Zipf定律及人工神经网络在环境污染事故预警中的应用研究

在目前环境问题日益突出的背景下.为研究环境质量变化与经济增长之间的关系.利用齐波夫(Zipf)定律分析了广东省的环境污染事故发生次数与GDP之间的关系.并利用其在图形中规律性幂率区间.结合RBF人工神经网络对未来3年环境污染事故的发生次数进行了预测.结果表明,这2种方法对环境污染与事故预测值均在允许的范围内,平均值分别为6、5、4次.研究结果为有关部门防范未来环境污染事故发生,具有明显的警示作用.     

印染废水的神经网络法优化絮凝处理

为获得新型絮凝剂的最佳制备条件,采用人工神经网络(ANN)结合加速遗传算法(AGA)对絮凝剂性能影响因素进行全局寻优。在影响絮凝剂处理性能的主要因素Fe、Al与Si的摩尔比n(Fe+Al):n(Si),B、Mg和Si的摩尔比n(B+Mg):n(Si)以及熟化时间的有效作用范围内,用Box-Behnken Design(BBD)实验设计方法,产生15组影响因素组合作为输入样本,经对印染废水的絮凝处理实验得到相应的COD和色度去除率输出样本,由神经网络方法对15组输入、输出样本数据建模,得到反映絮凝剂制备条件和絮凝剂去除效果的响应关系,并采用加速遗传算法全局优化,得到最大COD去除率和色度去除率条件下的最优絮凝剂制备条件组合,即n(Fe+Al):n(Si)=5.08,n(B+Mg):n(Si)=0.55,熟化时间为2.1 d,对应的印染废水COD去除率为88.10%,色度去除率为95.37%。模型验证实验显示,实验值与模型预测值的最大相对误差不超过5%。相对于响应曲面法,用神经网络结合加速遗传算法优化得到的新型絮凝剂去除印染废水中COD和色度的能力更高,进一步验证了神经网络法在新型絮凝剂制备条件优化中的有效性。     

海域水质模型参数动态反演方法研究初探

海域水质模型长周期数值模拟中,模型参数全时段统一赋值的方法忽略了参数随时间动态变化的物理特性,降低了模型的可靠性,增加了海域水质模型验证工作的难度.本文建立了将数据驱动模型和水质模型有机结合的参数动态反演的新方法:以水质模型多参数设计工况的数值模拟,构建海域内部观测点污染物浓度响应解集,并将解集划分为若干时段;应用基于人工神经网络的数据驱动模型归纳建立观测点每一时段内污染物浓度同多个模型参数之间的非线性关系;将实测资料带入关系中,进行模型参数随时间变化的动态反演.以渤海海域水质模型为例,采用“孪生”实验验证参数动态反演新方法的可行性,结果表明该方法是有效的,能够保证模拟周期内较高的数值精度,提高了模型的准确性.     

Predicting the impacts of climate change on nonpoint source pollutant loads from agricultural small watershed using artificial neural network

This study described the development and validation of an artificial neural network (ANN) for the purpose of analyzing the e ects of climate change on nonpoint source (NPS) pollutant loads from agricultural small watershed. The runo discharge was estimated using ANN algorithm. The performance of ANN model was examined using observed data from study watershed. The simulation results agreed well with observed values during calibration and validation periods. NPS pollutant loads were calculated from load-discharge relationship driven by long-term monitoring data. LARS-WG (Long Ashton Research Station-Weather Generator) model was used to generate rainfall data. The calibrated ANN model and load-discharge relationship with the generated data from LARS-WG were applied to analyze the e ects of climate change on NPS pollutant loads from the agricultural small watershed. The results showed that the ANN model provided valuable approach in estimating future runo discharge, and the NPS pollutant loads.     

海域水质生态模型参数估计方法研究初探——以叶绿素参数估计为例

建立了海域水质生态模型参数估计新方法,将数据驱动模型理论同海域生态模型结合在一起,通过海域水质生态模型设计工况的计算构建海域内部观测点的解集,应用基于人工神经网络的数据驱动模型归纳建立状态变量(污染物浓度)同控制变量(模型参数)之间的关系,最后将实测资料带入上述关系反演模型参数最优解。以渤海海域水质生态模型叶绿素参数估计为例,采用"孪生"试验验证参数估计新方法的可行性,模型参数的校验结果表明该方法是有效的。     

地下水环境监测优化布点的人工神经网络模型

以地下水水质指标国家分级标准为训练样本，用样本的地下水水质综合指数计算值作为样本的期望输出值，对BP网络进行训练，用训练好的网络对某地地下水水质监测点进行优选。结果表明：BP网络用于地下水环境监测点优选具有简单、实用和客观性好的特点。     

基于风险神经网络的大气能见度预测

针对空气污染导致大气能见度降低的预测研究,构建了一个风险神经网络模型,模型以6个气象因子、3种主要污染物(SO2,NO2,PM10)浓度和能见度作为输入因子,输出为24h后能见度的预测值.该模型对低能见度情况的数据给予相对较高的风险值,而对高能见度情况的数据则给予相对较低的风险值.以天津市2003~2007年的气象数据对模型进行检验,结果表明该风险神经网络模型优于传统神经网络模型和线性回归模型.     

基于RBF神经网络的湖库水质富营养化程度评价模型

运用人工神经网络中的RBF网络算法,建立一种新的湖库水质富营养化程度评价模型。对我国污染差异分布广泛的12个湖库的水质富营养程度评价数据中的10组作为训练样本进行网络的建立,剩余2组用于网络的检验。结果表明:该方法建立的评价模型比文献[1]利用多元统计分析方法建立的评价模型更加简便有效。     

基于B-P人工神经网络的环境测点的优选

为了对有多项污染物的环境测点进行优选,提出了单项污染物对环境作用的“相对贡献率"和多项污染物对环境综合作用的“作用和贡献率"的新概念及其计算公式。将B-P神经网络原理与逐步聚类分析思想相结合,用于环境测点聚类优选。该方法用于成都市12个环境测点的优选结果符合客观实际。此外,它还具有简便实用、客观性好的特点。      

水质综合评价的B—P网络模型

为探索人工神经网络用于水质综合评价的可能性,提出了基于Ｂ－Ｐ算法的人工神经网络水质综合评价模型。实例研究表明,Ｂ－Ｐ网络模型用于水质综合评价简便实用,具有客观性和通用性。