大气环境质量灰色聚类关联分析法的应用研究

在讨论大气环境质量灰色聚类关联评价法的基础上,通过应用实例和与灰色聚类法及灰色关联法的比较分析,验证了这种评价法的合理性和可靠性。     

一种改进的灰关联分析法在水质评价中的应用

灰关联分析法已被广泛应用于水质评价结论的定量化,但其存在不同层次上的缺陷;为此本文对其进行了改进.先将各断面的多个污染指标分成几个低层次子集,将其元素归一化后得出相应的关联系数,通过赋予一定权重求出低层次子集的关联度,最后求出较高层次的关联度,并列出关联系数矩阵.这样可以容易地看出各断面水质属于哪个级别.此外,通过一应用实例并与现已流行的众多灰关联改进方法进行了比较,论证了这种改进方法的优越性.     

以南疆为例的区域暴恐袭击风险评估

为探寻暴恐袭击高风险区域,推进公共安全精细化管理,以南疆地区为例,采用网格化社会经济数据、遥感数据和兴趣点(POI)数据等多源地理空间数据,从暴恐分子出现可能性、暴恐袭击目标选择偏好和暴恐袭击后果3个方面建立暴恐袭击风险评估指标体系,根据层次分析法(AHP)-Entropy、聚类分区等确定地理空间指标权重,最终得到南疆地区30″×30″(约1 km×1 km)细粒度的暴恐袭击风险的空间分布情况。结果表明:南疆地区的暴恐袭击高风险以上网格主要位于喀什、和田及阿克苏地区的部分市区和县城,与暴恐袭击历史事件的分布较一致,证明风险评估指标体系的合理性和可行性。     

人因评价的定量化研究

人因评价是安全评价中的重要组成部分，在结合层次分析法和综合加权法的基础上，建立了人因评价的量化模型。     

截齿截割煤体变形破坏过程数值模拟研究

采用应变软化的模型,使用连续介质快速拉格朗日分析法(FLAC,FastLagrangianAnaly-sisofContinue)进行数值模拟计算;研究截齿截割作用下煤体变形破坏过程;分析各种工况下不同参数对煤体塑性区、最大位移、最大主应力、最大剪应力的影响。研究表明:截割力与塑性区大小成正比,位移、剪应力、主应力随截割力增大而增大;截深与塑性区大小成反比;截割角度与塑性区面积关系密切,试验用煤体最佳截割角度为5°左右;截割速度增加,塑性区面积减小;通过分析截割动态过程,得到位移矢量图及剪应变等值线图,发现截割过程中煤体的破坏是拉、剪联合作用的结果,以剪破坏为主。     

基于模糊聚类关联分析法的煤与瓦斯突出程度分析

运用模糊聚类分析方法对煤与瓦斯突出的样本集合进行分类,建立了不同突出程度的模糊模式.用关联分析确定待分析样本与模式的关联程度,以此预测预报样本的煤与瓦斯突出危险程度.实例分析表明,与模糊聚类分类后、将模式与待预报样本组成新样本集合进行聚类分析并以此分类结果进行预报的方法相比,这种预报方法不仅可靠程度高,而且能定量描述待报样本与模式的亲和程度.     

生活事件分析法在煤矿企业中的应用

我国煤矿一再的发生事故,绝大部分原因是人为失误.根据人为失误的发生机理,本文提出了生活事件分析方法,并研制了其配套应用程序,对某煤矿企业的人因事故危险性进行了实际评价.该方法可方便地应用于煤矿企业人为事故的预防工作中.     

矿井提升机盘闸制动系统工作状态监控与安全

运用故障树分析(FTA)方法分析矿井提升机盘式制动系统故障原因,包括机械故障、摩擦系数故障、液压故障等,提出矿井提升机盘闸制动系统的故障树,并给出了系统状态计算机测控系统方案。采用现代检测与计算机技术,对盘闸制动系统的主要故障进行综合检测;对摩擦系数进行间接检测;研究成果,为故障报警与控制提供了保障,报警与控制结合,提高了提升机盘闸制动系统的安全性。     

基于层次分析法的森林火险区划 —以徂徕山林场为例

森林火险区划是林火管理的基础。利用层次分析法将影响森林火险的静态因子评判指标分成三个层次,根据专业知识确定各因子权重,充分利用现有的可燃物和地形数据信息,以徂徕山林场为例进行了森林火险区划。区划结果表明,徂徕山林场大部分地区的火险为中低火险,高和极高火险区域面积分别占林场总面积的11.6%和3.1%。本研究为林场尺度上开展科学的火险区划提供技术参考。     

基于主成分分析和神经网络的事故预测方法及应用

为解决人工神经网络(ANN)对复杂系统进行事故预测建模时,易导致网络复杂,降低网络性能和增大预测误差的问题,提出一种基于主成分分析法(PCA)的ANN事故预测方法。介绍PCA法和ANN的基本理论,阐述基于PCA法的ANN事故预测模型及其预测步骤,即在利用ANN预测之前,先用PCA法分析事故影响指标,将多个指标转化为少数几个能反映原始信息的互不相关的综合变量(主成分),然后以这些变量作为输入进行ANN建模,从而达到简化模型,提高网络性能和计算精度的目的。以煤矿事故预测为例,进行应用和对比研究。结果表明:基于PCA的ANN事故预测相对误差小于3%,而直接运用ANN方法预测的相对误差达到5%。这说明,对复杂安全系统进行事故预测时,基于PCA法的ANN预测方法是更可行的。