区域VOCs聚集态势RF-LSTM智能感知方法

为了提高VOCs质量浓度预测精度,实现VOCs聚集态势感知,采用RF-LSTM方法提出了基于浓度预测的VOCs聚集态势感知法,简称聚集态势感知法,该方法将态势感知的概念引入VOCs研究,将区域VOCs聚集态势直观展示出来。首先在区域网格划分的基础上利用距离平方反比进行空间插值,收集区域VOCs数据信息;其次利用随机森林结合长短时记忆神经网络对网格VOCs质量浓度进行预测;最后根据预测结果计算VOCs聚集态势值,并将态势感知结果可视化。以西安市某区为例进行VOCs质量浓度预测及VOCs聚集态势感知,结果表明：与RF模型、LSTM模型相比,RF-LSTM模型减少了输入变量,实现了VOCs质量浓度预测模型输入参数的优化,降低了预测模型的复杂度,提高了预测精度,得到RF-LSTM模型的平均绝对误差、均方根误差、平均绝对百分比误差分别为6.24、9.75、10.36%;VOCs聚集态势感知能够对区域VOCs聚集的发展趋势和状态进行可视化,传达了更多的信息,具有一定的实用价值。因此,该聚集态势感知方法可以为区域VOCs污染防治和预警提供决策支持。     

关联区域内VOCs聚集成因解析方法研究

为研究目标区域VOCs聚集的主要成因,同时挖掘VOCs自潜在污染源扩散迁移至聚集区域的过程,提出一种基于随机函数Petri网的关联区域内VOCs聚集成因的解析方法。运用HYSPLIT确定VOCs聚集的关联区域以及VOCs的聚集路径,并将其映射为随机函数Petri网;通过计算稳态概率等指标对Petri网的性能进行分析,将聚集区域VOCs浓度的增量计算过程融入到随机Petri网的运行过程中,从而分析目标区域VOCs聚集的主要成因。案例研究分析了临汾市一次重污染天气下,各潜在污染源对临汾市VOCs浓度增加的影响大小,得出B企业、C企业和D企业为临汾市VOCs聚集的主要成因。该方法为研究目标区域VOCs聚集的主要来源及成因提供了依据。     

基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....     

基于GF-LSTM和GAN网络的小样本集人工水体溶解氧浓度预测

采用推流方式改善人工水体溶解氧分布不均衡以防止富营养化时,需要对其分布进行预测来提高推流效率,为此构建了基于生成式对抗网络(GAN,Generative Adversarial Networks)和长短期记忆神经网络(LSTM,Long-Short Term Memory Network)的溶解氧浓度预测模型。以广西大学镜湖35 m2的一片水体区域为研究对象,采用不同电压直流水泵推流,用无人船搭载在线检测仪在一段时间内定时定点采集水体溶解氧浓度数据作为原始数据样本,并采用GAN扩充数据样本。利用遗传算法和改进的一阶滤波算法进行溶解氧的噪声数据处理,结合LSTM网络构建溶解氧浓度预测模型GF-LSTM(Genetic And Filtering Algorithm-Long Short Term Memory Network)。结果表明:相比常用的BP网络,GF-LSTM网络预测的平均误差降低了62%,均方误差降低了75%;相比传统的LSTM网络,GF-LSTM网络预测的平均误差降低了22%,均方误差降低了50%。     

橡胶硫化过程中VOCs散发特性研究

VOCs是橡胶硫化车间中的典型污染物,研究VOCs散发特性并制定相应的控制策略对保障室内环境、保护人员健康至关重要。通过试验研究了橡胶制品业中全钢子午线胎坯、半钢子午线胎坯、电动车胎坯和自行车胎坯等4种胎坯在硫化过程中各阶段VOCs散发特性。在橡胶制品行业,4种胎坯在正硫化阶段、冷却阶段、转运阶段的试验结果如下：胎坯硫化过程中VOCs散发速率与胎坯温度呈正相关,每吨全钢子午线胎坯在冷却阶段VOCs累积散发量是半钢子午线胎坯、电动车胎坯和自行车胎坯的4～6倍;相比于弱对流(v=0.3 m/s)条件,在冷却阶段利用3.5 m/s的强对流对四种胎胚进行降温,可降低冷却和转运阶段VOCs累积散发量16.90%～24.54%,研究结果为硫化车间实现VOCs有效控制提供了重要的参考。     

