Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Jasinski, R." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Removal of petroleum derivative pollutants from the environment: techniques and methods
    Usuwanie zanieczyszczeń ropopochodnych ze środowiska - stosowane techniki i metody
    Autorzy:
    Walaszczyk, N.
    Jasiński, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/296941.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    wastewater
    sewage sludge
    separators
    petroleum derivative
    bioremediation
    ścieki
    osady
    separatory
    związki ropopochodne
    bioremediacja
    Opis:
    The increasing use of petroleum derivatives as a result of industrial development and urbanization has a negative impact on the natural environment. Due to their toxic and carcinogenic effects, these compounds have a negative impact on living organisms and plants, and also contribute to changes in soil properties and composition, and the abundance of microorganisms present in this soil. Sources of pollution with petroleum derivatives to the soil environment are mostly refinery and petrochemical plants, crude oil extraction sites, storage and distribution sites for petroleum products, transport of crude oil, and traffic accidents. Remediation of an area polluted with petroleum derivatives can be done by their decomposition, transformation into less toxic reactive and mobile forms, or by total elimination. Chemical, physical and biological methods are used for this purpose. In the biological methods, the most important role is played by microorganisms capable of using hydrocarbons as a source of carbon and energy.
    Wzrost wykorzystania związków ropopochodnych na skutek rozwoju przemysłu i urbanizacji wpływa negatywnie na środowisko przyrodnicze. Związki te ze względu na właściwości toksyczne i kancerogenne wykazują negatywny wpływ na żywe organizmy, rośliny, a także przyczyniają się do zmiany właściwości i składu gleby oraz liczebności obecnych tam mikroorganizmów. Źródłami skażenia związkami ropopochodnymi środowiska gruntowego najczęściej są: zakłady rafineryjne i petrochemiczne, miejsca wydobywania ropy naftowej, miejsca magazynowania i dystrybucji produktów ropopochodnych, transport ropy naftowej, kolizje drogowe. Remediację terenu zanieczyszczonego związkami ropopochodnymi można dokonać poprzez ich rozkład, przekształcenie w formy mniej toksyczne, reaktywne, mobilne lub całkowitą ich eliminację. W tym celu wykorzystywane są metody chemiczne, fizyczne oraz biologiczne. W metodach biologicznych największą rolę odgrywają mikroorganizmy zdolne do wykorzystania węglowodorów w charakterze źródła węgla i energii.
    Źródło:
    Inżynieria i Ochrona Środowiska; 2018, 21, 4; 347-359
    1505-3695
    2391-7253
    Pojawia się w:
    Inżynieria i Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Klasyfikacja luk pomiarowych w danych rejestrowanych na stacjach monitoringu powietrza
    Classification of air monitoring data gaps
    Autorzy:
    Hoffman, S.
    Jasiński, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/297005.pdf
    Data publikacji:
    2009
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    zanieczyszczenia powietrza
    monitoring automatyczny
    dane
    stężenia chwilowe
    brakujące dane
    luki pomiarowe
    klasyfikacja
    air monitoring
    hourly concentrations
    monitoring data
    air pollution
    missing data
    measure gaps
    classification
    Opis:
    Rejestrowane na stacjach monitoringu powietrza zbiory danych nigdy nie są kompletne. W skali roku liczba odnotowywanych braków jest zmienna. Ocena jakości powietrza na podstawie niepełnych pomiarów jest utrudniona. Obowiązujące przepisy prawne dopuszczają możliwość wykorzystania modelowania w celu uzupełnienia brakujących danych. Rozpoznanie typowych struktur obszarów z brakującymi danymi umożliwia ich klasyfikację, a następnie rekomendację odpowiednich metod modelowania dla wyszczególnionych klas. Celem badań było wytypowanie charakterystycznych struktur luk pomiarowych w zbiorach danych i określenie częstości ich występowania. Klasyfikację przypadków z brakującymi danymi zaproponowano na podstawie przeglądu wieloletnich danych, pochodzących z kilku różnych stacji pomiarowych automatycznego monitoringu powietrza. Analizowano serie czasowe chwilowych stężeń podstawowych zanieczyszczeń powietrza (O3, NO2, NO, PM10, SO2, CO), zarejestrowanych w latach 2004-2008 na stacjach monitoringu powietrza Warszawa-Ursynów, Radom, Łódź-Widzew, Piotrków Trybunalski. Na podstawie wyników przeprowadzonej analizy można stwierdzić, że brakujące dane występują powszechnie w zbiorach danych pochodzących z monitoringu powietrza. Częstość ich występowania w rocznych seriach pomiarowych może wynosić od kilku do nawet kilkudziesięciu procent. Większość luk pomiarowych jest krótka - stanowią je głównie pojedyncze przypadki. Zdecydowanie rzadziej występują bloki brakujących danych, przekraczające 3-4 przypadki (dłuższe od 3-4 godzin). Największą częstość występowania przypadków z niezarejestrowanymi wynikami odnotowano dla luk najdłuższych, obejmujących więcej niż 24 przypadki (>24 godziny).
