中型污水处理厂中药物和个人护理品的分布与去除

为了解15种药物及个人护理用品(PPCPs)在中小型污水处理厂中的分布及其去除效果,采用液相色谱-串联质谱(LC-MS/MS)技术对3座A2/O工艺的污水处理厂水样进行分析研究。结果显示,除普萘洛尔、吉非罗平和吲哚美辛在3座中小型污水处理厂各个工艺单元中均未被检出外,其余12种目标化合物的检出频率在90%~100%之间。进水水样中PPCPs的平均检出浓度为2 285.4 ng/L,其中咖啡因(CF)的平均检出浓度最高为973.3 ng/L,酮洛芬(KP)的平均检出浓度次之为844.7 ng/L,两者之和占进水水样中PPCPs平均含量的79.5%,表明污水处理厂的主要污染物为CF和KP。3座污水处理厂对CF的去除效果最为显著,平均去除率为95.3%,对15种PPCPs总去除效率在39.3%~82.8%之间。     

高效液相色谱-串联质谱法同时检测地表水中13种药物及个人护理品

采用高效液相色谱-串联质谱(HPLC-MS/MS)检测,建立了地表水中13种药物及个人护理品的测定方法。水样用盐酸与氢氧化钠溶液调pH值至7.0左右,过固相萃取小柱进行富集,用14 mL甲醇洗脱。以C18柱为分离柱,0.01%甲酸的甲醇-0.01%甲酸水溶液为流动相,目标物在10 min内分离,在0.50~250 μg/L范围内,13种化合物峰面积与内标物质峰面积之比与质量浓度的线性关系良好(>0.99),检出限在0.05~0.5 ng/L范围内。基质加标实验结果表明,13种化合物在水中的回收率分别在56.2%~123.2%之间(加标水平5 ng/mL)和58.0%~107.8%(加标水平50 ng/mL),相对标准偏差在1.60%~19.9%(n=6)之间。应用该方法测定了从2条纳污河流采集的10份水样,结果表明,除美托诺尔和普洛萘尔未被检出外,其余11药物的检出频率在30%~100%之间。在13种目标物质中,咖啡因的检测浓度最高达287.5 ng/L,舒必利次之,为277.5 ng/L。本方法快速、准确,适用于地表水中PPCPs类的快速测定。     

变权组合模型在景观水体水质模拟中的应用

针对景观水体的水质模拟与预测问题,在BP神经网络和支持向量机模型的基础上,建立了权重随输入量变化的变权组合模型。该模型既能充分利用各个单一模型的优点,又能避免固定权重分配的弊端。经实例验证,与单一的BP神经网络和支持向量机模型相比,变权组合模型拟合精度更高,预测结果更为准确。     

液相色谱-串联质谱法同时测定污水中10种精神活性物质

建立了采用液相色谱-串联质谱法(LC-MS/MS)同时测定污水中10种精神活性物质的分析方法。污水样品经甲酸与甲酸铵调节pH后,加入氘代内标混匀,离心并过滤膜后可直接上样分析。研究表明,在1~250 ng/L的线性范围内,10种精神活性物质的线性相关系数均大于0.992,定量限均低于0.5 ng/L。在3个加标水平下,10种精神活性物质的加标回收率为87.2%~114%,相对标准偏差为0.53%~3.60%(n=3)。将该方法应用于某区域10份生活污水样品的检测,在3份水样中检出吗啡、甲基苯丙胺、氯胺酮等精神活性物质,对应的质量浓度范围分别为3.41~9.55、0.90~1.63、1.06~1.78 ng/L。与经固相萃取前处理后的分析方法相比,该方法可在10 min内完成分离和检测的全过程,具有简单、快速、节约的优点,可用于污水样品中10种痕量水平精神活性物质的定量分析。     

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。     

MI和SVM算法在煤与瓦斯突出预测中的应用

为解决能用于煤与瓦斯突出预测模型的真实事故训练数据量小、数据集缺失严重的问题,提出采用数据挖掘多重填补(MI)算法填补事故数据中缺失参数,增大可用数据集,并将填补后的数据用于支持向量机(SVM)预测模型的训练与测试,选取K最近邻(KNN)算法与SVM进行对比.结果 表明:SVM数据填补前后的平均识别率分别为88.37％...     

固相萃取-UPLC-MS/MS法测定环境水体中多种抗生素

采用固相萃取-超高效液相色谱串联质谱法测定环境水样中25种磺胺类和喹诺酮类抗生素,通过优化试验条件,使方法在2.00μg/L～200μg/L范围内线性良好,方法检出限为1.01ng/L～2.85ng/L,7次测定结果的RSD为2.3%～8.0%。将该方法用于自来水和地表水测定,结果均为未检出,高、低质量浓度水平的加标回收率为61.2%～102%。     

HPLC-三重四级杆质谱法测定医疗废水中抗生素残留

采用固相萃取/高效液相色谱-三重四级杆质谱法同时测定医疗废水中的20种超痕量抗生素残留,通过优化试验条件,使方法在100μg/L～100μg/L范围内线性良好,方法检出限为024ng/L～122ng/L。空白水样和实际水样3个质量浓度水平的加标回收率分别为80.2%～108%和75.8%～114%,6次测定结果的RSD分别为2.4%～8.4%和1.7%～8.1%。将该方法用于测定重庆市2家三甲医院医疗废水中的超痕量抗生素残留,结果有11种抗生素检出,其余均为未检出。     

2012年《中国安全生产科学技术》征订启事

(中国科技核心期刊美国CA检索收录)国家安全生产监督管理总局主管中国安全生产科学研究院主办《中国安全生产科学技术》是刊载安全生产科学技术与管理成果的综合性学术期刊。入选中国科技核心期刊,并被国际三大著名检索机构之一的美国化学文摘数据库收录,在国内外具有广泛影响力。     

基于MDE和分形优化SVM的周期来压预测

为了解决周期来压的预测问题,首先对已知支架周期来压荷载曲线使用多重差异进化算法(MDE)进行拟合,将每重拟合形成的单一正弦曲线与上次差余曲线(Ei)再作差余曲线(Ei+1)。将这些Ei图通过分形几何的盒子法计算维度和相关系数(r)。将每条Ei的维度、r和支架相对距离(L)作为输入值,对应的Ei的周期Ti、缩放系数Si和纵移系数Di作为目标值,使用支持向量机(SVM)进行训练。通过对维度和r规律的研究得到拟设置支架处荷载各Ei的维度和r,带入训练后的SVM模拟得到Ei的Ti、Si和Di,进而得到Ei的表达式。将上述Ei求和即为所求拟设置支架处的周期来压荷载。实例分析说明,该种方法预测结果可以大体反映支架周期来压的基本形式和变化规律。