基于灰色关联分析理论的典型区域土壤重金属污染评价研究

选择包头作为研究区,实地调研获得221个土壤试样,利用原子荧光光谱法和等离子体质谱法测试得到样品中8种重金属质量比。利用灰色关联分析,建立土壤中As、Cd、Cr、Cu、Hg、Ni、Pb、Zn与污染等级的关联度,结合Kriging空间插值方法对土壤污染等级的空间分布进行研究。统计结果表明,研究区主要为Pb和Zn污染。根据统计量所反映出的地区差异性,构建评价对象的因子集、评价因子等级标准,建立灰色关联土壤环境质量评价模型。并且利用Kriging插值将评价结果绘制成包头土壤环境污染等级专题图。研究表明:包头土壤环境呈现沿昆都仑河被污染的条带特点;市区郊区有Hg、Pb、Zn的点源污染。利用Kriging插值的线性无偏最优估计,可以得到研究区域的土壤污染评价专题图。实例验证了根据灰色关联分析建立的土壤重金属污染评价模型,能够充分利用污染数据的统计特性,克服内梅罗综合污染指数评价突显算术平均值与最大值的不合理性,通过对各污染属性的相对最优灰关联度进行排序,能够增强模型对灰关联度的分辨能力,更加客观地确定重金属在土壤污染等级评定中的权重,符合实际情况。     

基于灰色关联分析法的林甸县污水泡中重金属和毒性元素污染情况评价

为了探讨人类活动对水体重金属和毒性元素含量的影响,测量了污水泡8个样点的Mn、Fe、Cu、Zn、Cd、Pb等重金属和As、Se等毒性元素质量浓度。在综合考虑各种水质评价方法的基础上,采用灰色关联分析方法对水中重金属和毒性元素污染情况进行了评价。结果显示,水中重金属和毒性元素污染并不严重,8个采样点中有7个样点符合Ⅰ类水体标准,1个样点为Ⅱ类水体。其原因是污水泡附近没有工业区,排出的污水属生活污水,污染并非重金属和毒性元素造成。     

联合Transformer注意力机制的PM2.5浓度预测网络研究

应用深度学习技术进行PM_2.5浓度预测方法的研究,提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块,高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM_2.5浓度数据开展预报试验,结果表明,相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM_2.5浓度的时空相关性,具有更优预测性能。     

基于集成学习的改进灰色瓦斯浓度序列预测

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度.结果表明:瓦斯浓度时间序列近似线性时,基于集...     

瓦斯浓度区间预测的灰色聚类与高斯过程模型

为有效分析矿井瓦斯监测数据,以实现准确、可靠的瓦斯浓度预测,基于灰色关联聚类分析与高斯过程回归模型,研究瓦斯浓度时间序列分析与预测的方法。以预测有效度为预测精度的评估指标来动态确定重构瓦斯浓度时间序列样本空间的维数;应用灰色关联分析方法将瓦斯浓度时间序列划分成若干样本集,将其中具有关联特征的样本作为虚拟变量进行预测以消除因随机、不确定因素干扰而引起的预测误差;应用高斯过程回归模型实现瓦斯浓度区间预测,将预测结果表示成一个具有较高可信度的取值区间,以此表达对未来一段时间内瓦斯浓度动态变化情况的预测。实例分析表明:预测结果准确、可靠,能够较好地反映瓦斯浓度的实际变化状况。     

基于Hankel-DMD的城市交通事故风险时空预测

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解(DMD)的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型(Hankel-DMD)捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明：DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。     

