城市利用地下咸水节省淡水资源

开发地下咸水,用于城市居民生活,可节省58%淡水资源.还可腾出地下库容,增大降雨入渗,淡化地下咸水,改善生态环境.     

咸阳市城区地下水超采问题及对策

咸阳市是陕西的第三大城市,城市用水严重依赖地下水,地下水起采问题相当严重,已形成了三个区域性地下水降落漏斗.本文通过地下水水位现潮资料,对成阳地下水起采区现状和成因进行了初步分析,并提出解决和缓解这一局面的对策.     

山西地下水开发引起生态环境恶化状况分析

地下水在山西国民经济发展中的地位极为重要,多年不合理的开采已形成了严重超采局面,并引起了一系列生态环境恶化问题.本文通过对山西地下水开发引起的生态环境恶化状况分析,阐述了合理开发利用地下水资源的必要性.     

论珠江三角洲河网的人为影响

文章论述了珠江三角洲河网的发育、演变过程和整治方案。由于人类活动影响,珠江三角洲河网区西、北两江下游放射状河系支汊淤断及消亡,使西、北两江正干均成为单一水道;在两江汇流区内又受绥江三角洲南展而分离开来,只留一条狭窄的小河涌(思贤)连接;由于北江正干的淤积、西江正干刷深,使古代(唐代以前)西江合北江同流向东流入番禺(广州)的形势大变,形成江水反向西流入西江,西江水不能过入广州。由此,西、北两江合成的珠江三角洲主体网河区成为浅水狭窄的小河区,以往主要干流多不复存在,生态环境日益变劣。因此,需要修复河网。关键是把西江大量优质水源(沙少、污染少)引回,过入珠江三角洲网河区,北江水源也需截流使其不再西流入西江;开通北江大堤沿途防西水的闸门(如芦苞、西南、沙口等闸),以便通水通航;在思贤建立新型分水闸,可将西、北两江正干水源恢复到良好生态环境     

神经网络在判别煤矿突水水源中的应用

矿井突水水源的识别是矿井防治水工作的基础，快速准确地判别突水的来源对整个矿井的安全生产起着十分重要的作用。以峰峰矿区梧桐庄矿为例，应用神经网络的方法，对矿井突水水源进行了系统研究。结果表明，运用该方法取得了较好的效果，并可以用此模型来解决类似的评价和判别问题。     

太行山前倾斜平原区地下水位动态特征分析及其趋势预测--以河北省栾城县为例

随着太行山前社会经济的飞速发展,地下水的开采量大大增加,多年的连续超采,导致地下水位大幅度持续下降.本文以河北省栾城县为例,在研究区内水文地质条件以及对区内的地下水进行全面监测的基础上,对区内多年的地下水动态特征进行了综合分析研究,并在此基础上采用灰色系统理论对区内的浅层地下水位总体变化趋势进行了预测.研究表明,区内地下水开发利用程度较高,农业的季节性开采是影响地下水动态的主要因素,地下水位表现为典型的开采型动态,在现有地下水开采条件下,地下水位将以1m/a的速度下降.     

地下水浅埋区土壤水的矿化度变化规律及其影响因素浅析

土壤水的研究对农田水利、水文地质、生态与环境等都具有很重要的意义 ,本文概略介绍了在黄河三角洲地区开展包气带水分运移试验研究过程中 ,野外获取土壤水的方法及设备。在对水样分析结果进行总结的基础上 ,对试验点土壤水的矿化度变化规律及其影响因素进行了初步的分析。主要结论为 ,在地下水浅埋区 ,地下水与土壤水矿化度变化关系密切 ;蒸发作用与蒸腾作用对土壤水矿化度的影响效果是不同的 ,蒸发作用使上层土壤水的矿化度加大 ,而植被在其生长期降低土壤水的矿化度 ;地下水、植被和土壤性质是影响土壤水矿化度的重要因素     

滑坡监测的指标体系与技术方法

滑坡监测目的:了解和掌握滑坡体的演变过程,及时捕捉崩滑灾害的特征信息,为崩塌滑坡的正确分析、评价、预测、预报及治理工程等提供可靠资料和科学依据。滑坡监测指标包括地质宏观形迹监测、地面位移监测、深部位移监测、诱发因素监测、水压力监测和滑坡地球物理、地球化学场监测等。滑坡监测技术方法通常有地面宏观形迹的简易观测、地面仪器监测、空间遥测和遥感监测、综合的实时监测预报系统等。论文还介绍了宝塔滑坡监测系统实例。      

苏锡常地区浅层地下水开采技术研究及环境效应分析

通过在苏锡常地区选择典型地段进行浅层地下水开采试验工作,从浅层地下水水文地质条件(含水层展布、岩性、厚度、水质)综合分析其开发利用前景,提出了合理的浅层地下水开采方式及地下水的利用方向,对于保护深层水资源,防止地面沉降及土壤盐渍化有十分重要的意义。     

基于异步迭代算法的冲击地压预测

采用三层BP神经网络方法对冲击地压建立了数学模型。网络的训练算法采用具有松弛因子的动态异步迭代法,该算法在克服网络的麻痹现象及局部极小问题上都优于目前常用的训练方法,因而,采用此算法对网络进行了训练及震级的预报。基于新汶矿务局华丰煤矿1999～2000年的冲击地压现场监测数据,把冲击地压的能量、产生波的幅值、频次做为输入数据,相应期间的最大震级为输出数据,组成神经网络的训练样本及测试样本,对原始数据进行了数学预处理,网络结构采用了输入层3个结点,中间层7个结点,输出层1个结点的前向神经网络;网络最终的训练误差为0.06,预测结果的相对误差率平均为 9.2 %,预测效果比较理想。