上海市电子废弃物产生量预测与回收网络建立

以上海市为例,利用无容量限制的设施选址模型(UFCLP模型)建立了上海市电子废弃物(WEEE)回收网络,同时,为获得模型求解所需数据,根据1991～2012年的销售量对上海市2010～2017年彩电、冰箱、洗衣机、空调和电脑的废弃量进行了预测.结果表明,5种电子产品的总废弃量会从2010年的269.49×104台增至2017年的635.75×104台.最后,依据区域GDP、人口密度和区域面积等多因素对电子废弃物空间分布量进行了预测,并以此为基础选取了214个回收站候选点,使用SITATION软件对UFCLP模型进行求解,最终确定10个点作为拟建回收点,可实现未来上海市约76%的电子废弃物回收.该网络的建立对长三角地区和全国大中型城市电子废弃物回收都具有良好的示范作用.     

基于深度学习的大气细颗粒物污染时空预报

为尽可能减少PM_2.5重污染带来的环境和健康危害,对其进行及时准确的预报预警显得十分关键。文章使用WRF气象模型和CMAQ空气质量模型输出的2015年1-12月逐小时的中国地区27 km×27 km网格化气象场、污染排放和细颗粒物模拟浓度数据,训练深度学习预报模型。研究结果显示,深度学习预报结果与CMAQ模拟结果在测试集上的均方误差为10.52μg/m³,优于已有的大部分其他研究,深度学习在重点城市的PM_2.5预测浓度趋势与CMAQ基本一致,其RMSE为28.82μg/m³,整体空间分布也具有较好的一致性,可以准确重现CMAQ模拟结果。该研究进一步使用国控点实际观测数据对训练完成的深度学习预报模型进行优化,以减少CMAQ理论模型所带来的固有误差。优化后的深度学习模型预报结果在总体上更接近实际观测的真实结果。此外,深度学习模型的预报速度在相同CPU环境下比CMAQ模型提升93倍,在GPU加速环境下提升高达465倍,可以做到快速实时的浓度预报响应。该研究构建的耦合数值模型和实际观测数据的深度学习预报技术...     

煤矿主提胶带运输系统远程自动化集中控制的工程实践

从煤矿生产作业环境的安全性出发,结合机械化、自动化技术的发展趋势,提出煤矿主提胶带运输系统远程自动化集中控制的技术方案,并以成功实例验证了方案的可操作性,节能效果显著。     

浅谈建筑施工噪声的网络化管理

通过《南宁市环境信息综合管理系统》中建筑施工噪声管理子系统的重点研究和建设,对建设施工项目审批、中午夜间施工许可登记及施工噪声投诉实时监控,加强监督,改善了管理环节,提高了管理效能,取得了良好的效果。     

广东省电磁辐射环境污染监管现状及对策建议

结合广东省电磁辐射环境污染防治工作调研结果和"十三五"电磁辐射环境污染防治工作实施成果,从监管能力、监测网络、法规标准、监管制度建设和信访投诉处理等方面梳理了广东省电磁辐射污染防治工作的现状,总结经验,查找不足,并提出解决的对策建议。     

基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测

为了预估混合底物碳源条件下活性污泥PHA合成产量预测的准确度,通过引入遗传算法对BP人工神经网络的权值和阈值进行优选,建立基于GA-BP神经网络的餐厨垃圾合成PHA工艺产量预测模型。以餐厨垃圾发酵液为底物碳源,利用活性污泥在ADD模式下进行PHA合成。以实验数据为基础训练神经网络模型,通过实测数据与模型预测数据之间的对比,验证了人工神经网络预测模型的精确度,并对长期PHA合成能力进行了预测。结论表明:基于遗传算法改进的GA-BP网络模型表现出比传统BP神经网络模型更佳的预测准确度,为评估混合菌群PHA最大合成产量的长期发展趋势,确定合理富集时长探索了可行方法。