北京市第九水厂二、三期工程介绍

第九水厂是北京市最大的地表水厂，该水厂是一座水处理技术先进、设备完善、自动控制水平较高、出水水质好的现代化大型水厂。水厂设计总规模为150万m^3／d，分三期建设，每期规模均为50万m^3／d。一期工程于1990年建成投产；二期工程于1995年建成投产；三期工程于1999年投产25万m^3／d，2000年已全部建成投产。

颗粒活性炭在饮用水深度处理中的应用

概括介绍了国内外活性炭水处理的发展和应用情况、活性炭深度处理的机理及处理效果。针对当前水源有机污染现状和发展趋势 ,论述了采用活性炭进行饮用水深度处理的必要性 ,给出了颗粒活性炭吸附池设计的参数及要求。最后介绍了北京市城子水厂炭吸附池设计及特点。

面向智能驾驶的人脸检测研究进展

智能驾驶作为汽车领域的一项前沿技术,日益受到广泛关注。人脸检测在智能驾驶中扮演着重要的角色,通过实时监测驾驶员和乘客的脸部特征能够提高车辆内部环境感知能力,增强系统对驾驶员和乘客的理解,从而提升交通安全性、舒适性和个性化服务体验。文章首先回顾了基于传统特征提取的人脸检测算法,然后介绍了基于深度学习的几种主流检测方法,包括基于级联卷积网络、单阶段检测及双阶段检测算法,分析了这几种算法的结构和优缺点并介绍了轻量级检测方法。最后,对未来的研究方向进行了展望。

基于异常数据生成和自监督学习的路面裂缝检测

为了确保道路安全,有效识别路面裂缝是至关重要的.但是,由于道路状况的复杂多变,大部分现有研究依然采用有监督学习的方法来检测和定位裂缝.这种方法通常受限于标注了裂缝的数据集的可用性,而人工标注路面图像不仅耗时而且成本高昂.针对上述问题,本研究提出了一个简单而有效的基于自监督学习的两阶段分类神经网络,仅使用正常的道路表面数据进行图像异常检测.首先通过使用CutPaste模块处理正常的道路表面数据,生成异常数据.然后,利用经过迁移学习增强的Resnet18网络提取特征,并进行归一化处理以产生分类结果.训练后的网络通过结构剪枝保持了其特征提取能力,并将参数数量减少了74.8%.同时与剪枝前的网络相比,其识别准确度仅下降了1.7%.训练后的Tiny-ResNet18模型参数仅有2.97M,在Crack Forest Dataset和Deep Crack dataset上分别达到了95.30%和98.04%的AUC,实现了高识别精度.

北京市第九水厂二、三期工程介绍

北京市第九水厂二、三期工程工艺设计中选用了快速机械搅拌混合、推流式波形板水力絮凝、侧向流波形斜板沉淀、均质煤滤料过滤、构筑物密集型集团式布置等新技术及多喷口流量控制阀、快速轴流式机械搅拌器、2 5 5 0kW电压型变频器等新设备。工程运行表明所选用的新技术、新设备高效、安全、节能 ,其中多项属国内首创。

北京第九水厂二期工程平面布置设计构思

本文介绍了在北京第九水厂二期工程设计中,由于把二期投产后,北京市的供水仍严重不足的预测结果纳入了设计构思,故在净、配水厂设计中采用了密集型集团式布置,节约用地约30亩,为该水厂再扩建20～25万m^3/d的供水规模创造了条件.