丹东市沙尘污染监测及分析

分析了 2 0 0 2年 4月 7日～ 9日沙尘对丹东市的影响和危害 ,提出了监测沙尘的到达时间、持续时间、污染项目、污染物成份及建立沙尘影响的数据库和信息网     

神秘“上帝粒子”现踪影

欧洲科研人员13日宣布,他们可能“瞥见”希格斯玻色子,但现有数据无法确切证实。欧洲核子研究中心科研人员当天在日内瓦告诉媒体记者,两项强子对撞实验项目ALTAS和CMS有一些相似发现,让科研人员颇为兴奋。     

物理界两大实验室宣称 或已瞥见“上帝粒子”

7月28日,物理界的两大圣殿级实验室——欧洲核子物理研究中心（CERN）和美国费米实验室（Fermilab）,先后宣称或已“瞥见”了希格斯玻色子的蛛丝马迹,即是说著名的“上帝粒子”有可能已现身世间。不过,由于数据尚未足够也未经严格验证,两实验室都不敢言之凿凿。     

软锰矿粒子电极的制备及其对SMP的催化降解

针对二氧化锰对废水中氯离子电解生成活性氯具有较好催化活性的特点,以软锰矿为原料制备一种新型粒子电极,将其用于三维电极系统处理油气田高含氯废水,利用活性氯的强氧化性进一步强化废水中难降解有机物SMP的处理;并考察软锰矿粒子电极制备条件对电极性能和电解效果的影响。结果表明:软锰矿与石墨质量比6∶4、PTFE分散液加入量10%、330°C下灼烧2 h为软锰矿粒子电极最优制备条件;与常规活性炭粒子电极相比,软锰矿粒子电极电解活性氯的产生量、COD去除率均显著优于活性炭粒子电极;且软锰矿粒子电极在重复使用多次后,活性组分流失量较小,对SMP的降解效率仍较高,保持了稳定的电催化性能。     

基于PIV技术的ABR反应器在不同HRT下的液相流态特性

利用激光粒子图像测速技术（PIV）对ABR反应器的液相流态进行了研究,在水力停留时间（HRT）为3~58 h变化时,测试得反应器内下流室和上流室折流板内外侧关键截面的流场数据,获得了相关流场特征,包括速度矢量图、流线图谱和涡量场等。结果表明,HRT对下流室和上流室的液相轴向、径向平均速度和平均涡量强度影响不同,液相回流面积随HRT的增加逐渐减小;下流室液相平均涡量强度随HRT的增加逐渐增加;上流室液相平均涡量强度随HRT的增加逐渐减小。下流室和上流室在特定HRT时产生涡流、沟流。在本实验条件下,当处理难降解或高浓度废水时,得出HRT为33 h时反应器整体流态最佳。     

超小型液体旋流分离器的研究

这是用超小型液体旋流分离器从水中分离固体粒子的性能实验。在旋流分离器下向流排出口内插入一个圆锥流量调节器。实验中使用的固体粒子为玻璃球，平均粒子径为4．84μm。通过实验发现了装有圆锥流量调节器旋流分离器有较好的性能，与普通型的相比，其压力损失约减少7％，分离效率增加10％。     

基于改进粒子群算法和元胞自动机的城市扩张模拟——以南京为例

为合理利用多智能体算法解决城市扩张动态模拟问题,基于地理学理论和社会学规律对粒子群算法进行有针对性的改进,提出分段式粒子群算法(SPSO),并结合元胞自动机模拟复杂时空过程的能力,构建出适用于城市扩张模拟的地理元胞自动机SPSO-CA。在SPSO-CA中我们利用多时像的土地利用数据、交通路网数据和地形数据,挖掘出1995~2000年南京城市扩张的土地转换规则。再由此规则实现1995~2008年的南京市城市扩张过程的动态模拟。最后对比SPSO-CA、PSOCA及NULL模型结果得:SPSO-CA总精度86.3%,Kappa系数为0.792,Moran’s I为0.078,PSO-CA总精度83.6%,Kappa系数为0.755,Moran’s I为0.054,NULL模型总精度81.9%,Kappa系数为0.741,真实的Moran’s I为0.072。这表明无论是总精度还是空间一致性,SPSO-CA都优于PSO-CA和NULL模型,即用SPSO-CA模拟城市扩张是可行的。     

基于IPSO-LSTM的新能源汽车锂电池健康状态监测

为监测新能源汽车锂电池的健康状态(SOH),防范电池故障引发安全事故风险,提出改进粒子群算法(IPSO)和长短期记忆(LSTM)神经网络相结合的模型,监测锂电池的SOH。首先,采用Spearman相关性分析法,提取锂电池SOH监测的健康因子;其次,采用线性惯性权重和非对称学习因子改进传统粒子群算法(PSO),利用IPSO算法对LSTM模型的隐含层神经元个数、神经元失活率、批处理值进行关键参数寻优,进一步优化LSTM模型,建立IPSO-LSTM锂电池SOH监测模型;最后,以新能源汽车主流采用的18650锂电池数据集验证IPSO-LSTM模型,并对比分析BP、LSTM和PSO-LSTM这3种模型。结果表明：IPSO-LSTM模型的平均绝对误差(MAE)在0.02以内、均方根误差(RMSE)在0.03以内,监测误差在15%以内,相较于BP、LSTM、PSO-LSTM模型,IPSO-LSTM模型的误差指标值均最小,模型具有更高的精度和稳定性。