CN112241800B - 一种焦炉VOCs污染物排放量的计算方法 - Google Patents
一种焦炉VOCs污染物排放量的计算方法 Download PDFInfo
- Publication number
- CN112241800B CN112241800B CN201910639296.4A CN201910639296A CN112241800B CN 112241800 B CN112241800 B CN 112241800B CN 201910639296 A CN201910639296 A CN 201910639296A CN 112241800 B CN112241800 B CN 112241800B
- Authority
- CN
- China
- Prior art keywords
- voc
- coke oven
- data
- neural network
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Coke Industry (AREA)
Abstract
本发明公开了一种焦炉VOCS污染物排放量的计算方法,包括以下步骤:1)获取焦炉的基本运行参数数据;2)基于焦炉的基本运行参数数据,建立VOCS网格化监测,部署焦炉的VOCS网格化监测设备,并采集VOCS浓度数据;3)建立焦炉的1:1数值模拟模型,并模拟不同情景下网格点的VOCS浓度数据;4)通过实测的VOCS数据对模型进行修正,验证后建立数据库和VOCS排放总量的神经网络模型;5)将实时监测的VOCS数据和气象数据代入预设的神经网络模型中,核算得到焦炉的VOCS排放总量。本发明计算炼焦过程的VOCS无组织排放总量,并以此建立计算焦炉企业实际VOCS排放量。
Description
技术领域
本发明涉及VOCS无组织排放总量计算,更具体地说,涉及一种焦炉VOCS污染物排放量的计算方法。
背景技术
近年来,伴随着经济的快速发展,全国整体环境质量恶化的趋势明显,特别在北方地区,大气雾霾等环境事件爆发的频率也逐步增大。VOCS是主要的大气污染物之一,也是雾霾形成的前驱体污染物。为了进一步推进全国的环境保护,2016年1月1日颁布了新的大气污染物防治法,将VOCS的排放监测纳入了监管体系。焦化和冶炼作为重点排污行业和第一批排污许可证的试点行业,未来也要全面对焦炉的VOCS排放总量进行衡算,并根据排放量进行整体的差别化征收排污税。因此,如何对焦炉的VOCS排放总量进行科学准确衡算,不仅是对国家环保部门还是对企业本身,都有非常重要的意义。
炼焦炉体排放出的大气污染物主要来源于装煤及推焦的操作过程中、炉顶与炉门的泄漏等,这些污染物包括烟尘、SO2、NOX、H2S、CO、VOCS等,其中SO2、NOX、CO及烟尘等污染物主要通过焦炉烟囱,呈有组织高架点源连续性排放,各种复杂有机污染物的排放基本呈面源无组织排放,并且主要来源于装煤及推焦的操作过程中、炉顶与炉门的泄漏等,面源无组织排放直接导致了监测的困难性。
一般而言,污染源污染物排放量核定方法主要有三种:物料衡算法、监测法和产排污系数法。由于焦炉的煤种成分和VOCS生产机理复杂,且污染物并不是直排,采用物流衡算法来计算排放量的方法不确定性高。其次,由于面源排放目前没法做到直接监测,且排放通量数据无法准确计算,直接通过监测法在实际的应用中受到一定的限制。而产排污系数法在实际应用中也遇到一些问题,如不能覆盖焦炉所有污染源类型、治污实际情况等。尤其是焦炉这样的生产现场没有标准且复杂的工业排放源,往往不能找到实际所精确对应的产排污系数,导致在核定工业企业污染物排放量的时候存在一定的偏差。
发明内容
针对现有技术中存在的上述缺陷,本发明的目的是提供一种焦炉VOCS污染物排放量的计算方法,计算炼焦过程的VOCS无组织排放总量,并以此建立计算焦炉企业实际VOCS排放量。
为实现上述目的,本发明采用如下技术方案:
一种焦炉VOCS污染物排放量的计算方法,包括以下步骤:
1)获取焦炉的基本运行参数数据;
2)基于焦炉的基本运行参数数据,建立VOCS网格化监测,部署焦炉的 VOCS网格化监测设备,并采集VOCS浓度数据;
3)建立焦炉的1:1数值模拟模型,并模拟不同情景下网格点的VOCS浓度数据;
4)通过实测的VOCS数据对模型进行修正,验证后建立数据库和VOCS排放总量的神经网络模型;
5)将实时监测的VOCS数据和气象数据代入预设的神经网络模型中,核算得到焦炉的VOCS排放总量。
