中国污染场地管理面临的问题及对策

概述了欧美国家污染场地管理现状,分析了中国污染场地管理面临的突出问题:中国在污染土壤管理的法律法规和标准、污染土壤的修复技术、污染土壤治理投入等方面同欧美国家有一定的差距.结合污染场地管理和场地风险评估、场地修复条件以及土地利用功能,提出了基于风险评估基础上污染场地管理程序和污染场地管理亟待开展的工作.指出了土壤环境标准体系,污染场地管理体系和污染场地修复技术体系的三元结构的完善是破解中国污染场地管理和修复的难题的根本.     

用于控制太湖流域农村面源污染的透水坝技术试验研究

为了控制太湖流域农村面源污染,结合人工湿地原理和快速渗滤机理,开发了透水坝技术并进行了运行试验.该技术利用平原河网地区现有河道的容积来承受农村面源污染水量、水质的冲击负荷,通过控制透水坝的渗流量,拦蓄径流为后续的处理单元提供自流动力.4个月的运行结果表明,使用梯形渗流模型进行透水坝的渗流量计算比较准确,透水坝达到了拦蓄5天处理雨量为1400Om3的降雨径流的设计要求,同时透水坝的TN、TP去除率分别为15.59%和23.44%.     

用于土壤及地下水修复的多相抽提技术研究进展

多相抽提技术(multi-phase extraction,MPE)是当前国外修复被挥发性有机物污染的土壤和地下水的主要技术之一,它通常通过同时抽取地下污染区域的土壤气体、地下水和非水相液体污染物(non-aqueous phase liquid,NAPL)至地面进行分离及处理,达到迅速控制并同步修复土壤与地下水污染的效果。为了加深对该技术的认识,列举了MPE技术的工艺特点和技术原理,总结了MPE系统的设计要点和思路,以及MPE技术相对于传统修复技术的优势和不足。针对MPE技术的特点,总结分析了针对土壤包气带、含水层性质和污染物特征的MPE技术适宜性评估方法。最后,列举了MPE技术在国内外的典型案例。     

应用斑马鱼和凡纳对虾诊断污染场地污水的生物毒性

应用斑马鱼(Brachydanio rerio)和凡纳对虾(Penaeus vannamei)对某废弃有机污染场地中有毒有机废弃物堆积产生的污水(1号塘污水)和场地及周边地表径流积水(2号塘污水)的生物毒性进行了试验.结果表明,1号塘污水对斑马鱼和凡纳对虾96 hLC50分别为46.2%和59.6%, 2号塘污水的毒性试验中两种试验生物的死亡率皆为0.化学检测表明,1号塘污水中的主要污染物为苯酚类和酞酸脂类物质,而2号塘污水中均未检出有机污染物.化学检测结果与毒性试验结果具有较好的相关性.     

城市污水的不完全厌氧过程工艺分析

由于不完全厌氧过程的工艺特点 ,其在中国城市污水处理中有着广阔的应用前景。本文侧重分析了不完全厌氧过程工艺在城市污水处理应用中 ,关键性参数的选择以及亟待研究几个不确定问题。     

户外端子箱操作人因可靠性及其风险评价*

为正确评价人为因素对户外端子箱失效的影响,利用CREAM(Cognitive Reliability and Error Analysis Method)模型的共同绩效条件分析端子箱操作过程中人的行为机理以及行为可靠性因素;应用SLIM(Success Likelihood Index Method)模型计算人为失误概率,并采用比例故障模型计算户外端子箱自身的故障率;以某断路器端子箱为例进行验证。结果表明:研究案例的人为失误概率为1.56%,设备故障率为0.84%,系统的风险值为10.7%,系统的风险等级为3;从概率的角度说明事故发生原因中人为因素的影响更大。因此,从行为可靠性影响因素层面对人为失误概率进行调控,可使户外端子箱操作人因可靠性得到提高,系统的风险等级随之降低。     

天然碳质吸附剂对典型有机污染物的吸附机制研究进展

综述了天然碳质吸附剂(carbonaceous geosorbent,CG)的分类、来源、基本性质及对典型有机污染物的吸附机制与特点,涉及的有机物污染物涵盖了多环芳烃、多氯联苯、多溴代二苯基醚、农药及抗生素等多种门类,包括极性、弱极性、非极性及离子型等多种化合物,具有较广泛的代表性.CG类物质与有机化合物间的分子间作用力(范德华力)对吸附作用有重要贡献,但这种分子间作用力会受到CG性质(如孔隙结构、特征基团等)和吸附质分子特点(如分子构型、官能团)的影响.深入了解CG对典型有机化合物的吸附机制及其影响因素对污染土壤环境风险评估和污染土壤修复具有重要意义.     

变电站操作不安全行为核心影响因素分析*

为分析变电站中操作不安全行为的核心影响因素,基于国家电网某省变电站员工安全心理自评数据,运用心理学模型确定9种主要心理维度,融合Bayesian Search和Peter Clark(PC)算法,并使用专家知识修正以训练贝叶斯网络模型结构,应用Expectation Maximization(EM)算法训练模型参数,并运用Mutual Information(MI)和预测推理2种方法分析核心影响因素。研究结果表明:训练模型的预测错误率为14.8%,AUC为0.945 8,变电站操作不安全行为的核心影响因素为情绪稳定性和心理承受力。