粒径分布对小麦粉最低着火温度的影响研究

小麦粉是一种常见的工业粉体原料，在运输及储存过程中遇到点火源非常容易造成粉尘爆炸。采用对不同粒径分布下最低着火温度的测定，利用变异系数-灰色关联分析法确定小麦粉粒径分布与最低着火温度的综合关联度，再根据熵权-灰色关联分析法对研究结果进行验证。结果表明：小麦粉颗粒粒径分布对于最低着火温度的综合关联度如下：(d₉₀-d₁₀)/d₅₀>d₉₀/d₁₀>d₁₀>d₅₀>d₉₀，且在有限空间内，固定粒径条件下的粉尘爆炸强度随粉尘浓度的增大而增强。     

关联区域内VOCs聚集成因解析方法研究

为研究目标区域VOCs聚集的主要成因，同时挖掘VOCs自潜在污染源扩散迁移至聚集区域的过程，提出一种基于随机函数Petri网的关联区域内VOCs聚集成因的解析方法。运用HYSPLIT确定VOCs聚集的关联区域以及VOCs的聚集路径，并将其映射为随机函数Petri网；通过计算稳态概率等指标对Petri网的性能进行分析，将聚集区域VOCs浓度的增量计算过程融入到随机Petri网的运行过程中，从而分析目标区域VOCs聚集的主要成因。案例研究分析了临汾市一次重污染天气下，各潜在污染源对临汾市VOCs浓度增加的影响大小，得出B企业、C企业和D企业为临汾市VOCs聚集的主要成因。该方法为研究目标区域VOCs聚集的主要来源及成因提供了依据。     

关于调整绵阳市柴油车排放限值的研究

为能有效地筛选出高排放柴油车并促进提前淘汰，基于GB3847-2018中规定的柴油车加载减速法排放限值及测量方法，利用光吸收系数与累积频率关系，应用关联规则数据挖掘方法，对绵阳市2021年柴油车排放检测数据分析，研究表明，现行排放限值筛选出的不合格柴油车比例仅为3.7384%,若将100%VelMaxHP点和80%VelMaxHP点的光吸收系数限值由1.2m^-1调整为0.7m^-1,可筛选不合格柴油车比例为17.2253%,柴油黄标车和老旧柴油车的不合格比例分别为27.7117%和26.9423%,限值调整后能有效地筛选出高排放柴油车，有助于提前淘汰，减少氮氧化物和颗粒物的排放，推动环境空气质量持续改善，为绵阳市柴油车大气污染物排放治理提供科学参考。     

强降雨导致的建设工程安全事故人因分析HC-GC模型

为降低强降雨导致建设工程安全事故发生率，有效解决该类安全事故人因分析复杂问题，提出新的安全事故人因分析模型方法。基于人为因素分析与分类系统(HFACS),建立包括6层24个因素的建设工程强降雨事故(CPHRA)框架模型(HC);联用遗传算法(GA)优化连续关联规则挖掘算法(CARMA)(GC)分析人为致因关联，绘制事故人为致因链；选取150起强降雨导致建设工程事故典型案例进行模型验证与应用分析。结果表明：优化后的人因分析HC-GC模型具有更优的性能与效率；在事故人因链中，政府安全主管部门监督不足与企业安全文化缺失是深层次因素，现场违规监管与现场安全管理漏洞是主要连接因素，技能水平低与失误违章会进一步强化事故负反馈，事故上报与响应不及时是强降雨导致建设工程事故扩大蔓延最直接原因。     

关联站点协同攻击下轨道交通网络脆弱性研究

为探究轨道交通网络多个关联站点受到蓄意攻击后网络的脆弱性以及不同攻击下影响的差异，量测分析多站点之间的关联性，给出关联站点协同攻击下轨道交通网络脆弱性量化方法，提出以脆弱性最大化为目标的攻击模型，通过免疫算法求解模型，得到最优攻击策略，并以上海市地铁网络为例，研究多站点协同攻击下轨道交通网络脆弱性。结果表明：多站点蓄意攻击下轨道交通网络脆弱性不仅取决于每个站点的重要程度，还取决于不同站点之间的关联性，尤其是空间位置关联性和乘客出行关联性。位于不同线路且客流量较大的多个换乘站点受到协同攻击下轨道交通网络脆弱性最高，占网络站点总数3.56%的多个站点同时受到攻击后，轨道交通网络性能损失最高可达63.61%。     

基于关联规则的塔式起重机事故致因网络模型研究

为揭示塔式起重机事故致因机理，由事故调查报告提炼关键要素，运用关联规则方法挖掘致因因素间耦合关系并提取其强关联规则；基于复杂网络理论，构建塔式起重机事故致因网络模型，通过模块度、平均路径长度、节点度及中介中心度分析网络拓扑特性，识别关键节点及其交互机理。结果表明，塔式起重机事故网络具有较明显社团结构，人因和管理层因素与事故连接紧密，存在违规/违章操作、相关专业资质不足及未有效落实安全制度等问题，需对关键节点采取针对性干预控制措施，及时切断风险传播链路，减少事故发生。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。