所述焦炉的基本运行参数数据,包括焦炉的尺寸结构、孔数、运行周期、炉内温度压力、炉门泄漏缝隙。
所述VOCS数据,包括VOCS实时浓度数据、分钟平均浓度、小时平均浓度。
所述气象数据,包括风速风向数据。
所述步骤3)中,在建立焦炉的1:1数值模拟模型时,还需综合考虑焦炉的不同位置和过程的泄漏,包括炉门和炉盖的实时泄漏、装煤和推焦的间歇泄漏。
所述步骤4)中,建立预设神经网络模型的具体过程包括:
4.1)建立焦炉的1:1数值模拟模型,得到大量的不同情景下的焦炉周边场的VOCS浓度数据,将这些数据作为样本数据,并将这些样本数据作为训练样本;
4.2)收集VOCS监测点的浓度数据,将这些数据作为校核样本;
4.3)将校核样本的基本参数条件代入模型作为模型的验证,并将模型的结果与校核样本内的实际结果进行比较,查看误差是否在预设的误差范围内,若在范围内,则将该神经网络模型作为预设的神经网络模型,若不在范围内,调整数值模拟模型,重复布置步骤4.1);
4.4)建立神经网络模型;
4.5)将训练样本优化神经网络模型;
4.6)将校核样本代入优化后的神经网络模型,并将输出结果与校核样本内的实际结果进行比较,若误差处于预设误差范围内,则优化后的神经网络模型作为预设的神经网络模型。
所述神经网络模型优化过程是否满足条件的过程具体为:
判断得到的最优方案是否满足预设误差判断关系式,预设误差判断关系式具体为:
abs(f(xt)-f(xt+1))≤θ
上式中,abs()为绝对值计算,f(xt)和f(xt+1)分为为代入到t 和t+1次后得到的全局最优方案时的适应值,θ为预设误差阀值。
所述训练样本的个数需大于1,校核样本的个数至少为1。
所述步骤4.4)中,神经网络的输入层包括的节点数m,m的个数为VOCS网格化VOCS监测点个数加上风速和风向的两个参数,隐含层个数采用经验公式n=2m+1。
本发明所提供的一种焦炉VOCS污染物排放量的计算方法,通过前期的精准的模型计算,建立焦炉的不同情景下VOCS无组织排放的数据库,针对该数据库,通过神经网络的学习算法,形成一个算法包。该算法包只需要输入焦炉周围某些特征点位的浓度值,即可推算出焦炉的VOCS排放总量。同时,在焦炉四周优化布置无组织VOCS实时特征监测点位,这些点位的监测数据将成为算法的输入量,导入这些数值,能够了解VOCS排放的实时总量值。本发明还具备以下有益效果:
1)本发明计算方法更精准的预测了焦炉的VOCS排放总量;
2)本发明计算方法能够实时的了解VOCS排放总量;
3)本发明计算方法能够对焦炉VOCS排放异常进行预警;
4)本发明计算方法建立焦炉VOCS排放数据台账。
附图说明
图1是本发明计算方法的流程图;
图2是本发明计算方法实施例中建立焦炉的1:1数值模拟模型模拟某焦炉周边浓度场图和浓度场模拟示意图;
图3是本发明计算方法实施例中对某焦炉VOCS排放量神经网络算法模型示意图;
图4a、图4b是本发明计算方法实施例中一个点位的VOCS浓度变化趋势图;
图5a、图5b是本发明计算方法实施例中另一个点位的VOCS浓度变化趋势图;
具体实施方式
下面结合附图和实施例进一步说明本发明的技术方案。
请结合图1所示,本发明所提供的一种焦炉VOCS污染物排放量的计算方法,包括以下步骤:
1)获取焦炉的基本运行参数数据,焦炉的基本运行参数数据,包括焦炉的尺寸结构、孔数、运行周期、炉内温度压力、炉门泄漏缝隙等;
2)基于焦炉的基本运行参数数据,建立VOCS网格化监测,部署焦炉的 VOCS网格化监测设备,并采集VOCS浓度数据,VOCS数据,包括VOCS实时浓度数据、分钟平均浓度、小时平均浓度等,气象数据,包括风速风向数据;
3)建立焦炉的1:1数值模拟模型,并模拟不同情景下网格点的VOCS浓度数据,在建立焦炉的1:1数值模拟模型时,还需综合考虑焦炉的不同位置和过程的泄漏,包括炉门和炉盖的实时泄漏、装煤和推焦的间歇泄漏;
4)通过实测的VOCS数据对模型进行修正,验证后建立数据库和VOCS排放总量的神经网络模型;
5)将实时监测的VOCS数据和气象数据代入预设的神经网络模型中,核算得到焦炉的VOCS排放总量。
较佳的,所述步骤4)中,建立预设神经网络模型的具体过程包括:
4.1)建立焦炉的1:1数值模拟模型,得到大量的不同情景下的焦炉周边场的VOCS浓度数据,将这些数据作为样本数据,并将这些样本数据作为训练样本,训练样本的个数需大于1,可根据实际需要自行确定个数需要;
4.2)收集VOCS监测点的浓度数据,将这些数据作为校核样本,校核样本的个数至少为1,可根据实际需要自行确定个数需要;
