基于GPRS的中石油污染源监测系统及通用模型_杨善林

多稳态控制方法。

O PC 工具的开发实现了控制算法的在线应用,对一个连续聚合反应釜的研究表明了此方法的有效性。

图6(余洪启摘)TP393200605559基于FF 协议的智能阀门定位器通信接口的开发刊/孙娇艳,尚群立(杭州电子科技大学)化工自动化及仪表.-2005,32(4).-33~35!!根据智能阀门定位器总线化的要求,开发基于FF 协议的通信接口,阐述双处理器结构的O EM 开发思想,给出实现FF 通信的详细步骤和开发工具。

经测试,阀门定位器实现了FF 总线通信功能,证明开发方案的可行性。

图2参3(余洪启摘)TP399:TE624.41200605560复杂系统故障诊断中一种多黑板问题求解模型的实现刊/张俊星,王培昌(大连民族学院)化工自动化及仪表.-2005,32(4).-42~45!!针对化工过程故障诊断问题的复杂性,在催化裂化故障诊断专家系统开发工具的设计过程中,提出一种多黑板问题求解模型。

对系统中知识体的描述进行分析,给出基于该模型的系统结构,对系统的具体实现进行讨论,并对其调度算法进行研究。

表明该体系结构是专家系统在解决各种复杂问题时的一种良好的问题求解途径。

图5参3(余洪启摘)TP399:TE65200605561SAP 应用对传统财务的影响刊/施倩(上海赛科石化有限公司)金山油化纤.-2005,24(4).-49~54!!企业资源计划(ERP)是指整合企业内部资源的企业经营管理系统,而SAP 是在ERP 领域占据主导地位的应用软件,它的成功在于它有能力为范围不断扩大的行业和客户提供完整的集成商业管理解决方案。

以国内大型化工行业为例,中石化系统(包括下属公司)现已普遍推行SA P,取得了较大成功。

SAP 的应用对传统的财务管理提出了新的思路。

图3表1(刘龙勋摘)TP399:T Q320.52200605562CAE 技术在数码相机注塑模设计中的应用刊/许勤周,郭志忠(揭阳职业技术学院)塑料.-2005,34(4).-68~71TP399:T Q340.64200605563数控微型熔融纺丝实验机的研制刊/孙义明,彭少贤(湖北工业大学)合成纤维.-2005,34(8).-26~28!!主要介绍了一种可在实验室进行纺丝工艺研究的新型数控微型熔融纺丝实验机,它去掉了挤出螺杆和熔体计量泵,使结构得到简化,而且一次投料量仅2~20g,出丝孔数1~9个,更换物料和喷丝板只需几分钟。

第9卷第1期新能源进展Vol. 9 No. 1 2021年2月ADVANCES IN NEW AND RENEWABLE ENERGY Feb. 2021 文章编号：2095-560X（2021）01-0069-07基于LEAP模型的广州交通领域能耗及空气污染物排放分析*杨森1,2,3,4，黄莹1,2,3，焦建东1,2,3,4，廖翠萍1,2,3†（1. 中国科学院广州能源研究所，广州510640；2. 中国科学院可再生能源重点实验室，广州510640；3. 广东省新能源和可再生能源研究开发与应用重点实验室，广州510640；4. 中国科学院大学，北京100049）摘要：基于长期能源替代规划系统（LEAP）模型，结合情景分析法，模拟广州交通领域未来的能耗及CO、HC、NO x、PM2.5、SO2等主要空气污染物排放趋势，分析广州交通领域的节能及空气污染物排放控制策略。

结果表明：综合情景下，到2035年，广州交通领域将较基准情景节能23.06%，CO、HC、NO x、PM2.5、SO2分别减排30.05%、28.31%、27.86%、23.77%、16.33%；各子情景中，能源结构优化情景的节能减排贡献最大；从运输类型来看，公路货运、私人交通、公路客运、水路货运和航空客运的节能减排贡献较大；要实现城市交通能耗及污染物排放控制，需要大力发展公共交通，促进铁路和水路运输的发展，以部分分流私人交通、公路和航空运输的交通需求增长，同时提高能源清洁化率和能效水平。

关键词：LEAP模型；情景分析；节能；污染物减排中图分类号：TK01 文献标志码：A DOI：10.3969/j.issn.2095-560X.2021.01.010Analysis of Energy Consumption and Air Pollutant Emission inGuangzhou Transportation Field Based on LEAP ModelYANG Sen1,2,3,4, HUANG Ying1,2,3, JIAO Jian-dong1,2,3,4, LIAO Cui-ping1,2,3(1. Guangzhou Institute of Energy Conversion, Chinese Academy of Sciences, Guangzhou 510640, China;2. CAS Key Laboratory of Renewable Energy, Guangzhou 510640, China;3. Guangdong Provincial Key Laboratory of New and Renewable Energy Research and Development, Guangzhou 510640, China;4. University of Chinese Academy of Sciences, Beijing 100049, China)Abstract: Based on Long-range Energy Alternatives Planning System (LEAP) model and scenario analysis method, the future energy consumption and emission trends of major air pollutants such as CO, HC, NO x, PM2.5and SO2in the transportation field of Guangzhou were simulated this paper, and the energy saving and air pollutant emission control strategies in Guangzhou transportation field were analyzed. The results showed as follows: under the comprehensive scenario, by 2035, Guangzhou’s transportation sector will save 23.06% energy consumption compared with the Business as Usual (BAU) scenario, and the emissions of CO, HC, NO x, PM2.5 and SO2 decreased by 30.05%, 28.31%, 27.86%, 23.77% and 16.33% respectively; among the sub scenarios, the energy structure optimization scenario has the largest contribution to energy saving and emissions reduction; in terms of transport types, road freight, private transport, highway passenger transport, waterway freight transport and air passenger transport contribute more to energy saving and emissions reduction;in order to realize the control of urban traffic energy consumption and pollutant emissions, it is necessary to develop public transportation, promote the development of railway transportation and waterway transportation, partially divert the growth of traffic demand of private transportation, highway transportation and air transportation, and promote the cleanliness of energy structure and the energy efficiency.Key words: LEAP model; scenario analysis; energy saving; pollutant emission reduction*收稿日期：2020-07-29修订日期：2020-11-24基金项目：能源基金会赠款项目（G-1811-28739）†通信作者：廖翠萍，E-mail：**************70 新能源进展第9卷0 引言交通运输业作为我国国民经济发展的支柱之一，一直是我国能耗和空气污染物排放的主要来源。

