基于机器学习的建筑火灾蔓延快速预测

为了迅速预演或重现火场,实时调整火场救援策略,并为建筑设计提供有利于消防工程的空间构成方案,利用火灾动力学软件(FDS)和机器学习技术,研究建筑火灾的关键影响因素。以单室火灾烟气溢出为案例,利用11种空间构成参数和7 776组火灾工况,采用5类机器学习算法训练火场模拟结果数据,并完成算法效率评估。结果表明:机器学习算法适用于建筑空间这类离散型的参数学习与评估预测,它能够直观地给出各参数的权重,挖掘火灾动力学系统中的关键信息,实现火场数据可视化;其中,随机森林(RF)算法具有最高的预测效率,其最佳预测准确率可达91.82%。     

基于机器学习的长江流域城市初期雨水径流污染特征及预测研究

根据地域特征与降水特征预测初期雨水径流污染对海绵城市建设具有一定意义。收集了长时间、大尺度的城市特征、降水特征、下垫面性质与初期雨水水质数据,将13个长江流域典型城市按相似与相异度聚类,并采用主坐标分析验证了结果的合理性;探究了不同类型城市初期雨水径流污染的统计学特征,并解析了驱动因子;最终建立了初期雨水径流污染预测的随机森林回归模型,并采用南京市实测数据进行验证。结果表明:长江流域城市根据地形、气候、经济和初雨污染等特征可分为3种类型;年降水量、单次降水量、平均雨强、雨前干期和下垫面不透水性是影响初期雨水径流污染物浓度的主要因素;随机森林回归模型的拟合R²>0.68,且南京市实测值与随机森林预测结果的误差均不超过15%,说明预测结果较为准确,可用于长江流域不同类型城市的初期雨水地表径流污染预测。     

基于支持向量机的地下水质量综合评价

提出基于支持向量机（SVM）机器学习算法的地下水质量评价模型。首先给出了训练样本生成和数据规范化处理的具体方法,然后采用支持向量机的多分类算法构建模型,并使用k折交叉核实方法对参数进行验证优化。最后通过实证分析,并与单因子指数法、模糊综合评价法和BP神经网络法的评价结果对比分析可知,该方法简便易行,评价结果客观且准确度较高,具有很强的实用性。     

土石混合体地基系数支持向量机模型与应用∗

针对缺乏土石混合体地基系数评价模型这一现状,构建了基于支持向量机的土石混合体地基系数评价模型.该模型以土体弹性模量、泊松比以及块石含石率作为输入参数,地基系数作为输出参数.为建立训练数据,基于土石混合体弹性模量与泊松比计算模型,建立了FLAC3D平板载荷模型开展数值实验.基于数值实验数据,训练支持向量机模型并进行初步验证.将该支持向量机模型用于预测现场试验获得的土石混合体地基系数,进一步验证了该模型的合理性与准确性.通过敏感性分析发现,土体弹性模量对土石混合体地基系数的影响最大,其次为含石率.基于支持向量机模型,讨论了5种已有地基系数计算模型应用于土石混合体地基系数计算的可行性,确认了可用于评估土石混合体地基系数的显式模型.     

气喷旋冲烟气脱硫装置运行关键控制

气喷旋冲湿式石灰石-石膏法烧结烟气脱硫装置(XPB)是宝钢针对烧结烟气特性自主研发的新型脱硫技术,较详细论述该系统稳定、经济运行的关键控制:增压风机风门或叶轮的控制、吸收塔进气箱温度的控制、吸收塔反应池pH值的控制、曝气管浸没深度的控制等。     

基于支持向量机的巢湖富营养化程度评价研究

由于湖泊富营养化程度影响因素多,评价因素与富营养化等级之间关系复杂而且具有非线性特征。支持向量机是由Vapnik等人提出的建立在统计学习理论基础上的一种新的机器学习方法,由于其使用结构风险最小化原则代替经验风险最小化原则,解决了一些神经网络遗留的问题,又由于其应用了核函数思想,它可以较好地解决非线性问题,利用支持向量机多类分类算法,构建巢湖富营养化程度评价模型,取得较好的结果。     

基于机器学习的高镉地质背景区成土母质类型识别

中国南方岩溶地质高背景区土壤镉（Cd）高含量和低活性的特点近年来受到广泛关注.成土母质类型是理解土壤Cd地球化学行为和识别土壤生态风险的关键,但南方热带气候导致岩石露头较少,很难准确获得母质信息.为了明确影响岩性空间分布和控制土壤Cd活性的主要土壤参数,并利用以上参数和机器学习方法识别地质高背景区不同母质类型,以广西横州市为研究区,在碳酸盐岩、碎屑岩和第四系沉积物地区分别采集了5 096、5 602和1 653件表层土壤（0~20 cm）作为研究对象,通过热点分析和形态分析发现,土壤性质和Cd的空间分布模式受下伏基岩控制,非岩溶区土壤Cd生态风险显著高于岩溶区;通过相关性分析和重要性分析发现,地质高背景区Cd的含量和活性主要受铁锰（Fe/Mn）氧化物、有机碳（TOC）、氧化钙（CaO）和pH等因素控制.随后基于大面积表层土壤样品,建立了神经网络（ANN）、随机森林（RF）和支持向量机（SVM）成土母质预测模型,通过对比不同模型的泛化性能发现RF模型的Kappa系数（0.69）和总体精度（0.82）均高于ANN和SVM模型,表明RF模型在预测土壤母质方面性能更优.研究可为地质高背景区绘制岩性分布图和识别土壤Cd生态风险提供了一种新的思路和方法.     

Sex‐specific and dose‐response relationships of urinary cobalt and molybdenum levels with glucose levels and insulin resistance in U.S. adults

Growing studies have linked metal exposure to diabetes risk. However, these studies had inconsistent results. We used a multiple linear regression model to investigate the sex-specific and dose-response associations between urinary metals (cobalt (Co) and molybdenum (Mo)) and diabetes-related indicators (fasting plasma glucose (FPG), hemoglobin A1c (HbA1c), homeostasis model assessment for insulin resistance (HOMA-IR), and insulin) in a cross-sectional study based on the United States National Health and Nutrition Examination Survey. The urinary metal concentrations of 1423 eligible individuals were stratified on the basis of the quartile distribution. Our results showed that the urinary Co level in males at the fourth quartile (Q4) was strongly correlated with increased FPG (β = 0.61, 95% CI: 0.17–1.04), HbA1c (β = 0.31, 95% CI: 0.09–0.54), insulin (β = 8.18, 95% CI: 2.84–13.52), and HOMA–IR (β = 3.42, 95% CI: 1.40–5.44) when compared with first quartile (Q1). High urinary Mo levels (Q4 vs. Q1) were associated with elevated FPG (β = 0.46, 95% CI: 0.17–0.75) and HbA1c (β = 0.27, 95% CI: 0.11–0.42) in the overall population. Positive linear dose-response associations were observed between urinary Co and insulin (P_nonlinear = 0.513) and HOMA–IR (P_nonlinear = 0.736) in males, as well as a positive linear dose-response relationship between urinary Mo and FPG (P_nonlinear = 0.826) and HbA1c (P_nonlinear = 0.376) in the overall population. Significant sex-specific and dose-response relationships were observed between urinary metals (Co and Mo) and diabetes-related indicators, and the potential mechanisms should be further investigated.     

基于多源遥感数据的锡尔河中下游农田土壤水分反演

机器学习结合多源遥感数据反演土壤水分含量（SMC）是目前SMC研究的热点,因较少考虑温度、蒸散等重要SMC影响因子,反演结果存在一定的不确定性。利用Sentinel-1影像、MODIS产品和SRTM数据,提取雷达后向散射系数等32个SMC影响因子,经相关分析选择27个显著的SMC影响因子（P<0.05）作为反演因子,并设计三组因子组合。这三组因子组合分别与随机森林、支持向量回归、BP神经网络三种机器学习方法结合,发现基于随机森林结合所有因子的方案,其SMC反演精度最高,该组合均方根误差RMSE为0.039 m³/m³,将该方案被用于反演2017年生长季锡尔河流域中下游平原区农田SMC。结果表明：从上部至下部SMC总体呈逐渐增加的态势,但存在显著时空差异,春季和秋季SMC较高而夏季较低。SMC差异主要由土壤质地、热量条件和地表植被状况差异引起。春季平原区下部农田SMC要高于上部,SMC的主控因子是土壤质地和地表植被状况;在夏季,土壤水分的主控因子是热量条件,农田灌溉弥补了热量条件差异对土壤水分的影响,导致空间上平原上部和下部土壤SMC空间差异不显著;秋季SMC的主控因子植被状况抵消地表温度和土壤质地差异对SMC的影响,使得秋季SMC空间差异不显著。本文采用的研究方法在一定程度上克服了因考虑SMC影响因子不足而获取更高SMC精度的限制。