基于Internet的三峡库区水质监测模型与监测点布点

结合三峡库区水质监测工作的现状以及在新时期对水质监测工作的要求,提出了一种以Internet作为信息平台和介质,实施大范围、远距离监测的新模型．该模型融合了GIS和GPS技术、网络通讯技术和数据库技术,通过数据的自动采集,同时可以便捷的发布查询信息,并能完成数据分析统计等工作,大大提高水质监测工作的实时性．由于融入了GPS技术,能方便地对突发情况定位,并利用改进的TOPSIS模型结合根据实际水质信息情况对监测点的分类对监测点布点进行优化处理,使得系统的布点更合理,以更低的成本完成监测工作．     

改进型支持向量机在水质分类中的应用研究

文章分别使用BP、RBF等神经网络和支持向量机等非线性方法对相同的水质数据建立分类模型。使用支持向量分类机建立水质分类模型过程中,选用RBF核函数,结合归一、降维等数据预处理手段,利用网格搜索算法对参数进行寻优,得出水质分类模型。实验结果证明在非线性方法中,采用支持向量机并结合相应的数据预处理手段这种方案得出的分类准确率更高,更加具有推广性。     

河流污染二维水质模型研究及RMA4模型概述

介绍二维水质模型常用的模拟手段、建模求解步骤的要点难点,并在此基础上对RMA4水质模型的特点进行详细归纳和分析,最后探讨河流水质模型的未来发展趋势,从而为建立二维河流水质模型进行水质模拟提供一定的思路和依据.     

河流水质模型及其发展趋势

水质模型是进行环境水污染控制、水质规划和环境管理的有效工具.本文对河流水质模型的发展进行了简要介绍,比较详细的评述了河流水质模型及几个国际通用的综合水质模型.同时本文还着重对河流水质模型的发展趋势做出评价,特别是提出了对河流水质模型与虚拟现实(VR)技术结合这一应用前景.     

平原河网地区闸泵群联合调度水环境模拟

为探索闸泵联合调度对水环境的改善作用,以苏州城市中心区为研究对象,基于实测数据构建河网一维水动力-水质数值模型,模拟了45个关键水工调控工程;对污染源做了详细的分类计算,采用实测水质资料对模型进行验证。利用该模型研究了平水年现状调度方案下的水质变化规律,结果表明,CODCr和NH+4-N质量浓度变化与水位呈负相关,且枯水期水质呈现西北好东南差的特点。针对此特点,提出利用城市中心区闸泵群对西塘河引水量进行再分配,作为枯水期水质改善的调度方案,模拟结果表明,在新的调度方案下,大部分区域的水质都能达到更优一级的标准,各站点的污染物浓度都有大幅减少,最多减少了49.7%。     

水质模型简介及实例应用

在环境影响评价中,水质模型是水环境影响预测的有效工具,它可以模拟和预测污染物在水体中随时间和空间迁移转化的过程。文章简要描述了水质模型所经历的发展阶段、分类标准和几种常见模型,并分别应用S-P模型和完全混合模型对某造纸项目的地表水环境进行了预测,旨在说明正确选择水质模型是作出准确预测结果的重要前提,同时也是改善河流水质,保护生态环境的途径之一。因此,对我国环境工作者科学地选择、使用水质模型具有一定的参考价值。     

松花江哈尔滨江段水环境容量计算对比研究

结合松花江哈尔滨江段水质、水文监测资料和沿岸排污情况,分别应用河流一维及二维对流扩散水质模型计算了松花江哈尔滨江段COD及NH3—N的理想水环境容量.通过计算结果对这两种模型进行比较,并得出二维水质模型对松花江污染控制更安全、控制更严格的结论.另外根据松花江污染以后国家对其水质必须全线达到Ⅲ类水质的要求,对东江桥-大顶子山江段的水质目标分别为Ⅳ类和Ⅲ类时,计算其水环境容量.     