NAPL态石油类污染物在黄土中迁移的稳态数学模型
黄廷林;李仲恺;史红星
【期刊名称】《四川环境》
【年(卷),期】2003(022)001
【摘要】根据NAPL态石油类污染物迁移的特点,建立了NAPL态石油类污染物在土壤中迁移的稳态数学模型,提出了综合污染系数的概念;根据延安黄土高原地区土壤和石油类污染物的特性测定了NAPL态石油类污染物对黄土的综合污染系数
S=6～8.最后在实验室条件下对模型进行了验证,结果表明模型计算值与实验值能够较好吻合.
【总页数】3页(P71-73)
【作者】黄廷林;李仲恺;史红星
【作者单位】西安建筑科技大学环境与市政工程学院,陕西,西安,710055;长庆石油勘探局采油二厂,甘肃,庆阳,745100;西安建筑科技大学环境与市政工程学院,陕西,西安,710055
【正文语种】中文
【中图分类】X522
【相关文献】
1.多沙河流中石油类污染物迁移的一维数学模型Ⅰ.吸附模型 [J], 黄廷林;任磊
2.多沙河流中石油类污染物迁移的一维数学模型(Ⅱ-解吸模型) [J], 黄廷林;任磊
3.强化嗜油微生物对盐碱土中石油类污染物的降解 [J], 刘晓艳;李英丽;王珍珍;王
君;张新颖;田翔;赵月
4.石油类污染物在季节性冻土中迁移转化规律研究 [J], 张雷;张帝;谯兴国;周宝山;韦远征;赵奇
5.非水相流体(NAPLs)在黄土中的持留特征研究 [J], 王锐;张富仓;王国栋;时新玲因版权原因，仅展示原文概要，查看原文内容请购买。

