石油化工储罐区除了有存储危化品的固定式储罐之外，还有在罐区道路上运输危化品的移动槽罐车，而槽罐车的介入可能会改变罐区内多米诺效应事故的扩展路径，导致事故后果升级，因此考虑移动槽罐车的影响对储罐区的风险分析具有重要意义。利用动态贝叶斯网络对石油化工储罐区内多米诺效应事故的动态演变过程进行建模分析，通过在网络中添加移动节点引入移动槽罐车对多米诺效应事故的影响，通过情景推演辨识罐区内多米诺效应事故的扩展路径，根据燃料燃尽时间和设备失效时间划分事故演变过程的时间节点，运用Probit函数模型和贝叶斯理论计算多米诺效应事故在各级设备单元的扩展概率，提出了石油化工储罐区内有移动槽罐车时多米诺效应事故的动态分析方法，为石油化工储罐区内多米诺效应事故的分析与预防提供方法支撑。通过对实际罐区进行案例分析展示了所提出方法的效果和优势，结果表明：当罐区内的多个固定储罐同时发生火灾事故时，事故可能会扩展到道路上或装卸区域内的槽罐车；当槽罐车作为初始事故单元时，在所研究案例的前提条件下并不会引发多米诺事故，这主要是因为槽罐车与固定储罐之间的距离足够远，遏制了事故传播。

为系统探究智能化煤矿背景下人机信任对矿工不安全行为的作用机制，基于认知-情感个性系统理论与社会认知理论，构建以风险感知和技术焦虑为中介、任务复杂性为调节变量的双路径影响模型。通过对山西省、辽宁省、内蒙古自治区508名一线矿工开展问卷调查，运用结构方程模型与层次回归分析法对相关假设进行实证检验。结果显示：人机信任通过削弱风险感知显著增加不安全行为，同时，经缓解技术焦虑间接抑制不安全行为，呈现出“双刃剑”效应。进一步分析发现，任务复杂性正向调节人机信任对风险感知的影响，负向调节人机信任对技术焦虑的影响，且在风险感知路径中起正向调节作用，在技术焦虑路径中起负向调节作用。研究丰富了智能化矿山安全行为领域的理论体系，为提高矿工安全行为和完善智能矿山人机协作管理提供了理论参考与实践依据。

针对煤矿井下光照不足、遮挡频发和目标尺度偏小导致的安全帽检测漏检、误检及实时性下降问题，研究提出基于YOLOv5的改进模型HIC-YOLOv5。首先，在原始模型上增加高分辨率小目标检测头(Small Object Detection Head, SODH),以增强小目标特征提取能力；其次，在骨干网络与颈部网络之间引入通道特征融合模块(Channel Feature Fusion with Involution, CFFI),以缓解1×1降维造成的语义流失，强化跨通道信息交互，使更多关键信息传递至深层网络；最后，在骨干网络末端集成轻量级注意力机制(Convolutional Block Attention Module, CBAM),通过空间与通道双重加权突出安全帽区域特征。结果显示，在IoU为0.5的条件下，HIC-YOLOv5的mAP@50达88.33%,较基线YOLOv5提升4.73百分点，mAP@50:95提升至51.89%,P、R分别为90.81%、82.67%。在资源开销方面，参数量为8.4 MB,FLOPs为30.6 GB,推理速度为102帧/s。消融试验结果显示，3项改进具备协同增益，其中SODH对小目标召回提升最为显著。与YOLOv7、YOLOv8、YOLOv9、YOLOv11、YOLOv12对比，HIC-YOLOv5模型综合性能保持领先。HIC-YOLOv5在低照度、强遮挡与小目标密集的矿井安全帽检测场景中实现了更高的检测准确性与稳定性，并以中等计算量维持较好的实时性能，具备边缘部署可行性。

在“双碳”目标背景下，掺氢天然气输送技术已成为能源结构调整的重要研究方向。通过试验探究了甲烷-氢气混合气体的燃烧特性，重点分析了不同掺氢比例对射流火焰温度、尺寸及燃烧时间的影响规律。使用电火花点燃不同体积分数的甲烷与氢气混合气，利用多通道火焰捕捉相机进行记录。结果表明：体积分数为5%～30%的氢气掺入使火焰最高温度从992.0℃提高至1 021℃,提升了3.0%;氢气体积分数增加至80%和100%时，火焰温度明显增高；甲烷体积分数为80%时，稳定燃烧阶段平均火焰高度峰值为44.39 cm;氢气体积分数的增加能够缩短燃烧时间；纯甲烷火焰前期呈现蓝色，后期呈现橙红色，而随着氢气体积分数的增加混合气体火焰颜色逐步由蓝变红。研究结果可为天然气掺氢输送优化设计提供试验数据参考。

针对城市火灾中建筑密集、道路堵塞导致传统消防车救援困难、单无人机灭火能力不足的问题，提出了一种基于改进深度Q网络(Improved Deep Q-Network, IDQN)的多无人机协同灭火路径规划算法。首先，建立基于相同时间间隔的多无人机单目标决策模型；其次，通过优先经验回放机制提高算法训练稳定性，采用26向三维动作空间增强机动性，并构建包含方向引导、步数惩罚、到达奖励和碰撞惩罚的多目标复合奖励函数；最后，基于任务优先级，采用层次化加权法在MATLAB平台进行仿真训练，实现多无人机协同灭火路径规划。仿真结果表明：IDQN算法多无人机协同灭火方案任务完成时长相比单无人机作业缩短58.0%,相比粒子群优化(Particle Swarm Optimization, PSO)算法缩短27.8%,显著提升了城市火灾救援的响应速度和资源利用率。

