生活垃圾填埋场渗滤液产量预测研究

《生活垃圾填埋场渗滤液产量预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南交通大学硕士研究生学位论文第1页_n-2,曼曼皇鼍曼曼曼量曼曼曼曼曼!兰曼摘要随着我国经济水平的高速发展和城市化进程的加快，城市生活垃圾产量日益增加。目前，我国处理城市生活垃圾的主要方法就是卫生填埋。垃圾在进行填埋之后，会产生对环境造成二次污染的垃圾渗滤液。垃圾渗滤液产量的估算是垃圾填埋场设计的一个重要指标，也是对垃圾渗滤液进行有效地控制和处理的一个重要途径。因此，研究生活垃圾填埋场渗滤液产量的预测具有非常重要的现实意义。本文采用了理论分析和数学处理相结合的方法，以成都市长安垃圾填埋场作为研究对象，分析填埋场垃圾渗滤液的主要来源，影响其产量

2、的主要因素，利用随机性数学理论建立了所需参数较少且较易确定的垃圾渗滤液产量预测数学模型，包括一元线性回归模型、灰色系统预测模型、BP神经网络预测模型，以及结合这三个单项预测模型的预测结果所建立的线性组合预测模型。研究结果表明，利用随机性数学理论建立的预测模型在城市生活垃圾填埋场渗滤液的产量预测方面是可行的。另外，通过比较不同预测模型的预测结果，不难看出，由于线性组合预测模型把不同模型的计算结果综合起来，相互取长补短，因此线性组合预测模型的预测结果相比其他单项预测模型提高了预测精度，增加了预测结果可靠性的效果。关键词：预测；线性回归；灰色系统；B

3、P神经网络；线性组合西南交通大学硕士研究生学位论文第1I页AbstractWiththerapiddevelopmentofChina’Seconomiclevelandtheaccelerationofurbanization,urbansolidwasteproductionisincreasing．Atpresent，sanitarylandfillisthemainmethodtotreatthemunicipalsolidwasteinourcountry．Afterconductingwastelandfill，leachatema

4、yproducesecondarypollutionontheenvironment．The-estimationofleachateproductionisanimportantindicatorofdesigninglandfill，andisalsoaneffectivewaytocontrolanddisposetheleachate．Therefore，ithasveryimportantpractialsignificancetostudytheforecastofthemunicipalsolidwastelandfillleac

5、hateproduction．Inthispaper,throughcombiningthetheoreticalanalysisandthemathematicalmethodandstudyingtheChengduChanganlandfill，weanalyzethemainSOUrCeoflandfillleachateandthemainreasonoftheleachateproduction．Byusingtherandommathematicaltheory,webulidlandfillleachateproductionp

6、redictionmodels，whichneedlittleparametersandareeasytodefinetheparameters．Theycontainlinearregressionmodel，簪aypredictionmodel，BPneuralnetworkpredictionmodel，andlinearcombinationforecastmodel．TheresultsshowthattheMSWlandfillleachateproductionpredictionmodelundertherandommathem

7、aticalisfeasible．Inaddition,bycomparingtheresultsofallthemodel，itiseasytokonwthatbecausethelinearcombinationpredictionmodelcombinesthepredictionresults，theresultsofthelinearcombinationpredictionmodelhasthemostforecastaccurate．Itincreasethereliabilityoftheforecastresults．KeyW

8、ords：Forecast；Linearregression；Greysystemtheory；BPneuralnetwork；Linearcombi