典型河流的水质评价及影响因素分析：以深圳龙西河和丁山河为例

为掌握现阶段龙岗河水体状况及主要影响因子，进而为龙岗区河流的水污染防治和水生态修复工作提供数据基础及技术支撑，于2021年对龙西河和丁山河进行水样及底栖动物的采集和检测。文中采用了综合污染指数法、主成分分析及水质生物评价法对水质进行了分析。结果表明，基于综合污染指数反映出龙西河全年水质等级属于清洁，丁山河全年水质属于中污染及重污染水平的比例约为66.67%,水体污染程度较高，而结合底栖生物多样性指数所指示的龙西河与丁山河的水质状况分别对应中污染和重污染等级。对龙西河水质产生较大影响的污染指标为粪大肠菌群、TP、COD_Mn,影响丁山河水质的主要污染指标为粪大肠菌群、TN、TP、COD_Mn、BOD₅。时间变化上，龙西河水质状况差异不显著，丁山河水质污染指数与降雨呈正相关，强降雨时期带来的农业、畜禽养殖等面源污染加剧了水质恶化。3种评价方法的有效结合能够从水质因子及生物多样性层面综合反映水体实际状况，可为该水系其他河流的水质评价提供参考。     

基于改进粒子群小波神经网络的瓦斯浓度预测研究

结合小波神经网络基本原理,提出一种粒子群优化小波神经网络的瓦斯浓度预测模型。对小波神经网络基本原理进行分析,然后,利用粒子群对小波神经网络参数进行优化,并构建预测模型;最后,以P₁～P₅监测点的煤矿瓦斯浓度数据为基础,将其输入预测模型中进行训练。结果表明：粒子群优化后的小波神经网络在瓦斯浓度预测方面,数值更接近真实值,同时迭代次数在110次左右即达到稳定。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

基于主成分分析法的水库水质时空变化特征及综合评价——以保山坝区为例

饮用水水源水质保护是保障饮用水安全的重要环节。研究通过对保山坝区3座水库(白胡子水库、北庙水库、长岭岗水库)在2021年1月—12月进行每月一次检测,掌握pH、COD_Mn、粪大肠菌群、氨氮、硝酸盐(以N计)、氯化物(以Cl计)、氟化物、硫酸盐8个主要指标变化规律,使用主成分分析法评价水质状况。结果表明:水库水质整体较好,pH、COD_Mn、粪大肠菌群等指标存在明显的季节分布差异;主成分分析法评价结果显示各水库的水质在不同水期存在一定的变化,其中丰水期的水质比枯水期更差,北庙水库的水质也比其他水库更差,此外,3座水库水质主要受到有机物、营养盐、粪大肠菌群的影响。研究结果有助于了解保山坝区水质现状,对其水环境管理和改善提供依据。     

可调容积型多级AO工艺模拟仿真系统的构建及其稳定调控研究

针对污水生化处理过程中关键水质参数难以实时监测、进水冲击负荷变化下难以及时稳定调控等问题,在中试水平下连续运行可调容积型多级AO工艺,探究瞬时监测的各单元工艺参数(DO、ORP、pH)与延时水质参数(COD、氨氮、总氮)的相关性与转换性以及ASM2d模型仿真数据,通过构建模拟仿真系统,确保中试水平的多级AO工艺稳定运行与调控。结果表明,工艺运行过程中不同单元的瞬时p H、氧化还原电位(ORP)、温度(T)、溶解氧(DO)等参数与工艺各阶段的关键水质指标(COD、TN、TP、NH_4~+-N、NO_3~--N等)具有较高的相关性,通过仿真软件数据库优化拟合获得实时的工艺调控指导方案,实现工艺的及时地调控与参数修正,优化运行工艺保证出水水质稳定,达到地方排放标准的目标。     

