基于机器学习的长江流域城市初期雨水径流污染特征及预测研究

根据地域特征与降水特征预测初期雨水径流污染对海绵城市建设具有一定意义。收集了长时间、大尺度的城市特征、降水特征、下垫面性质与初期雨水水质数据,将13个长江流域典型城市按相似与相异度聚类,并采用主坐标分析验证了结果的合理性;探究了不同类型城市初期雨水径流污染的统计学特征,并解析了驱动因子;最终建立了初期雨水径流污染预测的随机森林回归模型,并采用南京市实测数据进行验证。结果表明:长江流域城市根据地形、气候、经济和初雨污染等特征可分为3种类型;年降水量、单次降水量、平均雨强、雨前干期和下垫面不透水性是影响初期雨水径流污染物浓度的主要因素;随机森林回归模型的拟合R²>0.68,且南京市实测值与随机森林预测结果的误差均不超过15%,说明预测结果较为准确,可用于长江流域不同类型城市的初期雨水地表径流污染预测。     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

制氧机组排气噪声消声器设计

冶金行业制氧机组氧气排气噪声属 4极子亚声速喷注噪声 ,其声功率与流速的八次方成正比 ,产生的噪声很强。本文以河北某钢铁集团公司为例 ,对制氧机组排气噪声的特性进行了探讨 ,设计了阻抗复合式三级扩容减压小孔喷注消声器 ,工程实施后证明 ,消声器设计合理 ,达到了预期的降噪效果     

基于不同人工神经网络的水质预测方法对比

利用现有水质数据对未来水质变化进行预测是实现区域规划与流域管理的有效工具．基于2022年4月至2022年5月湘江流域衡阳段水质监测数据,构建了反向传播神经网络（BPNN）与卷积神经网络（CNN）水质指标预测模型,并对高锰酸盐指数的预测结果进行了比较分析．数据显示,BPNN模型的预测值与真实水质情况基本吻合,但在拟合过程中出现了过拟合现象,利用粒子群算法（PSO）改进BPNN模型的参数选择方式,能够避免这一现象．而CNN模型拥有更复杂的结构、更科学的拟合方法,从而避免了模型在拟合过程中陷入局部极值,同时提高了模型预测结果的准确性．以不同模型的均方根误差（RMSE）、决定系数（R²）与平均绝对误差（MAE）作为评价参数,与传统的BPNN模型相比,PSO-BPNN模型中测试集的RMSE从0.278 2 mg·L^-1降低到0.210 9 mg·L^-1,MAE从0.222 3 mg·L^-1降低到0.153 7 mg·L^-1,R²从0.864 0提高到0.921 8,PSO-BPNN模型拥有更加稳定的拟合效果．CNN模型测试集的RMSE、MAE和R²分别为0.122 0 mg·L^-1、0.092 7 mg·L^-1和0.970 5,显示CNN模型预测效果更好．     

高强度高精度螺栓热后毛坯的矫直

利用搓丝原理 ,在自动搓丝机上 ,对热处理后的高强度螺栓毛坯进行矫直处理 ,提高了产品合格率和生产效率。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

轻烧镁窑烟尘污染治理技术的筛选与应用

利用煤气发生炉生产煤气，烧结轻烧镁，具有产品质量高，大幅度削减烟尘排放量，节约能源等优点，该项技术具有广泛的推广价值，本文较详细地介绍了辽宁省轻烧镁窑烟尘污染治理技术的典型，具有同类技术的国内先进水平．     

基于机器学习和卫星遥感的PM2.5/10 空间连续分布反演方法研究

在过去的几十年里,快速的经济发展以及工业化、城镇化进程加速使得中国的资源环境承担的压力不断加大。作为影响空气质量的首要污染物,PM_2.5和PM₁₀（记为PM_2.5/10）直接影响着广大人民群众的身体健康。因此,针对PM_2.5/10浓度进行遥感反演研究,对环境监测和控制改善全国空气环境质量具有重要的意义。近些年来,随着对近地面PM_2.5/10浓度研究的不断深入,基于遥感影像数据进行PM_2.5/10浓度的反演方法也日益增多。本文利用Google Earth engine（GEE）平台获取了海量的Landsat 8 OLI遥感影像数据,并结合气象信息、空间特征等参数,采用机器学习中常用的多层映射反向传播神经网络构建了波段反射率与PM_2.5/10浓度之间的反演模型,以获得PM_2.5/10在研究区域的连续分布。为了提高基础PM_2.5/10反演模型的反演精度,还从影响因素和前溯时间两个维度出发,探寻了模型的最优化输入参数组合,并最终实现了对PM_2.5/10浓度的精准反演。以北京市地区为例,模型的PM_2.5和PM₁₀的反演精度R²分别达到0.814和0.796,均方根误差RMSE分别为19.21 μg?m^?3和28.31 μg?m^?3。鉴于该反演结果具有较高的准确性和可靠性,本文所建立的方法模型为研究PM_2.5/10在空间上的连续分布特征提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。     

基于机器学习的高镉地质背景区成土母质类型识别

中国南方岩溶地质高背景区土壤镉（Cd）高含量和低活性的特点近年来受到广泛关注.成土母质类型是理解土壤Cd地球化学行为和识别土壤生态风险的关键,但南方热带气候导致岩石露头较少,很难准确获得母质信息.为了明确影响岩性空间分布和控制土壤Cd活性的主要土壤参数,并利用以上参数和机器学习方法识别地质高背景区不同母质类型,以广西横州市为研究区,在碳酸盐岩、碎屑岩和第四系沉积物地区分别采集了5 096、5 602和1 653件表层土壤（0~20 cm）作为研究对象,通过热点分析和形态分析发现,土壤性质和Cd的空间分布模式受下伏基岩控制,非岩溶区土壤Cd生态风险显著高于岩溶区;通过相关性分析和重要性分析发现,地质高背景区Cd的含量和活性主要受铁锰（Fe/Mn）氧化物、有机碳（TOC）、氧化钙（CaO）和pH等因素控制.随后基于大面积表层土壤样品,建立了神经网络（ANN）、随机森林（RF）和支持向量机（SVM）成土母质预测模型,通过对比不同模型的泛化性能发现RF模型的Kappa系数（0.69）和总体精度（0.82）均高于ANN和SVM模型,表明RF模型在预测土壤母质方面性能更优.研究可为地质高背景区绘制岩性分布图和识别土壤Cd生态风险提供了一种新的思路和方法.