基于LCA的长江上游某内河港口工程碳排放估算与分析

“十四五”期间“双碳”目标的提出,推动着我国基础设施建设向绿色低碳的方向发展,生命周期评价方法(LCA)作为一款全面的环境影响评价工具逐渐开始应用到我国建筑业。以生命周期评价理论为基础,选取长江上游某内河港口工程为研究对象,将该港口工程全生命周期划分为施工阶段、运维阶段及退役阶段进行碳排放来源分析并估算碳排放。结果表明,该港口工程全生命周期碳排放为8.67万t CO_(2)-eq(当量),施工阶段、运维阶段、退役阶段分别占比39.4%、56.7%、3.9%,单位碳排放为95%置信区间为651.92~745.21 kg CO_(2)-eq/m^(2),中位数为698.14 kg CO_(2)-eq/m^(2),清单数据不确定性较小,港口工程碳排放敏感因素为混凝土和电力。碳排放评价结果总体较好,可作为后续制定碳减排政策的相关依据。

基于机器学习的水-气界面CO_(2)、CH_(4)扩散通量预测及影响因素分析——以三峡水库为例

传统的水-气界面温室气体通量的监测方法具有诸多局限,对其影响因素的分析也大多基于数学统计层面。对此,本研究提供了一种较为新颖的研究和分析方法——基于机器学习的数据预测和分析。本研究采用2种经典机器学习算法——随机森林(RF)和支持向量机(SVM)和2种深度学习算法——卷积神经网络(CNN)和长短时记忆神经网络(LSTM),通过环境因素预测水库水-气界面CO_(2)和CH_(4)扩散通量。此外,采用RF中的特征重要性评估和经典算法决策树(DT),对环境因素和水库温室气体扩散通量的关系进行了全新角度的数据挖掘和分析。结果表明:深度学习算法的预测效果均较好,经典机器学习算法中RF预测效果显著优于SVM。LSTM和RF分别产生了最优的CO_(2)扩散通量和CH_(4)扩散通量的预测精度,均方根误差(RMSE)分别为0.424 mmol/(m^(2)·h)和0.140μmol/(m^(2)·h),预测值与实测值的R2分别为0.960和0.758。RF的特征重要性评估表明沉积物因子和营养因子均为影响CO_(2)和CH_(4)扩散通量的关键因子,气候因子和水环境因子相较次之。采用决策树描绘决定CO_(2)扩散通量源和汇的环境因子的极限阈值,决策树对所有样本的分类准确性高达100%,且其结果还表明低浓度的溶解无机碳和碱性条件有利于水体成为CO_(2)汇。因此,使用机器学习算法预测和分析水库水-气界面温室气体通量的潜力巨大。

全球水库CO_(2)通量分布格局及影响因素分析

根据全球234个水库的277组CO_(2)通量排放数据,探索全球视角下水库CO_(2)通量的分布格局与时空变化特征,分析各因素对水库CO_(2)通量的影响.结果表明:位于热带的水库CO_(2)通量显著高于其他气候带.法属圭亚那和巴西的水库CO_(2)通量显著高于其他国家.全球水库CO_(2)通量与库龄、纬度和初级净生产力(NPP0)呈极显著相关(P<0.001),且随着库龄和纬度的增加,水库CO_(2)通量最初呈指数级剧烈下降,之后下降速度趋于平缓.水温、Chl-a浓度、DOC浓度和TP浓度与全球水库CO_(2)通量的相关性均不显著.青年水库的CO_(2)通量是中年水库、老年水库的2.16、3.077倍;低纬度地区的CO_(2)通量是中、高纬度地区的2.042、3.91倍.各因素重要性顺序依次为纬度>库龄>NPP0>Chl-a浓度>DOC浓度,全球尺度下,地理位置、水库老化情况和流域NPP0等具有全球属性的指标重要性远高于单个水库的碳含量和富营养化水平.在未来的水电开发中,应尽可能地考虑如何选址才能将新水库的CO_(2)排放量降到最低,尤其是对于热带地区的水库建设.