中国环境科学 2022,42(5)：2269~2274 China Environmental Science 基于QSAR模型预测有机污染物在XAD与空气中的分配系数朱腾义,陈颖,程浩淼,孙凤,丛海兵* (扬州大学环境科学与工程学院,江苏扬州 225127)摘要：基于定量构效关系(QSAR),运用线性(逐步多元回归MLR)和非线性(支持向量机SVM)两种计算方法开发了两种可靠且高效预测聚苯乙烯二乙烯基苯树脂(XAD)和空气之间分配系数(K XAD-A)的模型.构建模型的数据包含醇类(Alcohols),苯类(Benzenes),多氯联苯(PCBs)和多环芳香烃(PAHs)等,共计70种有机污染物.两个模型的决定系数R2adj和外部验证系数Q2ext均在0.930以上,同时所有物质均在定义的应用域内,结果表明两种QSAR模型有较高的拟合度、稳健性和较为优秀的预测能力,且非线性(SVM)模型比线性(MLR)模型的拟合效果更好.关键词：有机污染物；聚苯乙烯二乙烯基苯树脂；分配系数；定量构效关系中图分类号：X171.5 文献标识码：A 文章标号：1000-6923(2022)05-2269-06Prediction of organic pollutions partition coefficients between XAD and air based on QSAR models. ZHU Teng-yi,CHEN Ying, CHENG Hao-miao, SUN Feng, CONG Hai-bing* (College of Environmental Science and Engineering, Yangzhou University, Yangzhou 225127, China). China Environmental Science, 2022,42(5)：2269~2274Abstract：Based on quantitative structure-activity relationship (QSAR), two reliable and efficient models for predicting partition coefficients between polystyrene-divinylbenzene resin (XAD) and air (K XAD-A) were developed by using linear (stepwise multiple regression, MLR) and nonlinear (support vector machine, SVM) methods. T he data included alcohols, benzenes, polychlorinated biphenyls (PCBs), polycyclic aromatic hydrocarbons (PAHs), and a total of 70 organic pollutants. The determination coefficient (R2adj) and external validation coefficient (Q2ext) of the two models are all above 0.930, and substances are all in the defined application domain. T he QSAR models both have good robustness and excellent prediction ability. Moreover, the fitting effect of nonlinear (SVM) model is better than linear (MLR) model.Key words：organic pollutants；polystyrene-divinylbenzene resin (XAD)；partition coefficients；quantitative structure-activity relationship (QSAR)大气中有机污染物在食物链和远距离运输中存在生物蓄积问题,这会威胁人类和野生动物的健康[1-2].因此,精准测量有机污染物的浓度对于确定污染物的来源,准确地评估环境暴露程度具有相当重要的意义.被动采样技术(PST)是一种通过被动吸附采集大气中污染物的技术,由于此技术具有连续采样、成本低、不受周围环境因素(时间、突发污染事件等)影响等特点,被广泛用于测量有机污染物浓度的基础工作中.同时,被动采样技术作为一种原位累积采样方法,为之后实现对气体中痕量污染物的采集,从而更好地评估污染物的生物累积效应[3-4],提供了良好的条件.近年来,聚苯乙烯二乙烯基苯树脂(XAD)膜以其化学惰性、宽孔径分布和大比表面积的优势被广泛运用为被动空气采样装置(PAS)的吸附剂[5-6].空气介质中的有机污染物浓度可以通过XAD和空气之间的分配系数(K XAD-A)预测出来[7-8],分配系数是指污染物浓度在采样器和空气之间达到动态分配平衡的系数.在大多数野外观测研究中,由于不同的环境外部因素影响(例如:湿度、温度、风速和蒸汽压),在不同位置测得的K XAD-A值会有很大差异[9-10].在实验室测量分配系数通常耗时、费力且昂贵[11-13],同时由于新型化学物质地不断增长,这些物质中有很大一部分无法通过实验进行及时测量[14].准确测量K XAD-A的值并非易事,建立一种潜在的、可靠的、有效的预测K XAD-A值的方法具有重要意义.定量构效关系(QSAR)是指化合物分子结构与其自身的理化性质、在环境中迁移转化行为和生态毒理学效应之间的内在联系,以模型的形式表现.通过分析、测量或计算化合物的特征参数,即分子结构描述符,建立起其分子结构特征参数与其反应活性之间的相关性数学模型,是一种在最低计算成本下收稿日期：2021-10-07基金项目：国家自然科学基金资助项目(42077331);江苏省研究生科研与实践创新计划项目(SJCX21_1587)* 责任作者, 教授,**************.cn2270 中国环境科学 42卷构建化学分子结构与其物理化学性质、环境行为参数和毒理学效应之间关系的方法.目前,已有许多利用QSAR模型对空气中有机污染物的环境行为和毒理性质等进行研究的报道,例如CHAO等[15]运用QSAR模型对烷烃和芳烃在PDMS膜和空气中的分配系数进行了预测.综上,利用QSAR模型预测有机污染物的XAD与空气中分配系数的研究方法,节省了大量实验时间、人力和财力,可以为环境介质中污染物的浓度提供参考,从而更方便地获取数据.但是,现有的模型存在拟合度较低、泛化能力较差、物质结构单一、数据总量较少等问题.此外,在QSAR领域中,逐步多元回归(MLR)是一种常规的线性回归方式,但是MLR算法在某些条件下存在无法从数据中提取有用结构信息的问题,这导致其运用范围受到一定限制.另一方面,影响化合物分配过程的因素很复杂,并非所有因素都与对数K XAD-A呈线性相关,所以有必要引入非线性计算方法建模.而支持向量机(SVM)又是一种一个十分经典的非线性算法,它具有准确率高、无需依赖整个数据、泛化能力比较强,以及可以为避免过拟合提供很好的理论保证等优点.因此,本文以XAD为被动采样器的吸附剂,收集了醇类(Alcohols),苯类(Benzenes),多氯联苯(PCBs),多环芳香烃(PAHs)等12种不同类型的有机化合物,共计70个物质的K XAD-A实验值,基于QSAR,选用了MLR以及SVM这两种具有代表性的算法对实验数据进行拟合,建立了预测分配系数的模型,并达到了比较令人满意的效果.1 材料与方法1.1数据集通过查阅文献[9,16],搜集了70个不同物质的K XAD-A实验值,其中包括5种醇类,2种醛和酮,4种脂肪族和环烃,9种苯类,6种醚类,6种卤代脂肪烃,3种单核芳烃,4种氮和硫化合物,11种PCBs,1种酚类化合物,8种PAHs和11种其他类型化合物.数据集中化合物的种类数量较为广泛,所有数据均落在平均值(μ)的标准偏差(σ)的三倍之内,不包括严重误差的异常值(图1).因此,根据三个Sigma规则无需删除数据[17],log K XAD-A的数值在1.02到8.79之间,平均值为3.83.此外,为了对建立的模型进行内部验证和外部预测,将数据集按照一定比例分为训练集和测试集.采用Y排序法,将log K XAD-A值按升序排列,5个数据分为一组.每组的第五个数据放入测试集,其余数据组成训练集[18].建立模型后,用训练集(占全部数据80%,即56个)建立模型并进行内部验证,测试集(占全部数据20%的,即14个)用来评价模型的外部预测能力.-4-202 4 6 8 101248121620242832频率log K XAD-A实验值图1 实验log K XAD-A数据集值的分布Fig.1 Distribution of values in the experimental log K XAD-Adata set1.2分子描述符在计算分子结构描述符前,数据集中所有化合物都需要经过ChemBio 3D Ultra 12.0软件生成最初的分子结构;然后,利用软件中Minimize Energy模块将这些物质进行最小能量化;接着,通过MOPAC 2016中Mopac Interface PM7[19]算法将之前最小能量化之后的分子结构进行优化计算;最后用PaDEL- Descriptor[20]软件计算出各个化合物的分子结构描述符.1.3 QSAR模型的建立利用SPSS20.0软件对PaDEL-Descriptor软件中计算出来的216个分子描述符进行逐步多元回归线性(MLR)分析,在满足显著性水平P<0.001和多重共线性VIF<10的条件下,选择描述符数量最少,且R2adj和Q2ext的最佳组合来建立性能最好的MLR预测模型.