不同底物氧化亚铁硫杆菌生长特性研究

氧化亚铁硫杆菌是脱硫领域的重要微生物之一。文章研究了氧化亚铁硫杆菌对不同含硫底物的利用情况,并用单质硫对其进行驯化培养,将分别以亚铁和单质硫为底物的氧化亚铁硫杆菌的生长特性进行对比分析。结果表明,氧化亚铁硫杆菌对所选的三种含硫底物的利用难易程度依次为Na2S2O3最易利用,单质S其次,而Na2SO3的利用情况最差;氧化亚铁硫杆菌经单质S驯化后,其氧化单质S的能力显著增强,且细菌细胞的形态、结构等与以Fe2+为能源物质相比发生了变化。     

洋河水库蓝藻水华爆发预测影响因子研究

为了预测洋河水库富营养化变化趋势和蓝藻水华爆发的风险,对洋河水库水体进行采样,分析其环境质量.研究结果表明,近年来洋河水库叶绿素a含量处于高位,氮、磷含量不断上升,特别是总氮质量浓度在5 mg/L左右,主要以硝态氮的形式存在,富营养化程度不断加剧,具有大规模爆发蓝藻水华的风险.对洋河水库藻华爆发的环境条件进行分析,提出...     

嘉陵江重庆磁器口段藻类生长模拟研究

藻类生长有一个适合的流速,即临界流速,在其他条件相同的情况下,处于临界流速状态的藻类生长更快.在藻类生长模型中,引人流速影响函数,数值模拟嘉陵江重庆城区磁器口河段2007年2月-7月的藻类生长情况,模拟结果与实测结果吻合较好.研究结果表明.流速在0.03-0.05 m/s比较适合研究河段的藻类生长.     

城市火灾的马尔可夫链预测方法

对1951-2004年间城市火灾起火数据进行分析,可以看出城市火灾发生率具有马尔可夫性.用马尔可夫链预测方法对2005年城市火灾发生率进行了预测,得到预测值与实际值完全吻合.用1991-2004年间城市火灾发生的实际数据对该方法进行了检验,说明该方法的可行性.预测结果表明,马尔可夫链预测方法用于城市火灾发生率及其分级的预测是一种切实可行的方法.     

道路交通噪声预测声源简化研究

为了分析《环境影响评价技术导则声环境》(HJ 2.4—2009)中将道路声源简化为1条位于道路中心线处的线声源与按照车道数简化为多条线声源之间的误差,针对不同宽度的道路,推导了多条线声源与1条线声源在接收点噪声影响的误差计算公式,并基于Predictor-lima预测软件预测和现场噪声衰减规律实测进行了验证。研究结果表明,对于接收点到道路边缘的距离大于道路宽度的情况,可简化为1条线声源;对于接收点到道路边缘的距离小于道路宽度的情况,应按照车道数简化为多条线声源。     

黄钠铁矾渣制备透明氧化铁黄的研究

研究了以黄钠铁矾渣为原料,采用滴加法制备透明铁黄的工艺条件,讨论了亚铁浓度、温度、通气量、搅拌速度及添加剂用量等因素对铁黄制备的影响.用XRD和TEM对产品进行表征.结果表明,铁黄粒子呈针状;长轴为95～125 nm,短轴为18～25 nm;无团聚现象,单分散性好.     

时间因素对钻屑瓦斯解吸指标K1值测定的影响分析

针对时间因素对钻屑瓦斯解吸指标K1测定结果的影响,采用恒温瓦斯放散试验深入分析钻屑瓦斯解吸指标K1测定理论的准确性,总结因时间因素导致K1值测定误差所带来的现场问题。研究结果表明:K1值的测定误差与时间关系密切,测定启动时间越晚,误差越大;测定启动时间由第1 min延后至第2 min,绝对误差和相对误差最大值分别增加0.081 cm3/(g·min1/2)和2.20%;高瓦斯压力条件矿井或煤层的局部高瓦斯压力区域、构造煤发育区的钻屑瓦斯解吸指标K1值测定结果偏低,测定误差偏大。研究结果可为煤与瓦斯突出预测水平的提升提供技术支撑。     

基于改进的非线性GM(1,1)模型的职业病预测研究

为了更准确地预测职业病,在传统GM(1,1)模型的基础上,提出改进的非线性GM(1,1)模型,在传统的GM(1,1)模型中引入弱化算子,将紧邻均值与原始数据之间的线性假设改为非线性假设,提高曲线的拟合度。以2005—2014年的全国职业病例数为研究对象,进行数据拟合和预测分析,其中以2014年职业病例数作为验证数据,并利用后验差比值和小误差概率2个参数,检验该改进模型的预测精度。由应用实例的分析结果可知:在职业病发病趋势的预测方面,改进的非线性GM(1,1)模型的预测精度提高到一级,曲线拟合度较高,预测得到2015年的职业病例数为34 900例。     

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。     

基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究

为准确预测尾矿坝变形趋势,通过主成分分析法(PCA)对尾矿坝变形影响因子进行优选,基于生物地理学优化算法(BBO)对支持向量机(SVM)参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明：PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。