机器学习方法在污水处理系统中的应用

由于污水处理系统一般较为复杂且受外界因素影响较多,对其进行精准调控一直是环境领域的难题之一。传统方法无法满足日益复杂的工程项目需求。近年来发展起来的机器学习方法为此类问题提供了一系列有效的解决方案。介绍了人工神经网络、支持向量机、随机森林等机器学习方法的特点,并从水质预测预警、污水处理系统故障诊断和智能控制3个方面阐述了机器学习方法在污水处理领域的应用,分析了机器学习方法相较于传统方法的优势及其应用于污水处理系统中存在的问题,展望了机器学习方法未来在污水处理领域应用的前景和趋势。     

基于自组织神经网络和K-means的场地地下水污染特征分析与分区管控研究

该研究基于自组织神经网络(SOM)和K-means方法,以华中地区某铬渣污染场地为研究对象,探讨了SOM+K-means方法应用于场地地下水污染分区管控的可能性。通过监测数据的描述性统计分析场地地下水污染特征,发现Cr (Ⅵ)、COD_Mn、SO₄2-、TDS、NO₃-、NH₃-N、Mn为研究区的主要污染物。基于SOM+K-means分析挖掘,并基于空间插值方法,将研究区地下水分为4类区域,并识别出每类区域需重点关注的污染指标。结果显示:类别Ⅰ需关注NO₃-;类别Ⅱ需关注Cr (Ⅵ)、COD_Mn、NO₃、TDS、NH₃--N;类别Ⅲ需关注SO₄2-;类别Ⅳ需关注Mn。该方法可较好地应用于地下水污染分区管控,对场地地下水污染防治具有指导意义。     

深基坑开挖变形研究进展

深基坑的设计理念主要以“变形控制”为主,综合前人的研究成果,将深基坑开挖变形研究分为2类：深基坑开挖平面变形研究和三维变形研究。在深基坑开挖平面变形研究的模式下,回顾了地表沉降模式、地表沉降影响范围以及基坑支护变形,并对具有代表性的工程实测数据进行了归纳总结;在深基坑开挖三维变形研究的模式下,对土体本构模型和数值模拟进行了总结分析;介绍了深基坑智能监测发展趋势,对机器学习在深基坑变形预测和稳定性评估方面的不同算法模型的性能进行了分析。通过理论分析、工程实测、数值模拟、智能监测以及机器学习5个方面,对深基坑开挖变形进行了综述。可以看出,深基坑变形研究需要多方法并举、多领域贯通、多学科相互配合,旨在构建智能一体化云监测分析预警平台,保障深基坑工程的施工安全,为今后智慧工地和智能建造的发展提供可靠的支持。     

大数据挖掘和机器学习在毒理学中的应用

随着高通量筛选技术的快速发展,化学品的毒性相关信息与日俱增。现今快速发展的数据挖掘技术和机器学习等计算机方法为化学品的毒性预测和风险防控提供了新途径。有害结局路径(adverse outcome pathway, AOP)将化合物的结构、分子启动事件和生物的有害结局建立关联,为污染物的毒性测试、预测和评估提供了新的模式,最终实现风险评估并应用于管理决策。定量结构-活性关系(QSAR)建模、分子模拟以及多组学技术在AOP的各个方面发挥了重要作用。基于此,本综述主要介绍数据挖掘与机器学习在毒理学中的应用方法,涉及QSAR建模、分子模拟及组学等方面,并结合实例分析系统阐述了当前研究的重点与方向,以更好地适应当前大数据时代的研究背景。     

基于随机森林模型的辽河高时间分辨率氮、磷浓度模拟与预测

随着环境信息获取技术的飞速发展,水质监测数据逐渐呈现出高时间分辨率的特点.针对传统方法在模拟高频检测数据时的不足,本文基于随机森林建立了河流氮、磷逐日浓度预测模型,识别了影响辽河干流马虎山断面氮、磷浓度变化的主要因素,并预测了未来不同情景下氮、磷浓度变化特征.结果表明：①马虎山断面氮、磷浓度变化的主要影响因素是上游珠尔山断面的来水水质和本断面的流量;②随机森林模型在高时间分辨率的水质指标模拟中具有误差低和拟合优度高的特点,其中,TN浓度预测模型的RMSE为0.40 mg·L^-1,R²为0.95,TP浓度预测模型的RMSE为0.01 mg·L^-1,R²为0.96;③在不同水文、污染控制和来水水质的变化情景下,未来马虎山断面氮、磷浓度变化主要取决于上游 来水水质,加强全流域营养盐控制是确保断面水质稳定达标的重要基础.     

