应用神经网络对地下水反硝化效果预测与验证

应用人工神经网络对生物脱氮工艺进行预测并验证。采用工艺参数如COD、NO3-N、NO2-N、DO等作为输入节点,COD、NO3-N作为输出节点。结果显示神经网络能够较好地预报出水的水质参数。出水硝酸盐和COD预测结果与试验结果符合得较好,相对误差分别在10％和5％范围内。     

电网规划环境影响评价指标体系研究

为了预防电网建设对环境造成的不利影响,从源头上控制污染,最有效的方法之一就是对将要实施的电网规划进行环境影响评价。通过分析中国电网规划的概况,综合考虑生态、经济、社会和环境的关系,在大量电网规划环境影响评价实践的基础上,建立了既能满足环境管理的要幕,又具有可操作性的三级电网规划环境影响评价指标体系,包括对植被的影响等18项具体指标,实现了对电网规划环境影响的定量评价,为电网规划环境影响评价工作提供了参考依据。     

环境监测信息网络建设的探讨

随着信息社会的高速发展,计算机网络技术已经广泛地应用于社会各个领域,极大地提高了生产生活效率,为适应这一发展,提高环境监测在环境管理中的作用,环境监测信息网络建设就必须加快步伐,提高环境监测的相应速度,提高环境监测数据质量,加强环境监测数据及相关信息的应用,这是时代发展和环境管理日趋完善的必然要求,也是实现环境监测规范化的具体要求。在认识这种要求的同时,还必须认知目前环境监测信息网络建设中存在的差距与不足,还必须理顺环境监测信息网络建设和发展的思路,建立健全一系列环境监测信息网络建设、管理、保障措施,确保环境监测产品的利用最大化,为环境保护管理提供及时、科学的信息支持和保障。     

贝叶斯规整化BPNN定量流域非点源污染负荷研究

将贝叶斯规整化BP神经网络(BRBPNN)应用于渭河流域非点源污染、社会和经济之间相互作用的研究。采用相关系数法确定输入变量为"降雨"、"种植地"、"草地"、"人口密度"和"羊密度",输出变量为总氮负荷。结果表明用BRBPNN定量非点源污染负荷是可行的,综合选择最优网络模型结构为BRBPNN(3c-7-1),其训练集和预测集相关系数分别为1.0000和0.9780,对应的均方误差分别为88.32和3.21×102。采用权值理论分析各输入因子对网络的贡献,依次为"降雨">"羊密度">"种植地"。该研究可为流域非点源污染的治理提供依据。     

基于APRIORI-TAN的交通事故伤害分析与预测*

为探究道路交通事故因素和事故伤害的相关性,以2 467起涉及人员伤亡的交通事故为数据集,运用Apriori算法分别挖掘事故伤害关联规则,并结合社会网络分析的可视化和核心-边缘分析构建受伤事故和死亡事故的关联规则网络。结果表明:事故伤害程度与事故时间、道路条件和交通环境等因素关系紧密,尤其死亡事故与碰撞固定物、人行横道事故、高速公路、高速道路、非市区、酒驾和超速存在高相关性。基于树型贝叶斯网络（TAN）构建事故伤害程度的预测模型,预测结果准确率可达87.56%。     

扰动法在风网解算中的应用研究*

为简化矿井通风复杂风网的解算,提出将扰动法引入到风网解算中,并介绍扰动法的原理、风网解算的基本定律;给出常见的固定风压、固定风量和给定风机性能函数3种风机工况下的扰动方程矩阵表达式及详细的计算过程;对所提风网解算方法进行实例验证。结果表明:扰动法作为固定运算次数的近似方法,在工程实际允许的误差范围内,相比于以牛顿法为代表的迭代法耗时少、不依赖初值,是1种简单实用的风网解算方法。     

智能物联网在环境在线监控中的应用研究

目前的环境在线监控网络,虽然已经具备了物联网的一些基本特征,并且具备一定环境反应、故障诊断以及应急处理能力,但智能化程度普遍不高,仅停留在了简单的被动式反应,没有实现真正意义上与多智能体技术的结合,所以对于环境监测数据利用还不够充分,深度和广度还有待扩展。本文提出了一种多智能技术与环境在线监控物联网结合的设计方法,以及由此产生的对环境保护工作的提升作用。     

广州城市电网工频电磁环境影响分析及建议

高压输变电工程进入城市中心地带是发展的趋势,而工频电磁环境是居民关注的问题,根据目前广州城市电网建设的现状,对广州城区110 kV、220 kV各类型变电站、多种形式的输电线路产生的工频电磁环境影响进行分析,对比国家现行标准限值,评价广州城市电网工频电磁环境影响的总体情况,认识电网的未来发展趋势,并结合输变电电磁环境影响特点提出相应广州电网建设的意见与建议。     

Method to map human and infrastructure vulnerability using CNN land cover: Case study of floating tank explosion at petrochemical plants of LaemChabang,Thailand

Industrial storage tanks, used to store flammable materials in the petrochemical industry, can induce potential fire and explosion under specific conditions. Therefore, it is necessary to map the population and environment vulnerability, and, to develop procedures for emergency responses in order to reduce potential casualties. In order to achieve this, Convolutional Neural Networks (CNN) are used in this study using 6 classes: floating tank, forest, house, road, wasteland and water. Datasets are built for a total of approximately 1.4 million tiles with a resolution of 0.33m/pixel and their size are optimized in function of the class. The 6 associated CNN models are built and optimized to classify each class. The validation of the models shows that, with the exception of road and wasteland where the precision is only 73% and 89% respectively, the other 4 classes have a value higher than 95%. Post-processing is performed on each prediction before aggregating these results to obtain the land cover. For the floating tank class, a 5 step post-processing is used based on a Density-Based Spatial Clustering of Applications with Noise algorithm (DBCAN) after which blast simulation is applied and effects on people, buildings and trees are obtained through 4 steps. Finally, the petrochemical site of LaemChabang in Thailand is used as study case. Except for the road class that is difficult to detect, land cover is well performed. Human casualties and surface of damaged buildings are finally estimated demonstrating the usefulness of the tool to be used for the emergency planning of industrial disasters.