基于CNN-LSTM模型及小样本数据的水库二氧化碳通量预测

整合了2016年—2017年云贵高原岩溶深水水库——万峰湖水库表层CO_(2)分压[p(CO_(2))]及对应的水质指标,计算了水-气界面CO_(2)通量并分析其与水质的线性相关性,最终在收集的样本数据下建立了水库CO_(2)通量预测的卷积神经网络与长短时记忆神经网络混合模型(CNN-LSTM模型)。研究表明:万峰湖水库夏季的CO_(2)通量仅与pH和氧化还原电位(ORP)有显著的相关性,而冬季的CO_(2)通量与水温(T)、pH、碱度(ALK)、总溶解固体物质浓度(TDS)和电导率(Cond)均有显著的相关性,在一个完整的水文年内,6个水质指标均为CO_(2)通量的重要影响因素。使用80%训练集数据训练CNN-LSTM模型,20%测试集数据测试模型的绝对均值误差(MAE),均方根误差(RMSE)和相关性(R^(2)),并且建立CNN神经网络模型、LSTM神经网络模型和全连接神经网络模型(DNN)与之对比。4种模型预测值与实测值的相关性(R^(2))均高于0.90,CNN-LSTM模型的MAE与RMSE分别为2.64、3.85 mmol/(m^(2)·d),均低于另外3种神经网络模型,CNN-LSTM模型能在样本数量较小的情况下取得最好的CO_(2)通量预测效果。

基于深度残差网络的刀具磨损量预测方法研究

数控机床刀具磨损将直接影响着加工产品的精度,导致产品质量下降。在自动化程度越来越高的数控加工中,监测刀具状态变得更加困难。为了保证产品质量,快速、精确的预测刀具磨损量,本文提出基于深度残差神经网络的多传感器刀具磨损量预测方法,首先,该方法提取振动、切削力和声发射传感器信号的时域特征,然后,利用深度残差网络对时域特征进行监督学习训练,最后,把训练好的模型对测试数据进行测试。本文提出的模型通过试验验证其有效性,模型评价指标绝对均值(MAE)约为1.51×10-3mm,具有较高的预测精度。

三峡库区万州段河流水-气界面CO_(2)通量支干流对比及影响机制初探

以三峡库区万州段干流及典型支流澎溪河为研究对象,监测2019年4~9月水华期间水体中CO_(2)浓度以及12个环境指标,估算水-气界面CO_(2)通量并进行支干流对比.将12个环境指标分为气候因子、水环境因子、碳源因子、营养因子和沉积物因子,探讨5类因子对CO_(2)通量的影响途径和贡献率,进一步为控制水库温室气体排放提供数据积累和理论支持.结果表明,监测期间内高阳、黄石和万州平均CO_(2)通量分别为(1.445±1.739)、(3.118±2.963)和(2.899±1.144)mmol·(m^(2)·h)^(-1),表现为:澎溪河支流高阳<干流万州<澎溪河支流黄石.从变化幅度来看,支流水体CO_(2)通量变幅较大,干流水体变化幅度则相对较小,是较稳定的CO_(2)“源”.长江干流作为陆地向海洋的生源物质运输枢纽,相比其支流碳含量和流速更高,这使得通常情况下干流CO_(2)通量大于支流.但水文情势的不同使得同一支流不同点位CO_(2)通量具有明显空间差异,支流高阳点位位于库湾处利于浮游植物生长使CO_(2)通量较低,支流黄石点位位于流速较快的河道,受干流回水顶托和倒灌作用使CO_(2)通量显著大于干流万州点位.各指标对CO_(2)通量的影响在支干流也存在较大差异,水温(T)、溶解氧(DO)、溶解有机碳(DOC)和溶解无机碳(DIC)对支流CO_(2)通量的影响显著,氨氮(NH^(+)_(4)-N)则对干流CO_(2)通量影响显著.营养元素因子和碳源因子对CO_(2)通量的贡献率分别为32.37%和27.25%,总占比过半,之后依次为气候因子、水环境因子和沉积物因子,分别为18.81%、13.49%和8.08%.水库CO_(2)的排放控制可以着重从控制水体富营养化和控制碳源入手,全球变暖和底泥淤积等宏观现象也会对水库CO_(2)排放有一定的影响.