Modeling of a sequencing batch reactor treating municipal wastewater using multi-layer perceptron and radial basis function artificial neural networks

A sequencing batch reactor was modeled using multi-layer perceptron and radial basis function artificial neural networks (MLPANN and RBFANN). Then, the effects of influent concentration (IC), filling time (FT), reaction time (RT), aeration intensity (AI), SRT and MLVSS concentration were examined on the effluent concentrations of TSS, TP, COD and NH₄⁺-N. The results showed that the optimal removal efficiencies would be obtained at FT of 1 h, RT of 6 h, aeration intensity of 0.88 m³/min and SRT of 30 days. In addition, COD and TSS removal efficiencies decreased and TP and NH₄⁺-N removal efficiencies did not change significantly with increases of influent concentration. The TSS, TP, COD and NH₄⁺-N removal efficiencies were 86%, 79%, 94% and 93%, respectively. The training procedures of all contaminants were highly collaborated for both RBFANN and MLPANN models. The results of training and testing data sets showed an almost perfect match between the experimental and the simulated effluent of TSS, TP, COD and NH₄⁺-N. The results indicated that with low experimental values of input data to train ANNs the MLPANN models compared to RBFANN models are more precise due to their higher coefficient of determination (R²) and lower root mean squared errors (RMSE) values.     

Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization

Air pollution has emerged as an imminent issue in modernsociety. Prediction of pollutant levels is an importantresearch topic in atmospheric environment today. For fulfillingsuch prediction, the use of neural network (NN), and inparticular the multi-layer perceptrons, has presented to be acost-effective technique superior to traditional statisticalmethods. But their training, usually with back-propagation (BP)algorithm or other gradient algorithms, is often with certaindrawbacks, such as: 1) very slow convergence, and 2) easilygetting stuck in a local minimum. In this paper, a newlydeveloped method, particle swarm optimization (PSO) model, isadopted to train perceptrons, to predict pollutant levels, andas a result, a PSO-based neural network approach is presented. The approach is demonstrated to be feasible and effective bypredicting some real air-quality problems.     

综合福利视角下中国生态文明建设绩效评价及国际比较

基于强可持续研究范式,以生态经济学和可持续发展理论为基础,运用两阶段网络Super-EBM模型进行绩效测算和评价,打开生态福利转化过程的“黑箱”,基于综合福利视角将生态文明建设绩效进一步分解为生态经济效率和经济福利效率,实证研究部分选取2006-2015年的时间序列数据对中国“十一五”和“十二五”期间的生态文明建设绩效水平进行纵向分析,与此同时,选取42个国家2014年的截面数据进行横向的国际对比研究。研究表明：（1）“十一五”到“十二五”期间,中国生态文明建设绩效（0.986）整体水平一般,均未实现DEA有效,但“十二五”期间已呈现出逐年改善的利好趋势。国际比较层面,瑞士（1.647）、印度尼西亚（1.365）、爱尔兰（1.039）依次排名前三位,中国（0.297）排名相对靠后,位列倒数第二。各国之间差异较大,总体上呈现出“OECD国家（0.677）最高、G20国家（0.611）次之、金砖国家（0.417）最低”的态势。（2）从分阶段效率来看,无论是纵向分析还是横向对比,均发现第一阶段的生态经济效率明显低于第二阶段的经济福利效率,生态经济效率偏低是导致生态文明建设绩效总体水平偏低的主要原因。（3）与传统的单阶段、径向或非径向DEA模型相比,两阶段网络Super-EBM模型综合考虑了径向和松弛变量问题,测算出来的效率值更为精确,能够更为客观地反映现实。同时,对于其他领域涉及两阶段或多阶段生产系统的效率或绩效评估具有较好的借鉴价值。最后,根据上述结论提出相应的政策建议。     

利用神经网络及数值模拟获取变压边力控制曲线

在应用Dynaform、Autoform等板料数值模拟软件的过程中 ,通常需要对压边力施力曲线进行各种预先的设定 ,但如何选定施力模式一直是一个比较棘手的问题 ,在文中利用数值模拟及MATLAB中的神经网络工具箱得出了压边力的最优控制曲线     

阜新市城区大气环境容量核算结果及其应用

根据大量模式化参数，通过核算，得出了阜新市城区普通空气污染物的环境容量，给出了城区各分区及每个网格的分解量，应用这些成果，将对老污染源及新工业项目的环境管理，发挥极其重要的作用，对阜新市的可持续发展战略有着重要意义。     

基于人工神经网络的行业无害化生产能力评价模型研究

利用BP前向人工神经网络方法 ,建立了一种全新的基于人工神经网络的行业无害化生产能力评价模型 ,该模型采用动量梯度下降反向传播和学习速率自适应调整相结合的训练学习算法。最后 ,以造纸及纸制品业为例 ,对中国各省市造纸行业的无害化生产能力进行评价 ;并进一步分析中国各省造纸行业无害化生产能力的时空分布规律 ,为我国行业规划、布局决策提供科学依据。     

基于神经网络的压铸合金选择

在归纳总结压铸合金选择经验和知识的基础上 ,对压铸合金性能进行评价。采用BP神经网络方法建立了快捷的压铸合金材料选择系统 ,提出了一种将模糊化性能要求量化 ,增加训练样本集的方法。     

基于环境的交通网络流分配模型

通过对车辆尾气排放的观察 ,建立了一个基于环境的固定需求用户均衡网络流分配模型。并用EXCEL求解了一具体算例。运用模型可以在满足交通需求的情况下 ,使车辆对环境的污染减少到最低限度     

调引太湖水改善苏州市水动力条件研究

基于苏州地区独特的地理位置,简述引水改善该地区水环境的必要性,拟定了3种调水方案,利用感湖河网数学模型,对3种方案调水后主要河道的水动力条件进行预测,分析了各河道调水后的水动力变化趋势,提出了利用太湖水自流引水改善苏州市水环境的最佳方案.     

人工神经网络模型和公路复垦土地适宜性评价

提出了人工神经网络用于公路临时用地复垦土地适宜性评价，利用该模型对京大高速公路山西段复垦山西段复垦土地进行了适宜性评价，探讨了人工神经网络在土地复垦适宜性评价时的特点和注意问题。