PSO-MLP模型预测降雨对府河氨氮的影响

为研究白洋淀上游的保定市区降雨径流对府河水质的影响,采用府河2019年、2020年的常规水质监测数据,基于粒子群算法（particle swarm optimization,PSO）和多层感知机（multi-Layer perceptron,MLP）建立PSO-MLP水质预测模型。分别使用PSO-MLP、MLP、一维水质模型进行对比预测。结果表明：PSO-MLP与一维水质模型相比,平均绝对误差相对降低64.5%~74.7%;与MLP模型相比,平均绝对误差相对降低6.6%~12.6%。选取2021年7月的一次典型降雨对府河膳马庙、安州和南刘庄3个控制断面进行预测,表明PSO-MLP泛化能力更强,预测误差更小,优于一维水质模型和 MLP模型。所建立的府河PSO-MLP水质预测模型,可以提前 4 h准确预测府河各断面氨氮浓度,平均绝对误差小于0.3 mg/L,可应用于保定市区降雨径流对府河水质污染的预测预警,避免降雨径流通过府河影响白洋淀水质。     

聚类分析法在地下水环境功能区划分中的应用

在地下水环境功能区划分中采用聚类分析法,充分考虑了水质分级界限的模糊性,比普通的根据临界判据截然将水质进行分级的方法更客观,从而使分类结果更准确,更科学。     

基于概率统计和模糊综合评价法的水质评价模型及其应用——以拉萨河水质评价为例

文章从水质污染物的随机性和评价的模糊性出发,将概率统计和模糊数学相结合,建立了一种更接近客观实际和更容易推广的数学模型——模糊概率水质综合评价模型。应用该模型对拉萨河水质进行了综合评价分析,检验了评价模型的有效性和可靠性。     

水质数学模型的研究进展及存在的问题

介绍了水质模型特别是国际上通用的一些综合水质模型在国内外的发展现状,并评述了国内外水质模型研究与应用过程中普遍存在的一些问题及其主要表现、成因,指出了当前水质模型发展的两个重要方向.     

黄浦江准动态水质数学模型系统参数优化

本文应用正多面体法对黄浦江水质模型共29个参数(五个河段)进行了优化.简化了正多面体法的平移和收缩二种决策,藉以减少计算步骤.并提出约束区间规范化的方法,加快了计算速度.同时介绍了本法的基本思想,具体步骤和框图.     

水利水电工程项目质量控制系统灰色摆动模型

通过分析水利水电工程项目质量及工程质量控制的特点,指出统计方法的局限性;建立了水利水电工程项目质量控制系统灰色摆动模型,介绍了建模步骤,模型参数求解方法及模型验证结果等,分析了质量控制系统运行机制的稳定性,预测了质量控制系统的未来状态。利用灰色摆动模型能提高工程项目质量控制的效果,同时模型对费用,进度的控制具有参考价值。     

径向基函数神经网络在多河段水质模拟中应用

为了更好地模拟与预测河流水质,运用人工神经网络的原理与方法,在分析河流多河段水质模型基础上,建立了RBF人工神经网络水质模型,应用滏阳河邯郸市区段实测水质数据对模型进行训练与检验,结果表明,该模型应用于水质模拟精度高,是可行的.     

玻璃钢水箱的研制和受力分析初探

设计的拼装式玻璃钢水箱有较为合理的生产工艺，进行了较详细而实用的力学分析。通过对水箱样品的实际测试，表明这种水箱具有足够的强度和刚度，水箱内部清洗方便，外形美观，密封性能良好，各项理化指标符合卫生防疫部门的要求，可以安全地贮存饮用水。     

水玻璃对耐酸耐热混凝土质量的影响

本文较全面研究了水玻璃对耐酸耐热混凝土质量的各种影响。指出适当调配水玻璃模数和浓度、使用混合型水玻璃、提高耐酸耐热混凝土养护温度,都是提高耐酸耐热混凝土质量的重要环节。     

多水源供水管网余氯浓度优化调度

目前建立的基于管网水力模型的水质计算模型都是静态的,即假定管网中各传输单元的余氯衰减系数固定不变,这对多水源管网且各水厂出水余氯浓度差异较大的管网系统是不适用的.通过建立符合实际工况的多水源水质计算模型,运用遗传算法求解,得到在满足供水管网余氯浓度要求的前提下各水厂出水的优化余氯浓度值.将该模型应用于实际管网,为实际管网的水质调度提供了重要依据.     

应用模糊数学方法评价福州市山仔水库水质

应用模糊数学方法对山仔水库水质进行评价，得出了山仔水库近六年来的水质变化趋势，表明近年来由于采取有效控制措施，山仔水库的水质逐步地得到了改善。但是水库中氮、磷的含量还较高，所以应进一步采取措施减少氮、磷的输入，使水质符合饮用水源地的标准。     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。