导读:本文包含了污染物浓度模型论文开题报告文献综述及选题提纲参考文献，主要关键词:长大桥梁,桥梁排水,环保设计,Sartor-Boyed冲刷模型
污染物浓度模型论文文献综述
马松江[1]（2019）在《环保约束下基于污染物浓度数学模型的长大桥梁排水设计研究》一文中研究指出本文基于水力学及极限强度理论,以《公路排水设计规范》(JTG/T D33-2012)为研究基础,分析了跨越敏感水域的长大桥梁桥面污染物径流全部收集及部分收集管径计算方法,其中全收集计算方法包括《公路排水设计规范》推荐算法和基于极限强度理论的管径迭代推算法,部分收集算法为基于Sartor-Boyed冲刷模型的管径计算法,为对比分析各算法的差异性,本文以国道240黄河大桥为例计算分析了桥面径流全收集及部分收集所需管径大小。(本文来源于《公路交通科技(应用技术版)》期刊2019年10期）
刘炳春,来明昭,齐鑫,王辉[2]（2019）在《基于Wavelet-LSTM模型的北京空气污染物浓度预测》一文中研究指出文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。(本文来源于《环境科学与技术》期刊2019年08期）
陈宇浩[3]（2019）在《特定区域污染物浓度预测模型的研究与实现》一文中研究指出随着我国的现代化建设发展,大气污染问题日益严重,引起了公众的广泛关注。而准确预测污染物浓度的变化规律,有助于国家制定相关政策,改善空气质量。与传统的气象学预测方法相比,基于深度学习的污染物预测方法无须涉及复杂的气象学知识且通用性较强。因此,有必要研究并实现相关技术。针对上述问题,本文使用了 Py thon、MySQL、Keras、数理统计、神经网络等技术,实现了多种特定区域污染物浓度的单步预测和多步预测研究,并建立了相关模型。本文针对单步预测模型,改进了其预测方法并提高了预测的准确度;针对多步预测模型设计并实现了多种新的预测方法,完成了模型的测试和对比工作。本文首先介绍了研究背景与课题内容,之后简单介绍了课题中使用的主要相关技术。为完成研究任务并展示研究成果,经过需求分析和概要设计,实现了一个特定区域污染物浓度预测系统。该系统包括数据采集模块,数据存储模块,模型设计模块和数据展示模块,本文详细介绍了各模块的设计细节、实现逻辑以及模块之间的交互关系。其次,本文详细介绍了模型结构和算法。对于单步预测模型,本文在前人研究基础上实现了通过多点原始数据预测一点的污染物数据,研究并实现了共计五种算法模型,分别为两种基于数理统计的模型和叁种基于神经网络的模型。对于多步预测模型,本文设计了两种预测思路,建立了相关算法模型,分别为基于机器学习的模型和基于向量匹配的模型。文章详细介绍了各模型结构和算法原理,给出了研究结论和原理分析。最后,本文描述了模型的评价工作。文中通过多个对比实验测试了各预测模型,展示了量化指标和预测图像,测试数据有效论证了课题结论。文章结尾总结了课题的成果和不足,指出了进一步的研究方向。(本文来源于《北京邮电大学》期刊2019-05-30）
武文琪[4]（2019）在《基于灰色GM(1,1)模型的成都市大气污染物浓度预测》一文中研究指出基于灰色系统理论的预测原理和方法,在城市大气污染物浓度预测中应用了灰色GM(1,1)模型。该模型通过了残差检验和后验差检验,检验结果均在允许范围内,模型精度较高。采用该模型对成都市2018-2022年大气污染物SO_2、NO_2、PM_(10)、PM_(2.5)年均浓度进行了灰色预测。预测结果显示,成都市未来五年环境空气质量将持续好转,但NO_2和PM_(2.5)的年均浓度仍然较高,NO_2及颗粒物污染防治仍是成都市未来五年大气污染治理的重点。(本文来源于《能源环境保护》期刊2019年02期）