同时,利用逐步多元回归得出的描述符通过支持向量机(SVM)的计算方法进行非线性回归(通过R软件)分析,用tune.svm函数在限定核函数为高斯内积函数(kernel="radial")的条件下进行gamma(γ)和cost(c)最优参数搜索,得到最优SVM模型.5期 朱腾义等：基于QSAR 模型预测有机污染物在XAD 与空气中的分配系数 22711.4 模型的表征本研究通过两种参数对最优QSAR 模型的拟合程度进行表征,分别为经自由度调整后的决定系数(R 2adj )和均方根误差(RMSE),利用去一法交叉验证系数(Q 2LOO )以及自举法交叉验证系数(Q 2BOOT )对模型的稳健性表征[21],模型的预测能力由验证集决定系数(R 2ext )和外部验证系数(Q 2ext )表征.其中,部分参数的计算公式如下:2tra21adj2tra1ˆ()/(1)1()/(1)niii nii y y n m R y y n ==−−−=−−−∑∑(1)RMSE =extext221ext 2ext 1ˆ()1()n i i i n i i yy Q y y ==−=−−∑∑(3)式中:y i 和ˆi y表示在训练集中的第i 个物质log K XAD -A 实测值和预测值;y 表示训练集中物质log K XAD -A 实测值的平均值;n tra 表示训练集中物质的个数;m 表示描述符个数;ext y 表示验证集中物质log K XAD -A 实测值的平均值;n ext 表示验证集中物质的个数.模型的应用域由Williams 图进行表征,标准残差(δ)和杠杆值(h )确定了适用化合物的范围,所运用到的计算公式如下:δ=(4)1()T T H X X X X −= (5)1()T T i i i h x X X x −= (6)*3(1)/h m n =+式中:n 代表训练集中化合物的个数;m 为描述符的个数;y i 和ˆi y分别为训练集中第i 个化合物的log K XAD -A 实测值和预测值;X 为n×m 的矩阵,表征了模型中训练集化合物的描述符空间;h i 为不同的化合物i 的杠杆值;h *为警戒值.h <h *且|δ|≤3范围内的化合物预测效果较好,若h > h *且|δ|<3,则说明该部分化合物结构类型较少,同时也说明模型具有很好的延展性,可能对该类化合物具有好的预测性,但不确定,|δ|>3的化合物均被视为离群点. 2 结果与讨论 2.1 预测模型逐步多元线性(MLR)法建立的log K XAD -A 的QSAR 模型为:MLR 模型的最优表达式为:log K XAD -A = 0.101H _Dz(p ) + 1.528WiA_D/Dt -0.098 n tra =56, R 2adj =0.931, Q 2LOO =0.926, Q 2BOOT =0.930, RMSE tra =0.598, p <0.001; n ext =14, R 2ext =0.938,Q 2ext =0.935, RMSE ext =0.618.支持向量机(SVM)法得到的非线性模型中:c = 10, γ=1, ε=0.249 (图2).相应的统计学参数:n tra =56,R 2adj =0.977, Q 2LOO =0.949, Q 2BOOT = 0.971, RMS E tra = 0.349; n ext =14, R 2ext =0.938, Q 2ext =0.968, RMS E ext = 0.435.10101010 10 10 10 10-610-510-410-310-210-1100101102G a m m aCost0.300.490.680.871.061.241.431.621.812.00图2 支持向量机模型的最优cost 和gamma 等值线Fig.2 Optimal cost and gamma contour plots for the supportvector machine model24681012024681012log K XAD-A 实验值l o g KXA D-A 预测值图3 log K XAD -A 实测值和预测值的拟合关系(MLR) Fig.3 Fitted relationship between measured and predictedvalues of log K XAD -A (MLR)模型评价参数表明,两个模型均具有良好的预测能力和稳健性.通过外部验证表明模型具有良好的预测能力.R 2和Q 2差值小于0.3,表明相关关系显2272 中 国 环 境 科 学 42卷著,没有过拟合的现象.对于MLR 模型,VIF 均小于10,说明模型的不存在多重共线性.描述符详细的含义及t 、VIF 值等见表1.MLR 和SVM 预测模型实验值和预测值拟合效果如表2和图3、图4所示.024*******24681012log K XAD-A 实验值l o g KXA D -A 预测值图4 log K XAD -A 实测值和预测值的拟合关系(SVM) Fig.4 Fitted relationship between measured and predictedvalues of log K XAD -A (SVM)2.2 应用域表征在OECD 关于QSAR 模型构建和验证的准则中[22],明确了需要对建立的模型进行应用域表征,因为对于已证实具有稳健性和有效性的模型,也不能够对所有的有机污染物做出准确的预测,所以需要给出模型所能应用的范围.应用域区间是指标准残差|δ|≤3,且杠杆值小于警戒值h *的有机物的集合域.两种建模方法表征应用域的Williams 图如图5,图6所示,两种方法中所有有机物均在集合域(|δ|≤3且h *<0.161)内,说明模型中没有离群点.因此这两种建模的方法能够预测应用域内其他类型的有机污染物的log K XAD -A 值.-5-4-3-2-10123450.000.050.100.150.200.25h (h *= 0.161)标准残差(δ)图5 QSAR 模型的Williams 图(MLR) Fig.5 Williams plot of QSAR model (MLR)-5-4-3-2-10123450.000.050.100.150.200.25h (h *= 0.161)标准残差(δ)图6 QSAR 模型的Williams 图(SVM) Fig.6 Williams plot of QSAR model (SVM)表1 QSAR 模型涉及的t 检验(t )、统计显著性(P )、方差膨胀因子(VIF)值和平均效应(MF)值Table 1 QSAR model involving t -test (t ), statistical significance (P ), variance inflation factor (VIF) values and mean effect (MF)values模型 描述符 定义t P VIF MF H_Dz(p ) Harary -like index from Barysz matrix weighted by polarizability21.674 <0.001 1.995 0.73 QSARWiA_D/Dtaverage Wiener -like index from distance/detour matrix3.479<0.0011.9950.27表2 有机污染物的log K XAD -A 值 Table 2 log K XAD -A values for organic pollutantslog K XAD -A log K XAD -A序号化合物名称实验值 MLR SVM 序号化合物名称实验值 MLR SVM1 Formamide 1.02 1.44 1.37 36Ethylbenzene 2.90 2.96 3.11 2 Methanol 1.07 1.35 1.30 37Ethyl toluene 2.96 3.37 3.123 Ethanol 1.21 1.49 1.41 38Xylene 3.00 3.00 3.094 Methyl acetate 1.32 1.64 1.57 39Cyclooctane 3.04 2.17 2.525 Carbon disulfphide 1.53 2.342.45 40Nitrobenzene 3.04 2.74 3.18 6 1-Propanol 1.59 1.66 1.59 41Quinoline3.08 3.72 3.317 Acetone 1.68 1.75 1.68 421-Chloro -heptane 3.09 2.87 3.105期 朱腾义等：基于QSAR 模型预测有机污染物在XAD 与空气中的分配系数 2273续表2log K XAD -A log K XAD -A序号 化合物名称实验值 MLR SVM 序号化合物名称实验值 MLR SVM8 Dibromomethane 