HCl emission characteristics and BP neural networks prediction in MSW/coal co-fired fluidized beds

IntroductionWiththedepletionofspaceforlandfillingofmunicipalsolidwasteandtherisingpricesforrawmaterials ,moreandmorefluidizedbedincineratorshavebeenusedtotreatMSWduetotheprimaryadvantagesofhygieniccontrol,volumereductionandenergyrecovery .BecausetheMSWhas…     

灰色理论在城市生活垃圾量预测中的应用分析

依据武汉市1993～2002年的垃圾清运量数据,运用灰色系统的预测方法,建立了GM(1,1)模型,预测武汉市到2010年垃圾产生量的水平。根据关联度的大小对影响垃圾产生量e的主要因素进行排序,并分析影响垃圾产量的三大主要因素,对于加强垃圾管理和垃圾处理设施的规划具有现实意义。     

机械装备故障预测系统分析

针对机械装备复杂多变的服役状态,分析了机械装备的故障预测系统,了机械装备故障预测系统的研制目的,系统特性,提出了系统的设计原则,建立了系统的总体功能结构及系统的预测模型,并探讨了故障预测系统的评价指标。     

改进的BP算法在黄河下游枯季径流预测中的应用

本在黄河下游地区应用多层前向人工神经网络理论,通过改进BP算法,建立下游枯季径流预测的BP神经网络模型,使用花园口-利津水站26年的完整序列测流资料训练和检验网络并用于预测,结果表明,通过本次研究建立的BP网络模型是合理的,可靠的,它较好地反映了黄河下游的枯季径流规律,可为今后黄河流域水资源的统一调度,管理,尤其是预防黄河下游再次出现断流提供科学依据。     

道路交通噪声预测模型研究进展

在介绍道路交通噪声预测模型的基本框架和主要考虑因素的基础上,较全面介绍了国内外道路交通噪声预测模型研究的最新进展.分析了预测模型方面存在的问题,并讨论了这一环境声学领域的未来发展方向.      

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。     

基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究

为准确预测尾矿坝变形趋势,通过主成分分析法(PCA)对尾矿坝变形影响因子进行优选,基于生物地理学优化算法(BBO)对支持向量机(SVM)参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明：PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。     

我国喀斯特石漠化研究现状及未来趋势

喀斯特石漠化已成为人类面临的重大自然灾害,威胁着人类的生存,目前石漠化的扩展趋势并没有得到有效控制。文章较为详细地介绍了我国在喀斯特石漠化灾害基础理论研究以及实践应用上的一些问题,包括石漠化的成因、类型划分、预报与预警、以及综合治理方面的进展,阐述了未来可能的发展趋势。石漠化的综合治理工作不仅需要理论的支持,更存在实践中的困难,需要进行多学科的综合性研究,开展跨部门的联合防范与治理。加强石漠化灾害的理论研究,并有效应用于实际,是未来应继续努力的方向。     

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。     

基于VOSviewer的2010-2020年安全疏散研究进展分析

为给安全疏散研究提供综合性的参考,从CNKI和Web of Science收录的2010-2020年核心期刊中整理出关于安全疏散的研究文献,应用VOSviewer软件分别对国内外研究文献的发表数量、关键词、作者等进行了计量分析,并类比其他应用此方法的研究来验证结果的有效性.结果表明:国内针对安全疏散的相关文献年度发表数...