李晨[5]（2018）在《污染物浓度预测模型的建立与实证分析》一文中研究指出近年来,环境污染对国民经济和人民生活造成了巨大的困扰,已成为全球性的焦点问题之一。对于发展中国家而言,随着工业化和城市化的持续推进,空气污染问题更是呈现越发严重的趋势。为缓解空气污染影响,改善空气质量,实现经济乃至人类的可持续发展,世界各国都广泛关注和研究污染物浓度的预测。然而,在实际操作中,造成空气污染的主要因素难以确定,且各种因素相互影响,污染物浓度固有的波动性和间歇性更是大大增加了预测的难度。因此,确定造成空气污染的主要因素并精确有效地预测污染物浓度显得至关重要,建立一个科学稳定的预测模型并采取相应的空气质量保护措施更具有重要意义。近年来,大量国内外学者进行了污染物浓度预测的研究,关于污染物浓度预测水平得到一定程度的提升。然而,目前大多研究仅仅采用简单易行的单一预测模型,这些模型预测精度较低,难以满足实际生产和生活的需求。相比于单一模型,新型的混合预测模型多基于优化算法和数据分解,对污染物浓度预测性能有很大的提升。然而,现有的混合预测模型很少关注不确定性预测,涉及污染物指标筛选的技术更是少之又少。因此,这些模型无法达到高的精确性和科学性,从而对空气质量预测模型的安全性和稳定性带来巨大的挑战。针对如上问题,本文构建了一个基于污染物指标筛选、去噪技术、帝国竞争算法和极限学习机的污染物浓度预测模型。所提出的模型主要包含四个部分:污染物指标筛选、数据预处理与重构、确定性预测以及不确定性预测。首先,在污染物指标筛选部分,针对每个城市,采用模糊偏好粗糙集理论筛选主要的污染物;在数据预处理与重构部分,利用ICEEMDAN分解方法对筛选后的污染物浓度时间序列数据进行分解、去噪声和重构,充分挖掘污染物浓度数据的内在信息特征;其次,采用优化算法ICA优化极限学习机;最终,在预测部分,本文提出了一个混合预测模型ICEEMDAN-ICA-ELM,进行污染物浓度时间序列数据的确定性及不确定性预测;此外,为了衡量模型的实用性和泛化能力,本文引入了假设检验、九个模型评价指标,五个仿真实验和六个实验城市污染物浓度数据,对所提出的预测模型进行检验和评估。研究结果表明,与其他6个预测模型(ARIMA,BP,GRNN,PSO-ELM,ICA-ELM,EMD-ICA-ELM)相比,本文所提出的预测模型具备良好的泛化能力,可大幅度地提升污染物浓度的预测水平,取得有效稳定的预测结果。本文所提出的污染物浓度预测模型不仅可以确定主要污染物,提高污染物浓度预测精度,增强预测结果的稳定性,同时对完善和发展空气污染的预报和监测大有裨益,更能为相关决策者和人民日常生活提供指导意见。本文的创新主要包括以下几点:首先,模糊偏好粗糙集理论运用于特定城市的污染物指标筛选;其次,ICEEMDAN分解方法对污染物浓度数据进行分解、去噪声和重构,充分挖掘了污染物浓度数据内在的信息特征;再次,帝国竞争算法(ICA)为解决优化问题提供了一个新的可行性选择;此外,所提出的混合预测模型ICEEMDAN-ICA-ELM不仅被用于确定性预测,而且运用于不确定预测,这对污染物浓度分析提供了全面翔实的预测信息。最终,实验结果表明本文所提出的预测模型优于其他6个对比预测模型。(本文来源于《东北财经大学》期刊2018-11-01）
赵学敏[6]（2018）在《基于灰色GM(1,1)预测模型的北京市大气污染物浓度预测》一文中研究指出本文为进行北京市大气污染浓度预测,先对灰色GM(1,1)模型进行建模并检验,在模型检验合格后,运用灰色GM(1,1)模型预测2013—2017年大气污染物PM_(10)、SO_2、NO_2的浓度.结果显示,该模型可以较好地预测PM_(10)和NO_2的浓度,但对SO_2预测效果不佳.(本文来源于《北方工业大学学报》期刊2018年05期）
