-
公开(公告)号：CN113255164B
公开(公告)日：2023-09-22
申请号：CN202110704936.2
申请日：2021-06-24
Applicant: 南京大学
IPC: G06F30/20 , G06F30/28 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种开采扰动条件下煤矿地下水流‑水质耦合模拟方法，包括以下：在模拟计算过程中，根据煤矿开采进度划分若干应力期，在单个应力期内，首先根据工作面开采范围和采空区导水裂隙发育情况更新模型初始条件、边界条件、含水层参数设置，其次计算当期地下水流场，然后根据流场计算结果进一步计算污染物运移，直到完成所有应力期计算。本发明在对采煤动态过程及扰动效应进行合理概化的基础上，开展采动影响下矿区地下水流‑水质耦合模拟，从而准确合理地评估采煤活动对地下水环境的影响。
-
公开(公告)号：CN114818548B
公开(公告)日：2022-09-06
申请号：CN202210738233.6
申请日：2022-06-28
Applicant: 南京大学
IPC: G06F30/28 , G06F30/27 , G06N3/04 , G06N3/08 , G06F111/10 , G06F113/08
Abstract: 本发明公开了一种基于卷积生成对抗网络的含水层参数场反演方法，利用卷积生成对抗网络构建和学习含水层参数场的非均质特征到低维标准正态分布向量的映射关系，实现复杂非均质特征的简单参数化表征，既充分考虑和保留了含水层参数场的复杂非均质特征，又显著减少了待估计参数的数量。本发明通过将卷积生成对抗网络与多步数据同化集合平滑算法结合，基于地下水流‑溶质运移数值模型、水头和浓度观测数据，只需估计低维正态分布变量，即可高效可靠地实现复杂非均质含水层参数场反演，进而有效提高地下水数值模型的仿真性和可靠性。
-
公开(公告)号：CN112485835B
公开(公告)日：2021-09-28
申请号：CN202011170081.1
申请日：2020-10-28
Applicant: 南京大学
Abstract: 本发明公开了一种融合多源观测数据精细刻画重非水相污染场地的方法，基于集合卡尔曼滤波的循环迭代方法，充分考虑重非水相液体(DNAPL)饱和度先验信息对于水头数据的影响，提高重非水相液体(DNAPL)污染源的推估精度，本发明通过建立一个耦合水文地球物理反演框架，将重非水相液体(DNAPL)多相流模型和电阻率层析成像(ERT)模型耦合，融合了水头，示踪剂浓度以及电阻率等多源观测数据，显著提高含水层非均质分布和重非水相液体(DNAPL)污染源区结构的精细刻画程度。
-
公开(公告)号：CN113255164A
公开(公告)日：2021-08-13
申请号：CN202110704936.2
申请日：2021-06-24
Applicant: 南京大学
IPC: G06F30/20 , G06F30/28 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种开采扰动条件下煤矿地下水流‑水质耦合模拟方法，包括以下：在模拟计算过程中，根据煤矿开采进度划分若干应力期，在单个应力期内，首先根据工作面开采范围和采空区导水裂隙发育情况更新模型初始条件、边界条件、含水层参数设置，其次计算当期地下水流场，然后根据流场计算结果进一步计算污染物运移，直到完成所有应力期计算。本发明在对采煤动态过程及扰动效应进行合理概化的基础上，开展采动影响下矿区地下水流‑水质耦合模拟，从而准确合理地评估采煤活动对地下水环境的影响。
-
公开(公告)号：CN112149353A
公开(公告)日：2020-12-29
申请号：CN202011014665.X
申请日：2020-09-24
Applicant: 南京大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06F113/08
Abstract: 本发明公开一种基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法，首先，使用CVAE神经网络对非平稳DNAPL饱和度和有效渗透系数场进行参数化；其次，训练CVAE神经网络生成具有物理意义的污染源区结构样本；最好，将CVAE与ESMDA结合，同时考虑多源观测数据，在观测数据有限的前提下，实现DNAPL污染源区的精细识别。本发明在利用同等数据量的情况下，大大提高污染物识别精度，为后期的污染物修复提供有益指导，降低修复成本；并以较低的成本实现较高的污染物识别精度。
-
Patent Agency Ranking
公开(公告)号：CN104651280B
公开(公告)日：2017-09-26
申请号：CN201510093326.8
申请日：2015-03-02
Applicant: 南京大学
IPC: C12N1/20 , C02F3/34 , B09C1/10 , C12R1/01 , C02F103/06