4.3)将校核样本的基本参数条件代入模型作为模型的验证,并将模型的结果与校核样本内的实际结果进行比较,查看误差是否在预设的误差范围内,若在范围内,则将该神经网络模型作为预设的神经网络模型,若不在范围内,调整数值模拟模型,重复布置步骤4.1);
4.4)建立神经网络模型,所述神经网络模型优化过程是否满足条件的过程具体为:
判断得到的最优方案是否满足预设误差判断关系式,预设误差判断关系式具体为:
abs(f(xt)-f(xt+1))≤θ
上式中,abs()为绝对值计算,f(xt)和f(xt+1)分为为代入到t 和t+1次后得到的全局最优方案时的适应值,θ为预设误差阀值;
4.5)将训练样本优化神经网络模型;
4.6)将校核样本代入优化后的神经网络模型,并将输出结果与校核样本内的实际结果进行比较,若误差处于预设误差范围内,则优化后的神经网络模型作为预设的神经网络模型。
较佳的,所述步骤4.4)中,神经网络的输入层包括的节点数m,m的个数为VOCS网格化VOCS监测点个数加上风速和风向的两个参数,隐含层个数采用经验公式n=2m+1。
如图2所示,本发明计算方法对某焦炉的一个基于高斯模型的1:1数值模拟周边浓度场图和浓度场模拟示意图,湍流模型采用单方程Spalart-Allmaras;压力-速度耦合算法采用SIMPLEC;动量、组分和能量采用二阶迎风离散算法;收敛标准为连续性方程<0.001;速度、浓度< 0.001;能量<10-6。
该模型的边界条件和模型参数如下表所示:
其模型控制方程如下所示:
连续方程
动量方程
能量方程
组分方程
以某次模型的模拟结果为例。模拟的基本结果当为炉门侧向45度以3 m/s(2级风)的风速来风时,炉顶监测面上平均VOCs浓度为392ppb;当正向3m/s来风时,炉顶检测面平均VOCs浓度为510ppb;VOCs总排放量为34.56kg/h。该数据与系数法得出VOCs无组织排放总量吻合。
如图3所示,本发明计算方法对某焦炉的VOCs排放量神经网络算法模型示意图,神经网络模型包含输入层、两层的隐含层和最终的输出结果(焦炉VOCs排放总量)。
本发明计算方法采用一种基于python3.7的BP神经网络的算法代码。
将上述浓度场模型中模拟监测点的浓度、风向、VOCs排放总量等数据作为训练数据,其中模拟监测点的浓度、风向等为输入数据,VOCs排放总量为输出数据。在10000个样本数据中迭代10个世代后该神经网络对1600 个测试数据中VOCs排放总量的预测成功率达94.64%(误差小于0.5%)。
如图4a、图4b、图5a和图5b所示,本发明计算方法对某焦炉炉顶具有典型性的两个点位为期1个月的浓度趋势图,其中横坐标为时间,纵坐标为浓度(单位ppb)。某焦炉采集数据导入神经网络模型后实时在云数据平台上导出的排放总量。
可见通过上述浓度场模型和神经网络模型形成算法包,将实测的不同点位的VOCs浓度导入该算法包,即可实时输出VOCs总排放量。在云数据平台上结合该算法包,即可显示焦炉的实时VOCs总排放量。
综上所述,本发明计算方法对某焦炉建立了基于高斯模型的1:1数值模拟周边浓度场图和浓度场,并使用BP神经网络实现了高成功率的VOCs 排放总量预测水平,将此打包成算法包,然后即可通过实测VOCs浓度得到某焦炉的VOCs排放总量,该数据真实性高、可靠性高、为企业缴纳排污税提供了更真实的参考数据。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (4)
1.一种焦炉VOCS污染物排放量的计算方法,其特征在于:包括以下步骤:
1)获取焦炉的基本运行参数数据;
2)基于焦炉的基本运行参数数据,建立VOCS网格化监测,部署焦炉的VOCS网格化监测设备,并采集VOCS浓度数据;
3)建立焦炉的1:1数值模拟模型,并模拟不同情景下网格点的VOCS浓度数据;
4)通过实测的VOCS数据对模型进行修正,验证后建立数据库和VOCS排放总量的神经网络模型;
5)将实时监测的VOCS数据和气象数据代入预设的神经网络模型中,核算得到焦炉的VOCS排放总量,
所述焦炉的基本运行参数数据,包括焦炉的尺寸结构、孔数、运行周期、炉内温度压力、炉门泄漏缝隙,
所述VOCS数据,包括VOCS实时浓度数据、分钟平均浓度、小时平均浓度,
所述气象数据,包括风速风向数据,
所述步骤3)中,在建立焦炉的1:1数值模拟模型时,还需综合考虑焦炉的不同位置和过程的泄漏,包括炉门和炉盖的实时泄漏、装煤和推焦的间歇泄漏,
所述步骤4)中,建立预设神经网络模型的具体过程包括:
4.1)建立焦炉的1:1数值模拟模型,得到大量的不同情景下的焦炉周边场的VOCS浓度数据,将这些数据作为样本数据,并将这些样本数据作为训练样本;
4.2)收集VOCS监测点的浓度数据,将这些数据作为校核样本;
4.3)将校核样本的基本参数条件代入模型作为模型的验证,并将模型的结果与校核样本内的实际结果进行比较,查看误差是否在预设的误差范围内,若在范围内,则将该神经网络模型作为预设的神经网络模型,若不在范围内,调整数值模拟模型,重复布置步骤4.1);
4.4)建立神经网络模型;
4.5)将训练样本优化神经网络模型;
4.6)将校核样本代入优化后的神经网络模型,并将输出结果与校核样本内的实际结果进行比较,若误差处于预设误差范围内,则优化后的神经网络模型作为预设的神经网络模型。
2.如权利要求1所述一种焦炉VOCS污染物排放量的计算方法,其特征在于:所述神经网络模型优化过程是否满足条件的过程具体为:
判断得到的最优方案是否满足预设误差判断关系式,预设误差判断关系式具体为:
abs(f(xt)-f(xt+1))≤θ
上式中,abs()为绝对值计算,f(xt)和f(xt+1)分为为代入到t和t+1次后得到的全局最优方案时的适应值,θ为预设误差阀值。
3.如权利要求1所述一种焦炉VOCS污染物排放量的计算方法,其特征在于:所述训练样本的个数需大于1,校核样本的个数至少为1。
4.如权利要求1所述一种焦炉VOCS污染物排放量的计算方法,其特征在于:所述步骤4.4)中,神经网络的输入层包括的节点数m,m的个数为VOCS网格化VOCS监测点个数加上风速和风向的两个参数,隐含层个数采用经验公式n=2m+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639296.4A CN112241800B (zh) | 2019-07-16 | 2019-07-16 | 一种焦炉VOCs污染物排放量的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639296.4A CN112241800B (zh) | 2019-07-16 | 2019-07-16 | 一种焦炉VOCs污染物排放量的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241800A CN112241800A (zh) | 2021-01-19 |
CN112241800B true CN112241800B (zh) | 2022-10-21 |
Family
ID=74166509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639296.4A Active CN112241800B (zh) | 2019-07-16 | 2019-07-16 | 一种焦炉VOCs污染物排放量的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241800B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357894B (zh) * | 2022-03-11 | 2022-07-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物的处理方法、存储介质以及计算机终端 |
CN117558367B (zh) * | 2024-01-08 | 2024-03-26 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其*** |
CN106841087A (zh) * | 2017-04-17 | 2017-06-13 | 中国石油化工股份有限公司 | 石油化工企业无组织排放源vocs排放量测算方法 |
CN107064046A (zh) * | 2017-04-17 | 2017-08-18 | 中国石油化工股份有限公司 | 挥发性有机物排放总量的计算方法 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真*** |
CN108053330A (zh) * | 2017-12-08 | 2018-05-18 | 山东派特菲环境科技有限公司 | 一种污染物无组织排放量的计算方法及*** |
-
2019