石佳超,罗坤,樊建人,张峻溪,王晴[7]（2018）在《基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型》一文中研究指出建立大气污染可控源排放-复合污染水平的函数关系,实现给定排放情景下环境污染物浓度的实时响应,是大气污染物浓度预测与减排效果评估等的重要技术前提.本研究对污染物浓度影响因子变化空间进行拉丁超立方采样,使用CMAQ区域多尺度空气质量模型的预测值作为输入数据,通过前馈神经网络模型构建基于统计机器学习的长叁角区域污染物浓度快速响应模型.结果表明经过模型结构选择与参数调整,基于前馈神经网络的快速响应模型能够快速准确还原出不同减排情景下长叁角区域PM_(2.5)浓度的预测值.外部验证情景下相关系数CORR达到0.999以上,MB与ME均值达到了-0.046μg·m~(-3)和0.6162μg·m~(-3),实现了比RSM更加快速与准确的预测,不同时段与不同污染物浓度的准确预测则验证了其普适性.(本文来源于《环境科学学报》期刊2018年11期）
马帅帅[8]（2018）在《利用物理模型研究土壤结构和表面覆盖在挥发性污染物二维迁移中影响其浓度衰减的规律》一文中研究指出改革开放以来,随着我国城市产业结构迅速调整,许多城市搬迁、关闭一些“高污染,高消耗”类型的企业,从而产生大量的污染场地。针对这一问题,国务院于2016年颁布了《土壤污染防治行动计划》,规定污染场地在利用之前必须对其进行修复或者风险管控。无论是修复还是风险管控,其关键前提均是污染场地的人体健康风险评估。健康风险评估必须要基于污染物对人体的暴露途径,而污染场地的挥发性污染物对人体的主要暴露途径为蒸气入侵,即挥发性污染物从地下迁移至室内而被人体吸入的过程。目前,国际上(包括我国)推荐利用Johnson-Ettinger经典数学模型(JEM)进行蒸气入侵风险评估。但实际中,由于污染源分布的不均匀性,往往存在挥发性污染物在二维,即纵向和横向上的迁移。而JEM作为一维模型,只考虑挥发性污染物在纵向上的迁移,无法合理评估蒸气入侵的风险。以往对挥发性污染物在二维迁移和浓度衰减之间的规律研究,往往是基于数值或者解析模型的理论研究,并无相关场地和实验室数据的校验。因此,本文利用物理模型研究土壤结构和表面覆盖在挥发性污染物二维迁移中影响其浓度衰减的规律,利用实验数据检验理论推导的数学模型预测结果。主要工作如下:(1)均质土壤表面裸露场景实验,采用两种土壤介质,即砂子和砂土。实验表明污染物在土壤中的浓度分布与土壤介质不相关,且实验结果同叁维数值模型和解析模型预测的浓度分布基本保持一致:即浓度随横向扩散距离呈指数衰减,随纵向扩散距离呈线性衰减。(2)均质土壤表面覆盖场景实验,相比裸露实验,覆盖会增加土壤中浓度。覆盖方式分为连续覆盖和非连续覆盖,在较深取样点处,连续覆盖对于浓度的影响皆要大于非连续覆盖,但是差异不明显。实验表明,当污染源与建筑物存在横向距离时,地表覆盖下的浅层污染物浓度依然高于四周无覆盖下的污染物浓度,这表明美国EPA采用建筑物地基边缘靠近污染源侧的采样点浓度来代表地基下方污染物浓度的建议具有局限性。在较深处,浓度随横向扩散距离呈指数衰减,随纵向扩散距离呈线性衰减,同裸露实验差异不大;而在浅层处,浓度因覆盖影响在横向上会呈现“峰形”分布,在纵向上依然呈线性衰减,且实验结果同叁维数值模型和解析模型预测的浓度分布基本保持一致。(3)非均质土壤表面裸露场景实验,采用叁种土壤:砂子、砂土和黏土,扩散系数依次降低,非均质土壤对于浓度的正负影响取决于介质的排列顺序。实验表明,与均质土壤实验相比,若土壤气体有效扩散系数随深度增加而减小,浓度在横向扩散中的衰减程度会增大,在纵向扩散中的衰减程度会减小;若土壤气体有效扩散系数随深度增加而增大,浓度在横向扩散中的衰减程度会减小,在纵向扩散中的衰减程度会增大。实验结果同叁维数值模型和解析模型预测的浓度分布基本保持一致:即浓度随横向扩散距离呈指数衰减,随纵向扩散距离以分段形式线性衰减。(4)非均质土壤表面覆盖场景实验,在较深处,浓度随横向扩散距离呈指数衰减,随纵向扩散距离以分段形式线性衰减,同裸露实验差异不大。而在浅层处,浓度因覆盖影响在横向上会呈现“峰形”分布,在纵向上依然呈线性衰减,且实验结果同叁维数值模型和解析模型预测的浓度分布基本保持一致。(本文来源于《浙江大学》期刊2018-04-01）