基于粒子群优化算法-广义回归神经网络的磷化膜耐蚀性预测模型

选取磷化液温度、磷化液游离酸度和磷化时间作为输入参数,耐点蚀时间作为输出参数,引入广义回归神经网络(GRNN)建立磷化膜耐蚀性预测模型,并分别采用果蝇优化算法(FOA)、粒子群优化算法(PSO)对平滑因子寻优进而优化预测模型.使用18组训练样本对优化后模型进行训练,9组检验样本用于优化后模型的预测准确度评价.结果表明:PSO-GRNN模型的预测值非常接近真实值,预测相对误差在[0.001,1.778]区间内,均方根误差最低、为0.682.与常规BPNN模型和FOA-GRNN模型相比,PSO-GRNN模型的预测准确度较高,对磷化膜耐蚀性预测效果良好.     

水中五日生化需氧量预测的模拟验证

为实现对水质的精准预测，提前采取相应的预防措施。在结合水库实际情况重点对其污染源进行分析的基础上，提出以WASP水质预测模型为基础，为实现水质的精准预测将BP神经网络算法融入其中；根据水库基本情况完成WASP水质预测模型中基本参数的设置，并对水中五日生化需氧量指标进行模拟验证，最后得到理想模拟验证结果。     

基于PSO-BP的藻类膜系统处理己内酰胺模拟污水水质预测

通过对藻类膜系统处理的465组己内酰胺模拟废水进行测定,探讨进水水质、生物指标、操作指标与出水水质的相关关系及影响规律;以系统各参数为输入信号、出水水质为输出信号,利用粒子群(PSO)算法优化反向传播(BP)神经网络,建立了PSO-BP藻类膜系统水质预测模型,并与其他预测模型对比分析。结果表明：藻类膜系统对高浓度含氮有机废水处理效果显著,当水力停留时间设为5 d时,系统出水平均总氮含量、总磷含量和化学需氧量分别为6.68 mg/L、0.11 mg/L和23.86 mg/L; PSO-BP水质预测模型预测结果判定系数为0.93～0.95,为藻类膜系统在污水处理过程中水质的高效调控提供了科学参考。     

基于ARIMA模型与BP神经网络算法的水质预测

近年来,政府相关部门虽然对地表水加大了治理力度,基本遏制河流水质恶化的势头,但是,突发环境污染事件仍然时有发生,对人体健康、生态安全造成了重要影响。利用水质在线监测仪虽然可以实时监测水质变化,但是智能化程度低,为此亟需采用先进手段实现对河流水质的预测预警并提前进行防范,最大程度降低类似藻类暴发等事件带来的损失。文中以嘉兴市河道水质为主要对象,开展水质预测模型研究,具有一定的实际应用价值。采用基于ARIMA自回归积分滑动平均模型与改进的BP神经网络算法相结合的方法进行水质预测的建模,研究水质数据和气象数据包含的线性关系和非线性关系,建立水质预测组合模型,并通过模型进行水质电导率、溶解氧、总磷、总氮、高锰酸盐、氨氮的预测;通过理论分析及试验对比,基于ARIMA自回归积分滑动平均模型与BP神经网络算法构建的模型,在水质预测方面比单纯使用传统的ARIMA模型具有更高的精度,各指标的MRE(平均百分比误差)、RMSE(均方根误差)均有很大程度的减小,提供了更科学、更准确的河流水质指数预测方法。     

精确除磷加药控制系统模型在宿迁市某污水厂的应用

污水处理厂仅生物除磷无法实现出水总磷达标排放，则需要辅助化学除磷。针对在化学除磷工艺中人工过量加药的问题，研究化学除磷优化控制策略，建立精确除磷加药控制系统。构建了精确除磷加药控制算法模型，通过序批式试验可知，通过投加聚合硫酸铁浓度为30～80 mg/L，化学除磷过程中TP(Total Phosphate)去除率可实现40%～80%，进水过量投加系数为3.98(gFe/gp)。使用精确除磷加药控制系统和人工加药同期数据对比，高密池出水OP(orthophosphate)值范围控制0.21～0.26 mg/L，出水水质TP值低于0.3 mg/L，满足出水水质TP指标。平均每月除磷药剂节省25.9 t，平均每月除磷剂成本降低28%，吨水除磷剂成本节省0.011元/t。本研究中污水处理厂化学除磷控制的优化方法，可为其他污水处理厂的改造提供参考依据。     