某加油站VOCs排放溯源及源强反演研究

为了计算加油站无组织挥发性有机污染物(Volatile Organic Compounds, VOCs)排放的强度,将扩散模型反推法应用于加油站的无组织VOCs排放溯源研究。对加油站区域建立笛卡尔空间坐标系,并构建监测站实测值和基于大气污染物高斯扩散模式预测值之间的代价函数,进而使用有条件约束的最优化方法求解该代价函数,得到该加油站VOCs无组织排放源强的反演模型。研究结果显示,加油站无组织VOCs的排放速率反演结果为1.8～3.8 g/s,该结果与加油站给车辆加油时未采取二次油气回收系统情形下的挥发量相符,反映了加油站无组织排放源强反演模型合理可信。模型参数分析结果表明,大气稳定度的不确定性对模型收敛和反演结果的影响较大,无组织排放溯源和源强反演需要高质量的气象扩散风场观测数据。     

融合时域卷积网络和深度自编码器的VOCs数据异常检测

为了提升挥发性有机物(Volatile Organic Compounds, VOCs)数据异常检测精度,提出一种基于时域卷积网络的深度自编码器(TCN-DAE)异常检测的半监督方法,以对VOCs等空气污染物质量浓度异常值进行精准的检测。首先,使用时域卷积网络(Temporal Convolutional Network, TCN)作为深度自编码器(Deep Auto-encoder, DAE)的隐藏层,利用深层网络结构对高维、多源的时间序列数据进行高效地特征提取和数据重构。然后,通过对比重构误差与核密度估计法确定的阈值进行异常检测,其中重构误差大于此阈值则视为异常。最后,选取西安市城六区的VOCs、空气质量和气象等时间序列数据进行试验。结果显示：基于时域卷积网络的深度自编码器模型对多源、高维的时间序列具有较强的异常检测能力,在准确率、F₁分数、受试者工作特征曲线下面积(Area Under Curve, AUC)等异常检测性能指标上均优于双向长短期记忆网络(Bidirectional Long Short-term Memory, Bi-LSTM)、长短期记忆网...     

基于多元统计分析的独流减河水质时空特征

为了解独流减河流域水质时空特征及污染物排放结构情况,准确掌握污染来源和防控重点,达到改善流域水质的目的,基于2017年独流减河流域9个监测断面的8个水质指标的监测数据,采用综合水质标识指数法进行水质评价,运用多元统计分析方法中的聚类分析和主成分分析开展水质时空分布特征及污染物来源解析研究.结果表明:独流减河流域水质时空特征差异显著,干流水质优于支流水质;时间维度划分为2个时段T1(1-3月)和T2(4-12月),T2时段水质优于T,时段,氨氮、总磷和阴离子表面活性剂是各时段的主要污染因子,畜禽养殖、农村居民生活为主要污染源,氟离子和CODCr分别是T1和T2时段的另外主要污染因子,代表工业电镀行业废水污染和耗氧有机污染.空间分布划为G1组和G2组,其中G1组主要位于中上游,主要污染因子为氨氮、总磷及阴离子表面活性剂,代表畜禽养殖和居民生活污染;G2组位于中下游,主要污染因子为化学需氧量、总磷和氟化物,代表城镇居民生活污染和工业电镀行业废水污染,G2组水体水质优于G1组.     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于粗糙集和加权灰色关联分析的岩爆预测

本文选取影响岩爆发生的五项指标作为岩爆预测的关键影响因素:最大主应力、单轴抗压强度、岩石点荷载强度、岩体完整性系数和弹性变形指数。通过采用粗糙集理论确定岩爆预测影响因素的权重,利用加权灰色关联分析对某工程的岩爆发生情况进行了预测。预测的结果与现场实际状况相吻合,说明运用该方法预测岩爆是合理的。     