1.75 1.95 1.93 43Diphenylether 3.12 4.64 3.35 9 Dichloroethylene 1.76 2.12 2.16 44Ethyl phenol 3.17 3.09 3.13 10 Dichloromethane 1.80 1.781.72 45n -dodecane 3.22 3.98 3.79 11 Ethanethiol 1.83 1.80 1.74 46Nonene3.24 3.28 3.4712 Acetonitrile 1.90 1.73 1.66 47Butyl phenol 3.31 3.89 3.23 13 1-Iodopropane 2.05 2.18 2.23 481,2-Dichlorobenzene 3.37 3.12 3.0714 1-Butanol 2.08 1.87 1.83 491,3,5-Trichlorobenzene 3.393.64 3.06 15 1,4-Dioxane 2.12 1.01 2.41 50p -cymene 3.44 3.84 3.10 16Trifluoro ethanol2.141.101.1651Methoxy phenol3.512.973.2717 1-Chlorobutane 2.23 2.13 2.17 524-Bromo -diphenylether 3.775.30 4.0118 Indene 2.27 3.25 2.49 53Naphthalene 5.54 4.03 3.98 19 Benzene 2.31 2.15 2.60 54Acenaphthene 6.40 5.02 6.16 20 1-Pentanol 2.38 2.09 2.12 55Fluorene 6.73 5.43 6.77 21Bromo pentane2.513.50 2.74 56PCB 15 7.12 6.26 6.23 22 iso -propyl ether2.512.192.2557Phenanthrene 7.126.567.3523 1-Bromobutane 2.51 2.22 2.28 58PCB 31 7.48 6.91 7.48 24 Indane 2.53 3.10 2.29 59PCB 18 7.48 6.93 7.5725 1-Heptyne 2.55 2.80 3.03 60PCB 28 7.49 6.91 7.44 26 Cyclopentanone 2.56 1.59 2.42 61PCB 52 7.84 7.58 8.07 27 1-Hexanol 2.60 2.34 2.45 62PCB 49 7.85 7.58 8.08 28 Bromobenzene 2.71 2.75 2.95 63Fluoranthene 7.98 7.76 7.74 29 Styrene 2.72 3.11 3.13 64Pyrene 7.98 8.23 8.08 30 1-Octyne 2.74 3.07 3.30 65PCB 44 8.01 7.59 8.07 31 Chlorobenzene 2.78 2.63 2.91 66PCB 101 8.31 8.26 8.20 32 Iodo benzene 2.81 2.96 3.01 67PCB 99 8.32 8.26 8.21 33 Methyl phenyl ether 2.83 2.54 2.99 68PCB 87 8.43 8.27 8.19 34 t -butyl benzene2.883.86 3.11 69Chrysene 8.69 9.48 8.46 35Fluoro toluene2.892.552.9270PCB 1378.798.997.992.3 机理分析在MLR 模型中,描述符H_Dz(p )对模型的贡献性最大,其MF 值为0.735.H_Dz(p )是极化率加权Barysz 矩阵的类Harary 指数,与极化率相关.同时,极化率值与化合物的疏水性和活性有关.与空气相比,大分子往往处于较低的极性阶段,且对于具有大极化率的化学物质,与XAD 的相互作用更强.因此,随着H_Dz(p )值的增加,化合物的log K XAD -A 值将会跟着增加.模型中被筛选出来的另一个描述符WiA_D/Dt,其MF 值为0.265,可以看出此描述符对模型的贡献性较小.它表示距离或者绕行矩阵的平均类维纳指数,属于基于二维矩阵的描述符.WiA_D/Dt 也是分子环度的一个指标,在同样大小的图中,WiA_D/Dt 随环度的增加而有规律地变化[23].因此,环度小(WiA_D/Dt 的值小)的物质更容易被膜吸附.同时,该描述符的系数为正,可以看出WiA_D/Dt 对有机污染物在XAD 与空气中的分配系数成正相关的关系. 2.4 模型比较在预测XAD 与空气中的分配系数方面,目前的研究比较少.Poole 等[24]以及Hayward 等[16]利用多参数线性自由能关系(pp -LFER)模型间接地分别构建了4种描述符(L , A , B , E )以及三种描述符(L , A , E )与K XAD -A 的等式,虽然R 2与本文相当,但是在物质数量方面,本研究较多且涵盖的物质更为广泛.在利用QSAR 预测吸附膜与空气中分配系数的研究方面,现有的模型在性能和适用性方面存在一些问题, CHAO 等[15]对26种烷烃进行PDMS 和空气间分配系数的预测,其R 2adj 为0.632,未能达到OECD 准则[22]中0.7的要求;Parnis 等[25]对PUF 和空气间的分配系数进行预测,虽然其R 2adj 达到0.807,但此预测只针对12种PAHs,模型存在物质结构单一、数据总量较少等问题.本文针对12种不同类型的有机污染物,基于定量构效关系,在常规使用的线性模型基础上,探索使用了非线性模型,其中非线性模型(R 2adj =0.977, Q 2LOO =0.949,Q 2BOOT = 0.971)在拟合度和稳健性方面都优于线性模型(R 2adj =0.931, Q 2LOO =0.926,Q 2BOOT = 0.930).2274 中国环境科学 42卷3结论3.1 采用定量结构活性关系,构建了70种有机污染物在XAD与空气中分配系数的QSAR预测模型,建立了两种稳健性良好,拟合度高且预测能力强的模型. 3.2 H_Dz(p)与WiA_D/Dt这两种描述符与log K XAD-A之间存在着很强的联系,具有大极化率、小分子环度的化学物质更容易被XAD膜吸附.3.3 两种模型的R2和Q2均超过标准值,且所有化合物都在给出的应用域范围内,即标准残差|δ|≤3,有机物的平均值小于警戒值h*=0.161,但用SVM方法所建立的模型(R2adj=0.977)比用MLR方法建立的模型(R2adj=0.931)更加优异.参考文献：[1] 刘明洋,李会茹,宋爱民,等.环境和人体中氯代/溴代多环芳烃的研究进展——污染来源、分析方法和污染特征 [J]. 中国环境科学, 2021,41(4):1842-1855.Liu M Y, Li H R, Song A M, et al. A review of chlorinated/brominated polycylic aromatic hydrocarbons in the environment and human: Surces, analysis methods and polution characteristics []. China Environmental Science, 2021,41(4):1842-1855.[2] Hung H, Macleod M, Guardans R, et al. Toward the next generation ofair quality monitoring: Persistent organic pollutants [J]. Atmospheric environment, 2013,80(dec.):591-598.[3] Weert J D, Smedes F, Beeltje H, et al. Time integrative samplingproperties of Speedisk and silicone rubber passive samplers determined by chemical analysis and in vitro bioassay testing [J].Chemosphere, 2020,259:127498.[4] Taylor V F, Buckman K L, Burgess R M. Preliminary investigation ofpolymer-based in situ passive samplers for mercury and methylmercury [J]. Chemosphere, 2019,234(Nov.):806-814.