2015-2019年汾渭平原臭氧污染状况分析

基于全国空气质量监测网数据,分析了2015-2019年汾渭平原11个城市臭氧(O3)污染状况.结果 表明:2015-2019年,汾渭平原11个城市O3平均浓度总体呈升高趋势,年平均升高12.2 μg/m3,其中,2017-2019年均超过二级标准限值(160μg/m3).O3单项污染物的空气质量分指数占空气质量指数的比...     

人工神经网络在大气环境质量评价中的应用

针对大气环境中的数据监测与模式识别问题,应用人工神经网络理论,在自然环境大气腐蚀试验网站建立大气环境质量B-P网络评价模型。江津试验站成功地应用了该模型。通过1996-2000年大气环境质量评价结果表明,人工神经网络用于大气环境质量评价的方法是一种新方法,也是一种可行的方法。     

平原河网地区水源地水质对土地利用变化的响应——以黄浦江上游水源地为例

以黄浦江上游水源地为例,利用1999年上海水资源普查数据及2000年初成像的上海市1∶50 000彩红外航空像片,采用G IS空间分析技术、灰色关联分析技术,划分土地利用样带,设计水质改善指数,探讨平原河网地区水环境质量对土地利用结构的响应,以及水源水质对土地利用变化驱动力的响应。结果表明,黄浦江上游水环境质量受到土地利用格局及上游来水的综合影响,各样带工业用地比例与水质改善指数呈极显著负相关(P<0.01),松浦大桥取水口水质与上游来水水质以及水源地当地的工业发展、人口密度等土地利用变化驱动力具有很好的关联性。建议在开展平原河网地区水源保护工作中,应在关注上游来水状况的同时,从土地利用及其社会经济驱动两方面控制水文敏感区域土地开发强度,构筑水源地圈层土地利用格局。     

电解铝生产环境负荷分析和预测模型研究

利用生命周期评价的分析方法,对铝电解生产过程中资源消耗、能源消耗和污染物排放进行了分析,采用等效环境指数计算了铝电解生产过程中的环境负荷,并分析了各因素对环境负荷的影响,其中氟化盐的投入量对环境负荷影响较大.运用神经网络对铝电解生产过程的环境负荷进行预测,在负荷预测过程中,首先对样本数据进行归一化处理,然后采用BP算法对神经网络进行训练.最后用训练好的网络进行预测,将预测结果与实际数据进行比较,证明具有较好的预测效果.     

特长公路隧道全射流火灾通风网络解算研究

为探究特长公路隧道全射流火灾在通风条件下隧道内风流分布及影响规律,基于斯考德-恒斯雷近似算法构建通风网络解算模型,并通过隧道现场风机效率测试和通风测试,验证通风网络解算模型的可靠性;引入火区阻力和火风压公式,建立全射流火灾通风网络计算模型.结果表明:铜锣山隧道射流风机正向运转效率为0.83～0.93,平均效率为0.88...     

城区内涝条件下城市公交-地铁双层交通网络的脆弱性分析

为提高城市公共交通应对内涝的能力,利用复杂网络理论的Space-L方法构建了武汉市中心城区的地铁、公交无向加权网络,并在此基础上运用ArcGIS软件构建了不同耦合半径的公交-地铁双层交通网络,确定了连边的权重和节点的重要度,计算了静态下地铁网络、公交网络和不同耦合半径的公交-地铁双层交通网络的介数、平均路径长度和聚类系...     

基于贝叶斯网络的消防协同治理影响因素研究

为有效提升消防安全协同治理的效能,在识别和量化政府部门、企业和公民社会消防协同治理的影响因素的基础上,分别构建政府部门、企业和公民社会影响因素的贝叶斯网络模型,辨识影响实现高效消防协同治理的关键因素。研究结果表明：部门的权力与利益、有效领导和组织激励3个因素对政府消防协同治理影响最为显著;交流沟通和参与渠道分别是影响企业和公民社会的关键因素,并且基于全局贝叶斯网络模型的敏感性分析可知,政府部门是整体消防协同治理的核心,调节相关部门的权力与利益和具备有效领导的能力能有效提高政府消防协同治理水平,明显改善整体消防协同治理效能。     

基于高阶递归神经网络的AUV鲁棒控制方法

目的 提出一种基于高阶递归神经网络的AUV鲁棒控制方法。方法 利用结构简单但逼近效果优越的高阶递归神经网络,对建模不确定性和外部未知干扰进行估计,并将其补偿到输入控制律中,以提高控制性能。之后,基于HJI理论和Lyapunov稳定性分析导出神经网络权重自适应更新律和AUV自适应控制律,设计反步滑模方法作为对比方法,并进行仿真实验。结果 设计的基于高阶递归神经网络的AUV鲁棒控制方法的跟踪误差、调节时间等控制指标均优于反步滑模方法。设计的鲁棒控制方法可以控制AUV精确跟踪目标轨迹,同时具有优秀的控制性能和鲁棒性。结论 这一研究为AUV轨迹跟踪控制领域提供了一种高效且有效的方法,有望在复杂、不确定的水下环境中得到应用。     

Prediction of BLEVE mechanical energy by implementation of artificial neural network

In the event of a BLEVE, the overpressure wave can cause important effects over a certain area. Several thermodynamic assumptions have been proposed as the basis for developing methodologies to predict both the mechanical energy associated to such a wave and the peak overpressure. According to a recent comparative analysis, methods based on real gas behavior and adiabatic irreversible expansion assumptions can give a good estimation of this energy. In this communication, the Artificial Neural Network (ANN) approach has been implemented to predict the BLEVE mechanical energy for the case of propane and butane. Temperature and vessel filling degree at failure have been considered as input parameters (plus vessel volume), and the BLEVE blast energy has been estimated as output data by the ANN model. A Bayesian Regularization algorithm was chosen as the three-layer backpropagation training algorithm. Based on the neurons optimization process, the number of neurons at the hidden layer was five in the case of propane and four in the case of butane. The transfer function applied in this layer was a sigmoid, because it had an easy and straightforward differentiation for using in the backpropagation algorithm. For the output layer, the number of neurons had to be one in both cases, and the transfer function was purelin (linear). The model performance has been compared with experimental values, proving that the mechanical energy of a BLEVE explosion can be adequately predicted with the Artificial Neural Network approach.     

On the application of the window of opportunity and complex network to risk analysis of process plants operations during a pandemic

To quantify the pandemic specific impact with respect to the risk related to the chemical industry, a novel risk analysis method is proposed. The method includes three parts. Firstly, the two types of “window of opportunity” (WO) theory is proposed to divide an accident life cycle into two parts. Then, a qualitative risk analysis is conducted based on WO theory to determine possible risk factors, evolution paths and consequences. The third part is a quantitative risk analysis based on a complex network model, integrating two types of WO. The Fuzzy set theory is introduced to calculate the failure probabilities of risk factors and the concept of risk entropy is used to represent the uncertainty. Then the Dijkstra algorithm is used to calculate the shortest path and the corresponding probability of the accident. The proposed method is applied to the SCR denitrition liquid ammonia storage and transportation system. The results show that it is a comprehensive method of quantitative risk analysis and it is applicable to risk analysis during the pandemic.