大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。     

走滑断层作用下X80管道设计应变规律和神经网络预测

走滑断层是埋地管道常见的地质灾害威胁，断层作用下管道会发生较大的拉压应变而失效。为得到X80管道的设计应变，基于有限元方法建立了走滑断层作用下管道的应变响应数值计算模型，模型使用壳单元模拟管道，非线性弹簧单元模拟土壤约束，采用西二线实际工程的管道应变影响参数范围，计算了管道的设计应变；为预测管道的设计应变值，基于以上参数化分析得到的4 817组设计应变结果，采用人工神经网络建立了管道设计应变预测模型。结果表明:该神经网络模型预测结果的最大相对误差小于10%，预测准确性良好，且该方法具有较高的计算效率，可以为断层作用下埋地管道的应变设计与评估提供参考。     

基于BP神经网络的受限空间火灾联合探测方法

针对航空受限空间火灾探测高误报的问题，在现有技术成果基础上对多种火灾探测方式进行研讨，并提出1种基于BP神经网络技术的飞机机身内部受限空间火灾联合探测报警方法。该方法结合现有烟雾感应、气体传感器探测等常用火灾探测技术，以红外热成像探测为辅助手段，采用神经网络实现数据融合，对模拟实验舱火灾烟雾进行联合探测，在单一火灾探测方式基础上提高了探测准确率。     

基于BP神经网络的矿车运行时矿井摩擦阻力的预测*

为了快速有效地确定矿车等运输设备在巷道内运行时矿井摩擦阻力的变化情况,克服模拟软件计算量和现场实测工作量大的问题,以巷道风流速度、矿车运行速度、阻塞比、矿车长度4个矿车运行时巷道摩擦阻力的影响因素作为切入点,采用动网格技术模拟得到矿车在巷道内运行时有关矿井摩擦阻力的数据,以此为样本构建基于BP神经网络的矿井摩擦阻力预测模型,运用MATLAB软件进行网络训练,并将BP神经网络预测值与FLUENT模拟值进行对比。研究结果表明:BP神经网络结构比较简单,能以较快速度收敛,预测值与模拟值最大误差在7%以内,该神经网络模型用于求解矿车等运输设备在巷道内运行时摩擦阻力的变化情况是可行的。     

A new pre-assessment model for failure-probability-based-planning by neural network

At present, the prediction of failure probability is based on the operation period for laid pipelines, and the method is complicated and time-consuming. If the failure probability can be predicted in the planning stage, the risk assessment system of gas pipeline will be greatly improved. In this paper, the pre-laying assessment model is established to minimize risk of leakage due to piping layout. Firstly, Fault Tree Analysis (FTA) modeling is carried out for urban natural gas pipeline network. According to expert evaluation, 84 failure factors, which can be determined in the planning stage, are selected as the input variables of the training network. Then the FTA model is used to calculate the theoretical failure probability value, and the failure probability prediction model is determined through repeated trial calculation based on BP (Back Propagation Neural Network) and RBF (Radial Basis Function), for obtaining the optimal network parameter combination. Finally, two prediction models are used to calculate the same example. By comparing our pre-assessment model with the theoretical prediction consequences of the fault tree, the results show that the error of RBF prediction model can be close to 3%, which proves the validity and correctness of the method.     

基于MATLAB的BP神经网络模型在漠阳江水质评价中的应用研究

为提高水质评价的准确性,基于MATLAB及人工神经网络理论,采用误差反向传播的BP算法建立漠阳江水质评价模型,充分利用神经网络的非线性映射特性,取7项常规地表水水质评价指标对漠阳江水质进行评价,并将BP神经网络评价结果与单因子评价法及综合指数法的评价结果进行比较,网络运行结果表明一致效果良好.同时较传统的水质评价方法,该网络具有较高的识别精度,提高了水质评价等级的准确性,使评价的结果更具有科学性.     

基于BP神经网络的鄱阳湖水位模拟

考虑到鄱阳湖水位受流域五河与长江来水等多因素的共同作用而表现出高度非线性响应,采用典型的三层BPNN神经网络模型来模拟鄱阳湖水位与其主控因子之间的响应关系。分别将湖口、星子、都昌、棠荫和康山水位作为目标变量进行BPNN模型构建和适用性评估。结果显示：综合考虑流域五河及长江来水（汉口或九江）的BPNN水位模型,空间站点水位模拟精度（R2和Ens）可达090以上,各站点的均方根误差（RMSE）变化范围约050～10 m,若忽略长江来水的影响作用,仅将流域五河来水作为湖泊水位的主控影响因子,模型训练期与测试期的纳希效率系数（Ens）和确定性系数（R2）显著降低,且低于050,均方根误差（RMSE）也明显增大（124～288 m）,意味着综合考虑流域五河与长江来水是获取结构合理、精度保证的鄱阳湖水位模型的重要前提。同时建议针对鄱阳湖湖盆变化对水位的影响,尽可能选择一致性较好的长序列数据集来训练和测试BPNN模型。所构建的BPNN神经网络模型可进一步结合流域水文模型,用来预测气候变化与人类活动下流域径流变化对湖泊水位的潜在影响,也可作为一种有效的模型工具来回答当前鄱阳湖一些备受关注的热点问题,如定量区分流域五河与长江来水对湖泊洪枯水位的贡献分量,为湖泊洪涝灾害的防治和对策制定提供科学依据     

BP 神经网络模型在环境气象灾害预测中的应用研究--以湖南省为例

依据环境气象数据与自然灾害统计数据,建立BP神经网络模型,对湖南主要气象灾害（洪灾、旱灾、冰冻灾）及受灾经济损失进行实例预测,将在MATLAB7软件中的仿真结果与传统的多元线性回归模型分析结果进行比较和误差分析。结果表明,BP神经网络模型在洪灾、旱灾受灾率方面的预测效果和精度优于多元回归模型,而由于冰灾训练样本不足及经济损失与输入因子的线性相关程度高,在冰灾与受灾经济损失率方面稍逊于多元回归模型。     

基于BP神经网络优化制备Cu-Ce/TiO_2及其光催化活性研究

采用Cu和Ce对TiO2进行改性,基于正交实验设计和BP神经网络研究了Cu-Ce/TiO2中Cu-Ce对TiO2的摩尔百分数、Cu-Ce/TiO2中CuCe摩尔比及Cu-Ce/TiO2烧结温度对Cu-Ce/TiO2光催化降解甲醛溶液性能的影响.同时,对Cu-Ce/TiO2制备方案进行了优化,并运用X射线衍射仪、扫描电子显微镜和紫外-可见分光光度计对最佳条件下制备的Cu-Ce/TiO2进行表征.结果表明,优化的制备条件为Cu-Ce/TiO2中Cu-Ce对TiO2的摩尔百分数为2.88%,Cu-Ce/TiO2中Cu-Ce的摩尔比为1∶1,Cu-Ce/TiO2的烧结温度为570℃.共掺杂Cu离子和Ce离子能有效避免掺杂TiO2晶格内部表层和近表层产生较多的位错,从而抑制晶格畸变增大;诱导TiO2中锐钛矿型晶体向金红石型晶体转变的能力增强,有效抑制电子-空穴对的复合,产生介电局域效应.     

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.