基于遗传算法的TCE污染地下水修复抽水处理优化方案研究

抽水处理技术已广泛应用于地下水污染现场修复，系统设计运行不当会严重影响抽水处理的成本和效率。布井位置和抽水流量是抽水处理系统设计的两个关键因素，需考虑污染现场及饮用水源位置、经济成本等条件，因而布井方案需综合实际情况考虑不同参数。已有的抽水处理系统主要依据经验设计，不能满足复杂系统下经济高效运行的目的。因此，根据影响抽水处理系统经济效应的因素寻求经济高效的最优布井方案越来越重要。以某典型三氯乙烯(TCE)污染含水层为例，运用地下水流场、溶质运移模拟模型与遗传算法相结合的优化技术MGO,采用水力优化和运移优化两种地下水污染修复模式进行优化。基于情景分析比较了不同修复时间、井的数量、目标修复浓度、吸附常数和渗透系数等参数调整对井位和抽水量优化布局的影响，探索了抽水处理系统优化中遗传算法设计参数的确定方法，总结了影响抽水处理系统经济效应的不同因素及其变化规律。结果表明，抽水成本随井数的增多、修复时间的延长、目标修复浓度的增大而降低，但降幅会在某一临界范围内显著缩小，需根据实际工程需要，平衡各方成本因素。当目标修复浓度为0.03 mg/L且修复时间为20 a时，3眼井较2眼井抽水成本减少18%...     

基于网络的决策支持系统在水资源管理中的应用

综述了决策支持系统(DSS)与基于网络的决策支持系统(Web-based DSS)在水资源管理中的应用概况,通过对二者进行比较,指出Web-based DSS具有便于系统更新维护、降低用户使用门槛、扩展用户沟通渠道等优势。对Web-based DSS涉及的基础应用开发、多源信息采集与集成、多模块并行耦合、决策效果评估等关键技术进行了分析,探讨了Web-based DSS在多源异构大数据环境下面临的问题与挑战。     

90 t/h四角切圆燃烧锅炉优化调整及试验研究

某炼油厂90 t/h自然循环燃气锅炉燃烧器低氮改造后，运行调整总是不太理想。在40%～90%负荷工况下，出现炉膛和过热器的高温/低温段、省煤器两侧烟气温度（烟温）偏差大，NO_x、氧含量及颗粒物排放浓度较高的问题。经过分析，造成该现象的主要原因是4个燃烧器配风不均。针对此问题，对4个燃烧器配风进行了优化调整，优化后的锅炉省煤器α/β侧烟气温差较原来减少30℃,炉膛内部两侧温差较原来减少9℃,过热器高温/低温段温差较原来减少40℃/30℃,各侧点温度α侧变化较大，β侧变化较小。NO_x平均质量浓度下降了近100 mg/m³;颗粒物质量浓度由16.3 mg/m³降低到5.8 mg/m³。有效地解决了锅炉两侧燃烧偏烧和氧气分布不均匀及NO_x、颗粒物排放浓度较高的问题。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于改进粗糙集的混合传感器节点分类算法

混合传感节点的属性较难形成统一识别特征，其节点属性约简过程复杂，存在分类时间长及分类性能差的问题。为此，提出了基于粗糙集的混合传感节点高精度分类算法。在初始化传感节点的基础上计算适应度值，利用遗传算法优化粗糙集修正校验结果，获得统一编码形式的节点。在此基础上，排除了属性权重为“0”的属性，完成节点属性约简。再利用普通分类方法和高级分类方法结合的方式，进行混合节点分类。根据约束条件选取对应的分类方法，实现混合传感节点高精度分类。仿真结果表明，所提算法的分类用时低于520 ms，且该方法的查全率、查准率及F1值均高于对比方法，混合传感节点分类性能较好。     

蜂窝网络用户上行覆盖率的数值计算方法

对于蜂窝用户上行覆盖率这类含无穷上限的多重积分公式,直接调用积分函数进行计算耗时长且无法确保收敛。文章提出通过逐层分析被积函数特征来缩小积分区间,从而提高计算速度并保证收敛性。为验证方法的准确度,与一种特殊情况下的解析式和仿真结果进行比较,结果显示差异可忽略;同时,与直接进行无穷积分的方法进行比较,显示计算时间至少节省一半以上,且随着用户密度的降低,本方法计算效率方面的优势更加突出。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。