简介:以长期运行的闭合式循环水养殖系统(RecirculatingAquacultureSystem,RAS)中的养殖废水为处理对象,采用序批式厌氧/缺氧/好氧(SBR-A2/O)工艺研究不同碳磷比(COD/ρ(P))对养殖废水脱氮除磷的影响。结果表明:对于TN在50~70mg/L的RAS废水,当COD/ρ(P)〈19.85时,TN和TP去除率较低,随COD/ρ(P)升高,去除率逐渐增加;在COD/ρ(P)≥19.85时,TN和TP去除稳定,平均去除率分别为62.38%±8.33%和62.44%±4.97%。维持COD/ρ(P)在25~30进行试验,RAS废水中各污染物去除稳定,水体中TN、TP、NO-3-N、PO3-4-P、NH_4+-N和NO-2-N的平均去除率分别为60.61%、62.69%、60.21%、60.46%、45.55%和84.94%。进水为高质量浓度NH_4+-N((16.07±1.09)mg/L)废水的条件下,COD/ρ(P)〈22.49时,出水NO-2-N远高于进水,积累明显;COD/ρ(P)≥22.49时,NO-2-N去除率可达100%;NH_4+-N的平均去除率为87.29%。
简介:为了分析煤矿工人的情境意识要素间的因果关系结构,建立更具鲁棒性的情境意识驱动模型,提出了一种基于DEMATEL和ISM法耦合的矿工情境意识驱动模型构建方法。首先,在构建情境意识概念模型的基础上从组织、个人和环境3个维度辨识矿工情境意识驱动要素;然后,运用熵值法计算矿工情境意识驱动要素的权重,并借助DEMATEL和ISM方法确定情境意识驱动要素间的因果作用关系,进而构建矿工情境意识驱动模型。结果表明,班组安全氛围是矿工情境意识的根本影响因素;生理心理状况、工作记忆、作业能力和作业经验是直接影响因素;组织制度、人岗匹配性、物理生产环境、培训组织、作业规程和作业负荷设计是间接影响因素。
简介:临界风速是Y型合流分岔隧道能否有效抑制烟气侵入分岔支路的重要参数。为确定Y型合流分岔隧道临界风速计算公式,对影响Y型合流分岔隧道临界风速的相关因素进行量纲分析,推导出临界风速与火源热释放率、主分隧道高度比、连拱长度及隧道分岔夹角这4个因素的无量纲函数关系式。通过数值模拟得到临界风速最大的火源位置,并对上述4个影响因素进行了量化分析。结果表明:火源距分岔段隧道洞口15~25m时临界风速最大;当无量纲火源热释放速率小于0.3时,隧道临界风速与火源热释放率呈现1/3次方关系,当无量纲火源热释放速率大于0.3时,隧道临界风速不再随火源热释放速率增加而增加;临界风速与分岔隧道高度比近似成-3/10次方关系,与分岔夹角成-3/40次方关系,而与连拱长度无关。进而得到分岔隧道临界风速的无量纲计算模型,且与数值模拟结果吻合良好。
简介:为探究烧烤场景中人群多环芳烃(PAHs)的暴露特征与健康风险,使用美国环保署推荐的计算模型和基于生理的药代动力学模型(PBPK)模拟了我国人群的PAHs外暴露剂量和健康风险以及内暴露剂量变化情况。结果表明:1)普通居民和职业人群的日均苯并[a]芘等效摄入剂量为(50±3)ng·d^-1和(179±98)ng·d^-1,其终生致癌风险为7.57×10^-7-1.28×10-(-5),均在可接受范围内;2)普通居民暴露后体内组织中PAHs内暴露标志物芘的最大浓度范围依次为肝(6.52-8.67ng·L^-1)〉肾(0.97-1.12ng·L^-1)〉静脉血(0.71-0.94ng·L^-1)〉皮肤(0.64-0.75ng·L^-1)〉脂肪(0.36-0.56ng·L^-1),职业人群暴露后体内组织芘最大浓度为脂肪(2.97ng·L^-1)〉皮肤(1.14ng·L^-1)≥肾(1.14ng·L^-1)〉肝(0.57ng·L^-1)〉静脉血(0.17ng·L^-1);3)膳食是普通人群的主导暴露途经,会导致肝组织浓度最大;呼吸和皮肤接触是职业人群的主导暴露途经,会导致脂肪组织浓度最大;4)暴露标志物芘的组织总富集量关系为职业人群(48ng·d^-1)大于普通人群(6-11ng·d^-1)。
简介:目前国内外还没有对不同火险条件下草原火险时空发生概率的研究,而这方面研究对草原火灾管理对策和防火救助应急预案的制定具有重要意义。根据呼伦贝尔草原火灾统计月报表和相关气象、社会经济资料,利用Logistic回归模型建立草原火险预测模型,对草原火险进行了空间上的预测。结果表明,日平均风速、日降水量对草原火险影响较大;以2005年所有火灾案例对草原火险预测模型进行检验,研究表明,该预测方法具有较高的可靠性,可为火灾管理和减灾决策的制定提供指导。
简介:对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。