教学课程资源库 更多>>

关键词： 城市道路   交通工程规划   绿色交通发展  

摘要： 在城市道路与交通工程规划的过程中,绿色交通发展研究显得尤为重要。随着城市化进程的加快,交通拥堵、环境污染等问题日益凸显,因此,如何在城市交通规划中融入绿色发展理念,实现交通系统的可持续发展,成为规划者和研究者关注的焦点。绿色交通不仅包括传统的公共交通系统,还涵盖非机动交通方式,如步行和自行车,以及新能源汽车等现代交通方式。研究绿色交通的发展,需要综合考虑城市空间布局、交通需求管理、交通基础设施建设、交通政策制定等多方面因素,以期达到减少交通对环境的影响、提高交通效率、保障交通安全和促进社会公平等多重目标。

关键词： 档案专题数据库   高质量发展   长三角地区  

摘要： 特色专题档案数据库建设对保护区域特色文化，加快实施新时代新成就国家记忆工程具有重要意义。依托档案网站和相关文献，研究长三角三省一市县级（含）以上档案馆特色专题档案数据库建设情况，勾勒长三角地区特色专题档案数据库建设的现实图景。调研发现，我国长三角地区特色专题档案数据库建设呈现数量差异明显、主题丰富多样、服务渠道不断拓展三大特征；同时存在区域分布不均、档案资源建设的全面性与特色性不足、开放利用格局不大、用户档案利用服务体验不佳等问题；提出锚定地域特色、协同多元主体、秉持开放理念、聚焦用户体验的高质量发展对策建议。

关键词： 超低能耗建筑   敏感性系数   无热桥   气密性  

摘要： 基于某办公项目的超低能耗建筑设计实践，阐述了其高效外围护系统、关键节点的无热桥设计、气密性设计、高效新风热回收系统以及可再生能源应用策略。通过能耗模拟分析，对建筑本体的节能率进行了单因子敏感性系数分析，选择了围护结构（包括外墙、屋面、外窗）的热工性能、照明功率密度和热回收等对能耗影响较大的因素，揭示了不同参数对节能效果的影响程度，为确定项目的超低能耗方案提供了依据。设计实践经验可为夏热冬冷地区超低能耗建筑项目提供可复制、可参考、可推广的经验。

关键词： GIS   岩土工程   数据库   选址  

摘要： 在现代工程建设领域,岩土工程勘察作为工程项目开展的重要前置环节,起着举足轻重的作用。本文系统概述了GIS技术的原理与功能,并探讨了基于GIS的岩土工程勘察数据库建设,在此基础上对岩土工程勘查的智能选址进行了深入研究,期望通过严谨科学的岩土工程勘察,为后续的工程设计、施工方案制定提供坚实的数据基础和科学依据,进而保障工程建设的质量、安全以及成本控制等多方面目标的实现。

关键词： 住宅建筑   空调能耗   分形分析   聚类分析   能耗预测   暖通空调  

摘要： 住宅建筑的空调系统能耗受用户行为多样性影响，且在数据质量不高的情况下，根据传统统计特征难以准确识别使用模式差异，使得短期能耗预测模型难以平衡准确性和计算成本。分形理论通过量化时间序列的非线性与多尺度复杂度，为识别用户行为差异提供了独特优势。提出一种结合分形分析与数据驱动方法的短期能耗预测框架，通过分形特征划分用户为低、中、高复杂度群体，从滑动窗口、数据量和特征选择3方面精选输入数据和特征，规避噪声干扰，并保留关键模式信息，以兼顾预测精度和计算成本。对夏季住宅空调运行数据研究发现，滑动窗口大小与复杂度负相关：低复杂度群体倾向较长窗口，中、高复杂度群体需较短窗口。数据量需求上，低、中复杂需求较少，高复杂度群体需更全面数据。特征选择中，低、中复杂度群体依赖大幅波动特征，高复杂度群体依赖小幅波动特征。基于2000户样本验证，模型MAPE为9.82%,CV-RMSE为11.40%，相较于逐户预测模型，误差降低41.52%，并节省大量计算时间。

