Prediction of effluent concentration in a wastewater treatment plant using machine learning models

Of growing amount of food waste, the integrated food waste and waste water treatment was regarded as one of the efficient modeling method. However, the load of food waste to the conventional waste treatment process might lead to the high concentration of total nitrogen (T-N) impact on the effluent water quality. The objective of this study is to establish two machine learning models—artificial neural networks (ANNs) and support vector machines (SVMs), in order to predict 1-day interval T-N concentration of effluent from a wastewater treatment plant in Ulsan, Korea. Daily water quality data and meteorological data were used and the performance of both models was evaluated in terms of the coefficient of determination (R²), Nash–Sutcliff efficiency (NSE), relative efficiency criteria (d_rel). Additionally, Latin-Hypercube one-factor-at-a-time (LH-OAT) and a pattern search algorithm were applied to sensitivity analysis and model parameter optimization, respectively. Results showed that both models could be effectively applied to the 1-day interval prediction of T-N concentration of effluent. SVM model showed a higher prediction accuracy in the training stage and similar result in the validation stage. However, the sensitivity analysis demonstrated that the ANN model was a superior model for 1-day interval T-N concentration prediction in terms of the cause-and-effect relationship between T-N concentration and modeling input values to integrated food waste and waste water treatment. This study suggested the efficient and robust nonlinear time-series modeling method for an early prediction of the water quality of integrated food waste and waste water treatment process.     

Risk assessment of rare events

Rare events often result in large impacts and are hard to predict. Risk analysis of such events is a challenging task because there are few directly relevant data to form a basis for probabilistic risk assessment. Due to the scarcity of data, the probability estimation of a rare event often uses precursor data. Precursor-based methods have been widely used in probability estimation of rare events. However, few attempts have been made to estimate consequences of rare events using their precursors. This paper proposes a holistic precursor-based risk assessment framework for rare events. The Hierarchical Bayesian Approach (HBA) using hyper-priors to represent prior parameters is applied to probability estimation in the proposed framework. Accident precursor data are utilized from an information theory perspective to seek the most informative precursor upon which the consequence of a rare event is estimated. Combining the estimated probability and consequence gives a reasonable assessment of risk. The assessed risk is updated as new information becomes available to produce a dynamic risk profile. The applicability of the methodology is tested through a case study of an offshore blowout accident. The proposed framework provides a rational way to develop the dynamic risk profile of a rare event for its prevention and control.     

体系安全性分析的双层次框架

为识别体系(So S)中的薄弱环节、评价威胁风险并提高体系安全性,根据安全系统工程和体系工程理论,提出体系安全性基本概念。基于复杂网络科学和传统安全分析技术,提出一种双层次分析框架,从脆弱性角度和威胁风险角度研究体系安全性。脆弱性分析可从拓扑结构和非拓扑因素2方面识别对体系安全较关键的脆弱点;威胁风险分析能得到脆弱点面临的任意威胁组合,并识别后果较严重的威胁风险。结果表明:体系安全性包括宏观的脆弱性应对能力,和微观的威胁风险控制能力。体系安全性分析需宏观和微观双层次相结合,全面考虑体系安全性诸因素。基于识别结果的威胁评价将提高安全分析的针对性和效率。     

基于GSPABN的拓扑结构系统状态动态分析

介绍了贝叶斯网络(BN)应用现状及其优势,引入GSPA理论,提出了基于GSPA-BN拓扑结构节点状态分析模型,讨论了节点状态联系度及其重要度表示方法,提出了BN拓扑结构节点态势概念。结果表明,以构建的锅炉缺水烧干事件的BN拓扑结构为例,得到了各根节点重要度排序;同时得到了叶节点、中间节点状态联系度及其态势等级,且中间状态的变化会对其节点态势及其等级产生一定的影响,甚至发生节点态势逆转现象,为动态了解BN拓扑结构节点态势发展奠定了理论分析依据。     

基于GM-RBF神经网络的导弹武器系统使用可用度评估方法 研究

目的研究导弹武器系统使用可用度评估问题,方法通过基于故障数据的使用可用度评估,提出一种基于灰色模型GM（1,1）的径向基函数（RBF—Radial Basis Function）神经网络组合模型。结果该模型克服了灰色理论的长时间序列预估误差大和神经网络的训练样本需求量大、输入变量选取困难等缺点。结论仿真结果表明,GM—RBF神经网络对导弹武器系统使用可用度评估具有评估误差小、精度高等优点。     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

关于构建珠江三角洲生态工业网络的思考——以中山市为例

本文简要介绍了生态工业园的理论与实践进展，在分析珠江三角洲工业经济发展现状的基础上，以中山市为例，对如何构建区域生态工业网络、建立企业生态链条、完善管理机制作了探讨。作者认为，构建珠江三角洲区域生态工业网络是必要的和可行的，但应注意以下几点：宏观上，进行合理布局，重点考虑入网行业、地理分布、试点行业和园区；微观上，解决如何更好地构筑企业共生体和生态工业链、提高生态工业网络的竞争力和稳定性等关键问题；管理上，注意完善机制，建立有效的内部管理机构、保证充分的信息沟通；在政府层面上，充分发挥政策的支持和引导作用等，以保证生态工业网络稳定运行。     

人工神经网络在台风预报中的应用初探

为了探索人工神经网络应用于台风分类预报的可能性，用具有Ｓ－特特性函数的Ｂ－Ｐ网络对每类台风的标准样本进行训练，由训练结束后的权值和阈值及待预报样本的因子测值，计算出网络输出值，作出台风分类预报。文中的实例表明人工神经网络用于台风预报具有客观性、可行性和实用性。     

矿井系统下行风流火灾实验与TF1M3D平台仿真研究

为直观反映矿井下行风流火灾时期风流紊乱现象，深入研究风流紊乱、火灾烟流扩散规律，搭建管道实验平台进行矿井下行风流火灾实验，应用TF1M3D软件对真实矿井火灾进行模拟仿真。结果表明:矿井发生下行风流火灾时，在火区热阻力和火风压作用下，主干风路风流发生衰减甚至逆流现象，主干风路风量达到极值的时间滞后于火源强度达到最大值的时间；模拟结果显示223上山风流随通风机能力增强，发生风流紊乱现象更明显；在火灾主干风路风流未发生逆退的情况下，223上山和-380副巷仍会发生风流逆转现象；通风机能力越强，主干风路风流克服火源作用、保持原状态的能力越强。     

计算机网络风险防范数据仓库的研究与设计

随着全球信息化进程的推进,网络风险已经成为阻碍信息化进程的一个重要因素,网络安全问题成为公众关注的焦点.计算机网络安全事件包括病毒、木马、蠕虫、网络监听、黑客攻击、恶意软件、网页仿冒、僵尸网络等,为帮助网民更加有效地防范网络安全事件,针对网络风险防范数据管理的特点,开展了网络风险防范数据库和数据仓库的研究与设计.该研究通过收集、整理和分析一些权威网站关于各种网络安全事件的统计信息以及历年的网络安全调查报告,以SQL Server 2000作为数据库管理系统,建立了一个关于具体网络安全事件的数据库和数据仓库,其中数据仓库中存储了病毒、木马、僵尸网络、网络钓鱼等具体网络安全事件在不同月份或年份的统计信息.随着数据库中数据的不断完善和充分,可以进一步建立挖掘模型,分析这些历史数据,从而为网络安全风险防范提供基础支持.