CN116862266A - 一种基于大数据的提升雾炮车作业精度的方法及*** - Google Patents
一种基于大数据的提升雾炮车作业精度的方法及*** Download PDFInfo
- Publication number
- CN116862266A CN116862266A CN202310924308.4A CN202310924308A CN116862266A CN 116862266 A CN116862266 A CN 116862266A CN 202310924308 A CN202310924308 A CN 202310924308A CN 116862266 A CN116862266 A CN 116862266A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- fog gun
- concentration
- sigma
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009792 diffusion process Methods 0.000 claims abstract description 42
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 29
- 231100000719 pollutant Toxicity 0.000 claims description 28
- 239000000779 smoke Substances 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 239000003546 flue gas Substances 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 239000000356 contaminant Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004062 sedimentation Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 239000000428 dust Substances 0.000 description 12
- 239000002245 particle Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 229910001129 Aermet Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的提升雾炮车作业精度的方法及***,属于气体污染源扩散模拟预测与应用技术领域。包括以下步骤:数据输入:预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据;预测与分析:导入地形输入数据和气象输入数据,选择坐标系并确认模拟时段,运行预测模型,获取模拟结果并对模拟结果进行分析;作业判断:根据预测与分析结果判断雾炮作业的范围。相比于现有技术,本发明的优点在于:利用大数据统计提升雾炮车作业精度,首次将预测模型应用于雾炮作业;通过海量数据模拟结果评估,利于排放源周边雾炮精准作业,使空气中颗粒物沉降效果更佳;依托成熟模型,预测评估步骤简单,评估成本低。
Description
技术领域
本发明涉及气体污染源扩散模拟预测与应用技术领域,更具体地说,涉及一种基于大数据的提升雾炮车作业精度的方法及***。
背景技术
雾炮作业作为治理大气污染和降低空气中颗粒物浓度的常规手段,已经被广泛使用。而雾炮车就是雾炮作业的手段之一,雾炮车的使用时间和地点灵活,根据空气质量监测浓度,可对局部颗粒物浓度较高的地点进行集中式雾炮作业,有效降低局部的颗粒物浓度,抑制粉尘扩散,改善空气质量。雾炮车被广泛用于拆迁、施工及易扬尘区域降尘的工作中,效果显著,近几年愈加被作为常规手段应用于城市大气PM2.5和PM10治理方面。
降低重点企业周边的颗粒物浓度,并抑制粉尘扩散,对于改善空气质量十分有利。另外,受气象因素、污染源高度和流速等影响,企业周边颗粒物浓度分布情况存在不确定性,因此,企业周边颗粒物抑制和精准管控仍然存在一定困难。
在相关技术中,如中国专利文献CN218027427U公开了一种小型防堵塞的新能源雾炮车,包括水箱、雾炮电机、雾炮车,水箱和雾炮电机安装在雾炮车上,水箱上固定安装有报警器,报警器上电性连接有报警开关,报警开关上固定安装有放置架,放置架固定安装在水箱上,放置架上固定安装有限位轴,限位轴上滑动安装有触板,该方案通过浮板、报警器等的设置,实现在雾炮车使用过程中,浮板随着水箱内的水位升降运动,从而带动压板运动,在水位低至需要加水的水位时,压板刚好接触触板,水位继续下降时,带动触板接触报警器开关使得报警器蜂鸣,从而实现提醒工作人员为水箱加水,进而保证了雾炮车的正常工作。但是该方案没有对相关技术中存在的雾炮作业精度较低的问题提供任何技术启示。
