基于BP神经网络的煤与瓦斯突出预测系统开发

煤与瓦斯突出影响因素多,难以为其建立合适的多指标非线性预测模型,为提高突出预测的准确性和增强预测预报方法的实用性,采用改进的BP算法建立煤与瓦斯突出预测数学模型。通过研究不同算法的突出预测效果,对已建模型的泛化能力进行检验,利用Matlab GUI和神经网络工具箱设计开发煤与瓦斯突出预测系统,通过向系统输入已知的突出样本数据,经过学习、训练,实现对未知参数的预测。仿真结果表明:网络在训练300次后,误差训练曲线的均方差(MSE)可以达到10-15,实际预测误差也小于0.1,系统得到的5组数据预测结果与实际情况相符。     

水源水消毒副产物生成势与UV254/DOC的相关性研究

使用XAD-4和XAD-8树脂对宜兴3个水源原水中DOM进行亲疏水性分类,采用优化方法测定分类水样的DBPFP,并进行DBPFP与DOM量化指标之间的相关性分析,以确定实际生产过程DBPs生成量的主要影响因素.由三维荧光光谱图得到3个水源原水DOM组成差异较大,水质区别明显.由亲疏水性分类分析发现原水中疏水性和亲水性DOM含量较高,疏水性DOM水样的DBPFP大于原水,得到水样的DBPFP主要取决于DOM与消毒剂反应产生DBPs的效率,而不是DOM的量.引入UV_(254)/DOC这个指标,发现不同分类水样UV_(254)/DOC的差异情况与其DBPFP相吻合,对两者进行回归分析,发现水样THMFP和DHAAFP与UV_(254)/DOC之间存在明显的线性关系,线性可决系数R2分别为0.89和0.85.因此研究减小原水UV_(254)/DOC的技术工艺对于控制给水中DBPs浓度具有重要意义.     

基于“双碳”目标下污泥处置方式碳排放量分析——以广州市为例

通过分析广州市城镇污水、污泥产量及各处置方式城镇污泥量,并针对土地利用、建材利用、焚烧利用和卫生填埋等4种不同处置方式,计算污泥处置过程中的碳排放量,依据往年数据,构建多元回归模型,预测未来广州市碳排放量。结果表明,截至2020年底,广州市共有污水处理厂63座,处理能力为774万m³/d,城市污泥年产生量为104.78万t(含水率为80%,下同),处置方式主要以建材利用和焚烧发电为主,二氧化碳当量约为1 690.97×106 kg CO_2-eq,以黄浦、白云和荔湾区排放最多。同时,预测2030年广州市城镇污泥产量将达到2 059.05万t,与此同时二氧化碳当量将达到34 134.48×10⁶ kg CO_2-eq,较2020年增长1 918.63%,因此为了“双碳”目标的实现,必须继续优化城镇污泥的处置方式。