首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   7篇
  免费   0篇
安全科学   2篇
废物处理   1篇
综合类   3篇
基础理论   1篇
  2024年   1篇
  2023年   1篇
  2014年   1篇
  2010年   3篇
  2005年   1篇
排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
《工业企业厂界环境噪声排放标准》(GB12348-2008)自2008年10月1日起正式实施。本文主要通过一些工业企业厂界噪声监测的实例,探讨了在该标准实施过程中遇到的问题,并提出了解决有关争议问题的改进方法和建议。  相似文献   
2.
本文介绍了绍兴市袍江工业区"2.20"浙江恒业成有机硅有限公司燃爆事故的应急监测,在监测过程中确立了气、水等环境介质作为监测对象,确定含硅有机物和氯化氢作为主要监测因子,并根据实际情况合理地选择了监测方法,以为事故的应急处理提供借鉴。  相似文献   
3.
水环境中大肠杆菌PCR快速检测体系的研究   总被引:1,自引:0,他引:1  
陈樑 《环境科技》2010,23(2):52-54,58
应用聚合酶链式反应(Polymerase Chain Reaction,PCR)技术,建立能在12 h内快速检测大肠杆菌的体系.把环境水样过滤浓缩后,将截留在膜上的细菌直接或8 h增菌后提取DNA模板,以大肠杆菌Uid A基因设计引物,经过PCR扩增、凝胶电泳检测,水环境样品在不增菌条件下和增菌条件下检出限分别为1.52×104个/L,1个/L.与滤膜法比较,PCR法时间缩短、灵敏度和准确度提高,适宜于水环境中大肠杆菌的快速检测.  相似文献   
4.
对复杂化工过程异常工况进行智能推理溯源是实现安全关口前移、降低灾难性事故发生的有效途径。提出了一种基于Spearman-Apriori的化工过程异常智能溯源分析方法,旨在研究复杂化工过程异常工况发生的前置原因,并形成一种智能决策模型。针对化工工艺参数之间耦合性强、关联关系分析难度大的特点,引入Spearman相关系数,通过Spearman实时在线分析过程参数间的相关关系,并设置强关联阈值将Spearman相关系数分析与Apriori算法进行关联耦合,利用Apriori算法中的支持度和置信度二维挖掘各参数之间的超强关联规则。将该方法应用于合成氨工艺中合成工段的异常工况智能推溯,并选取氢氮比、管路工艺气流量、给水换热器冷凝剂流量等8个关键监测指标,研究发现氢氮比增大和给水换热器冷凝剂流量升高分别是导致合成塔入口压力超压、合成塔第一床层温度过低两组异常工况的前置原因,该分析结果与实际生产工艺相符,证明该方法可以有效地对化工过程异常原因进行推溯并筛选主要影响因素。研究为使用生产过程大数据实现化工过程异常智能溯源提供了理论基础,为进一步完善过程风险精细化管控提供了新思路。  相似文献   
5.
纳帕海流域典型植被类型的土壤水分状况及其影响因素   总被引:1,自引:0,他引:1  
以纳帕海流域荒草地、松树林地、裸地、3 a修复区和1 a修复区5种典型植被类型为研究对象,测定其土壤水分、产流产沙、容重和有机碳含量等,研究不同植被类型土壤含水量差异及其影响因素,对当地脆弱生态水文环境的保护和区域可持续发展的实现具有积极意义。结果表明,不同植被类型土壤含水量φ差异明显,荒草地最高,为50.7%,3 a修复区和松树林地分别为34.5%和28.7%,而裸地和1 a修复区仅有20%左右;不同植被类型土壤理化特性无明显规律性;地表径流系数差异明显,荒草地最低,仅1.21%,而松树林地为5.73%;荒草地和松树林地泥沙产量低于裸地和1 a修复区。除容重外,土壤含水量与其他理化性质和产流产沙相关性均不显著。先种草迅速增加地表覆盖度的植被恢复方式可快速改善表层土壤性质,增强土壤保水能力。  相似文献   
6.
催化氧化法脱除黄磷尾气中的磷化氢和硫化氢   总被引:6,自引:0,他引:6  
在常压、温度60~100℃、气体流量0.375~0.875 m3/h的条件下,利用自制的JC-4型催化剂可以深度脱除黄磷尾气中的磷化氢和硫化氢,使它们在产品气中的体积分数小于1×10-6,净化效率接近100%。该催化剂寿命长达6 000 m in,处理黄磷尾气能力为300 m3/kg。在36~50 m3/h黄磷尾气净化中试试验中,取得了同样的效果。  相似文献   
7.
对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强,且预测周期短等问题,将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型,实现过程参数108 min的超前预测。将该方法应用于合成氨过程,对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明,该预测方法具有较高的预测精度,其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估,得到时序风险变化曲线,实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索,为实现化工过程的超前预警提供参考。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号