土壤渗滤系统出水氨氮浓度不稳定的成因探究

为解决土壤渗滤系统出水氨氮浓度不稳定的问题,设计了土壤与河泥按不同比例组合的混合填料土壤渗滤系统,并以模拟生活污水为考察对象,在水力负荷为0.15 m/d的条件下,研究了进水氨氮负荷、溶解氧质量浓度及容积利用率对系统出水氨氮质量浓度的影响。结果表明:当进水氨氮质量浓度由20 mg/L增加至35 mg/L时,出水氨氮质量浓度在短时间内也会大幅提升,9~15 d可恢复处理能力;系统出水氨氮质量浓度随进水溶解氧质量浓度降低而升高,当进水溶解氧质量浓度小于0.5 mg/L时,出水氨氮质量浓度甚至高于进水;容积利用率为38.72%的系统出水氨氮质量浓度低于容积利用率为25.82%的系统;增加土壤中有机质含量,可以改善土壤环境,缩短系统启动时间,提高系统容积利用率,增强土壤渗滤系统抗冲击负荷能力,从而使出水氨氮质量浓度保持在较低水平。     

亚硫酸铵浓度对亚硫酸铵氧化速率的影响研究

亚硫酸铵氧化是铵法脱硫的一个重要步骤,针对工程上主要采用的空气氧化方法,开展了在空气氧化条件下亚硫酸铵浓度对亚硫酸铵氧化速率的影响规律研究。试验采用空气鼓泡氧化反应器,在控制空气流量和反应温度不变的条件下,研究了亚硫酸铵氧化速率随亚硫酸铵浓度的变化关系。结果表明:在中、高浓度范围(0.1 mol/L)内,氧化速率受浓度影响不大,可认为无变化,在此过程中空气曝气流量是氧化反应的主要控制因素;在较低浓度范围(0.01~0.1 mol/L)内,氧化速率与浓度为斜率较小的线性关系;而在极低浓度(0.01 mol/L)下,氧化速率与浓度为斜率较大的线性关系,即当浓度低于0.1 mol/L时,亚硫酸铵氧化反应速率明显受亚硫酸铵浓度的影响。     

长江流域水污染事故时空特征及其环境库兹涅茨曲线检验

为了有效分析长江流域水污染事故发展阶段及变化趋势,采用1995—2010年长江流域水污染事故时序数据,运用GIS技术和环境库兹涅茨曲线(EKC)模型,探讨长江流域水污染事故发生的时空变化特点,并分析流域水污染事故发生与经济发展的关系。结果表明,1)时间上,长江流域水污染事故发生频数总体呈下降趋势;2)空间上,长江流域水污染事故的发生主要集中在广西、湖南、四川、浙江等省,而西藏、青海、上海等省市发生频数较低;3)长江流域人均GDP和工业总产值等经济发展指标与事故发生频数之间呈现"N"形EKC曲线特征。长江流域水环境事故发生频数与经济发展之间未表现出期望的倒"U"形变化关系,表明水污染事故频数增加或降低并非经济发展的必然结果,未来流域水污染事故风险仍存在巨大的不确定性,必须采用先进政策、制度和技术才可有效减少污染事故的发生。     

基于MRMR-RPK-ELM模型的PM2.5质量浓度预测

为了提高PM2.5质量浓度预测精度,提出一种用最大相关最小冗余算法(MRMR)筛选最优特征值,高斯多项核函数(RPK)优化极限学习机(ELM)的PM2.5质量浓度预测模型.以赣州市为例,选择PM10、O3、SO2、CO、NO2、降水、气压、气温、相对湿度、风速等10个影响因子,PM2.5为目标因子,通过降维处理和核函数特征映射代替随机映射解决PM2.5的高度复杂性.结果表明,MRMR算法选出的影响因子PM10、O3、CO、NO2和相对湿度,不仅考虑目标因子与影响因子的相关性,还考虑影响因子之间的相关性,进而降低了数据维度.MRMR-RPK-ELM模型的平均绝对误差、均方根误差、平均绝对百分比误差和确定系数分别为6.35、9.618、19.89％和0.942,相较于原始的ELM模型,PM2.5质量浓度预测精度有明显提升,拟合程度较高,且具有更好的泛化能力,能准确捕捉PM2.5质量浓度的突变节点.