为揭示不同类型机械伤害事故致因机理的差异，基于2003—2023年的340份机械伤害事故报告，采用改进的人因分析与分类系统模型识别人、机、环、管4个维度的34项致因因素，应用Apriori挖掘因素间强关联规则，并构建贝叶斯网络模型进行反向推理与敏感性分析，以明确不同伤害类型的关键致因路径。结果表明：不同伤害类型事故致因机制存在明显差异，事故起数最多的挤压类事故主要受到环境嘈杂、信息传递不到位及违规探入、进入设备内部的影响；操作失误在大部分事故类型中占主导作用。根据关键致因路径结合本质安全理念，制定了现代安全理念下的靶向干预措施，以促进机械相关行业安全绩效。

为提升依据事件信息评估航空运输系统安全风险的效能，选取中国民用航空安全信息系统802起偏离姿态/高度事件，基于屏障理论和事件风险分类(Event Risk Classification, ERC)构建事件风险屏障模型(Event Risk Barrier Model, ERBM)。该模型依据样本事件确定包含7个屏障类型、19个屏障功能和37个屏障因素的屏障分类体系，基于领结图-贝叶斯网络模型量化屏障的有效概率，通过敏感性分析确定各层屏障权重，并将事件风险等级结果与ERC方法对比验证。结果表明：依据所构建的屏障分类体系确定样本事件关键屏障因素为机组资源管理、自动油门和飞行技术管理手册等；ERBM模型与传统ERC方法相比，其屏障类型层和功能层的高风险事件评估准确度提升率分别为47.5%和76.5%,触发可控飞行撞地事故后果的概率为6%。

为探究地下开采卸荷作用下深大塌陷坑边坡岩体断裂失稳的机理，揭示其断裂力学机制，构建了含后缘裂隙边坡崩塌的力学模型，并推导了卸荷作用下边坡后缘裂隙起裂、扩展及失稳破坏的力学判据。结合某矿山深大塌陷坑边坡断裂破坏的实际案例，计算了边坡岩体的起裂角、垂直临界高度、分支裂隙扩展长度及安全系数等关键参数。通过理论分析揭示了地下开采卸荷作用下边坡岩体的断裂失稳机制。采用离散元数值模拟方法，研究了边坡岩体断裂的细观演化特征，进一步阐明了开采深度控制的边坡岩体裂隙系统演化规律。结果表明，随着开采深度增加，坡体先经历后缘拉张裂隙与坡脚剪切裂隙协同发育阶段，形成贯通性主控裂隙，后在坡体后缘贯通性裂隙与临空面之间的岩体内部发育局部贯通性裂隙。坡体裂隙演化过程可划分为5个阶段：初始孕育、持续扩展、二次孕育、加速扩展和稳定增长。案例计算得到边坡安全系数为0.941(F_s<1),表明边坡处于失稳状态。理论计算结果与离散元数值模拟及现场地质灾害调查结果吻合良好，验证了力学模型的工程适用性。研究成果可为深大塌陷坑边坡稳定性评价与灾害防治提供理论依据。

电动汽车火灾安全问题日益凸显，起火后蔓延路径尚不明晰。为此，通过试验和数值模拟研究了外部过热条件下电动汽车火灾燃烧特性及蔓延路径。结果表明，电池包起火后会出现拉弧现象，且早期动力电池热失控及底盘塑料部件熔融滴落形成的油池火标志着整车火灾进入了加速发展阶段，火灾蔓延路径主要是电池包—后轮—前轮—乘客舱—后备箱—前引擎舱。基于试验数据，利用火灾动力学仿真软件搭建了全尺寸电动汽车模型，数值模拟结果与试验结果吻合较好。整车峰值热释放速率为7.88 MW,可近似模拟70 kWh左右的整车火灾。研究结果有助于充分理解电动汽车火灾发展过程，相关试验数据及数值模型可为后续充电站火灾特性研究提供数据支持及参考。

针对传统碳排放预测中数据质量差、模型训练效率低的问题，建立套索回归(Least Absolute Shrinkage and Selection Operator, LASSO)、多元经验模态分解(Multivariate Empirical Mode Decomposition, MEMD)、麻雀搜索算法(Sparrow Search Algorithm, SSA)和长短时记忆网络(Long Short-Term Memory network, LSTM)相结合的模型，以提高碳排放量的预测精度。首先，使用可拓展的随机性环境影响回归模型(Stochastic T Impacts by Regression on PAT,STIRPAT)选取年末总人口数量、人均GDP等影响因素；其次，通过皮尔逊相关系数和LASSO回归模型进行初步和二次筛选；再次，对数据进行预处理并进行MEMD分解，进而对分解出的不同频率的IMF分量以及残差项RES分别建立预测模型；最后，使用SSA对LSTM模型的神经元个数、迭代次数、学习率等参数进行寻优，并将数据汇总整合，对比分析其他预测模型的预测结果。结果显示，LASSO-MEMD-SSA-LSTM模型的预测值与实际值最为接近，其平均绝对误差、均方根误差、平均相对百分比误差分别为8.45%、8.32%、0.85%,均优于其他模型。