简介:一些基于重金属形态的生物毒性机理模型被广泛应用于水体和陆生生态系统,例如:自由离子活度模型(FIAM)、生物配体模型(BLM)和生物膜电势斯特恩双电层模型(GCSM),但不同模型的应用效果之间还缺乏系统比较。本研究选取小麦作为受试生物,采用水培实验进行了镉对小麦根伸长的毒性测试,通过数据分析软件对实验数据进行非线性拟合,分别建立了3种模型,并从根毒性、根表面吸附镉和根中富集镉3个方面对3个模型的预测能力进行了比较。除此之外,选取苹果酸和柠檬酸2种有机配体,研究了配体对镉生物毒性的影响。结果表明,Ca(2+)和H+对Cd的根毒性存在竞争效应,而Mg(2+)、K+和Na+未发现竞争效应。由于BLM模型同时考虑了镉的自由离子态浓度和竞争离子的影响,在预测镉对杨麦13号根毒性和生物体内富集量时效果最好。而FIAM和GCSM模型由于计算中仅考虑了离子活度的影响,缺乏对竞争离子保护效应的考虑,因此预测效果相对较差;此外,Cd对小麦根毒性的主要受扩散过程控制,而非跨膜过程,这可能也是FIAM模型和GCSM模型预测不佳的原因之一。同时结果还发现有机配体存在时尽管降低了溶液中镉的离子活度,但未显著影响镉毒性,进一步证明了扩散过程对Cd毒性的影响。以上结果为评价和预测镉的陆生生态毒性提供了基础数据和模型依据。
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:摘要:本文针对发电机维护决策问题,提出了一种基于寿命预测的维护决策模型。首先,分析了发电机的运行特性和故障规律,确定了影响发电机寿命的关键因素;然后,结合机器学习算法和寿命预测理论,建立了发电机的寿命预测模型,并进行了验证;最后,基于寿命预测结果,制定了不同的维护策略,并通过仿真实验比较了不同策略下的维护效果。研究结果表明,本文提出的基于寿命预测的维护决策模型能够有效地预测发电机的剩余寿命,并为发电机的维护决策提供科学依据。
简介:采煤工作面的液压支架是承受顶板压力的主体结构,选择支架的主要根据是其将要承受的周期来压荷载。为预测周期来压,构建了基于小波和混沌优化的最小二乘支持向量机(LSSVM)方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量,基于混沌理论对分量相空间进行重构。各重构分量分别使用LSSVM模型进行训练,其中LSSVM预测模型的参数由混沌粒子群算法进行优化。最后,将各LSSVM模型得到的预测分量进行小波重组得到完整的周期来压荷载预测波形。通过在重构时的计算发现,在某周期下,荷载的时序序列有一定的混沌性。与其他3种模型进行比较,基于小波和混沌优化LSSVM的预测模型得到的最终荷载波的精度更高,收敛性也较好。
简介:矿井瓦斯突出的发生是一个非线性系统在时空演化过程中的灾变行为,影响突出的各个基本因素与突出危险性之间存在复杂的非线性映射关系。对于处理这样的非线性时空演变问题,传统的数学方法是有局限性的。为了更好地预测矿井瓦斯涌出量,将灰色理论引入到预测精度高的遗传神经网络,使灰色理论和遗传神经网络有机结合起来,以神经网络理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,并用其建立瓦斯涌出量的预测新模型。在实验室测试数据的基础上,建立遗传神经网络训练和检验样本集,并且将检验结果分别与标准BP神经网络的预测结果进行比较。
简介:双酚A(BPA)已被证实是一种类雌激素类物质.本研究根据BPA对水生生物毒性效应的特点,按照不同的毒性终点将BPA的毒性数据进行归类,采用物种敏感度分布法(speciessensitivitydistribution,SSD)推导了BPA对水生生物的预测无效应浓度(predictednoeffectconcentration,PNEC).结果表明:以雌激素效应为暴露终点的急、慢性PNEC分别为25.11μg·L^-1、1.075μg·L^-1;而以所有数据的急、慢性毒性效应为暴露终点推导的PNEC值分别为355.7μg·L^-1、7.549μg·L^-1.BPA对水生生物的雌激素效应更为敏感,建议在推导BPA这类内分泌干扰物的PNEC值时,应依据其毒性终点分别推导,从而得到更加合理的基准值.研究成果以期为我国地表水环境质量标准的制修订提供数据支持.
简介:为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。