[5] Hearn J, Smelt P L, Wilkinson M C. Porosity in macroreticular resins[J]. Journal of Colloid & Interface Science, 1989,133(1):284-287. [6] Okeme J O, Saini A, Y ang C, et al. Calibration of polydimethylsiloxane andXAD-Pocket passive air samplers (PAS) for measuring gas-and particle-phase SVOCs [J]. Atmospheric Environment, 2016,143:202-208. [7] Bartkow M, Booij K, Kennedy K, et al. Passive air sampling theoryfor semivolatile organic compounds [J]. Chemosphere, 2005,60(2): 170-176.[8] Wania F, Shen L, Lei Y D, et al. Development and calibration of aresin-based passive sampling system for monitoring persistent organic pollutants in the atmosphere []. Environ.sci.technol, 2003,37(7): 1352-1359.[9] Armitage J M, Hayward S J, Wania F. Modeling the uptake of neutralorganic chemicals on XAD passive air samplers under variable temperatures, external wind speeds and ambient air concentrations (PAS-SIM) [J]. Environmental Science & Technology, 2013,47(23): 13546-13554.[10] Kamprad I, Goss K U. Systematic investigation of the sorptionproperties of polyurethane foams for organic vapors [J]. Analytical Chemistry, 2007,79(11):6891. [11] Chen D, Wang Q, Li Y, et al. A general linear free energy relationshipfor predicting partition coefficients of neutral organic compounds [J].Chemosphere, 2020,247:125869.[12] Endo S, Hale S E, Goss K U, et al. Equilibrium partition coefficientsof diverse polar and nonpolar organic compounds to polyoxymethylene (POM) passive sampling devices []. Environmental Science & Technology, 2011,45(23):10124-10132.[13] None. Response to comment on "assessment of PDMS-water partitioncoefficients: Implications for passive environmental sampling of hydrophobic Organic Compounds"[J]. Environ.sci. Technol., 2010,44(22):8789-8789.[14] Arp H, Endo S, Goss K U. Assessment of PDMS-water partitioncoefficients: implications for passive environmental sampling of hydrophobic organic compounds. [J]. Environmental Science & Technology, 2010,44(22):8787.[15] Chao K P, Wang V S, Liu C W, et al. QSAR studies on partitioncoefficients of organic compounds for polydimethylsiloxane of solid-phase microextraction devices []. International ournal of Environmental Science and Technology, 2018,15:2141-2150.[16] Hayward S J, Lei Y D, Wania F. Sorption of a diverse set of organicchemical vapors onto XAD-2resin: Measurement, prediction and implications for air sampling [J]. Atmospheric Environment, 2011, 45(2):296-302.[17] Abudour A M, Mohammad S A, Robinson R L,et al. Generalizedbinary interaction parameters for the Peng–Robinson equation of state [J]. Fluid Phase Equilibria, 2014,383:156-173.[18] Fatemi M H, Dorostkar F. QSAR prediction of D2receptorantagonistic activity of 6-methoxy benzamides [J]. European Journal of Medicinal Chemistry, 2010,45(11):4856-4862.[19] Changho J, Keum H. Prediction of radical scavenging activities ofanthocyanins applying adaptive neuro-fuzzy inference system (ANFIS) with quantum chemical descriptors []. International ournal of Molecular Sciences, 2014,15(8):14715.[20] Yap C W. PaDEL-descriptor: an open source software to calculatemolecular descriptors and fingerprints [J]. J ournal of Computational Chemistry, 2011,32(7):1466-1474.[21] Qin H, Chen J, Wang Y, Wang B, et al. Development and assessmentof quantitative structure-activity relationship models for bioconcentration factors of organic pollutants [J]. Chinese Science Bulletin, 2009, 54(4):628-634.[22] 陈宪.基于OECD准则对QSAR/QSPR模型几个重要问题的研究[D]. 长沙:中南大学, 2013.Chen X. Studies on a few key problems of QSAR/QSPR modeling based on the OECD principles [D]. Changsha: Central South University, 2013. [23] Yu X, Wang Y, Yang H, et al. Prediction of the binding affinity ofaptamers against the influenza virus [J]. SAR and QSAR in Environmental Research, 2019,30(1):51.[24] Poole S K, Poole C F. Sorption properties of styrene–divinylbenzenemacroreticular porous polymers []. Analytical Communications, 1996,33(10):353-356.[25] Parnis J M, Eng A, D Mackay, et al. Characterizing PUF disk passiveair samplers for alkyl-substituted PAHs: Measured and modelled PUF-AIR partition coefficients with COSMO-RS [J]. Chemosphere, 2016,145(FEB.):360-364.作者简介：朱腾义(1984-),男,山东东营人,副教授,博士,主要从事环境污染化学方面研究.发表论文20余篇.。