Abstract: 本发明公开了一种石油降解菌P‑6，该菌已于2014年10月31日保藏于中国微生物菌种保藏管理委员会普通微生物中心，保藏编号为CGMCC No.9913。该菌P‑6以沙特原油为唯一碳源和能源筛选得到，菌株P‑6呈杆状，革兰氏染色结果呈阴性。本发明的石油降解菌P‑6在最适温度20℃和最佳pH7.0的条件下在降解反应18天后对原油的去除率达到71.4％，原油降解率极高，且菌株耐受性好，在原油浓度高达15g/L时依然能够生长繁殖，具有很大的应用前景，可以应用于石油的降解、生物修复去除环境中的原油污染物、生物修复原油污染土壤和污染地下水等领域。
-
公开(公告)号：CN104651280A
公开(公告)日：2015-05-27
申请号：CN201510093326.8
申请日：2015-03-02
Applicant: 南京大学
IPC: C12N1/20 , C02F3/34 , B09C1/10 , C12R1/01 , C02F103/06
CPC classification number: C12R1/01 , B09C1/10 , C02F3/34 , C02F2101/32 , C02F2103/06 , C02F2103/365
Abstract: 本发明公开了一种石油降解菌P-6，该菌已于2014年10月31日保藏于中国微生物菌种保藏管理委员会普通微生物中心，保藏编号为CGMCC No.9913。该菌P-6以沙特原油为唯一碳源和能源筛选得到，菌株P-6呈杆状，革兰氏染色结果呈阴性。本发明的石油降解菌P-6在最适温度20℃和最佳pH7.0的条件下在降解反应18天后对原油的去除率达到71.4％，原油降解率极高，且菌株耐受性好，在原油浓度高达15g/L时依然能够生长繁殖，具有很大的应用前景，可以应用于石油的降解、生物修复去除环境中的原油污染物、生物修复原油污染土壤和污染地下水等领域。
-
公开(公告)号：CN112149353B
公开(公告)日：2024-03-22
申请号：CN202011014665.X
申请日：2020-09-24
Applicant: 南京大学
IPC: G06F30/27 , G06N3/0464 , G06F18/214 , G06F113/08
Abstract: 本发明公开一种基于卷积神经网络识别DNAPL污染物在地下含水层分布的方法，首先，使用CVAE神经网络对非平稳DNAPL饱和度和有效渗透系数场进行参数化；其次，训练CVAE神经网络生成具有物理意义的污染源区结构样本；最好，将CVAE与ESMDA结合，同时考虑多源观测数据，在观测数据有限的前提下，实现DNAPL污染源区的精细识别。本发明在利用同等数据量的情况下，大大提高污染物识别精度，为后期的污染物修复提供有益指导，降低修复成本；并以较低的成本实现较高的污染物识别精度。
-
公开(公告)号：CN117132023B
公开(公告)日：2024-02-02
申请号：CN202311372396.8
申请日：2023-10-23
Applicant: 南京大学
IPC: G06Q10/063 , G06Q50/06 , G06N3/048 , G06F17/10
Abstract: 本发明公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至 空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，利用贡献度分析方法进行陆地水储量变化归因分析。本发明刻画了陆地水储量变化和驱动因子之间复杂的非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制。
-
公开(公告)号：CN117132023A
公开(公告)日：2023-11-28
申请号：CN202311372396.8
申请日：2023-10-23
Applicant: 南京大学
IPC: G06Q10/063 , G06Q50/06 , G06N3/048 , G06F17/10
Abstract: 本发明公开了基于可解释深度学习的区域陆地水储量变化归因分析方法，首先确定研究区以及研究期范围，确定研究区内潜在的水文气象驱动因子，获取研究区内驱动因子的月时间序列数据和陆地水储量变化的月时间序列数据，并将陆地水储量变化数据和水文气象驱动因子数据按平均法统一重采样至空间网格进行重组构建数据样本，划分训练集和测试集，进而训练构建深度神经网络模型；最后，利用SHAP解释算法获得每个空间格点中各驱动因子对陆地水储量变化的贡献度，利用贡献度分析方法进行陆地水储量变化归因分析。本发明刻画了陆地水储量变化和驱动因子之间复杂的非线性映射关系，更准确解释驱动因子对区域陆地水储量变化的贡献和影响机制。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.019 seconds)