关键词： 作业区   环境参数   汽车总装车间   工位   送冷风   PMV-PPD评价模型   能耗  

摘要： 以夏热冬冷地区汽车总装车间的作业区为研究对象,采用PMV-PPD评价模型和温差射流模型为理论基础,通过数值模拟分析了作业区热湿环境参数对送冷风系统能耗影响的显著性,并对相同PMV条件下任意2个环境参数相互耦合作用时的能耗进行了比较。结果表明:在Ⅱ级舒适度空气参数范围内,对系统能耗影响程度从大到小依次为相对湿度、风速和温度;系统能耗与PMV值不完全相关;在相同PMV条件下,任一环境参数与另外2个参数分别耦合作用,其值的改变所导致的系统能耗变化率差别很大,最大约为55.6%,最小仅为3.5%。研究结果可为汽车总装车间工位送风环境参数的选取提供参考。

关键词： 固体燃料   室内空气污染   抑郁症状   农村   中老年居民   多水平模型  

摘要： [背景]尽管现有研究表明室外空气污染与抑郁症状有关，但固体燃料使用这一重要的室内空气污染源对中国农村中老年人抑郁症状的影响尚不清楚。[目的]探究烹饪固体燃料使用与我国农村中老年人抑郁症状的关联，为广大农村地区居民抑郁症状防控提供依据。[方法]研究数据来源于2020年中国家庭追踪调查，抑郁症状采用8项流行病学研究中心抑郁量表进行评估，主要烹饪燃料类型为自我报告，拟合两水平二分类非条件logistic回归模型评估烹饪固体燃料使用对抑郁症状的影响。[结果]共纳入7 991名45岁及以上的参与者，平均年龄（58.52±9.18）岁，中心抑郁量表简化版（CES-D）平均得分（6.07±4.48）分，抑郁症状平均检出率34%（其中固体燃料组40.54%，清洁燃料组30.81%，χ2=74.40,P<0.001）。研究发现，在控制了潜在的混杂协变量后，使用固体燃料组的农村中老年居民发生抑郁症状的风险高于清洁燃料组（OR=1.36,95%CI:1.20～1.54），这种关联不受参与者特征的影响，且在不同年龄组和性别之间均呈正相关。[结论]烹饪固体燃料使用与我国农村中老年人抑郁症状之间存在正向关联，能增加抑郁症状发生的风险，农村地区应鼓励通过安装通风设备升级炉灶或将烹饪固体燃料转换为清洁燃料以减少受家庭空气污染的影响，改善广大农村地区中老年居民抑郁患病情况，提高心理健康水平。