综上所述,雾炮作业精度较低是现有技术亟待解决的问题。
发明内容
1.要解决的技术问题
针对现有技术中存在的雾炮作业精度较低的问题,本发明提供了一种基于大数据的提升雾炮车作业精度的方法及***,将预测模型应用到评估雾炮作业路线范围,为治污降尘减霾、城市环境治理提供了新的思路,它可以实现提升雾炮作业的精准度,在最佳作业范围内进行雾炮作为更有利于空气中颗粒物沉降,空气净化效果更佳。
2.技术方案
本发明的目的通过以下技术方案实现。
一种基于大数据的提升雾炮车作业精度的方法,包括如下步骤:
数据输入:预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据;
预测与分析:导入地形输入数据和气象输入数据,选择坐标系并确认模拟时段,运行预测模型,获取模拟结果并对模拟结果进行分析;
判断与作业:根据大数据预测与分析的结果,判断雾炮作业的范围、强度及运行速度。
更进一步的,气象数据预测具体步骤为,基于地面气象数据和高空气象数据,包括预测企业所在地的每日逐小时气象检测的风向、风速、气压、温度、相对湿度、露点气温、总云量和低云量,以及气象观测站观测的探空数据,将以上数据存储成符合预测模型格式要求的气象输入数据文件。
更进一步的,探空数据包括所在地每日的地面至高空的气压、风向风速、干球温度和露点气温。
更进一步的,地形数据预测具体步骤为,对预测范围内地形数据进行处理,存储成符合预测模型格式要求的地形数据文件;
预测模型将扩散流场分为两层的结构,下层的流场保持水平绕过障碍物,上层的流场抬升越过障碍物,在稳定和对流条件下均满足高斯分布。
更进一步的,网格点(x,y,z)在平台地形上的质量浓度为ρ(x,y,z),则经预测模型模拟后,地形影响的总质量浓度ρT(x,y,z)表示为:
ρT(x,y,z)=f·ρ(x,y,z)+(1-f)·ρ(x,y,za);
f=0.5·(1+θ);
za=z-zi;
(x,y,z)为网格点的坐标;ρ(x,y,z)为烟羽的总浓度;za为有效高度;f为权函数;θ为烟羽质量与总烟羽质量的比值;Hc为分界流线高度;zi为该地形的高度值;Q为污染源排放速率;U为有效风速;Py(y,x)、Pz(z,x)分别为水平方向和垂直方向浓度分布的概率分布函数。
更进一步的,烟羽的总浓度ρ(x,y,z)在对流边界层和稳定边界层有不同的表达形式;其中,烟羽的总浓度ρ(x,y,z)在对流边界层扩散公式表示为:
ρ(x,y,z)=ρd(x,y,z)+ρr(x,y,z)+ρp(x,y,z);
ρd(x,y,z)为污染物直接排放浓度;ρr(x,y,z)为虚拟源排放浓度,公式如ρd(x,y,z),仅hi有差异;ρp(x,y,z)为夹卷源排放浓度;Q为污染源排放速率;U为有效风速;为平均风速;zj为该地形的高度值;λj为高斯分布权系数;hi为有效源高;σy为水平扩散系数;σz为垂直扩散系数;σj为ρd(x,y,z)的垂直扩散系数;σb为由浮力引起的扩散系数;bj为标准差比例;σw为垂直湍流强度。
更进一步的,烟羽的总浓度ρ(x,y,z)在对流边界层和稳定边界层有不同的表达形式;其中,烟羽的总浓度ρ(x,y,z)在稳定边界层扩散公式表示为:
n是常数,定义域是(-∞,∞);Fz为烟羽的垂直分布函数;Fy为烟羽的水平分布函数;σy为水平扩散系数;σz为垂直扩散系数;hp为烟羽的高度;hz为垂直混合层的极限高度;σy、σZ分别为烟羽在水平方向、垂直方向上的扩散参数。
更进一步的,预测与分析的具体步骤为,选择坐标系,包括相对坐标和底图投影坐标;导入底图并给定地理信息;
以预测点为中心,设置双重受体网格,第一重步长500m,21×21个网格,第二重步长100m,21×21个网格;
导入地形输入数据,运行预测模型,给输入的所有源强和受体网格赋予海拔高度值;
导入气象输入数据,输入气象站点海拔,确认模拟时段,运行预测模型;
预测在相异的气象条件、地形条件和与源强参数条件下,污染物浓度和扩散面积,以及各受体网格点的浓度,形成大数据预测结果;
分析大数据预测结果,获取最大落地浓度值以及最大落地浓度值出现的距离。
更进一步的,作业判断的具体步骤为,预测企业的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数;
根据预测的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数,综合得到污染度t;
根据预测的地形数据,设定系数α;根据预测的天气数据,设定系数β;
当污染度t的值越大时,雾炮车的作业强度p越大,雾炮车的运行速度v越慢,得到雾炮车的作业强度及运行速度,即
基于上述基于大数据的提升雾炮车作业精度的方法的***,包括,
数据输入模块:用于预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据;
预测与分析模块:用于导入地形输入数据和气象输入数据,选择坐标系,确认模拟时段,运行预测模型,获取模拟结果并对模拟结果进行分析,获取最大落地浓度值及最大落地浓度值出现的距离;
作业判断模块:用于根据最大落地浓度和最大浓度出现的距离,以及预测污染物的浓度分布情况,判断最佳的雾炮作业范围、作业强度及运行速度。
3.有益效果
相比于现有技术,本发明的优点在于:基于大数据的提升雾炮车作业精度的方法及***,首次将AERMOD模型应用于雾炮作业;通过大数据模拟评估,有利于排放源周边雾炮更精准作业,使得空气中颗粒物沉降效果更佳;依托成熟模型,预测评估步骤相对简单,评估成本低回报率高。
附图说明
图1是本发明一实施例中基于大数据的提升雾炮车作业精度的方法的流程示意图;
图2是本发明一实施例中雾炮除尘工作的示意图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
基于预测模型模拟企业颗粒物的扩散情况。本实施例中的预测模型为AERMOD模型,是适用于点源、面源、线源、体源且预测范围小于50km的大气预测模式,该模型现阶段主要应用于大气环评中的污染物扩散模拟、大气防护距离计算等方面,在实际应用领域较为少见。
本实施例提供一种基于大数据的提升雾炮车作业精度的方法,基于小尺度模型预测企业周边颗粒物浓度分布情况以提升企业周边雾炮车作业精度,这种方法能解决企业周边的颗粒物抑制和管控困扰,有效改善空气质量。
如图1至图2所示,一种基于大数据的提升雾炮车作业精度的方法,包括以下步骤:
数据输入
基于地面气象数据和高空气象数据,预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据。具体如下:
气象数据预测:
预测企业所在地的气象数据,基于地面气象数据和高空气象数据,气象资料包括近1年以来预测企业所在地的每日逐小时气象检测的风向、风速、气压、温度、相对湿度、露点气温、总云量和低云量,以及气象观测站观测的探空数据,该探空数据包括所在地每日07时和19时,地面至高空2000m的气压、风向风速、干球温度和露点气温,将这些数据存储成符合预测模型格式要求的气象输入数据文件。
地形数据预测:
预测范围内的地形数据,来自SRTM的高程数据,分别率30m。使用预测模型的地形数据预处理模块对地形数据进行处理,存储成符合预测模型格式要求的地形数据文件。
预测模型在考虑地形(包括地面障碍物)对污染物浓度分布的影响时,使用了分界流线的概念,即将扩散流场分为两层的结构,下层的流场保持水平绕过障碍物,而上层的流场则抬升越过障碍物。其在稳定和对流条件下均满足高斯分布。
任意一网格点的浓度值就是这两种烟羽浓度加权之后的和。假定一网格点(x,y,z)在平台地形上的质量浓度为ρ(x,y,z),则经预测模型模拟后考虑地形影响的总质量浓度公式:
ρT(x,y,z)=f·ρ(x,y,z)+(1-f)·ρ(x,y,za);
f=0.5·(1+θ);
za=z-zi;
其中,(x,y,z)为网格点的坐标;ρT(x,y,z)为总浓度;ρ(x,y,z)为烟羽的总浓度,在对流边界层和稳定边界层有不同的表达形式;za为有效高度;f为权函数;θ为烟羽质量与总烟羽质量的比值;Hc为分界流线高度;zi为该地形的高度值;Q为污染源排放速率;U为有效风速;Py(y,x)、Pz(z,x)分别为水平方向和垂直方向浓度分布的概率分布函数。
(1)对流边界层扩散公式:
ρ(x,y,z)=ρd(x,y,z)+ρr(x,y,z)+ρp(x,y,z);
其中,ρd(x,y,z)为污染物直接排放浓度;ρr(x,y,z)为虚拟源排放浓度,公式与ρd(x,y,z)相似,仅hi略有差异;ρp(x,y,z)为夹卷源排放浓度;Q为污染源排放速率;U为有效风速;为平均风速;zj为该地形的高度值;λj为高斯分布权系数;hi为有效源高;σy为水平扩散系数;σz为垂直扩散系数;σj为ρd(x,y,z)的垂直扩散系数;σb为由浮力引起的扩散系数;bj为标准差比例;σw为垂直湍流强度。
(2)稳定边界层扩散公式:
其中,n是常数,定义域是(-∞,∞),Fz为烟羽的垂直分布函数;Fy为烟羽的水平分布函数;σy为水平扩散系数;σz为垂直扩散系数;hp为烟羽的高度;hz为垂直混合层的极限高度;σy、σZ分别为烟羽在水平方向、垂直方向上的扩散参数。
预测与分析
选择相应的坐标系,包括相对坐标和底图投影坐标,导入相应的底图并给定地理信息;
以预测点为中心,设置双重受体网格,第一重步长500m,21×21个网格;第二重步长100m,21×21个网格;
导入地形输入数据,运行AERMAP模型,给输入的所有源强和受体网格赋予海拔高度值;
导入气象输入数据(地面气象文件和高空气象文件),输入气象站点海拔,确认模拟时段。
即可运行预测模型;
模型模拟可预测该预测点在上述气象条件、地形条件和与源强参数条件下,污染物浓度和扩散面积,以及各受体网格点的浓度。对模拟的结果进行分析,可绘制等值绘图、数据统计,获取最大落地浓度值以及最大落地浓度值出现的距离等;
判断与作业
根据最大落地浓度出现的距离判断雾炮作业的范围,根据预测结果获取雾炮作业的作业强度及运行速度。
预测企业的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数;
根据预测的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数,综合得到污染度t;
根据预测的地形数据,设定系数α;根据预测的天气数据,设定系数β;
当污染度t的值越大时,雾炮车的作业强度p越大,雾炮车的运行速度v越慢,得到雾炮车的作业强度及运行速度,即
本发明的提升雾炮车作业精度的方法,基于符合预测模型格式要求的气象数据、地形数据以及企业污染源强数据,针对企业颗粒物排放后的扩散情况进行模拟,预测在该气象、地形、源强条件下的该企业颗粒物扩散情况,得到该条件下的最大落地浓度及最大落地浓度出现的距离。可根据各个企业的情况调整雾炮作业的距离和范围,提高雾炮作业的精准度,更有效地抑制粉尘的逸散。
基于上述提升雾炮车作业精度的方法的***,包括:
数据输入模块:
用于预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据。
气象数据预测,使用气象数据预处理模块处理气象数据,地面气象数据格式可以是CD144、Excel和中国气象站A文件,通过预测模型的预测***的气象数据预处理或其他手段,将气象数据处理成插值后导出AERMET模型可以识别的CD144格式。
地形数据预测,预测模型导入CD144格式地面气象数据文件。模块根据地面气象数据文件中的站点好信息在自带的数据库中搜索该气象站点的地理位置、海拔等信息。导入FSL高空数据文,模块自动识别文件中的站点信息,其他设置选用默认选项。输入土地利用参数:反照比、鲍恩比、地表粗糙度,定义土地覆盖类型。运行AERMET模型后可以得到可直接输入预测模型的SFC格式地面数据文件以及PFL格式的高空气象文件。分别将SFC和PFL文件保存到制定路径。
预测与分析模块:
用于导入地形输入数据和气象输入数据,选择坐标系,确认模拟时段,运行预测模型,并对模拟的结果进行分析,获取最大落地浓度值及最大落地浓度值出现的距离。
定义坐标体系,选择相对坐标和地图投影坐标。导入从任意地图软件获取的地图,通过提供地图西南角和东北角坐标或者采用一已知参考点和亮点距离的方法给定地图的地理信息。
选用BREEZE程序,切换到多污染物界面,根据需要输入污染物名称,可以设置1种或者多种污染因子。
在导入的地图上添加污染源,根据污染源类型选择不同的源类型,包括点源、火炬源、面源、圆形面源、多边形面源、线源、体源和开口矿坑源等;选择源类型后在地图上添加源或者根据坐标设置源的位置,并输入源强参数。点源参数包括名称、烟囱高度和内径、烟气出口温度、出口流速以及污染物排放速率。面源参数包括名称、排放高度、初始垂直扩散参数、面源的长和宽、角度信息以及污染物的排放速率。
设置建筑物数据(如有),选择工具栏中的“建筑物”,选择矩形、圆形或者多边形,在地图上绘制建筑物形状,设置高度等参数。运行BPIP程序,得到建筑物下洗参数。
设计计算网格。首先选择厂界受体工具,在地图上根据底图的长街形状勾画出厂界受体,网格间距为100米,点击生成厂界受体网格。其次在评价范围设置双重均匀笛卡尔网格,第一层网格较粗,网格步长为500m,网格数量为21×21个,第二层网格较精细,网格步长为100m,网格数量为21×21个,并勾选清除厂界内受体的选项。
导入地形高程数据,使用来自SRTM的高程数据,分别率30m。导入的地形高程文件需覆盖需要预测的范围,如范围过大可以选择计算区域,减小计算量。
运行预测模型,给所有的源、受体和网格均被赋予海拔高度值。
导入气象数据文件。输入上述预处理得到的SFC格式地面数据文件以及PFL格式的高空气象文件,并输入气象站点海拔。
设置输出参数,点击菜单中的输出选项,勾选“计算分析设置”、“绘图文件输出设置”和“详细记录文件”。“计算分析设置”、“绘图文件输出设置”和“详细记录文件”选项界面可勾选1小时、24小时、和月平均时段平均和年平均;根据需求勾选并确认。
运行预测模型,设置好上述参数后,确认无误即可点击预测模型运行按钮,随后等待模型运行成功即可。若上述参数设置错误或者选项未设置,描述栏会出现提示及警告信息。模型运行界面则会显示不成功。
模型运行结束后,用户可以在预测模型的界面上报告选项卡上查看详细的报告总结。包括输入概述和输出概述、输入文件和输出文件、输出选项卡选择的各种结果文件。
选择使用3D Analyst分析计算结果,导入运行后的计算结果。绘制浓度分布图或者等值线图、对数据结果进行统计分析。如表1所示,预测结果可知最大落地浓度和最大浓度出现的距离,以及预测污染物的浓度分布情况。
表1.预测结果
判断与作业模块:
用于根据最大落地浓度和最大浓度出现的距离,以及预测污染物的浓度分布情况,判断最佳的雾炮作业范围、作业强度及运行速度。
雾炮作业一般使用雾炮车,车后方除了储水箱外,还有一个雾炮筒,可根据不同路面情况调节“炮筒”的喷雾距离,将水雾定向抛射到制定位置,在尘源处上方或者周边进行喷雾覆盖,增加空气中的湿度,使得空气中的粉尘在遇水迅速凝结成颗粒团,通过自身重力作用,快速降尘到地面,从而达到除尘的效果。
根据预测的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数,综合得到污染度t;
根据预测的地形数据,设定系数α;根据预测的天气数据,设定系数β;
当污染度t的值越大时,雾炮车的作业强度p越大,雾炮车的运行速度v越慢,得到雾炮车的作业强度及运行速度,即
本发明的提升雾炮车作业精度的方法及***,利用气象数据、地形高程数据以及污染源参数作为模型的输入数据;以及利用预测模型进行污染浓度模拟,获得各受体网格的模拟浓度值。通过模拟结果可获取该预测点污染物的最大落地浓度和出现距离以及污染物浓度的分布情况,建立企业周边污染物浓度大数据集。可以应用于企业周边雾炮作业范围的评估。且本发明的基于大数据的提升雾炮车作业精度的方法及***可根据各个企业的情况调整雾炮作业的距离和范围,提高雾炮作业的精准度,更有效地抑制粉尘的逸散。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种基于大数据的提升雾炮车作业精度的方法,包括如下步骤:
数据输入:预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据;
预测与分析:导入地形输入数据和气象输入数据,选择坐标系并确认模拟时段,运行预测模型,获取模拟结果并对模拟结果进行分析;
判断与作业:根据大数据预测与分析的结果,判断雾炮作业的范围、强度及运行速度。
2.根据权利要求1所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
气象数据预测具体步骤为,基于地面气象数据和高空气象数据,包括预测企业所在地的每日逐小时气象检测的风向、风速、气压、温度、相对湿度、露点气温、总云量和低云量,以及气象观测站观测的探空数据,将以上数据存储成符合预测模型格式要求的气象输入数据文件。
3.根据权利要求2所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
探空数据包括所在地每日的地面至高空的气压、风向风速、干球温度和露点气温。
4.根据权利要求1所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
地形数据预测具体步骤为,对预测范围内地形数据进行处理,存储成符合预测模型格式要求的地形数据文件;
预测模型将扩散流场分为两层的结构,下层的流场保持水平绕过障碍物,上层的流场抬升越过障碍物,在稳定和对流条件下均满足高斯分布。
5.根据权利要求4所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
网格点(x,y,z)在平台地形上的质量浓度为ρ(x,y,z),则经预测模型模拟后,地形影响的总质量浓度ρT(x,y,z)表示为:
ρT(x,y,z)=·ρ(x,y,z)+(1-)·(x,y,za);
f=0.5·(1+θ);
za=-zi;
(x,y,z)为网格点的坐标;(x,y,z)为烟羽的总浓度;za为有效高度;f为权函数;θ为烟羽质量与总烟羽质量的比值;Hc为分界流线高度;zi为该地形的高度值;Q为污染源排放速率;U为有效风速;Py(y,x)、Pz(,x)分别为水平方向和垂直方向浓度分布的概率分布函数。
6.根据权利要求5所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
烟羽的总浓度ρ(x,y,z)在对流边界层和稳定边界层有不同的表达形式;其中,烟羽的总浓度ρ(x,y,z)在对流边界层扩散公式表示为:
ρ(x,y,z)=d(x,y,z)+r(x,y,z)+p(x,y,z);
ρd(x,y,z)为污染物直接排放浓度;ρr(x,y,z)为虚拟源排放浓度,公式如ρd(x,y,z),仅hi有差异;ρp(x,y,z)为夹卷源排放浓度;Q为污染源排放速率;U为有效风速;为平均风速;zj为该地形的高度值;λj为高斯分布权系数;hi为有效源高;σy为水平扩散系数;σz为垂直扩散系数;σj为ρd(x,y,z)的垂直扩散系数;σb为由浮力引起的扩散系数;bj为标准差比例;σw为垂直湍流强度。
7.根据权利要求5所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
烟羽的总浓度ρ(x,y,z)在对流边界层和稳定边界层有不同的表达形式;其中,烟羽的总浓度ρ(x,y,z)在稳定边界层扩散公式表示为:
n是常数,定义域是(-∞,∞);Fz为烟羽的垂直分布函数;Fy为烟羽的水平分布函数;σy为水平扩散系数;σz为垂直扩散系数;hp为烟羽的高度;hz为垂直混合层的极限高度;σy、σz分别为烟羽在水平方向、垂直方向上的扩散参数。
8.根据权利要求1所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
预测与分析的具体步骤为,选择坐标系,包括相对坐标和底图投影坐标;导入底图并给定地理信息;
以预测点为中心,设置双重受体网格,第一重步长500m,21×21个网格,第二重步长100m,21×21个网格;
导入地形输入数据,运行预测模型,给输入的所有源强和受体网格赋予海拔高度值;
导入气象输入数据,输入气象站点海拔,确认模拟时段,运行预测模型;
预测在相异的气象条件、地形条件和与源强参数条件下,污染物浓度和扩散面积,以及各受体网格点的浓度,形成大数据预测结果;
分析大数据预测结果,获取最大落地浓度值以及最大落地浓度值出现的距离。
9.根据权利要求8所述的基于大数据的提升雾炮车作业精度的方法,其特征在于,
作业判断的具体步骤为,预测企业的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数;
根据预测的污染源的经纬度、污染物种类、污染物排放的速率、烟囱高度和内径、烟气温度等参数,综合得到污染度t;
根据预测的地形数据,设定系数α;根据预测的天气数据,设定系数β;
当污染度t的值越大时,雾炮车的作业强度p越大,雾炮车的运行速度v越慢,得到雾炮车的作业强度及运行速度,即
10.基于如权利要求1-9任一所述的基于大数据的提升雾炮车作业精度的方法的***,其特征在于,包括,
数据输入模块:用于预测企业所在地的气象数据,作为气象输入数据;预测范围内的地形数据,作为地形输入数据;
预测与分析模块:用于导入地形输入数据和气象输入数据,选择坐标系,确认模拟时段,运行预测模型,获取模拟结果并对模拟结果进行分析,获取最大落地浓度值及最大落地浓度值出现的距离;
作业判断模块:用于根据最大落地浓度和最大浓度出现的距离,以及预测污染物的浓度分布情况,判断最佳的雾炮作业范围、作业强度及运行速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924308.4A CN116862266B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的提升雾炮车作业精度的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924308.4A CN116862266B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的提升雾炮车作业精度的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862266A true CN116862266A (zh) | 2023-10-10 |
CN116862266B CN116862266B (zh) | 2024-07-09 |
Family
ID=88232208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310924308.4A Active CN116862266B (zh) | 2023-07-25 | 2023-07-25 | 一种基于大数据的提升雾炮车作业精度的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862266B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050004316A (ko) * | 2003-06-27 | 2005-01-12 | 재단법인 포항산업과학연구원 | 복수 기상관측자료를 이용한 대기오염 확산 예측 방법 |
JP2005128691A (ja) * | 2003-10-22 | 2005-05-19 | Hitachi Eng Co Ltd | 粉塵拡散シミュレーション装置及び方法 |
KR20130000065A (ko) * | 2011-06-22 | 2013-01-02 | 주식회사 이도시앤에스 | 지피에스를 이용한 대기오염 제어 및 모니터링 시스템 |
US20130117608A1 (en) * | 2011-11-07 | 2013-05-09 | Us Govt As Represented By Secretary Of The Army | Method and system for determining accuracy of a weather prediction model |
CN207489239U (zh) * | 2017-11-23 | 2018-06-12 | 深圳市格云宏邦环保科技有限公司 | 一种城市扬尘处理*** |
CN109358163A (zh) * | 2018-11-08 | 2019-02-19 | 四川坤翔科技有限公司 | 基于大数据的建筑工地大数据扬尘评估方法 |
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 |
CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
CN114118613A (zh) * | 2021-12-06 | 2022-03-01 | 中国科学院地理科学与资源研究所 | 一种焦化土壤污染空间分布预测优化方法及*** |
CN115796423A (zh) * | 2023-02-07 | 2023-03-14 | 长沙中联重科环境产业有限公司 | 一种基于物联网监测缓解城市扬尘的方法及*** |
-
2023
- 2023-07-25 CN CN202310924308.4A patent/CN116862266B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050004316A (ko) * | 2003-06-27 | 2005-01-12 | 재단법인 포항산업과학연구원 | 복수 기상관측자료를 이용한 대기오염 확산 예측 방법 |
JP2005128691A (ja) * | 2003-10-22 | 2005-05-19 | Hitachi Eng Co Ltd | 粉塵拡散シミュレーション装置及び方法 |
KR20130000065A (ko) * | 2011-06-22 | 2013-01-02 | 주식회사 이도시앤에스 | 지피에스를 이용한 대기오염 제어 및 모니터링 시스템 |
US20130117608A1 (en) * | 2011-11-07 | 2013-05-09 | Us Govt As Represented By Secretary Of The Army | Method and system for determining accuracy of a weather prediction model |
CN207489239U (zh) * | 2017-11-23 | 2018-06-12 | 深圳市格云宏邦环保科技有限公司 | 一种城市扬尘处理*** |
CN109358163A (zh) * | 2018-11-08 | 2019-02-19 | 四川坤翔科技有限公司 | 基于大数据的建筑工地大数据扬尘评估方法 |
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 |
CN112749478A (zh) * | 2020-12-11 | 2021-05-04 | 江苏汇环环保科技有限公司 | 一种基于高斯扩散模型大气污染溯源扩散分析***及方法 |
CN114118613A (zh) * | 2021-12-06 | 2022-03-01 | 中国科学院地理科学与资源研究所 | 一种焦化土壤污染空间分布预测优化方法及*** |
CN115796423A (zh) * | 2023-02-07 | 2023-03-14 | 长沙中联重科环境产业有限公司 | 一种基于物联网监测缓解城市扬尘的方法及*** |
Non-Patent Citations (2)
Title |
---|
YANG C 等: "Alternative ozone metrics and daily mortality in Suzhou:The China Air Pollution and Health Effects Study (CAPES)", SCIENCE OF THE TOTAL ENVIRONMENT, 31 December 2012 (2012-12-31) * |
李冰晶;仝纪龙;潘峰;汪健;梁依玲;: "利用AERMOD预测焦化行业大气环境影响实例分析", 环境工程, no. 05, 22 October 2013 (2013-10-22) * |
Also Published As
Publication number | Publication date |
---|---|
CN116862266B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537023B (zh) | 一种工业园区大气污染物扩散模拟与溯源方法 | |
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
CN107194139B (zh) | 大气污染源分级方法及计算设备 | |
CN111727447A (zh) | 一种选择污染物治理措施的方法 | |
Zhou et al. | Effects of potential recirculation on air quality in coastal cities in the Yangtze River Delta | |
CN113360850A (zh) | 一种大气污染物线源溯源分析方法 | |
CN110095394A (zh) | 一种大气颗粒物污染快速溯源方法 | |
Goyal et al. | Assessment of the effectiveness of policy interventions for Air Quality Control Regions in Delhi city | |
CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
NL2027637A (en) | Cwt-based quantitative analysis method for external source of atmospheric primary pollutant | |
Gao et al. | Analysis of air quality changes and influencing factors in Changchun during the COVID-19 pandemic in 2020 | |
CN117092297A (zh) | 一种工业园区大气污染物的溯源方法、***、设备及介质 | |
CN112132450A (zh) | 一种气态污染物的定位方法 | |
CN114002381A (zh) | 一种大气污染溯源扩散分析方法及装置 | |
CN116862266B (zh) | 一种基于大数据的提升雾炮车作业精度的方法及*** | |
CN106875756A (zh) | 一种基于蚁群算法的连续下降进近的航空器噪声优化方法 | |
Liu et al. | The impact of atmospheric motions on source-specific black carbon and the induced direct radiative effects over a river-valley region | |
Lee et al. | Past and recent changes in the pollution characteristics of PM10 and SO2 in the largest industrial city in South Korea | |
CN112001074B (zh) | 一种基于植被覆盖率的污染物治理方法、装置、存储介质 | |
CN117291343A (zh) | 一种基于空天地监测网络的大气污染防治管控*** | |
Chakraborty | Spatial representation and estimation of environmental risk: A review of analytic approaches | |
CN115270962A (zh) | 一种基于城市交通仿真的大气污染物浓度计算方法 | |
CN114722635A (zh) | 一种化工园区大气污染物监测传感器布局方法 | |
Zhu et al. | Characteristics and formation mechanism of a serious haze event in autumn 2017 in Harbin, China | |
Ma et al. | Spatiotemporal dynamics of near-surface ozone concentration and potential source areas in northern China during 2015—2020 |
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 |