大庆石油地质与开发Petroleum Geology ＆ Oilfield Development in Daqing2024 年 2 月第 43 卷 第 1 期Feb. ，2024Vol. 43 No. 1DOI ：10.19597/J.ISSN.1000-3754.202307013CCUS 腐蚀控制技术对策曹功泽 刘宁 刘凯丽 淳于朝君 张冰岩 杨景辉 张素梅 穆蒙（中国石化胜利油田分公司石油工程技术研究院，山东 东营 257000）摘要： 碳捕集、利用与封存技术（CCUS ）对于减缓全球气候变化、推进低碳发展具有重要意义。

在石油开采过程中，利用CCUS 技术将储存的CO 2注入油气井提高了油田原油采收率，但是CO 2溶于水后形成的碳酸会加剧金属管道的腐蚀，对设备的安全运行造成重大威胁。

首先介绍了CO 2腐蚀机理，详细描述了造成油气生产系统中CO 2腐蚀的主要影响因素；然后对合金防护、涂覆防护层防护、缓蚀剂防护等常见的腐蚀控制方法及其研究进展进行了分析讨论；最后结合CCUS 腐蚀控制研究现状，总结了在不同介质环境下CO 2腐蚀控制具体的措施和建议。

研究成果为CO 2腐蚀控制技术的研究与发展提供了参考和依据。

关键词：CCUS ；CO 2腐蚀；腐蚀防护；缓蚀剂中图分类号：TE357.45 文献标识码：A 文章编号：1000-3754（2024）01-0112-07Technical solutions for CCUS corrosion controlCAO Gongze ，LIU Ning ，LIU Kaili ，CHUNYU Zhaojun ，ZHANG Bingyan ，YANG Jinghui ，ZHANG Sumei ，MU Meng（Petroleum Engineering Technology Research Institute of Sinopec Shengli OilfieldCompany ，Dongying 257000，China ）Abstract ：Carbon capture ， utilization and storage （CCUS ） technology is of great significance for mitigating globalclimate change and promoting low -carbon development. In the process of oil production ， using CCUS technology to inject stored CO 2 into oil and gas production wells increases oil recovery. However ， carbonic acid formed after CO 2is dissolved in water may aggravate the corrosion of metal pipes and cause serious threat to safe operation of equip⁃ment. Firstly ， the mechanism of CO 2 corrosion is introduced ， and the main influencing factors causing CO 2 corro⁃sion in oil and gas production system are described in detail. Then ， common corrosion control methods of alloy pro⁃tection ， coating protection and inhibitor protection and their research progress are analyzed and discussed. Finally ， combined with the research status of CCUS corrosion control ， specific solutions for CO 2 corrosion control in differ⁃ent media environments are summarized. The research provides reference and basis for research and development ofCO 2 corrosion control technology.Key words ：CCUS ； CO 2 corrosion ； corrosion protection ； corrosion inhibitor引用：曹功泽，刘宁，刘凯丽，等. CCUS 腐蚀控制技术对策［J ］.大庆石油地质与开发，2024，43（1）：112-118.CAO Gongze ，LIU Ning ，LIU Kaili ，et al. Technical solutions for CCUS corrosion control ［J ］.Petroleum Geology ＆ Oil⁃field Development in Daqing ，2024，43（1）：112-118.收稿日期：2023-07-07 改回日期：2023-10-13第一作者：曹功泽，男，1978年生，硕士，正高级工程师，从事油田腐蚀与防护研究。

