活性污泥系统动力学模拟方法的综合分析

活性污泥法的应用现状和污水中氮磷排放标准的日益严格，使得传统数学模型已满足不了目前的要求，需要对活性污泥系统复杂的动力学规律进行有效模拟。文章在综合分析活性污泥动态模型国内外研究现状的基础上，介绍了3种占主流地位的模型：活性污泥数学模型、神经网络模型和混合模型。这3种模型在污水处理的设计、运行控制和工艺优化等方面各有其独到之处。     

走滑断层作用下X80管道设计应变规律和神经网络预测

走滑断层是埋地管道常见的地质灾害威胁,断层作用下管道会发生较大的拉压应变而失效。为得到X80管道的设计应变,基于有限元方法建立了走滑断层作用下管道的应变响应数值计算模型,模型使用壳单元模拟管道,非线性弹簧单元模拟土壤约束,采用西二线实际工程的管道应变影响参数范围,计算了管道的设计应变;为预测管道的设计应变值,基于以上参数化分析得到的4 817组设计应变结果,采用人工神经网络建立了管道设计应变预测模型。结果表明:该神经网络模型预测结果的最大相对误差小于10%,预测准确性良好,且该方法具有较高的计算效率,可以为断层作用下埋地管道的应变设计与评估提供参考。     

基于BP神经网络方法的引滦入津工程黎河段水质预测研究

根据引滦入津工程黎河段前毛庄断面水质监测数据,采用BP神经网络与非线性时间序列相结合的方法,建立BP网络非线性时间序列水质模型.应用该模型对氯化物和氨氮水质指标进行预测.结果表明,模型预测精度较好.通过预测结果验证了模型的可靠性.与机理性模型相比,提出了该模型的应用条件及优缺点.     

大数据解析技术在大气环境监测中的应用研究

针对近年来新兴的大数据及挖掘、分析技术,对大数据解析技术在环境科学研究中的应用进行了分析和探析。以城市局部地区大气细颗粒污染物PM2.5浓度计算为例,筛选了PM2.5浓度历史数据、气象条件、交通状况、人群活动情况、网格道路状况等数据为影响特征量,分析了用神经网络法进行大数据解析和推演的原理和数学过程,是用数学、计算机、统计等方法研究解决多元、非线性复杂环境问题的一种新的探索。     

基于神经网络方法的城市空气质量日报技术

运用神经网络方法,将城市空气质量状况与大气污染物对空气质量的损害程度相关联,采用了"基于大气污染损害率的API法"评价概念,模拟发布长春市空气质量日报,同时公布次要污染物,并与API法进行同时段比对实验与综合分析。     

BP神经网络在流溪河水库径流量预测中的应用

流溪河水库是广州市的主要饮用水源地,所属地区降雨量年际变化大,不利于水资源的优化配置。对流溪河水库径流量进行预测研究,可为其水资源的优化配置提供科学依据。目前人工神经网络(ANN)技术在水文序列模拟预测中有较多的应用,本文根据流溪河水库1959~2000年水文数据,利用BP神经网络对径流量进行预测,从模型检验结果看,所建模型有较好的拟合效果和预测精度,说明神经网络在预测径流量方面有良好的实用性。     

基于人工蜂群算法与BP神经网络的水质评价模型

针对BP网络水质评价模型的不足,引入人工蜂群(ABC)算法,将求解BP神经网络各层权值、阀值的过程转化为蜜蜂寻找最佳蜜源的过程,提出了一种新的结合人工蜂群算法的BP网络水质评价方法(ABC-BP)。并以2000—2006年渭河监测断面的10组实测数据作为测试样本对其水质进行了评价,实验结果表明该方法得到的水质评价结果准确,并具有很强的稳定性和鲁棒性。     

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。     

煤体注水湿润半径预测的神经网络模型

合理的注水半径一直是煤体注水防尘技术中难以确定的参数。笔者基于对影响煤体注水半径因素的分析和神经网络理论的原理之上 ,设计网络模型为 3层 ,输入层为 7个节点 ,应用BP网络算法 ,建立了煤体注水湿润半径的预测模型 ,并对其参数进行了讨论。然后 ,用平顶山矿务局和水城矿务局 13个矿 19个回采工作面的统计资料对BP网络进行自适应学习 ,并取η =0 .9,α =0 .82 ,控制网络总误差E≤ 10 6。经过 2 12 34次迭代后 ,网络趋于稳定。用训练好的网络对平顶山矿务局的某矿的 3层煤的注水湿润半径进行预测 ,预测结果与实测值很接近。其误差分别为 0 .5 %,0 .6 %和 0 .7%。     

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。