基于BP神经网络的大气污染物浓度预测模型

针对目前大气污染物浓度预测精度不高的问题,本文提出了一种大气污染物浓度预测模型。对大气污染物浓度时间序列进行相空间重构,采用C-C法计算延迟时间和嵌入维数,在此基础上构建了网络结构为5-11-1的BP神经网络大气污染物浓度预测模型。采用某市SO2浓度监测数据进行仿真分析,并将BP神经网络的污染物浓度预测模型结果与SVM模型和ELM模型进行对比,BP神经网络对测试集的预测结果的均方根误差和平均相对误差分别为0.298和4.35%,预测精度更高,验证了本文所提污染物浓度预测模型的正确性和实用性。

石墨相氮化碳光催化剂制备及降解亚甲基蓝研究

以三聚氰胺与柠檬酸为原料合成了石墨相氮化碳g-C3N4,采用XRD和XPS表征了催化剂结构,以亚甲基蓝溶液为模拟污染物探索了其优化降解工艺。结果表明,成功合成了g-C3N4催化剂。当pH和催化剂投加量为6和1.6 g/L、亚甲基蓝溶液初始质量浓度小于20 mg/L、催化剂循环次数为3时,g-C3N4催化剂光催化性能为佳,降解率可达98%,具有优异的光催化性能。