网络计划在液化气球罐内外部检验过程中的应用

在以工期考虑为重点的V-3002B液化气球罐内外部检验过程中，引用现代管理中网络计划技术关键路线法，为加快芳烃厂压力容器检验提供了科学的依据。本文总结和介绍了网络计划技术在芳烃厂贮运车间V-300亚球罐内外部检验过程应用情况。     

基于人工神经网络模型预测ABR反应器处理效率

ABR反应器的处理效率受多方面的因素影响，本文通过BP人工神经网络，利用ABR反应器进水CODcr浓度、容积负荷、温度、稳定运行时间四个参数对其反应器处理效率进行预测。结果表明，BP人工神经网络可较好的用于ABR反应器处理效率的预测，具有较高的精度，在实际生产中，可以运用人工神经网络，对ABR反应器的运行参数进行调整，使之达到最优化的运行状态。     

环境矿物材料在微污染水处理中的应用前景

自来水厂传统工艺对水中微量有机物没有明显的去除效果，常规净化工艺也很难去除重金属离子和氨氮等涪染物。环境矿物材料具有来源广泛和良好的使用性能、无生态副作用等特点，对微污染水具有较好的处理效果。本文论述了沸石和磷灰石对污染物的去除机理，探讨了基于环境矿物材料的人工快滤系统在净化微污染水中的应用前景。     

基于人工神经网络的行业无害化生产能力评价模型研究

利用BP前向人工神经网络方法 ,建立了一种全新的基于人工神经网络的行业无害化生产能力评价模型 ,该模型采用动量梯度下降反向传播和学习速率自适应调整相结合的训练学习算法。最后 ,以造纸及纸制品业为例 ,对中国各省市造纸行业的无害化生产能力进行评价 ;并进一步分析中国各省造纸行业无害化生产能力的时空分布规律 ,为我国行业规划、布局决策提供科学依据。     

西苕溪流域不同土地类型下磷素随暴雨径流的迁移特征

选择太湖上游西苕溪流域最具代表性的5种土地类型,利用野外人工降雨装置(3m²),模拟天然大暴雨(降雨强度2 nm·min^-1),研究了不同形态磷素随暴雨径流水相及沉积物相的迁移过程,对比了流域内不同土地利用/土地覆被条件下磷素的迁移特征并估算流失速率.3次平行实验结果表明,在相同的降雨条件下,地表径流中总磷的流失量桑林最大,高出水田和松林的5倍.地表径流水相中的悬浮颗粒态磷占水相总磷的绝大部分,溶解态磷的流失量菜地和桑林接近,高于松林,且远大于水田和竹林;地表径流水相溶解态磷主要以溶解态无机磷的形式流失,松林的流失量和流失速率远高于其他4种土地类型.各土地类型的地表径流沉积物相总磷流失量都随时间段的推移呈近似线性的下降趋势,桑林、菜地和竹林的流失量相对较大,松林最小.单位面积、表层10cm土壤的总磷流失量界于2.57～4.89g·m^-2.地表径流水相总磷流失速率为0.45～4.11mg·(m²·min)^-1,沉积物相高达72.82～135.96 mg·(m²·min)^-1,桑林流失速率最大,松林最小.     

辽宁云水资源分布特征及开发潜力分析

我国淡水资源短缺,人口增长、经济发展与水资源短缺的矛盾日益加剧,已严重影响着我国部分地区经济和社会持续健康发展。人工增雨、开发空中云水资源是缓解水资源短缺的一个重要途径。文章利用辽宁省气象台站网的常规探空、云和降水的观测资料,计算、分析了辽宁云水资源的分布状况及开发潜力,结果显示全省云水资源总量年均为4.83×10¹¹m³,具有较多的作业机会和较大的人工增雨潜力,开发云水资源大有可为。     

GIS支持下的水文生态效应评价混合型专家系统设计初探

文章从人工神经网络(ANN)、专家系统(ES)各自的优势和不足出发，结合地理信息系统(GIS)技术的特点，介绍了水文生态效应评价的混合型专家系统(HEMES)的基本结构模式和各模块的功能。然后抓住ANN、ES、GIS的共同作用因子一专家知识，从数据库结构、C 类方面探讨了三者集成的问题，并根据集成的思想探讨了相关功能设计。指出HEMES是一种更准确、易操作的评价技术，可作为相关管理、决策者的辅助工具。     

基于BP神经网络的安全评价方法研究

阐述了BP神经网络的基本原理,利用机会约束的思想建立了综合安全评价模型．运用反向传播算法和遗传算法对神经元网络进行训练,在此分析基础上对系统综合安全评价模型进行求解,并对运用神经元网络进行综合安全评价的优点进行了分析。     

基于遗传算法的人工神经网络大气环境评价

人工神经网络模拟大脑的认知功能,通过改变连接点的权值和阈值来训练神经网络完成特定的功能。运用基于遗传算法的BP网络模型,以国家大气质量标准作为网络的输入样本对网络进行训练,对某地区大气质量进行评价,结果与综合指数法比较吻合。     

Application of Bayesian regularized BP neural network model for analysis of aquatic ecological data-A case study of chlorophyll-a prediction in Nanzui water area of Dongting Lake

Bayesian regularized BP neural network（BRBPNN） technique was applied in the chlorophyll-α prediction of Nanzui water area in Dongting Lake. Through BP network interpolation method, the input and output samples of the network were obtained. After the selection of input variables using stepwise/multiple linear regression method in SPSS i1.0 software, the BRBPNN model was established between chlorophyll-α and environmental parameters, biological parameters. The achieved optimal network structure was 3-11-1 with the correlation coefficients and the mean square errors for the training set and the test set as 0.999 and 0.000？8426, 0.981 and 0.0216 respectively. The sum of square weights between each input neuron and the hidden layer of optimal BRBPNN models of different structures indicated that the effect of individual input parameter on chlorophyll- α declined in the order of alga amount 〉 secchi disc depth（SD） 〉 electrical conductivity （EC）. Additionally, it also demonstrated that the contributions of these three factors were the maximal for the change of chlorophyll-α concentration, total phosphorus（TP） and total nitrogen（TN） were the minimal. All the results showed that BRBPNN model was capable of automated regularization parameter selection and thus it may ensure the excellent generation ability and robustness. Thus, this study laid the foundation for the application of BRBPNN model in the analysis of aquatic ecological data（chlorophyll-α prediction） and the explanation about the effective eutrophication treatment measures for Nanzui water area in Dongting Lake.