基于特征优选和机器学习的塔里木盆地东缘绿洲土壤镉元素含量预测及健康风险评价

土壤重金属污染对粮食安全、人类健康和土壤生态系统均造成重大威胁.基于塔里木盆地东缘典型绿洲区获取的644个土壤样品,运用多元线性回归（LR）、神经网络（BP）、随机森林（RF）、支持向量机（SVM）和基于径向基函数神经网络（RBF）方法构建土壤重金属预测模型,利用最优预测结果分析重金属污染的空间分布特征与健康风险.结果表明：①研究区ω（Cd）均值为0.14 mg·kg^-1,是新疆土壤背景值的1.17倍,是区内土壤重金属污染的主要因子;区内成人和儿童Cd元素致癌风险系数均小于10^-4,对人类无明显的长期健康风险影响. ②对比5种反演模型的预测精度,RF模型验证集R²值为0.763 7,在5种模型中最大;且其RMSE、 MAE和MBE值在5种模型中最小,土壤Cd元素实测值与RF模型的预测值拟合效果最佳.同时,基于RF模型的研究区土壤Cd含量空间分布预测结果与实测样点插值结果具有较好的一致性. ③在土壤Cd元素健康风险预测中,RF模型对成人与儿童的反演精度均优于其他4种模型,预测结果较好;LR模型验证集预测值变化幅度大,预测结果较差.综上,RF模型具有较好的泛化能力和抗过拟合能力,为研究区土壤Cd含量预测和健康风险评价的最优模型.     

基于自然语言处理和机器学习的疑似土壤污染企业识别

针对污染场地识别的精准性不高、科学性不足、全面性不够和数据共享难度大等问题,以南方某地级市为研究区,借助大数据平台,基于自然语言处理和机器学习,通过引入摘要中热词权重构建改进型朴素贝叶斯模型,并对兴趣点(POI)数据进行中类行业预测和污染企业识别。结果表明,与随机森林算法和XGBoost算法相比,朴素贝叶斯算法的性能最佳;企业名称+经营范围构建有语义词汇库后,朴素贝叶斯算法的准确率、召回率和综合评价指标(F₁)值得到大幅提升,分别提高了0.23、0.23和0.23;采用权重1.27和平滑参数α为1.10后,建立了改进型朴素贝叶斯模型,实现了行业类别预测,相应的准确率、召回率和F₁值分别为0.63、0.62和0.63;识别出研究区中26个疑似土壤污染行业有关1774家企业。改进型朴素贝叶斯模型能够有效地预测疑似土壤污染企业,具有较好的准确率与召回率,能够为场地污染识别与风险管控实践提供理论依据和设计参数。     

基于人工神经网络方法的FRP增强混凝土断裂研究新思路∗

纤维增强复合材料(FRP)作为一种新型的增强加固材料,由于其强度高、质量轻、防腐蚀、耐疲劳、与混凝土粘结性能好以及便于施工等诸多优点,在混凝土结构修复加固领域得到了广泛的应用。近年来,随着人工智能(AI)的逐渐兴起,机器学习(ML)作为实现AI 的一种途径,在水利、建筑等各行各业也得到了长足的发展。首先简单介绍了ML 的基本原理,并通过对ML 在混凝土结构工程中应用的系统回顾与总结,指出了传统试验和数值模拟分析中FRP 增强混凝土断裂研究存在的一些难点和局限性,阐述了基于ML 的人工神经网络(ANN)方法在处理混凝土结构问题中的优越性,认为采用ANN 方法能够有效解决FRP 增强混凝土断裂研究中难以解决的问题;其次,对ANN 方法应用于FRP 增强混凝土断裂韧度预测中的新思路进行了详细介绍,给出了ANN 方法应用于FRP 增强混凝土断裂韧度预测的具体流程,并对其流程中的一些步骤给出了建议;最后,对ML 应用于FRP 增强混凝土断裂方向的深入研究进行了展望,提出了ML 应用于FRP 增强混凝土断裂方向深入研究的相关问题。     

我国典型化工行业VOCs排放特征及其对臭氧生成潜势

选取了我国5种典型化工行业VOCs排放源进行了源排放特征分析,通过对70个VOCs源样品的分析,结果表明,烷烃是合成材料制造业、石化行业和涂料产品制造业的主导VOCs种类（占比分别为43%、63%和68%）,烯烃是日用化学产品制造业的VOCs主要种类（46%）,卤代烃在专用化学品制造业排放中占主导（43%）;利用机器学习方法分析了上述行业的标志组分,发现癸烷和四氢呋喃是合成材料制造业源的特征标志组分,正丁醇和甲苯是日用化学产品制造业源的特征标志组分,1,2,3-三甲苯和1,3,5-三甲苯是石化行业源的特征标志组分,丙烯和3-甲基戊烷是涂料产品制造业的标志组分,对二甲苯和异丙苯是专用化学品制造业源的特征标志组分;并采用最大增量反应活性法（MIR）估算了各VOCs排放源的臭氧生成潜势（OFP）,结果表明,在单位浓度总VOCs排放条件下,对臭氧生成潜势的贡献大小依次为日用化学产品制造业、专用化学品制造业、石化行业、合成材料制造业和涂料产品制造业.建议在今后的臭氧防控中,更应关注各行业所排放的关键活性物种,而不仅仅注重VOCs排放总量.     