基于熵权法-LGBM算法的岩爆等级预测模型研究

为了解决多个岩爆预测指标数据间存在的数值和量纲差异导致指标利用率较低的问题，建立了基于熵权法和LGBM(Light Gradient Boosting Machine)算法的岩爆预测模型。首先运用熵权法消除指标数值差异的影响，确定各指标的权重，在此基础上引入LGBM算法对样本数据进行训练，运用Leaf-wise叶子生长策略提升计算效率，最后将训练结果与传统LGBM模型、RF(Random Forest)模型和XGBoost模型的预测结果进行对比分析，结果表明，组合模型的预测准确率高达93.1%,明显优于单一模型。将组合模型应用于终南山隧道通风竖井的岩爆等级预测中，发现预测结果与实际情况基本相符，验证了组合模型的可靠性。     

原油管道蜡沉积速率预测模型研究

准确地预测原油管道蜡沉积速率能够有效确定清管周期，以保证原油管道安全运行。针对BP神经网络(BPNN)模型学习效率低、对初始权重敏感且容易陷入局部最优状态等缺点，采用改进的麻雀搜索算法(ISSA)来优化BPNN的初始权值和阈值，建立ISSA-BPNN蜡沉积速率预测模型。以华池作业区38组蜡沉积实验数据为研究对象，使用MATLAB软件搭建预测模型并进行预测，同时与BPNN模型、遗传算法优化的BPNN模型(GA-BPNN)、粒子群优化算法优化的BPNN模型(PSO-BPNN)以及SSA-BPNN模型进行对比分析。结果表明：ISSA-BPNN模型预测蜡沉积速率的平均相对误差为1.353 1%,决定系数R²为0.994 8,均优于BPNN、GA-BPNN、PSO-BPNN和SSA-BPNN模型的预测结果，证明了ISSA-BPNN模型作为预测管道蜡沉积速率工具的准确性和可行性。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

机器学习驱动锅炉燃烧优化技术的现状与展望

伴随可再生能源发电装机容量快速增加,深度调峰过程中负荷多变、燃烧失稳等不稳定工况对火电机组的燃烧优化控制提出了更高要求,快速发展的人工智能技术与深度学习算法为锅炉参数预测建模及优化提供了重要手段。在机器学习算法方面,总结了特征筛选与建模算法的研究现状,提出了传统统计学方法与线性降维方法的科学解释性较差且不能很好地辨识高维数据,结合深度学习算法的特征筛选方法在处理复杂的火电机组数据时优势更明显;对比了多种神经网络在NO_x排放浓度建模中的优缺点,其中长短期记忆神经网络与卷积神经网络在处理时序数据时效果更好、集成模型通过组合不同学习器的优势可提高整个模型的泛化能力和鲁棒性。在预测模型的应用方面,通过对SCR脱硝系统建立预测模型可以方便运行人员模拟并修正可调参数,同时作为软测量手段监测燃烧系统运行状态;引入NO_x排放浓度预测模型的前馈控制和模型预测控制等先进控制手段可有效改善火电机组传统PID控制效果较差的问题;在多目标优化中NO_x脱除效率通常与锅炉效率或脱硝成本共同作为优化目标,以期实现经济效益与社会效益的和谐统一。     