湖南空气质量预报中的数据预处理和特征工程

为提高空气质量预报的准确率,建立了融合气象和环境观测资料、结合机器学习和数值天气预报,且预测时效较长、预测精度较高的机器学习模型库。以湖南6个城市(长沙、株洲、湘潭、益阳、常德、岳阳)的空气质量预报为例,将数据预处理、特征工程方法运用到模型之中,得出以下几点结论:①数据预处理工作包括样本收集、数据清洗、缺失值处理、异常值剔除等,对提高模型预测稳定性帮助很大。②点、线、面的特征组合有助于完整地描述污染物的生消过程。引入传输指数后,株洲市模型对传输型污染过程的预测性能得到明显提高,对轻度、中度、重度污染的分类准确度分别提升了23.6%、16.6%、30.0%。引入静稳指数后,长沙市模型PM_2.5浓度测试的相关系数由0.938提升至0.959,均方根误差由10.33下降至8.46,且模型对中度以上污染天气的极值预报结果更接近实况;益阳市模型在高浓度样本预测中存在的系统性偏低现象得到改善,对轻度以上污染天气的预报结果得到较大矫正。③随机森林的特征重要性排序功能可以大幅度减少特征的数量,使得模型的可解释性和稳定性增强。     

基于BP神经网络的粤北某地区地下水脆弱性评价及其风险管控

针对传统DRASTIC模型在参数权重确定过程中主观性强问题,以粤北某地区浅层地下水为研究对象,利用采集的地下水相关数据和新增土地利用类型参数,在优化BP神经网络算法和构建DRASTICL模型基础上,借助地下水NO^-₃浓度进行模型验证,建立耦合BP神经网络算法的BP-DRASTICL模型,进而根据地下水脆弱性空间分布特点提出了地下水污染风险管控对策。结果表明：训练函数为trainlm、学习率为0.1、隐含层神经元节点数为6时,BP神经网络算法效果最好,相应地获得的最优BP-DRASTICL模型参数权重依次为0.1420(地下水埋深,D)、0.1151(净补给量,R)、0.0791(含水层介质,A)、0.1833(土壤介质,S)、0.0908(地形,T)、0.1574(包气带介质影响,I)、0.0891(渗透系数,C)和0.1433(土地利用类型,L)。D、S、T和L对评价结果的影响最大。与DRASTIC模型、DRASTICL模型相比,BP-DRASTICL模型的Pearson和Spearman相关系数最高,分别达到0.615和0.656,表明硝...     

机器学习在土壤重金属污染研究中的应用

土壤重金属污染是全球性的环境问题之一。传统的重金属检测方法精度高,但是成本高、时效性差,不利于大范围普查或绘制重金属分布图,并且数据量大、处理难度高。随着计算机科学的发展,机器学习被应用于众多领域中的复杂数据处理。本文从重金属含量、固定、溯源、污染风险四个方面总结了机器学习在土壤重金属研究中的应用,重点综述了机器学习模型的建立过程和最佳算法,并针对数据集构建的成本和时效性问题提出了发展的对策,为进一步推动机器学习在土壤重金属研究中的应用提供参考。     

基于逻辑回归模型的异常值应急预警模式研究——以个体风险管理为例

针对定性的安全评价与分析逐渐不能满足个人对安全要求的现状,为了更好地量化描述生活中的风险程度,找到异常值与个体风险之间的量化关系,利用逻辑回归方法分析各个自变量和因变量之间的具体依赖关系;以河南某水泥厂为调查对象,建立基于逻辑回归方法的应急预警模式,利用SAS软件对自变量与事故后果之间的线性关系进行计算分析,并与聚类分析方法进行了比较。结果表明：逻辑回归模型相较于聚类分析对于异常值的监测有较好的精度,为个人风险预警及事故预防提供了很好的分析基础。     

基于集成学习算法构建有机化学品鱼体生物富集因子的QSAR预测模型

生物富集因子(BCF)是评价化学品生物累积能力的重要参数.目前全球市场上使用的化学品数量已超过了35万种,但是只有一千多种化学品具有BCF值.定量构效关系(QSAR)模型被认为是一种有效填补数据空缺的方法.目前大多数预测BCF的QSAR模型为单一模型,而集成模型可能会对BCF的预测效果有所改进.本研究建立了一个全面的鱼...