基于CatBoost算法的孔隙压力预测方法及其在井壁稳定分析中的应用

为解决传统孔隙压力预测方法(如伊顿法和鲍尔斯法)在预测孔隙压力时,适用范围较小、受人为因素影响较大等问题。基于CatBoost机器学习回归算法建立孔隙压力智能预测模型,并与决策树回归算法和随机森林回归算法进行比较,以某区块2口直井为例验证模型的预测效果。结合CatBoost模型的孔隙压力预测结果,利用数值模拟软件分析孔隙压力对井壁稳定的影响。研究结果表明：CatBoost模型的5个评价指标相对最优,孔隙压力当量密度实测值与预测值的相对误差最小,CatBoost模型具有较强的泛化能力和较高的预测精度;在低孔隙压力条件下,井周等效塑性应变不均匀性明显,井周进入塑性区的围岩区域主要集中在最大主应力方向;在较大孔隙压力作用下,井周等效塑性应变不均匀性有所降低,但井周等效塑性应变的极大值仍存在于最大主应力方向。研究结果可对孔隙压力精确预测和钻井作业安全施工提供一定指导作用。     

基于机器学习方法研究气象及排放变化对长三角地区主要城市大气污染物的影响

选取2015～2021年长三角地区4个代表性城市污染物浓度,利用机器学习的气象归一化方法解耦气象因素对污染物的影响,量化气象和排放对污染物浓度变化的贡献.结果表明,长三角地区PM_2.5、 NO₂和SO₂排放下降影响贡献较大(57.2%～68.2%、 80.7%～94.6%和81.6%～96.1%),抵消了气象因素带来的不利影响,致使污染物浓度降低.而气象条件对于臭氧日最大8 h(MDA8＿O₃)的贡献强于其他污染物(23.5%～42.1%),其中气象因素促进污染物浓度上升(4.7%),排放变化促进污染物浓度下降(-3.2%). NO₂和MDA8＿O₃在2019～2021年降幅更快,主要原因是2019～2021年排放起到较2015～2018年更强的促进污染物浓度降低作用.PM_2.5和SO₂在2019～2021年的降幅较2015～2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响,量化排放...     

空气质量模拟与观测机器学习NO2浓度预报

在空气质量模拟预报数据基础上,采用套索算法(Lasso)将前馈神经网络(FNN)与基于污染物浓度及气象实时观测值搭建的长短期记忆网络(LSTM)组合,形成了模拟与观测机器学习(SOML)预报模型,开展了佛山市顺德区NO₂未来3d10个镇街空气质量监测点位逐日浓度预报.结果显示:SOML3d的准确性均优于WRF-CMAQ及其它单一模型,其中第一天SOML平均绝对误差(MAE)为4.99μg/m³,改进幅度达66.18%;SOML不同季节适用性均较强,四季预报效果均较WRF-CMAQ明显提升(MAE分别降低42.18%、42.89%、61.04%、50.91%),其中秋冬季改善幅度更好;相比WRF-CMAQ,SOML预报结果能较好反映顺德区内各站点NO₂浓度实际空间分布和数值水平,有效提升了浓度预报精准度.     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

基于机器学习遥感算法的大型漂浮藻面积提取方法研究

采用基于机器学习的多层感知机算法,利用GOCI(Geostationary Ocean Color Imager)传感器获取的瑞利校正反射率数据,对东中国海大型漂浮藻进行遥感自动识别,采用线性混合像元分解来计算大型漂浮藻的覆盖面积,并利用膨胀和侵蚀法进行大型漂浮藻的分布面积计算。利用L8/OLI(Landsat 8/Operational Land Imager)高空间分辨率资料进行验证,结果表明,基于机器学习遥感算法针对GOCI提取的大型漂浮藻覆盖面积,与L8/OLI结果十分接近,R2达到0. 959,平均绝对误差和平均相对误差分别为39. 32 km2和18. 15%。     

火炸药企业重大事故隐患危险性评估的计算机自学习实现

通过对火炸药工厂重大事故隐患危险性评估方法的分析,以计算机自学习的基本结构为主线,详细探讨了以机械学习策略完成该评估程序中对新危险品源自学习的过程。对此过程中知识表示等几个应注意的问题进行了描述