关键词： 强直性脊柱炎   Epstein-Barr病毒   抗体   因果关系   广义汇总数据孟德尔随机化   异质性依赖工具检验   工程化组织构建  

摘要： 背景：Epstein-Barr病毒（EBV）作为一种人类疱疹病毒，在人群中广泛存在。既往观察性研究提示EBV感染与强直性脊柱炎相关，但传统方法因混杂因素和反向因果偏倚无法明确因果关联。阐明EBV与强直性脊柱炎的因果关联，不仅有助于揭示强直性脊柱炎的免疫致病机制，也为靶向EBV的预防策略提供理论依据。目的：通过双向孟德尔随机化分析，探讨EBV感染与强直性脊柱炎之间的双向因果关系。方法：基于欧洲人群的全基因组关联研究汇总数据，采用双向双样本孟德尔随机化分析，结合广义汇总数据孟德尔随机化与传统方法（逆方差加权、MR-Egger、加权中位数），探讨EBV感染与强直性脊柱炎的双向因果关系。EBV抗体（EA-D、EBNA-1、VCA p18、ZEBRA）数据来源于UK Biobank数据库，强直性脊柱炎数据来自FinnGen数据库。工具变量筛选遵循全基因组显著性(P<5×10-6)、排除连锁不平衡及混杂相关单核苷酸多态性（吸烟、类风湿关节炎、银屑病）。统计检验采用Bonferroni校正(显著性阈值P=6.3×10-3)，并通过异质性（Cochran’s Q）、多效性（MR-Egger截距、MR-PRESSO）及稳健性（留一法）分析验证结果的可靠性。广义汇总数据孟德尔随机化方法进一步通过HEIDI-outlier检验（P<0.01）剔除多效性单核苷酸多态性，确保因果推断的准确性。结果与结论：（1）双向孟德尔随机化分析显示，EBV感染显著增加强直性脊柱炎发病风险：EBNA-1抗体水平升高与强直性脊柱炎风险呈正相关（OR=1.41,95%CI:1.14-1.76,P=0.002），而ZEBRA抗体效应更强(OR=1.56,95%CI:1.31-1.85,P=5.4×10-7)，提示EBV潜伏期（EBNA-1）与裂解期（ZEBRA）感染均可能通过交叉免疫反应驱动强直性脊柱炎发生；（2）反向因果分析显示，强直性脊柱炎与EBV裂解期标志物EA-D抗体呈负相关(OR=0.96,95%CI:0.94-0.98,P=3.25×10-4)，表明强直性脊柱炎患者免疫状态可能抑制EBV再激活；（3）所有结果通过异质性、多效性及稳健性检验，无潜在偏倚；（4）此研究基于国际数据库和欧洲人群数据，首次证实EBV感染是强直性脊柱炎的独立因果风险因素。尽管人群遗传背景存在差异，但欧洲人群的发现为解析强直性脊柱炎的共性免疫机制提供了关键线索。因此，未来需结合中国本土队列验证结果，探索EBV与中国人群强直性脊柱炎的分子互作特征。此外，广义汇总数据孟德尔随机化方法的应用为利用公共全基因组关联研究数据开展因果推断提供了范例，可推动中国研究者高效挖掘疾病风险因素，助力精准医学发展。

关键词： 区域建筑能耗预测   多尺度多空洞卷积   卷积块注意力机制   双向门控循环单元  

摘要： 为提升区域建筑能耗预测的精度与适应性，提出一种融合多尺度空洞卷积（MSMDC）、卷积块注意力机制（CBAM）与双向门控循环单元（BiGRU）的深度学习模型。该模型通过MSMDC提取多层次特征，结合CBAM动态分配特征权重，并利用BiGRU建模时间序列的双向依赖特性，从而实现对复杂能耗数据的高效建模。实验数据选自摩洛哥得土安市区域建筑2017年全年用电数据，包含环境等多维特征。为评估模型性能，设计消融与对比实验，比较了本文模型与LSTM-Informer和AMTCN等主流方法的表现。实验结果表明，本文模型在MAE、RMSE、MAPE和R2等指标上均优于对比模型，具备良好的预测精度与结构迁移适应性。

关键词： 能耗异常检测   深度学习   照明插座系统   重构误差   无监督学习  

摘要： 建筑照明插座能耗异常检测能够有效提高建筑能源效率，对实施建筑能源优化措施、实现建筑节能管控的研究具有重要意义。由于建筑照明插座系统能耗很大程度上受到建筑内部人员随机行为的影响，针对照明插座时间序列数据存在噪声较多和特征难以提取的问题，该文提出了一种结合工况划分与深度学习的无监督异常检测方法，旨在提升能耗异常识别的精度与鲁棒性。首先基于决策树方法对能耗数据按工作日与非工作日、上班与非上班时段等属性划分工况，然后针对不同工况分别构建基于长短期记忆神经网络-自编码器（LSTM-AE）的异常检测模型。该模型通过对正常数据的重构学习，计算重构误差，并设定差异化阈值，实现无标签数据下的能耗异常检测。以夏热冬暖地区某办公建筑578 d的照明插座逐时能耗数据为研究对象，开展数据建模与超参数优化实验。结果显示：迭代次数、神经元数和激活函数均对模型性能有显著影响；工作日工况下的能耗数据稳定性优于非工作日，异常检测精度相对更高；所提方法在4类工况下的平均精确率、召回率、F1分别为91.23%、90.87%、90.80%，能够有效实现建筑照明插座系统能耗异常检测。