填埋场底土污染物浓度实测值和理论解的比较

为了研究现场条件下污染物在粘性土中的运移机理,对运行13年的苏州七子山填埋场进行了钻孔取样.通过对土样进行分层切片、加去离子水混合并结合室内小型离心机分离,得到了填埋场底土中Cl-,Na+及COD的孔隙水浓度.将室内试验测试值和一维扩散理论进行了比较,结果表明,实测浓度剖面与扩散曲线差别较大,可见水力梯度引起的对流和机械弥散作用比分子扩散作用来得重要.将实测值与一维对流弥散解析解的计算值亦进行了比较,结果表明试验数据较为发散,但可以采用一维对流弥散理论进行大致的拟合,从而可得到运移参数的取值范围.进一步的理论预测表明,当填埋场运行30年之后,Cl-的影响深度可达到10 m以上.为了防止和延缓渗滤液污染物的进一步运移,填埋场应采取有效措施阻止渗滤液的扩散.     

环境质量评价模糊集理论与模式研究

探讨了模糊集理论方法对环境质量评价的可行性，以大气环境质量评价为例，叙述了这种方法的研究程序及计算步骤。研究表明，采用模糊集理论方法对大气环境质量进行评价，结果结果合理，方法可行，有一定的参考价值。     

生态补偿的理论基础:一个分析性框架

总结分析了生态补偿的理论基础框架和基本理论依据。认为,自然资源环境利用的不可逆性是生态补偿的自然要求和生态学基础;环境资源产权权利界定是生态补偿的法理基础和制度经济学基础;公共物品属性是生态补偿政策途径选择的公共经济学基础;外部性的内部化是生态补偿的核心问题和环境经济学基础;自然资源环境资本论是生态补偿的价值基础和确定补偿标准的理论依据。     

关于厌氧流化床稳态机理模型和参数估计模型的推理性研究

本研究采用化繁为简的模型图式、质量平衡原理和实验中的经验数据进行了厌氧流化床消化有机废液过程稳态机理模型的推理,继而对机理模型作了线性化处理,得到厌氧流化床运行的稳态参数估计模型。这些模型可用于厌氧流化床运行的在线控制,具有理论和实用价值。     

安全生产与经济社会发展关系理论研究

对美、英、加、日、澳等发达国家的安全生产状况近百年的统计数据进行了分析研究,发现大都经历了从事故频发到达高峰.逐步下降到平稳发展的"驼峰"过程,安全生产状况与经济社会发展阶段存在着相互制约、相互影响的联系,这是建立安全生产状况与经济发展水平的理论模型的事实依据.安全生产状况随经济社会发展而呈现出阶段性的变化趋势.影响一个国家的职业安全健康水平的直接原因有经济上的(安全投入)、科学技术方面、管理制度方面以及教育文化水平方面的,其中经济发展水平是各种原因的根本.重点揭示了安全生产与经济社会发展关系的内在规律,建立了相应的理论模型.并把所建立的理论模型应用到我国的煤矿安全领域.理论模型与实际统计数据基本吻合.     

IMBR中污泥增殖动力学特征与温度的相关性研究

为研究混合液温度对IMBR污泥增殖动力学特征的影响规律,进行了动态试验,考察了10℃、15℃、20℃、25℃、30℃、35℃ 6个温度条件下的动力学特征.研究结果表明:本实验条件下,温度对理论产率系数与衰减系数都有显著影响,理论产率系数随温度的升高而降低,理论产率系数与温度符合乘幂关系;得到的衰减系数要高于普通的活性污泥法,衰减系数与温度仍符合关系式Kt= K20(θt)(t-20),求得的温度系数在传统活性污泥法的取值范围之内.     

自制模拟样及留样复测的质控技术探讨

介绍了环境监测标准滤膜、标准滤筒、模拟降尘的制备方法、使用方法、实际效果。阐述了滤膜中铅、土壤样品、底泥（沉积物）、污水厂处理污泥等留样的来源、必要性及作用。探讨了滤膜中铅留样复测质控的评判依据。     

水质综合评价的径向基函数网络模型

针对目前水质综合评价中常规方法存在的问题 ,提出了径向基函数网络模型 (简记为 RBF-ANN)。以吉林省白城市地下潜水水质资料为例 ,运用该方法对监测样点进行了综合评价。通过与其它方法对比 ,结果表明 ,利用RBF-ANN模型进行水环境质量综合评价不仅方法简便 ,而且结论更接近客观实际。     

基于隐含碳排放的碳减排目标研究

中国政府以2005年为基年提出了碳减排指标,确定各省碳减排基数对于明确各省碳减排责任具有重要意义.本文结合“十一五”期间节能指标分解过程中存在的问题,分析了省际贸易中隐含的碳排放对于确定各省碳减排基数的影响,并分别基于生产者负责原则和消费者负责原则计算了“十二五”期间各省碳减排基数.计算结果表明:①将工业部门拆分为23个部门能够更加充分反映省际贸易结构差异对于隐含碳排放计算的影响;②省际贸易中隐含碳排放不仅在各省间有较大差异而且呈现出从中西部地区调往东部地区的整体转移方向;③不同原则下各省碳减排基数计算结果存在较大差异,消费者负责原则更加真实地反映了各地区实际减排责任,避免了部分省份通过省际调进代替本省生产的方式实现碳减排目标.     

Field‐Scale Application of Three Types of Neural Networks to Predict Ground‐Water Levels1

Abstract: In this paper, a field‐scale applicability of three forms of artificial neural network algorithms in forecasting short‐term ground‐water levels at specific control points is presented. These algorithms are the feed‐forward back propagation (FFBP), radial basis networks (RBN), and generalized regression networks (GRN). Ground‐water level predictions from these algorithms are in turn to be used in an Optimized Regional Operations Plan that prescribes scheduled wellfield production for the coming four weeks. These models are up against each other for their accuracy of ground‐water level predictions on lead times ranging from a week to four weeks, ease of implementation, and execution times (mainly training time). In total, 208 networks of each of the three algorithms were developed for the study. It is shown that although learning algorithms have emerged as a viable solution at field scale much larger than previously studied, no single algorithm performs consistently better than others on all the criteria. On average, FFBP networks are 20 and 26%, respectively, more accurate than RBN and GRN in forecasting one week ahead water levels and this advantage drops to 5 and 9% accuracy in forecasting four weeks ahead water levels, whereas GRN posted a training time that is only 5% of the training time taken by that of FFBP networks. This may suggest that in field‐scale applications one may have to trade between the type of algorithm to be used and the degree to which a given objective is honored.