汞离子天然吸附剂

汞离子是现代工业中剧毒的污染物之一,研究者致力于汞离子高效吸附剂的研制已有多年.本文基于国内外最新研究文献,系统论述了汞离子天然吸附剂如壳聚糖、矿物、微生物及其改性材料等的吸附性能,并详细比较了各种吸附剂的优缺点,指出天然吸附剂来源广泛、价格便宜,尤其是修饰后的壳聚糖吸附性能甚至可以和一些合成吸附剂相媲美.在所报道的天然吸附剂中,引入巯基后的戊二醛交联壳聚糖,对初始浓度为500 mg/L的汞离子的吸附容量可达1 604.7mg/g,属已知的汞离子天然吸附剂中之最.天然汞离子吸附剂在工业废水处理中显示出了广阔的应用前景.     

基于相干瑞利散射的管道安全光纤预警系统

将相位敏感光时域反射计应用于油气管道安全监测领域.首先通过理论分析其探测原理,推导出干涉光强与光纤折射率的对应关系,从而论证了该方法的可行性;然后提出了一套新的信号处理方案,从空域及时域两方面对信号进行了处理.空域上,在传统移动平均算法的基础上引入间隔参数并提出一种新的差值算法,提高了信号的信噪比并降低了系统运算量;时域上,提取了入侵位置对应的时域信号并通过采用时频分析以及小波滤波的方法直观表现了外界入侵事件的时域特征.现场实验结果表明,该系统能有效探测到外界入侵事件并进行精确定位,差值信号信噪比达到7.8,d B,定位结果标准差在10,m以内.     

基于琼斯矩阵建模的管道泄漏检测及预警系统的定位误差分析

为了解决分布式光纤油气管道泄漏检测及预警系统中常出现粗大定位误差的问题,需要提高定位精度,在分析系统的检测定位原理的基础上,基于单模光纤的双折射特性等效琼斯矩阵,建立了油气管道光纤预警系统的光学偏振模型,并对模型进行了仿真.指出信号关联的二义性即两传感器获得同一振动源的波形不相关的现象,是造成粗大定位误差的原因.根据该理论模型,提出了利用外加偏振控制器改变激光偏振方向的解决方法,定位实验证明该方法较好地解决了上述问题,提高了现场实验的定位精度.该模型的建立,为预警系统光路的改进和调节提供了理论指导.     

基于支持向量机的油气管道安全监测信号识别方法

针对基于经验风险最小化原则的传统学习方法的不足,提出了一种基于支持向量机的油气管道安全识别方法通过基于Mach．Zehnder光纤干涉仪原理的分布式光纤振动信号传感器获取管道沿线振动信号,利用基于小波包分解的“能量-模式”方法提取振动信号的特征向量,并利用支持向量机根据振动信号的特征对其进行识别,判断管道沿线是否有异常事件发生．利用现场实验数据对该方法进行验证分析．结果表明,该方法识别正确率较高,实时性好．     

面向层绞光缆形变检测的空间曲线重建研究

层绞式光缆广泛应用于电信、传感、工业监测等领域。研究层绞光缆的三维形状重建算法,对于光缆维护、断点查找、建筑物沉降监测、形变感知等具有重要意义。提出了一种层绞光缆三维形状重建算法,利用分布式光纤应变传感技术,测量光缆内对称纤芯的空间应变分布,根据纤芯的应变分布、几何排布,计算光缆等间隔离散截面的宏观形变（弯曲、扭转）。进一步地,根据宏观形变,利用Frenet框架进行光缆空间坐标的解算,最终获得三维形状信息。为验证所提算法的有效性,使用软件SOLIDWORKS对整个形状重建过程进行了仿真分析。仿真结果表明,在应变测量间隔10 mm的测量条件下,该算法可以重建300 mm光缆的三维形状,光缆末端绝对误差不超过2.61 mm。     

声波激励下管路轴向分布双气泡动力学特性分析

针对基于声学理论的管道气泡检测技术面临的声波作用下的气泡相互作用机理问题,本文基于自由气泡Rayleigh-Plesset模型,通过引入次Bjerknes辐射力,构建能够考虑管道轴向气泡分布的可压缩性双气泡动力学模型.利用四阶龙格库塔方法开展数值计算,对比分析了不同激励声波频率与幅度作用下自由气泡与双气泡模型引起的气泡动力学特征的区别.同时对比了液体可压缩与不可压缩假设引起的气泡动力幅频响应的区别,表明可压缩假设下的次Bjerknes辐射力引起气泡发生受迫振动,不改变气泡的线性共振特征;而不可压缩假设引起气泡间发生强耦合,从而改变气泡系统的线性共振特征.气泡距离直接影响次Bjerknes辐射力大小,导致气泡动力学趋向于非线性振动,与线性振动的频谱特征差别明显.气泡轴向位置的变化引起外界激励声波的变化,从而改变气泡的初始振动特征.初始特征的差异与次Bjerknes辐射力发生耦合作用,影响气泡动力学特征,甚至发生非线性振动.研究表明,小气泡在共振的情况下,与次Bjerknes辐射力发生耦合作用,使得双气泡系统更容易趋向于非线性特征;而大气泡则能够较好地保持线性共振状态.     

基于LSTM-CNN的φ-OTDR模式识别

提出了以长短期记忆网络（LSTM）与卷积神经网络（CNN）为主要框架的深度学习网络,基于该网络实现模式识别。LSTM-CNN以时域曲线及其短时傅里叶变换（STFT）结果作为网络输入,LSTM提取输入信号的时序特征,CNN提取时域曲线的轮廓特征及能量特征。实验中以相敏光时域反射仪（φ-OTDR）为传感系统完成数据采集。将LSTMCNN与传统的人工神经网络（ANN）及CNN对比,LSTM-CNN在各项评价指标中均处于最优状态,实现了φ-OTDR模式识别的既定目标,为实际的工程产品开发提供了概念证明与演示示例。