试验研究DOI：10.11973/wsjc202103011基于云平台的管道腐蚀远程在线监测系统吴文强I,伍剑波】，张目超】，许钊源】，何莎2,王仕强寫骆吉庆2（1.四川大学机械工程学院，成都610065；2.中国石油集团川庆钻探工程有限公司安全环保质量监督检测研究院，广汉618300）摘要：为实现油气井口装置管道腐蚀情况的远程在线监测，针对压电超声耦合、传感器安装、信号传输存储分析等关键问题，提出了基于云平台的管道腐蚀远程在线监测方法。

研发了可进行液-固转变的干耦合剂，保证了良好的耦合效果。

针对管道结构与长程监测需求，研究了压电传感网络布点、定位与固定方法。

针对复数信号传输、存储、分析等问题，提出了基于云平台的B/S （浏览器/服务器）架构。

最后结合现场实际工况，开发出了多通道管道腐蚀在线远程监测系统。

现场近13的户外测试表明，该系统稳定可靠，各项指标均满足管道腐蚀监测需求，为油气井口装置的安全生产奠定了智能运维基础。

关键词：管道腐蚀；在线监测；云平台；干耦合中图分类号：TG115.28文献标志码：A 文章编号:1000-6656（2021）03-0049-04Cloud platform-based online remote monitoring system of pipeline corrosionWU Wenqiang1・WU Jianbo1,ZHANG Muchao1,XU Zhaoyuan1,HE Sha2,WANG Shiqian才,LUO Jiqing2(1.School of Mechanical Engineering,Sichuan University,Chengdu610065,China；2.Safety Environment Quality Surveillanceand Inspection Research Institute of CNPC Chuanqing Drilling&Exploration Corporation,Guanghan618300,China)Abstract：In order to realize the on-line monitoring of pipeline corrosion of oil and gas wellhead equipment, aiming at the key problems such as piezoelectric ultrasonic coupling,sensor installation,signal transmission and storage analysis,a cloud platform-based online monitoring system of pipeline corrosion is proposed.A new kind of couplant is developed for liquid-solid transformation,ensuring the good coupling effect.Then,the method of optimal node,positioning and fixation of sensor is studied.Besides,a B/S(Browser/Server)architecture based on cloud platform is proposed to storage and analyze the corrosion data.Finally,a multi-channel monitoring system of pipeline corrosion is developed.After nearly one yeafs outdoor test,the results prove that the system is stable and reliable,and all indicators meet the requirements of pipeline corrosion monitoring,laying a foundation for intelligent operation and maintenance of oil and gas wellhead equipmentKey words：pipeline corrosion；online monitoring；cloud platform；dry coupling油气井口装置包含大量连接站内设备设施的管道,其压力变化大、规格样式多、结构复杂,并担负着高温、高压、易燃、易爆和有毒介质的输送任务，在油收稿日期：2020-10-20基金项目：四川省科技计划项目资助（2021YFGD039, 2O18JYO393,2O2OYFGOO99）作者简介：吴文强（1996—）,男，硕士研究生，主要研究方向为无损检测仪器与系统通信作者：伍剑波，wujianbo@ 气场站中扮演着重要角色随着服役时间的增长,其管壁因受流体冲刷、电化学腐蚀、化学腐蚀等作用,会逐步产生管壁减薄、腐蚀、裂纹等缺陷卩切，一旦发生泄漏失效，轻则影响生产进度并带来经济损失，重则将造成重大安全生产事故。

石油污染土壤修复技术及案例研究5石油污染土壤修复技术及案例研究1背景石油类污染场地常见于石油开采、炼化、贮存、运输、使用过程中的原油及各类油品的泄露，典型的石油类污染场地包括：（1）油田：钻井/采油/洗井废水的超标排放与干化池、泥浆池、废液池、贮油池的渗漏、输油管线破裂、采油废弃物的堆放等。

（2）石油炼化企业：储油罐区与装卸区、原油粗/精加工区、污水处理区、管道的跑冒滴漏、生产事故造成的油品泄露等。

（3）加油站：地下储油罐及管线泄露，尤其是目前普遍使用的单层油罐泄露风险巨大。

1、污染种类及特征石油类污染土壤中污染物组分复杂，主要包括C15～C36的烷烃、烯烃、苯系物、多环芳烃、脂类等，其中美国规定的优先控制污染物多达30余种。

污染物类型可分为两大类：挥发性有机物和半挥发性有机物，挥发性有机物主要由烯烃、烷烃和苯系物组成，半挥发性有机物则主要为多环芳烃。

2、污染治理现状受工程、技术、设备、成本的综合影响，油田及石化企业污染土壤的治理一直是摆在企业面前的处置难题，油田及石化企业也没有足够的动力投入资研发相关的处理技术，当前的主要处置模式颇为粗放，石化企业则出于行业本身的危险性出发，在化工工艺安全上的关注要远高于环境污染。

加油站是石化行业的下游环节，本身亦涉及危险化学品的储存、运输与使用。

地下储油罐及管线的破损泄露所引起的土壤、地下水事故近年来在国内也是屡有发生。

2 \o “石油污染土壤新闻专题” 石油污染土壤修复技术1、 \o “异位修复技术新闻专题” 异位修复技术（1）异位热脱附（E_-Situ Thermal Desorption）异位热脱附是指污染土壤开挖后通过直接或间接加热，将污染土壤加热至目标污染物的沸点以上，通过控制系统温度和物料停留时间有选择地促使污染物气化挥发，使目标污染物与土壤颗粒分离去除。

热脱附技术中加热的方式有多种，如高频电流、微波、过热空气、燃烧气等。

加热温度控制在20__~800 ℃，热脱附过程中发生蒸发、蒸馏、沸腾、氧化和热解等作用，通过调节温度可以选择性的移除不同的污染物。