爆炸事故过程分析中不确定性问题处理方法

针对事故过程分析中的不确定性问题,指出了不确定问题在危险分析中的重要性及处理该问题的复杂性和难点,列出了几种基于非线性数学方法处理不确定问题的基本方法,如微分法、MonteCarlo模拟、Fourier方法、响应表面法等,并对之进行了比较.建议在处理事故过程的不确定性时采用Monte Carlo模拟.     

丁二烯过氧化物的生成、危害及安全性研究

综述了国内外丁二烯过氧化物研究进展，主要包括丁二烯过氧化物的危害性、成因、危险评价和热稳定性，并对今后的研究方向进行了展望。     

丁二烯过氧化物的危险性分析及丁二烯系统安全防范措施

根据丁二烯工业中事故多发的主要原因分析了丁二烯过氧化物的危险性．利用热爆炸理论计算了它的热爆炸临界温度，并提出了防止事故发生的主要方法，为丁二烯工业的安全生产提供指导。     

一种高效覆膜滤料的性能研究

在实验室对一种新研发的e PTFE覆膜滤料的微观结构、过滤效率与清灰性能进行了研究。实验结果表明:该覆膜滤料稳定状态时对实验粉尘总过滤效率达99.996%以上;洁净状态时对PM1.0和PM2.5的过滤效率分别为97.5%和98.5%,过滤性能良好;该覆膜滤料表面极其光滑,且以表面过滤为主,清灰性能良好。     

含弱约束端面直角管道汽油蒸气爆炸及七氟丙烷抑爆研究

为研究七氟丙烷对汽油蒸气爆炸抑制作用,搭建含弱约束端面直角管道汽油蒸气爆炸抑制实验系统,开展汽油蒸气爆炸实验研究,并与喷入七氟丙烷抑爆介质进行对比,分析爆炸超压值、火焰强度值和火焰传播速度等爆炸特性参数变化情况.结果表明:在1.3％,1.5％和1.7％汽油蒸气体积分数下,不加抑爆介质时,爆炸超压值、火焰强度和火焰传播速...     

基于GIS的油品储罐区风险评价及应急资源优化调运系统

为对油品储罐区事故进行迅速的风险评价和应急救援,在详细分析油品储罐区危险特性的基础上,建立了区域风险评价模型、应急资源优化调运模型和实时在线应急培训模型,将其作为功能模块与GIS技术加以整合,构建了基于GIS的油品储罐区风险评价及应急资源优化调运系统.当油品储罐区发生突发事件后,针对不同的事故类型和事故级别,该系统可对其区域风险进行评估,划分不同伤害等级范围,并在最短的时间内,通过带有"单程最大运输能力"约束的两目标连续消耗应急资源优化调运模型计算,给出合理有效的应急资源优化调运方案.无事故发生时,也可进行相应的事故模拟演练及实时在线应急培训.在西部管道油品储罐区的实例应用表明,该系统可为油品储罐区制定应急救援活动方案,提高危害防护水平提供技术支撑.     

基于BIM的隧道施工安全风险辨识模型研究

从安全风险识别角度,基于建筑信息模型(BIM)构建了一个隧道施工安全风险辨识模型。模型的构建包括3部分,分别为隧道施工安全风险知识库的构建、工程信息与安全风险知识库的关联分析以及隧道施工安全风险智能辨识机制的构建。对比传统安全风险辨识方式进行分析讨论。     

液相色谱-质谱法测定土壤中四溴双酚A和六溴环十二烷

文章建立了液相色谱-串联四级杆质谱仪同时测定土壤中四溴双酚A及3种六溴环十二烷同分异构体的分析方法。土壤样品经快速溶剂仪萃取,全自动凝胶净化系统净化后,使用液相色谱-串联四级杆质谱仪,负离子电喷雾多反应监测模式监测,内标法定量分析。结果表明,土壤中四溴双酚A、α-六溴环十二烷、β-六溴环十二烷和γ-六溴环十二烷的检出限为0.1~1.2 pg/g,加标回收率为81.8%~113%,相对标准偏差小于10%。该方法分析时间短,灵敏度高,操作简单,对电子固废拆解场地中的179个土壤样品进行分析,取得满意结果。     

滇池不同湖区沉积物正构烷烃的分布特征及其环境意义

为探明滇池沉积物中有机质的组成特征及其环境意义,2014年7月采集滇池北部和南部各一根柱状沉积物样品,分析了TOC(总有机碳)、TN(总氮)、正构烷烃含量剖面变化规律.结果表明:1滇池沉积物中TOC与TN自20世纪70年代以后增加显著,说明了滇池初级生产力不断提高;2滇池沉积物正构烷烃代用指标n-C27/n-C31比值及Paq和CPI表明,滇池沉积物从下往上草本植物与木本植物交替变化,且沉积物中的高碳数有机质主要来自滇池内源的沉水和漂浮大型植物;3C/N比值及正构烷烃分布特征表明,滇池不同湖区沉积物有机质来源存在差异:滇池北部沉积物中有机质主要来源于內源植物和陆源有机物的人为源;滇池南部沉积物中有机质主要来源于內源大型水生植物和陆源高等植物混源.为此,在今后滇池沉积物有机质的研究中,应加强对滇池不同湖区有机质的深入分析.     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...