聊城市区污水处理厂进水水质特征的统计学分析

根据聊城市区6座污水处理厂2022年监测数据，分析污水处理厂进水水质特征，包括进水指标COD_Cr、BOD₅、SS、氨氮、TN、TP的变化规律和概率统计分析，以及进水污染物的比例分析。结果表明，各项水质指标数据分布呈正偏态分布，各水质指标间存在一定的线性关系，除BOD₅与COD_Cr、COD_Cr与TP、TN与氨氮的相关关系最为显著(R²=0.563 5、0.500 4、0.775 0)外，其他指标间相关性均较弱，TP与SS几乎不存在线性关系。进水污染物营养分析表明，6座污水处理厂达到BOD₅/COD_Cr≥0.3的概率分别为100.00%、97.92%、95.12%、90.24%、97.87%和97.67%,表明污水处理厂的可生化性均较好；6座污水处理厂达到BOD₅/TN≥4的概率非常小，大部分污水处理厂碳源不足，需要额外增加碳源才能实现反硝化；6座污水处理厂达到BOD₅/T...     

预氧化强化微涡流絮凝处理微污染水的优化

针对常规混凝工艺处理微污染水时存在的药剂成本高、出水水质不稳定等问题，对比研究了高锰酸钾、二氧化氯和过氧化氢强化混凝处理微污染水的效果，并采用响应面法(RSM)建立了浊度、UV₂₅₄及COD_Mn去除率与流量、混凝剂投加量及预氧化剂投加量间的二次回归模型，研究了各因素间的交互作用对预氧化-微涡流絮凝工艺处理微污染水的影响。结果表明：高锰酸钾在降低颗粒排斥力和去除有机污染物方面优于二氧化氯和过氧化氢；结合Design-Expert软件预测值与验证实验得到最佳工艺参数如下：流量为6.5 m³/h(絮凝时间为15.7 min)、PAC投加量为20.8 mg/L、KMnO₄投加量为1.0 mg/L，此条件下浊度、UV₂₅₄、COD_Mn去除率分别为90.69%、69.26%、67.99%。优化后的工艺可为实际应用提供一定参考。     

用YSI52型溶氧仪与化学方法监测污水中的溶解氧

以乌鲁木齐市河东污水处理厂A、B段曝气池水为研究对象；对水样的溶解氧用仪器法与化学法监测，测定值进行线性回归得到DO2=11．017DO1 0.03(A段曝气池)、DO4=1．009DO3 0．002(B段曝气池)。     

基于BP神经网络和MIV算法的注塑件工艺参数优化研究

针对注塑件翘曲变形问题,以某塑料叶轮为研究对象,首先设计了正交试验对叶轮进行翘曲分析,通过正交试验获得的相关数据,建立了基于BP神经网络的注塑件翘曲量预测模型。在预测模型的基础上,通过采用平均影响值(MIV)算法对模型的输入参数进行筛选后,再进行仿真模拟。结果表明:经MIV算法优化后的塑件翘曲量预测模型具有较高的预测精度,模型预测的相对误差由原来的13%减小到7%,对实际注塑加工生产具有重要意义。     

紫外-可见连续光谱法对农村生活污水处理出水COD的在线监测方法

针对农村生活污水处理排放存在不达标的现状,需要寻求一种经济、高效的水质COD在线监测方法来保障农村的水环境安全。相较于传统化学法,紫外-可见光谱法在线监测COD具有监测速度快、无二次污染、设备廉价的优势。以实际农村污水处理出水为研究对象,通过单波长UV_(254)模型(R~2=0.821)、双波长补偿模型(R~2=0.856),验证光谱法水质COD监测的可行性。分别从数据预处理、建模方法、波长筛选等方面对光谱法水质预测模型进行系统性优化:从模型的复杂度及预测精度考虑,偏最小二乘法被证明是最适合的建模方法,所构建的模型相关系数R~2为0.949,均方根误差RMSE为11.03;波长筛选可以在保证模型预测精度的前提下简化建模过程,最优波长的筛选结果为251、356 nm和363 nm,所构建的预测模型相关系数R~2为0.943。