    The data gathered continuously in the air monitoring systems are never entire. In the whole year, the number of missing records is changeable. The deficiency of data could result in uncertainty of a statistical assessment, required by the air quality standards, and cause the uselessness of monitoring measurements. Air quality standards permit to use modelling in order to recreate the missing data when the completeness of the monitoring set is not sufficient. Applied modelling methods should guarantee possibly the best precision to achieve the air quality assessment being closest to reality. Single, specified method does not assure the maximal accuracy because the missing data in data matrix may create gaps of various shapes and ranges. Recognition of typical structures of missing data fields should be the base of their classification. For the specified classes of gaps the optimum modelling methods may be recommended and assigned. The main objective of the analysis was to select typical patterns of gaps in air monitoring data matrixes, and the assessment of their appearing. The missing data classification was suggested after long-term data survey. The analyzed data sets derived from 4 different air monitoring sites in the Central Poland (Warsaw-Ursynów, Radom, Lodz-Widzew, Piotrków Trybunalski). The data were gathered in the period 2004-2008. The examined time-series involved hourly concentrations of main air pollutants: O3, NO2, NO, PM10, SO2, CO. The results allow coming to some general conclusions. Missing data commonly occur in sets of air monitoring records. Gaps may include up to several or even more per cent of all expected data in yearly measuring series. For all air pollutants, the most of the gaps in monitoring time series are very short. Single (1-hour) missing values dominate among gaps of different length. Gaps lengths exceeding 3-4 hours are observed occasionally. However, the greatest frequency of single without-data cases appearing is observed in the longest gaps (>24 hours), because of their lengths.
    Źródło:
    Inżynieria i Ochrona Środowiska; 2009, 12, 2; 101-117
    1505-3695
    2391-7253
    Pojawia się w:
    Inżynieria i Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie dokładności różnych metod predykcji stężeń zanieczyszczeń powietrza
    A comparison of accuracies of different air pollutants concentration prediction methods
    Autorzy:
    Hoffman, S.
    Jasiński, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/297662.pdf
    Data publikacji:
    2009
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    zanieczyszczenia powietrza
    monitoring powietrza
    stężenia chwilowe
    dane monitoringu
    brakujące dane
    luki pomiarowe
    aproksymacja
    modele szeregów czasowych
    modele regresyjne
    sieci neuronowe
    air monitoring
    hourly concentrations
    monitoring data
    air pollution
    missing data
    measure gaps
    approximation
    time series models
    regression models
    neural networks
    Opis:
    W analizie wykorzystano dane zarejestrowane w latach 2004-2008 na ośmiu stacjach monitoringu powietrza działających w różnych miejscowościach województw łódzkiego i mazowieckiego. W pracy badano możliwości aproksymacji stężeń zanieczyszczeń mierzonych na stacjach monitoringu powietrza. Ocenę jakości modelowania wykonano poprzez porównanie modelowanych stężeń ze stężeniami rzeczywistymi. Do predykcji stężeń wykorzystano sieci neuronowe. Porównywano dokładność pięciu różnych grup modeli: modeli szeregów czasowych, liniowych modeli regresji wielowymiarowej, nieliniowych modeli regresji wielowymiarowej, liniowych modeli regresji wielowymiarowej eksplorujących dane pochodzące z sąsiednich stacji monitoringu i nieliniowych modeli regresji wielowymiarowej eksplorujących dane pochodzące z sąsiednich stacji monitoringu. Celem praktycznym była rekomendacja optymalnych technik modelowania luki pomiarowej obejmującej pewien dłuższy fragment serii czasowej tylko jednego z zanieczyszczeń powietrza przy założeniu, że są dostępne wszystkie pozostałe dane, w tym dane pochodzące z sąsiednich stacji monitoringu powietrza. Wykonana analiza wykazała, że dla każdego z zanieczyszczeń powietrza należy rekomendować inne metody predykcji, ponieważ występują duże różnice w możliwościach modelowania poszczególnych zanieczyszczeń powietrza. Stężenia takich zanieczyszczeń, jak O3, SO2, PM10 można efektywnie modelować metodą szeregów czasowych, ale tylko do pewnego horyzontu prognozy, po którym regresyjne metody modelowania okazują się dokładniejsze. W modelowaniu stężeń O3 i PM10 efektywne może się okazać wykorzystanie stężeń tych zanieczyszczeń zarejestrowanych na innych stacjach monitoringu powietrza. W przypadku pozostałych zanieczyszczeń NO, NO2 i CO zasadne jest stosowanie tylko jednej metody modelowania - analizy regresji. Liniowe modele regresyjne są mniej dokładne od ich nieliniowych odpowiedników. Różnice dokładności obu typów modeli nie zawsze są duże. Dlatego modele liniowe mogą stanowić praktyczną alternatywę dla nieliniowych odpowiedników.
    Air monitoring data collected over a 5-year period at 8 different measure sites in Central Poland were used as the database for analysis purposes. Approximation of concentrations of monitored air pollutants were done by means of several prediction methods: time series analysis, regression analysis with predictors from a single monitoring station, and regression analysis with external predictors. Separate models were created for O3, NO2, NO, PM10, SO2, CO. Modelled and measured concentrations were compared. As a result prediction errors were calculated for each model. The main objective of analysis was a comparison of prediction results, and recommendation the most accurate modelling methods, dedicated to specified pollutants. The examination was made by means of artificial neural networks, which were employed to create all types of models.
    Źródło:
    Inżynieria i Ochrona Środowiska; 2009, 12, 4; 307-325
    1505-3695
    2391-7253
    Pojawia się w:
    Inżynieria i Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies