CN116644689A - 复杂下垫面下局地尺度大气污染源强快速反算方法及*** - Google Patents
复杂下垫面下局地尺度大气污染源强快速反算方法及*** Download PDFInfo
- Publication number
- CN116644689A CN116644689A CN202310903823.4A CN202310903823A CN116644689A CN 116644689 A CN116644689 A CN 116644689A CN 202310903823 A CN202310903823 A CN 202310903823A CN 116644689 A CN116644689 A CN 116644689A
- Authority
- CN
- China
- Prior art keywords
- model
- source
- pollutant concentration
- transfer coefficient
- calculation
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000005070 sampling Methods 0.000 claims abstract description 133
- 238000012546 transfer Methods 0.000 claims abstract description 101
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims abstract description 85
- 231100000719 pollutant Toxicity 0.000 claims abstract description 85
- 241000167857 Bourreria Species 0.000 claims abstract description 66
- 230000004044 response Effects 0.000 claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 20
- 239000012530 fluid Substances 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 239000000356 contaminant Substances 0.000 claims description 6
- 238000011160 research Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种复杂下垫面下局地尺度大气污染源强快速反算方法,属于大气污染防治与源强反算技术领域;该方法包括:对待研究区域构建CFD模型;在CFD模型的计算域范围内选取若干采样点;基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;构建源强反算模型并获取传递系数;构建传递系数响应面模型;获取监测点的污染物浓度监测数据;将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算。本发明充分考虑局地尺度复杂下垫面物理意义的同时对复杂的仿真模型进行统计学简化,能够更快速、有效的为污染事件的响应以及局地尺度精细化管控提供科学支撑。
Description
技术领域
本发明涉及大气污染防治与源强反算技术领域,具体涉及一种复杂下垫面下局地尺度大气污染源强快速反算方法及***。
背景技术
随着大气污染治理进程的不断推进,面向复杂下垫面下局地尺度的精细化管控成为新时期大气环境管理的必然趋势和迫切需求。复杂下垫面具有地形起伏较大或地表建筑物数 量多、类型杂等特点,例如内含众多储罐及装置建筑的化工园区即为典型的复杂下垫面。下垫面越复杂其粗糙度越大,而较大的下垫面粗糙度会从根本上改变下垫面的动力学特征,使得局地尺度近地面风场规律性减弱、污染物扩散特征变复杂。源强反算涉及大气扩散模型的反过程,而基于高斯扩散模式或拉格朗日扩散模式的常规扩散模型,例如CALPUFF、FLEXPART、CMAQ等,其包含复杂的物理化学过程可以准确模拟污染物的扩散,但一般空间尺度较大,分辨率较低,且对下垫面实际情况进行了大量简化,不适用于复杂下垫面下的局地尺度。而计算流体力学模型则能够充分考虑复杂下垫面下局地尺度的大气运动,适用于模拟复杂环境的大气扩散,但其计算时间过长导致响应速度相对滞后,难以满足有害气体泄露等应急事件的快速处置需求。
发明内容
本发明的目的在于提供一种复杂下垫面下局地尺度大气污染源强快速反算方法及***,利用污染物浓度监测数据,更快速、有效的反算源强,为大气污染精细化管控提供科学支撑。
为解决上述技术问题,本发明提供一种复杂下垫面下局地尺度大气污染源强快速反算方法,包括以下步骤:
对待研究区域构建CFD模型;
在CFD模型的计算域范围内选取若干采样点;
基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
根据传递系数及其控制因子,构建传递系数响应面模型;
获取监测点的污染物浓度监测数据;
将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
优选地,基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据,具体包括以下步骤:
调整CFD模型中的污染物源强,在不同源强情景下分别进行污染物扩散模拟并采集CFD模型中各个采样点的污染物浓度,作为采样点的污染物浓度数据。
优选地,根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数,具体包括以下步骤:
根据采样点的污染物浓度数据,对每个采样点建立对应的体现源受体关系的源强反算模型;
利用最小二乘法对源强反算模型进行参数辨识,得到各个采样点对应的传递系数、/>;
其中,认为源受体间存在代替实际函数的响应逼近函数,源强反算模型的公式如下:
式中,为采样点;/>为第j个源强情景下的对应源强;/>、/>为第/>个采样点位对应的传递系数;/>为第/>个源强情景下第/>个采样点对应的污染物浓度数据。
优选地,根据传递系数及其控制因子,构建传递系数响应面模型,其中所述传递系数响应面模型的公式如下:
式中:m、n为传递系数;均为常数;/>均为控制因子;/>、/>均为指针变量,且/>。
优选地,所述控制因子为采样点据污染源的水平距离、采样点与主导风向的方向角、CFD模拟得到的采样点位风速数值以及下风向的采样点污染物浓度。
优选地,获取监测点的污染物浓度监测数据,具体包括以下步骤:
在待研究区域中设置若干实地监测点;
采集实地监测点的污染物浓度,作为监测点的染物浓度监测数据。
优选地,将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算的公式如下:
式中,为监测点;/>为释放源强,作为源强反算结果;/>为第/>个监测点对应的污染物浓度监测数据。
优选地,对待研究区域构建CFD模型,具体包括以下步骤:
获取待研究区域的实地测量数据和地形数据;
根据实地测量数据和地形数据,构建待研究区域三维模型;
通过流体力学仿真模拟软件对待研究区域三维模型进行仿真模拟,得到CFD模型。
优选地,在CFD模型的计算域范围内选取若干采样点,具体包括以下步骤:
在CFD模型的计算域范围内采用概率抽样方法进行近似随机抽样选取若干采样点。
本发明还提供一种复杂下垫面下局地尺度大气污染源强快速反算***,包括:
CFD模型构建模块,用于对待研究区域构建CFD模型;
采样点选取模块,用于在CFD模型的计算域范围内选取若干采样点;
仿真模块,用于基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
源强反算模型构建模块,用于根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
传递系数响应面模型构建模块,用于根据传递系数及其控制因子,构建传递系数响应面模型;
获取模块,用于获取监测点的污染物浓度监测数据;
源强反算模块,用于将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
与现有技术相比,本发明的有益效果为:
本发明的一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法,其优点主要体现于在充分考虑局地尺度复杂下垫面物理意义的同时对复杂的仿真模型进行统计学简化,提高了复杂下垫面下局地尺度源强反算的求解效率,能够更快速、有效的为污染事件的响应以及局地尺度精细化管控提供科学支撑。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法的流程图;
图2外场实验释放源点及监测站点位置分布图;
图3空间拉丁超立方采样点分布图;
图4源强反算结果图;
图5为一种复杂下垫面下局地尺度大气污染源强快速反算方法的流程示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明做进一步的详细描述:
如图5所示,本发明提供一种复杂下垫面下局地尺度大气污染源强快速反算方法,包括以下步骤:
对待研究区域构建CFD模型;
在CFD模型的计算域范围内选取若干采样点;
基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
根据传递系数及其控制因子,构建传递系数响应面模型;
获取监测点的污染物浓度监测数据;
将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
优选地,基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据,具体包括以下步骤:
调整CFD模型中的污染物源强,在不同源强情景下分别进行污染物扩散模拟并采集CFD模型中各个采样点的污染物浓度,作为采样点的污染物浓度数据。
优选地,根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数,具体包括以下步骤:
根据采样点的污染物浓度数据,对每个采样点建立对应的体现源受体关系的源强反算模型;
利用最小二乘法对源强反算模型进行参数辨识,得到各个采样点对应的传递系数、/>;
其中,认为源受体间存在代替实际函数的响应逼近函数,源强反算模型的公式如下:
式中,为采样点;/>为第j个源强情景下的对应源强;/>、/>为第/>个采样点位对应的传递系数;/>为第/>个源强情景下第/>个采样点对应的污染物浓度数据。
优选地,根据传递系数及其控制因子,构建传递系数响应面模型,其中所述传递系数响应面模型的公式如下:
式中:m、n为传递系数;均为常数;/>均为控制因子;/>、/>均为指针变量,且/>。
优选地,所述控制因子为采样点据污染源的水平距离、采样点与主导风向的方向角、CFD模拟得到的采样点位风速数值以及下风向的采样点污染物浓度。
优选地,获取监测点的污染物浓度监测数据,具体包括以下步骤:
在待研究区域中设置若干实地监测点;
采集实地监测点的污染物浓度,作为监测点的染物浓度监测数据。
优选地,将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算的公式如下:
式中,为监测点;/>为释放源强,作为源强反算结果;/>为第/>个监测点对应的污染物浓度监测数据。
优选地,对待研究区域构建CFD模型,具体包括以下步骤:
获取待研究区域的实地测量数据和地形数据;
根据实地测量数据和地形数据,构建待研究区域三维模型;
通过流体力学仿真模拟软件对待研究区域三维模型进行仿真模拟,得到CFD模型。
优选地,在CFD模型的计算域范围内选取若干采样点,具体包括以下步骤:
在CFD模型的计算域范围内采用概率抽样方法进行近似随机抽样选取若干采样点。
本发明还提供一种复杂下垫面下局地尺度大气污染源强快速反算***,包括:
CFD模型构建模块,用于对待研究区域构建CFD模型;
采样点选取模块,用于在CFD模型的计算域范围内选取若干采样点;
仿真模块,用于基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
源强反算模型构建模块,用于根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
传递系数响应面模型构建模块,用于根据传递系数及其控制因子,构建传递系数响应面模型;
获取模块,用于获取监测点的污染物浓度监测数据;
源强反算模块,用于将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
本发明的一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法,其优点主要体现于在充分考虑局地尺度复杂下垫面物理意义的同时对复杂的仿真模型进行统计学简化,提高了复杂下垫面下局地尺度源强反算的求解效率,能够更快速、有效的为污染事件的响应以及局地尺度精细化管控提供科学支撑。
为了更好的说明本发明的技术效果,本发明提供如下具体实施例说明上述技术流程:
实施例1、一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法,如图1所示,包括如下步骤:
步骤一、通过流体力学仿真模拟软件,建立了研究区域的计算流体力学(Computation Fluid Dynamic,CFD)模型;
步骤二、基于建立的CFD模型,在其计算域范围内利用概率抽样方法进行近似随机抽样选取采样点;
步骤三、对位置已知的单一点源设定一系列源强情景并逐采样点进行污染物浓度模拟,结合传递系数法构建目标点位的源强反算模型(), 并利用最小二乘法得到各采样点对应的传递系数(/>、/>);
步骤四、基于得到的逐采样点传递系数及其其控制因子(采样点与源点的水平距离、与主导风向的夹角、风速、污染物浓度等与污染物释放点和采样点相关的传递系数影响因子)的提取数值,利用多项式函数拟合方法构建传递系数及其控制因子的传递系数响应面模型;
步骤五、基于污染物浓度监测数据,结合源强反算模型及传递系数响应面模型,快速反算源强。
所述步骤一中研究区域CFD模型建立的具体过程如下:基于实地测量或遥感解译等方法获得的研究区下垫面信息并结合研究区域地形地貌,建立全尺度的几何计算模型;根据研究区域的实际情况及风速风向的监测数据,进行模型入口边界、网格类型及数量、湍流模型的选取,其中将主导风向的来向且靠近释放源的边界设置为速度入口。
所述步骤二中基于建立的CFD模型,在其计算域范围内利用概率抽样方法进行近似随机抽样选取采样点。是由于实际设置的监测点位严重受到个例下垫面的影响,为增强方法的普适性,利用概率抽样方法随机选点,确保随机样本不仅能够很好地分布在整个计算空间并且能保证一定的随机性,尽可能反映出实际的变化情况。具体选点步骤为:利用编程或数据分析软件对研究域在空间上进行等概率分层、随机采样及样本乱序,从而在保证点位均匀分布于空间内的前提下的进行随机采样;采样点数基于以往研究的案例经验并结合实际案例情况进行选取。
所述步骤三中对位置已知的单一点源设定一系列源强情景并逐采样点进行污染物浓度模拟的具体过程如下:基于步骤一中建立的CFD模型,对位置已知的单一点源假设多个源强情景,并逐情景对步骤二中提取的采样点逐点位进行模拟,得到对应源强下的采样点污染物浓度。
所述步骤三中结合传递系数法构建目标点位的源强反算模型,并利用最小二乘法得到一系列源强梯度对应的各采样点传递系数的具体过程如下:基于上一步中得到的污染物浓度监测数据对逐采样点建立基于源受体关系的源强反算模型,认为源受体间存在一个可以近似代替实际函数的响应逼近函数,源强反算模型具体表示如下:
式中,为采样点;/>为第j个源强情景下的对应源强;/>、/>为第/>个采样点位对应的传递系数;/>为第/>个源强情景下第/>个采样点对应的污染物浓度数据。并利用最小二乘法对/>、/>进行求解。
所述步骤四中传递系数控制因子的选取原则如下:选取对与采样点和释放源相关性较高且能够对传递系数产生影响的基础数据作为控制因子(例如,采样点距污染源的水平距离、采样点与主导风向的方向角、风速、污染物监测浓度等)。数据要便于获取,主要应为不易改变的基础数据或易于得到的监测数据。
所述步骤四中构建传递系数及其控制因子的传递系数响应面模型,具体过程如下:逐采样点进行各控制因子的数值提取;基于步骤三中得到的各采样点的传递系数及各控制因子的数值,通过编程软件利用多项式函数拟合方法进行传递系数响应面模型的构建并得到逼近函数方程,其中可用于构建传递系数响应面模型的方程众多,当采用多项式回归法中的二阶多项式建立传递系数响应面模型时,方程具体形式如下:
式中:m、n为传递系数;均为常数;/>均为控制因子;/>、/>均为指针变量,且/>。
所述步骤五中基于污染物浓度监测数据,结合源强反算模型及传递系数响应面模型,快速反算源强的具体的过程如下:将步骤四中得到的传递系数响应面模型的具体方程代入到步骤三中的源强反算模型中,具体的公式如下:
式中,为监测点;/>为释放源强,作为源强反算结果;/>为第/>个监测点对应的污染物浓度监测数据;/>均为常数;/>均为控制因子;/>、/>均为指针变量,且/>。当应用于实际时实际监测点即为采样点,已知各控制因子数值及污染物浓度监测数据/>,即可通过方程快速反算源强/>。
本实施例一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法,属于大气污染防治与源强反算技术领域。包括以下步骤:建立研究区域的计算流体力学模型;在模型计算域内利用概率抽样法选取采样点;对位置已知的单一点源设定一系列源强情景并进行模拟,通过传递系数法构建各采样点的源强反算模型(), 并利用最小二乘法得到对应的传递系数集(/>、/>);利用多项式函数拟合方法构建传递系数及其控制因子(采样点与源点的水平距离、与主导风向的夹角、风速、污染物浓度等)的传递系数响应面模型;基于浓度监测数据,结合源强反算模型及传递系数响应面模型,快速反算源强。本发明实现了复杂下垫面下局地尺度大气污染源强快速反算,解决了现有方法空间分辨率较低或响应速度较慢的问题,为大气污染精细化管控提供技术支持。
具体实例为:
基于所发明的一种基于计算流体力学和传递系数响应面模型的复杂下垫面局地尺度大气污染源强快速反算方法,以北京市某化工企业罐区为例作为研究区域,在研究区域内设置21个监测点位,以道路上某一高度为6m的点位为污染源释放点位进行实施案例源强反算,如图2所示,具体过程如下:
S1、基于外场实验的实地测量结果并结合研究区域的地形数据,建立全尺度的几何计算模型,其中最大模型尺寸长为260m、宽为370m、高为100m;进行模型入口边界、网格类型及数量、湍流模型的选取,其中将主导风向的来向且靠近释放源的边界设置为速度入口,速度大小为实验时刻的风速监测值(本例中实验时刻风速为1.3m/s,风向为103°),选取混合多面体网格对计算流域进行单元划分,气流扩散选择使用标准的湍流模型进行求解。
S2、基于S1中建立的CFD模型,在其计算域范围内利用概率抽样方法进行近似随机抽样选取采样点,本例中利用拉丁超立方采样方法(Latin Hypercube Sample ,LHS)在S1中已经建立的CFD模型计算域中利用python编程软件对研究域在空间上进行等概率分层、在每一层中进行随机采样、最后将所有样本进行乱序重组,从而在保证点位均匀分布于空间内的前提下进行随机采样,如图3所示,在本例中随机选取400个采样点位。
S3、基于S1中建立的CFD模型,对位置已知的单一点源假设多个源强情景Q1~Q7(2、10、20、50、100、150、200g/s),输入 CFD 模型中进行模拟,得到对应源强下的各采样点污染物浓度;基于得到的污染物浓度监测数据对每个采样点建立对应的体现源受体关系的源强反算模型,认为源受体间存在一个可以近似代替实际函数的响应逼近函数,具体公式如下:
式中,为采样点个数(/>);/>为第j个源强情景下的对应源强(在本例中/>= 2、10、20、50、100、150、200g/s,其中/>);/>、/>为第/>个采样点位对应的传递系数;/>为第/>个源强情景下第/>个采样点对应的污染物浓度数据。并利用最小二乘法得到400个采样点对应的传递系数集/>、/>。
S4、基于S3中得到的逐采样点传递系数,并对其控制因子进行数值提取,利用多项式函数拟合方法构建传递系数及其控制因子的传递系数响应面模型。其中控制因子的选取遵循易于获取且与污染源和采样点相关的原则,在本例中选取如下四种控制因子:D距离(m)-采样点据污染源的水平距离;夹角(rad)-采样点与主导风向的方向角;V风速(m/s)-CFD模拟得到的采样点位风速数值;C浓度(ppb)-下风向的采样点污染物浓度。
对S2中提取的400个采样点的四个控制因子分别进行数值提取。将得到的传递系数及各控制因子的数值通过matlab软件进行非线性统计构建二次多项式传递系数响应面模型,传递系数响应面模型的公式的具体形式如下:
式中:m、n为传递系数;均为常数;均为控制因子;/>、/>均为指针变量,且/>。
最终得到的传递系数m、n的具体参数如表一、二所示。
表一、传递系数m的拟合参数汇总
表二、传递系数n的拟合参数汇总
S5、基于污染物浓度监测数据,结合S3中建立的源强反算模型及S4中建立的传递系数响应面模型,对实验中的各实际监测点位进行源强的快速反算,具体的公式如下:
式中,
为监测点个数(/>);
为释放源强(本例中实验释放的Q为22g/s);
为第/>个监测点对应的污染物浓度监测数据;
均为常数;
均为控制因子;/>、/>均为指针变量,且/>。
当应用于实际时实际监测点即为采样点,已知各控制因子数值及污染物浓度监测数据,即可通过公式快速反算源强/>,结果如图4所示。
本发明的一种基于计算流体力学和传递系数响应面模型的复杂下垫面下局地尺度大气污染源强快速反算方法,属于大气污染防治与源强反算技术领域。本发明通过计算流体力学模型与传递系数响应面模型的结合,实现了在考虑局地尺度复杂下垫面物理意义的同时,快速高效的反算污染源强,弥补了现有方法中存在的缺乏物理意义或计算速度较慢的问题,提供了一种新的源强快速反算方法,对局地尺度精细化管控科学性的提升起到重要作用。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块、模组或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元、模组或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的方法中限定的上述功能。需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的***、装置或器件,或者任意以上的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,包括以下步骤:
对待研究区域构建CFD模型;
在CFD模型的计算域范围内选取若干采样点;
基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
根据传递系数及其控制因子,构建传递系数响应面模型;
获取监测点的污染物浓度监测数据;
将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
2.根据权利要求1所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据,具体包括以下步骤:
调整CFD模型中的污染物源强,在不同源强情景下分别进行污染物扩散模拟并采集CFD模型中各个采样点的污染物浓度,作为采样点的污染物浓度数据。
3.根据权利要求1所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数,具体包括以下步骤:
根据采样点的污染物浓度数据,对每个采样点建立对应的体现源受体关系的源强反算模型;
利用最小二乘法对源强反算模型进行参数辨识,得到各个采样点对应的传递系数、;
其中,认为源受体间存在代替实际函数的响应逼近函数,源强反算模型的公式如下:
式中,为采样点;/>为第j个源强情景下的对应源强;/>、/>为第/>个采样点位对应的传递系数;/>为第/>个源强情景下第/>个采样点对应的污染物浓度数据。
4.根据权利要求3所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,根据传递系数及其控制因子,构建传递系数响应面模型,其中所述传递系数响应面模型的公式如下:
式中:m、n为传递系数;均为常数;/>均为控制因子;/>、/>均为指针变量,且/>。
5.根据权利要求4所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于:
所述控制因子为采样点据污染源的水平距离、采样点与主导风向的方向角、CFD模拟得到的采样点位风速数值以及下风向的采样点污染物浓度。
6.根据权利要求1所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,获取监测点的污染物浓度监测数据,具体包括以下步骤:
在待研究区域中设置若干实地监测点;
采集实地监测点的污染物浓度,作为监测点的染物浓度监测数据。
7.根据权利要求4所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于:
将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算的公式如下:
式中,为监测点;/>为释放源强,作为源强反算结果;/>为第/>个监测点对应的污染物浓度监测数据。
8.根据权利要求1所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,对待研究区域构建CFD模型,具体包括以下步骤:
获取待研究区域的实地测量数据和地形数据;
根据实地测量数据和地形数据,构建待研究区域三维模型;
通过流体力学仿真模拟软件对待研究区域三维模型进行仿真模拟,得到CFD模型。
9.根据权利要求1所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,在CFD模型的计算域范围内选取若干采样点,具体包括以下步骤:
在CFD模型的计算域范围内采用概率抽样方法进行近似随机抽样选取若干采样点。
10.复杂下垫面下局地尺度大气污染源强快速反算***,用于实现如权利要求1-9任一所述的复杂下垫面下局地尺度大气污染源强快速反算方法,其特征在于,包括:
CFD模型构建模块,用于对待研究区域构建CFD模型;
采样点选取模块,用于在CFD模型的计算域范围内选取若干采样点;
仿真模块,用于基于CFD模型进行仿真计算,采集不同源强情景下各个采样点的污染物浓度数据;
源强反算模型构建模块,用于根据采样点的污染物浓度数据,构建源强反算模型并获取传递系数;
传递系数响应面模型构建模块,用于根据传递系数及其控制因子,构建传递系数响应面模型;
获取模块,用于获取监测点的污染物浓度监测数据;
源强反算模块,用于将监测点的污染物浓度监测数据输入到源强反算模型和传递系数响应面模型中进行源强反算,得到源强反算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903823.4A CN116644689B (zh) | 2023-07-24 | 2023-07-24 | 复杂下垫面下局地尺度大气污染源强快速反算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310903823.4A CN116644689B (zh) | 2023-07-24 | 2023-07-24 | 复杂下垫面下局地尺度大气污染源强快速反算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644689A true CN116644689A (zh) | 2023-08-25 |
CN116644689B CN116644689B (zh) | 2023-11-03 |
Family
ID=87625126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310903823.4A Active CN116644689B (zh) | 2023-07-24 | 2023-07-24 | 复杂下垫面下局地尺度大气污染源强快速反算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644689B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975505A (zh) * | 2023-09-25 | 2023-10-31 | 北京科技大学 | 带回风通风空调***污染释放时房间污染物分布计算方法 |
CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140075A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Retrieving pollution emission source using cfd and satellite data |
CN107590336A (zh) * | 2017-09-13 | 2018-01-16 | 哈尔滨理工大学 | 燃气管道泄漏对内部流场影响的数值模拟方法 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN116205150A (zh) * | 2022-11-18 | 2023-06-02 | 南京工业大学 | 基于伴随脉冲算法的室内气态污染源时空信息估计方法 |
-
2023
- 2023-07-24 CN CN202310903823.4A patent/CN116644689B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170140075A1 (en) * | 2015-11-12 | 2017-05-18 | International Business Machines Corporation | Retrieving pollution emission source using cfd and satellite data |
CN107590336A (zh) * | 2017-09-13 | 2018-01-16 | 哈尔滨理工大学 | 燃气管道泄漏对内部流场影响的数值模拟方法 |
WO2021208393A1 (zh) * | 2020-04-15 | 2021-10-21 | 北京工业大学 | 一种大气污染物排放清单的反演估算方法 |
CN111537023A (zh) * | 2020-05-13 | 2020-08-14 | 浙江大学 | 一种工业园区大气污染物扩散模拟与溯源方法 |
CN116205150A (zh) * | 2022-11-18 | 2023-06-02 | 南京工业大学 | 基于伴随脉冲算法的室内气态污染源时空信息估计方法 |
Non-Patent Citations (2)
Title |
---|
于水;贺廉洁;于知田;冯国会;: "基于Pearson评价法的室内污染源辨识研究", 沈阳建筑大学学报(自然科学版), no. 05 * |
陈增强;: "基于模式搜索算法的毒气泄漏源强反算研究", 中国科技信息, no. 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975505A (zh) * | 2023-09-25 | 2023-10-31 | 北京科技大学 | 带回风通风空调***污染释放时房间污染物分布计算方法 |
CN116975505B (zh) * | 2023-09-25 | 2024-01-02 | 北京科技大学 | 带回风通风空调***污染释放时房间污染物分布计算方法 |
CN117313428A (zh) * | 2023-11-28 | 2023-12-29 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
CN117313428B (zh) * | 2023-11-28 | 2024-02-23 | 西安中核核仪器股份有限公司 | 一种火电厂污染物浓度在线监测修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116644689B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116644689B (zh) | 复杂下垫面下局地尺度大气污染源强快速反算方法及*** | |
Lac et al. | Overview of the Meso-NH model version 5.4 and its applications | |
Chen et al. | Predict the effect of meteorological factors on haze using BP neural network | |
Zhang et al. | East Asian dust storm in May 2017: Observations, modelling and its influence on Asia-Pacific region | |
Elbern et al. | 4D-variational data assimilation with an adjoint air quality model for emission analysis | |
Bullock Jr et al. | Atmospheric mercury simulation using the CMAQ model: formulation description and analysis of wet deposition results | |
Zhang et al. | Application of WRF/Chem over East Asia: Part I. Model evaluation and intercomparison with MM5/CMAQ | |
Wang et al. | Long-range transport and regional sources of PM2. 5 in Beijing based on long-term observations from 2005 to 2010 | |
Griffin et al. | Secondary organic aerosol 3. Urban/regional scale model of size‐and composition‐resolved aerosols | |
Wang et al. | Spatial and temporal evolution of natural and anthropogenic dust events over northern China | |
Zhang et al. | Real-time air quality forecasting, part II: State of the science, current research needs, and future prospects | |
Wang et al. | The contribution from distant dust sources to the atmospheric particulate matter loadings at XiAn, China during spring | |
Han et al. | Model study on particle size segregation and deposition during Asian dust events in March 2002 | |
Guo et al. | Air pollution forecasting using artificial and wavelet neural networks with meteorological conditions | |
He et al. | Numerical model-based artificial neural network model and its application for quantifying impact factors of urban air quality | |
Zhang et al. | Impact of aerosol size representation on modeling aerosol‐cloud interactions | |
Kong et al. | Comparison of transport pathways and potential sources of PM10 in two cities around a large Chinese lake using the modified trajectory analysis | |
Jia et al. | Estimation and analysis of emissions from on-road vehicles in Mainland China for the period 2011–2015 | |
Larson et al. | Analytic upscaling of a local microphysics scheme. Part I: Derivation | |
Xu et al. | Long-range transport potential and atmospheric persistence of cyclic volatile methylsiloxanes based on global measurements | |
Memarianfard et al. | Artificial neural network forecast application for fine particulate matter concentration using meteorological data | |
Song et al. | Urban and rural transport of semivolatile organic compounds at regional scale: a multimedia model approach | |
Moxim et al. | The meteorological nature of variable soluble iron transport and deposition within the North Atlantic Ocean basin | |
Fan et al. | Process analysis of a regional air pollution episode over Pearl River Delta Region, China, using the MM5-CMAQ model | |
Song et al. | Correlation and principal component regression analysis for studying air quality and meteorological elements in Wuhan, China |
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 |