓度预测

基于2015～2022年珠三角地区的臭氧(O₃)日最大8 h浓度平均值[MDA8-O₃,ρ(O₃-8h)]的观测数据和气象再分析数据,运用支持向量回归(SVR)、随机森林(RF)、多层感知机(MLP)和轻量级梯度提升机(LG)这4种机器学习方法,建立MDA8-O₃预测模型.结果表明,对于全年MDA8-O₃预测而言,SVR模型的效果最好,决定系数(R²)达0.86,均方根误差(RMSE)和平均绝对误差(MAE)分别为16.3μg·m^-3和12.3μg·m^-3;对于秋季MDA8-O₃预测而言,SVR模型的效果依然略优于LG和MLP,其R²、 RMSE和MAE分别为0.88、 19.8μg·m^-3和16.1μg·m^-3,RF模型在秋季的预测效果最差.采用全年数据构建的模型对秋季MDA8-O₃的预测效果比仅采用秋...     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.