刘严萍,王勇,赖迪辉[9]（2016）在《基于PM10与气态污染物的北京市PM2.5浓度模型研究》一文中研究指出针对2013年北京市10个空气质量观测站点资料,对影响PM2.5浓度的因素进行相关性分析,发现PM2.5浓度与PM10、SO2、NO2和CO存在显着正相关特性。通过PM10与气态污染物构建单站点PM2.5浓度模型和北京市统一化PM2.5浓度模型。通过PM2.5浓度观测值与模型估算结果比较,单站点PM2.5浓度模型与北京市统一化PM2.5浓度模型估算结果一致,且两者均与PM2.5浓度观测值吻合。(本文来源于《灾害学》期刊2016年02期）
黎虹,李光[10]（2016）在《城市重金属污染物浓度模型》一文中研究指出随着工业经济迅速法阵,城市重金属污染越来越重,针对城市重金属污染物浓度进行检测,成为了该领域亟待解决的问题。由于城市冲金属污染物会随着工业发展程度不断发生变化,使得对城市重金属污染物浓度不能及时进行检测,导致出现不能确定污染源的问题。本文通过采用高斯扩散模型,得出城市重金属污染物浓度的表达式,通过计算浓度的极大值,确定污染源的位置,建立城市重金属污染物浓度模型,为城市重金属污染物浓度检测提供依据。(本文来源于《中国金属通报》期刊2016年01期）
污染物浓度模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文章为了达到精准预测北京市空气污染物浓度目的,应用小波分解变换(wavelet transform)和长短期神经记忆网络(long short-term memory,LSTM)相结合的方法,建立Wavelet-LSTM空气污染物浓度预测模型,对北京市6项空气污染物浓度预测。研究首先通过小波分解变换将日空气污染物浓度的历史时间序列分解为不同频率并重新组合为高维训练数据集合;其次使用高维数据集训练LSTM预测模型,重复试验调整参数,获得最优预测模型。研究结果表明,组合模型对于污染物浓度预测比传统LSTM模型的预测精度和稳定性更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
污染物浓度模型论文参考文献
[1].马松江.环保约束下基于污染物浓度数学模型的长大桥梁排水设计研究[J].公路交通科技(应用技术版).2019
[2].刘炳春,来明昭,齐鑫,王辉.基于Wavelet-LSTM模型的北京空气污染物浓度预测[J].环境科学与技术.2019
[3].陈宇浩.特定区域污染物浓度预测模型的研究与实现[D].北京邮电大学.2019
[4].武文琪.基于灰色GM(1,1)模型的成都市大气污染物浓度预测[J].能源环境保护.2019
[5].李晨.污染物浓度预测模型的建立与实证分析[D].东北财经大学.2018
[6].赵学敏.基于灰色GM(1,1)预测模型的北京市大气污染物浓度预测[J].北方工业大学学报.2018
[7].石佳超,罗坤,樊建人,张峻溪,王晴.基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型[J].环境科学学报.2018
[8].马帅帅.利用物理模型研究土壤结构和表面覆盖在挥发性污染物二维迁移中影响其浓度衰减的规律[D].浙江大学.2018
[9].刘严萍,王勇,赖迪辉.基于PM10与气态污染物的北京市PM2.5浓度模型研究[J].灾害学.2016
[10].黎虹,李光.城市重金属污染物浓度模型[J].中国金属通报.2016
标签：长大桥梁; 桥梁排水; 环保设计; Sartor-Boyed冲刷模型;