机场环境下飞机LY12CZ结构腐蚀损伤预测方法研究

依据LY1 2CZ材料的EXCO溶液浸泡加速腐蚀试验数据、飞机LY 12CZ构件在机场环境下的真实腐蚀损伤数据以及腐蚀损伤等效原则和当量关系原理,获得了该材料在2种环境下腐蚀的当量因子均值(α) =0.023 6,构建了LY12CZ材料于EXCO溶液中浸泡腐蚀的神经网络腐蚀深度预测模型.在此基础上提出了利用所建的神经网...     

基于DEM地表水文特征和汇水子流域的提取研究

文章以天津于桥水库上游流域为研究对象,以DEM(数字高程模型)为基础数据,对DEM生成方法、DEM精度、流域地形地貌特征及阈值的选取三个方面分别作了详细研究。试验结果表明,从于桥水库上游流域的水文特征所提取的河网分布与河流与实际分布情况基本吻合,淋河、沙河、黎河三大流域的面积误差范围分别为-3.44%、2.28%和7.63%。     

植物修复在水环境生态修复中的应用

介绍了平原河网水资源现状及问题成因,对植物修复在水环境生态修复中的应用作了详细的论述,分析了其存在的问题,展望了植物修复应用的发展方向。     

大气污染总量控制规划智能决策支持系统的开发与研究

对大气污染总量控制规划智能决策支持系统的开发步骤和总体结构做了介绍。并描述了该系统中的知识库系统、模型库系统、数据库系统和图形库系统的设计思想,特别是对知识库的构造进行了较详细的叙述。还介绍了神经网络技术在该系统中的应用。指出大气污染总量控制规划智能决策支持系统将为大气污染总量控制提供更科学、更合理、更有效的规划方案。     

基于高通量绝对定量测序解析岗南水库微生物群落的时空分布特征及关键驱动因素

为了探究水源水库微生物群落时空演变特征及其环境驱动因子,采用高通量绝对定量测序技术,结合数据分析了相对定量和绝对定量对岗南水库微生物群落演变和驱动因子的影响.结果表明,基于绝对定量的微生物群落α-多样性呈现出明显的季节差异(p＜0.05),基于相对定量的微生物群落α-多样性没有差异;绝对定量的微生物群落a-多样性高于相...     

湖泊水质富营养化评价的模糊神经网络方法

为了探索人工神经网络用于湖泊营养化评价的可能性,提出了基于多准则学习的模糊神经网络湖泊水质营养化评价模型。该模型应用于我国五大主要湖泊水质营养化的评价结果表明,模糊神经网络用于湖泊水质营养化评价,具有简便、实用、客观性和广泛的通用性。      

天津市环保产业信息管理系统研究

通过对环保产业信息获取,处理,应用等环节的研究,完成了对天津市自１９９３年来的首次环保产业调查,开发了配套的管理软件系统,同时对该系统的知识发现,网络化等问题进行了探讨。     

扩展阴极型膜电解法处理含铜废水的数学模型

采用均匀设计法,研究离子膜扩展阴极电解法对低浓度含铜废水的处理效果,得到了反应条件与回收效果之间的线性模型,并比较了线性预测模型和BP网络的预测效果。结果表明,线性模型有较强的定性分析作用但预测能力不强,而BP网络具有很强的预测能力。两法结合,具有很强的理论和实践指导意义。模型预测结果和实验结果均表明,扩展阴极型膜电解法可带来很好的社会效益和经济效益。     

深井动压影响下山煤巷围岩变形机理与控制研究

以刘桥一矿Ⅱ66回风下山为工程背景,采用现场实测、实验室实验、数值模拟和工业性试验综合分析了下山煤巷非对称变形破坏机理,提出动压影响下深井软弱煤巷围岩多层次组合控制理论,并给出优化控制措施。研究表明:回风下山变形失稳严重并呈非对称性,围岩完整性较差,强度低。地应力实测显示,回风下山处于高原岩应力区,最大主应力为水平应力且具有明显方向性,与巷道轴线夹角为71°,断面顶底板剪切破坏风险较大;数值模拟显示,回风下山开拓延伸期间,受邻近轨道下山、辅助下山影响显著,4煤回采对其影响较小,6煤工作面回采是下山煤巷非对称失稳的主要诱因;提出以围岩深浅孔注浆为核心,以新型注浆锚索、锚杆为装备基础的高阻让压全断面组合控制理论,并给出具体优化方案。工业性试验显示,下山煤巷围岩变形得到有效控制。     

MSWNet: A visual deep machine learning method adopting transfer learning based upon ResNet 50 for municipal solid waste sorting

● MSWNet was proposed to classify municipal solid waste. ● Transfer learning could promote the performance of MSWNet. ● Cyclical learning rate was adopted to quickly tune hyperparameters. An intelligent and efficient methodology is needed owning to the continuous increase of global municipal solid waste (MSW). This is because the common methods of manual and semi-mechanical screenings not only consume large amount of manpower and material resources but also accelerate virus community transmission. As the categories of MSW are diverse considering their compositions, chemical reactions, and processing procedures, etc., resulting in low efficiencies in MSW sorting using the traditional methods. Deep machine learning can help MSW sorting becoming into a smarter and more efficient mode. This study for the first time applied MSWNet in MSW sorting, a ResNet-50 with transfer learning. The method of cyclical learning rate was taken to avoid blind finding, and tests were repeated until accidentally encountering a good value. Measures of visualization were also considered to make the MSWNet model more transparent and accountable. Results showed transfer learning enhanced the efficiency of training time (from 741 s to 598.5 s), and improved the accuracy of recognition performance (from 88.50% to 93.50%); MSWNet showed a better performance in MSW classsification in terms of sensitivity (93.50%), precision (93.40%), F1-score (93.40%), accuracy (93.50%) and AUC (92.00%). The findings of this study can be taken as a reference for building the model MSW classification by deep learning, quantifying a suitable learning rate, and changing the data from high dimensions to two dimensions.