- 2019-07-16 CN CN201910639296.4A patent/CN112241800B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其*** |
CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警*** |
CN106841087A (zh) * | 2017-04-17 | 2017-06-13 | 中国石油化工股份有限公司 | 石油化工企业无组织排放源vocs排放量测算方法 |
CN107064046A (zh) * | 2017-04-17 | 2017-08-18 | 中国石油化工股份有限公司 | 挥发性有机物排放总量的计算方法 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真*** |
CN108053330A (zh) * | 2017-12-08 | 2018-05-18 | 山东派特菲环境科技有限公司 | 一种污染物无组织排放量的计算方法及*** |
Non-Patent Citations (1)
Title |
---|
"炼焦过程VOCs排放特征及臭氧生成潜势";李国昊等;《北京工业大学学报》;20140131;第40卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241800A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106352914B (zh) | 一种区域空气质量治理的装置 | |
CN110824110B (zh) | 一种基于拉格朗日轨迹模式和化学盒子模式的区域臭氧污染溯源*** | |
CN110909483B (zh) | 一种基于网格化数据的点源大气污染物排放清单校验方法 | |
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN112241800B (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
CN107169277B (zh) | 一种pm2.5浓度的数据分析和预测模型建立方法 | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN103559543A (zh) | 一种高炉煤气发生量的预测方法及装置 | |
CN114858976A (zh) | 一种工业园区大气质量智能分析方法及*** | |
CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
CN110059723B (zh) | 一种基于集成深度卷积神经网络的鲁棒烟雾检测方法 | |
KR102100739B1 (ko) | 미세먼지 발생 예측방법 | |
CN113065765A (zh) | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 | |
CN111507603A (zh) | 一种在产企业环境风险现状评估方法和*** | |
CN108760592A (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
CN114295778B (zh) | 一种基于火电厂烟气排放质量评价方法及评价*** | |
CN117007476B (zh) | 一种基于物联网的环保智能终端数据采集*** | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN111882230A (zh) | 一种基于神经网络的二噁英排放在线监测方法 | |
CN116628630A (zh) | 一种涂装车间环境质量预测方法及预测模型建立方法 | |
CN114862055A (zh) | 一种基于多源数据驱动的钢铁企业高炉煤气预测方法 | |
CN111735911A (zh) | 一种油气装置内微量硫化氢气体监测方法 | |
CN114358499A (zh) | 一种基于重要工序分解及报验的建筑工程过程控制方法及*** | |
CN113552289B (zh) | 一种基于高斯模式的大气污染溯源方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |