空净一体机和空气净化器联合系统对PM_(2.5)净化时间的对比研究

为了对比卡式空净一体机和空气净化器联合系统对PM_(2.5)净化效果的区别,本研究以空净一体机联合换气系统和空气净化器+空调联合换气系统为研究对象,用CFD软件建立模型后用实测数据验证了模拟的准确性,并通过拓展模拟分析两种联合运行系统在相同条件下将室内PM_(2.5)质量浓度净化至低于35μg/m~3的相对时长。研究结果表明,在空净一体机和空气净化器的送风量差别不大的情况下,良好的气流组织使空净一体机联合系统能在更短的时间内净化PM_(2.5)。

融合二次分解的深度学习模型在PM_(2.5)浓度预测中的应用

针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory,CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination,RFE)进行特征筛选,随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵,将样本熵由K-means聚类整合为新的分量,再由变分模态分解(Variational Mode Decomposition,VMD)方法进行二次分解。最后,将所有分量先经时间卷积网络(Temporal Convolutional Network,TCN)进行特征提取,并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)预测,叠加各分量预测值即为最终预测结果。消融试验结果显示,该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见,研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小,精度更高,可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。

基于乘用车舱内PM_(2.5)净化性能的认证评价研究

车辆已经成了人们生活、工作中的重要工具,人们每天都会有一定的时间待在车内,车辆内的空气质量将会对人们的身体健康带来严重的影响。而PM_(2.5)是一种重要的空气污染物,对PM_(2.5)的净化能力将会对车内空气带来直接的影响。为了更好地控制车辆内的空气质量,文中主要就基于乘用车舱内PM_(2.5)净化性能的认证评价进行了探讨。希望能够为改善乘用车舱内空气质量提供支持。

基于时间模式注意力机制和改进TCN的PM_(2.5)浓度预测方法

针对现在PM_(2.5)浓度预测模的预测精度不高和泛化能力差的问题,提出一种结合时间模式注意力机制和改进时间卷积网络(Temporal Pattern Attention and Temporal Convolutional Network,TPA-TCN)的PM_(2.5)浓度预测模型。通过对气象数据和空气污染物监测站点数据进行时空分析,选择具有高相关性的邻近站点作为辅助变量。引入TPA机制,在PM_(2.5)数据时间序列的每个时间步上计算注意力权重,改进TCN的残差结构,提高模型的训练速度和鲁棒性。使用自回归(Autoregressive,AR)算法优化模型的线性提取能力。实验结果表明,该模型在PM_(2.5)预测对比实验任务中表现优异,具备更高的预测精度和更强的泛化能力。

基于自注意力机制的PM_(2.5)长时间尺度预测

近些年基于机器学习的PM_(2.5)预测逐渐成为主流,具有较强的非线性建模能力和提高预测精度的优势。然而,时间跨度较大的PM_(2.5)浓度变化预测仍然面临挑战。文章构建了多种自注意力机制的模型,将PM_(2.5)浓度的逐日预测提升到了14天的尺度,提升了以日为单位的PM_(2.5)预测精度。并对Informer、Autoformer、FEDformer和TCN模型在以日为单位的长时间尺度预测进行了对比分析,提高了PM_(2.5)预测模型的准确性和可靠性。文章共构建了3,7,14天三个时间尺度,在各个时间尺度上,Autoformer模型性能表现都是最好的。相较于TCN模型,Autoformer在预测未来3天的时间尺度上,RMSE优化了43.36%,MAE优化了42.70%。在7天的时间尺度上,RMSE优化了39.07%,MAE优化了8.98%、在14天的时间尺度上,RMSE优化了39.07%,MAE优化了8.98%。有效提升了PM_(2.5)在长时间序列预测上的精度。

送风仰角0°、不同风速下净化器PM_(2.5)净化时间不均匀性分析

净化器在运行时室内不同人员处PM_(2.5)净化时间并不相同,会对人员的健康造成影响,并且净化器风速的不同会对室内PM_(2.5)的不均匀性产生影响,因此有必要对净化器不同风速下PM_(2.5)净化时间不均匀性进行研究。本文在净化器送风仰角0°、不同风速条件下,采用Fluent软件建立数学模型,并使用试验数据验证模型的准确性,通过数值模拟得到3种风速下室内各区域的净化时间,最后通过计算PM_(2.5)净化不均匀系数来进行不均匀性分析。研究表明:风速3 m/s时,人员距离11.5 m处PM_(2.5)净化时间较1.5 m/s和0.75m/s分别下降了57.32%和59.33%,而在0.5m处分别下降了20.28%和30.44%,所以当人员集中在房间中部和后部时建议采用最大风速,可以保证空气净化的高效性和质量性。当人员集中在房间前部时,考虑到净化器的能耗和噪声问题,可以适当减小风速。当风速由0.75m/s增加到1.5m/s时,PM_(2.5)净化时间不均匀系数基本不变,从1.5m/s到3m/s时,下降了73.69%,当人员在室内分布较为分散时,建议净化器风速应大于1.5m/s。研究结果可为消除净化时间不均匀性实现人员位置处优先净化和净化器的智能控制奠定基础。

新型净化器的室内不同位置PM_(2.5)净化时间预测模型研究

现今空气净化器的使用大多依赖于个人习惯,既不能确定空气净化器的最佳运行方式,也不能使室内人员处得到优先净化。为了实现室内人员位置处在净化器的使用过程中得到优先净化的目的,本文在净化器无仰角和最大风速(3 m/s)下采用实验结合模拟的研究方法,用实验数据验证和完善模型,通过对模拟结果PM的净化时间数据的深入讨论和分析,研究净化器的运行模式对室内不同位置净化时间的影响,并为建立净化时间预测模型总结归纳回归资料;采用SPSS软件对回归资料进行多元线性/非线性回归分析的基础上,建立净化时间预测模型,同时利用模拟结果对预测模型进行准确性验证。研究表明:该模式下PM净化时间与各影响因子之间呈非线性关系,与房间面积及其平方、房间长宽比及其平方、PM初始浓度及其平方、人员距离呈负相关。与房间面积和房间长宽比乘积、房间面积和PM初始浓度乘积、房间面积和人员距离乘积、房间长宽比和PM初始浓度乘积、PM初始浓度和人员距离乘积、人员距离的平方呈正相关;房间面积对人员处净化时间的影响贡献率最大,为30.08%,人员距净化器的距离对人员处净化时间的影响贡献率最小,为20.07%。可见改变房间面积对净化时间的影响最大;当房间面积固定时,房间长宽比对于PM净化时间的影响程度最大,由25.01%增加到35.76%;PM初始浓度贡献率次之,由24.85%增加到35.54%;人员距离的贡献率最低,由20.07%增加28.70%。可见,房间长宽比和PM初始浓度对PM净化时间的影响程度更显著,故在净化器实际使用过程中,应着重考虑PM初始浓度和房间长宽比的影响。

基于多元时间序列的哈尔滨市PM_(2.5)影响因素分析

为探究哈尔滨市PM_(2.5)与其他空气污染物和气象因子间的动态关系,基于哈尔滨市2013-2018年日值空气质量数据和气象观测数据建立PM_(2.5)质量浓度的多元时间序列模型.利用相关性较强且平稳的空气污染物(包括SO_(2),NO_(2),PM_(10),CO和O_(3))和气象因子(平均气温、极大风速、累计降水量、日照时数和平均气压)建立PM_(2.5)的向量自回归(Vector Autoregressive,VAR)模型,选择最优模型为VAR(2),并通过广义脉冲响应和方差分解分析这些因素对PM_(2.5)的影响.研究表明:SO_(2),NO_(2),PM_(10),CO对PM_(2.5)起促进作用;O_(3),平均气温、极大风速和降水在不同时期对PM_(2.5)发挥不同的作用,在短期内平均气温和O_(3)质量浓度对PM_(2.5)起促进作用,这与它们之间的光化学作用有关,极大风速和降水在短期会对PM_(2.5)起抑制作用,但随后极大风速会对PM_(2.5)起促进作用,这与其会引起地面扬尘有关;长期来看,平均气温和日照时数会对PM_(2.5)起促进作用,这些结果与哈尔滨市的季节变化特征有关.在对哈尔滨市PM_(2.5)治理时应综合应用多种措施,调整产业结构,发展可替代能源.

面向PM_(2.5)预测的时间序列分解与机器学习融合模型

细颗粒物(PM_(2.5))对大气污染和人体健康具有显著影响。为了提高PM_(2.5)质量浓度预报准确率,提出一种将先知(Prophet)时间序列分解算法和极限梯度提升树(Extreme Gradient Boosting,XGBoost)机器学习模型相结合的多变量混合预测模型(Prophet-XGBoost)。利用Prophet算法对时间序列可分解的特性,将PM_(2.5)高维质量浓度序列分解成若干低维时序特征分量,并与污染物和气象因素数据集成构建XGBoost预测模型,以得到PM_(2.5)质量浓度的预测值。试验中以南京市PM_(2.5)质量浓度历史数据为例进行实证分析。结果表明,结合Prophet时间序列分解的预测模型,PM_(2.5)质量浓度预测结果的决定系数R^(2)提升至0.658 4。由此可见,Prophet-XGBoost多变量混合预测模型较传统长短期记忆神经网络(Long Short-Term Memory,LSTM)、XGBoost模型能够更好地预测PM_(2.5)日均质量浓度的变化趋势。

送风仰角35°、大风速下净化器PM2.5净化时间预测模型研究

由于空气净化器在运行时室内不同人员位置处的PM2.5净化速度并不相同,会对室内人员健康造成影响,为了实现对人员位置处的优先净化,有必要对房间内不同人员位置处的净化时间进行研究。在空气净化器送风仰角35°、最大风速模式下,采用Fluent软件建立数学模型,并使用实验数据验证模型的准确性,通过数值模拟得到不同尺寸房间不同人员位置处的净化时间;将净化时间作为回归资料,对回归资料进行多元线性/非线性回归分析建立PM2.5净化时间预测模型,并通过模拟结果对预测模型准确性进行验证。研究结果表明:PM2.5净化时间与各影响因子呈线性关系,与吹风角度呈负相关,与其他影响因子呈正相关;PM2.5初始浓度和房间面积的贡献率之和为78.13%,影响程度显著;当房间尺寸和PM2.5初始浓度固定时,吹风角度的贡献率由初始的13.69%增加到84.03%,故在使用空气净化器的过程中尽可能加大吹风角度,减少PM2.5净化时间;在该模式下空气净化器对室内净化总体较为均匀,但随着PM2.5初始浓度的升高,净化时间不均匀系数的平均下降率为29.72%,故PM2.5初始浓度对室内净化不均匀性具有较大的相对影响。研究结果可为空气净化器智能运行方案的提出奠定基础。

融合2维卷积与注意力以预测PM_(2.5)浓度的S-TCN模型

针对传统预测模型对PM_(2.5)浓度预测精度较低、可解释性差的缺陷,提出一种融合2维卷积层(2D convolution)和注意力层的时空卷积网络预测模型(spatio-2D-temporal convolutional networks attention, S-2D-TCNA)。选取北京市2014年5月1日~2015年4月30日的36个监测站点逐小时空气质量和气象数据,通过对多个站点时空相关性分析,将符合相关性阈值的监测站数据输入至卷积进行升维再降维的处理方式,得出具有时空序列的输入特征;将注意力融入时间卷积网络预测模型,用于预测未来1 h的中心监测站PM_(2.5)浓度。在模型训练优化参数过程中,通过Adam来训练深度学习模型的参数,然后使用贝叶斯优化来调整模型的超参数,这种方法能找到模型的最佳参数,使其均方根误差、平均绝对误差分别减少3.791%和5.576%,拟合优度增大0.67%;在质量方面,所提出的S-Conv2D-TCNA模型均方根误差、平均绝对误差和拟合优度分别为16.020 9、10.610 0和0.942 8,该预测模型在准确性和稳定性方面优于基线模型。结果表明,该预测模型空气污染的预警、区域预防和控制方面大有可为。

2015—2020年川南地区大气PM_(2.5)和O_(3)质量浓度变化特征、影响因素及输送特征

随着川南地区的经济发展,地面臭氧(O_(3))、细颗粒物(PM_(2.5))成为危害人体健康的主要污染物。本文分析了2015—2020年间川南地区(自贡、内江、泸州、宜宾)PM_(2.5)和O_(3)质量浓度的时间变化特征。以污染严重的自贡市为例,研究当地PM_(2.5)和O_(3)浓度与常见影响因素的相关性,并通过潜在源分析方法,探究污染物区域输送对自贡市的影响。结果表明:1)2015—2020年,川南地区年均PM_(2.5)质量浓度呈下降趋势,年均O_(3)质量浓度呈略上升趋势。月均PM_(2.5)质量浓度呈“U”型分布,7—8月质量浓度低,12—2月质量浓度高;月均O_(3)质量浓度呈“M”型分布,7、8月出现峰值,4、5月出现次峰值。2)自贡市PM_(2.5)质量浓度与CO、NO_(2)、SO_(2)质量浓度呈显著正相关,O_(3)质量浓度与气温、相对湿度分别呈显著正相关和负相关。3)自贡市PM_(2.5)和O_(3)的区域输送主要以局地气团为主,辐射和人为源排放强度影响气流轨迹中的PM_(2.5)和O_(3)质量浓度。PM_(2.5)和O_(3)的主要潜在源区位于四川盆地和贵州部分地区。

焦作市大气中PM_(2.5)的时间特征与潜在源区分析

以焦作市为研究区,基于2021年24 h自动监测大气PM_(2.5)数据和同期气象数据,应用气团后向轨迹聚类分析、潜在源区贡献函数分析和浓度权重轨迹分析等方法探究大气污染物中PM_(2.5)的时间分布特征及其潜在源区。结果表明:2021年焦作市PM_(2.5)的质量浓度均值为47.3μg/m^(3),季节特征表现为春冬季高于夏秋季;来自河南省北部和中东部等地区气团轨迹对应的PM_(2.5)浓度较高;春季和冬季PM_(2.5)的潜在来源地区范围广于夏季和秋季,在污染较为严重的冬季,河南省的焦作市、新乡市、鹤壁市、安阳市、郑州市和开封市,以及河北省邯郸市和邢台市均是焦作市PM_(2.5)的潜在源区。

大气PM_(2.5)浓度与喘息儿童日就诊量的相关性研究

目的:研究大气PM_(2.5)浓度与喘息儿童日就诊量的关系。方法:在控制时间的中长期效应、节假日效应、星期效应基础上,利用时间序列的广义相加模型,回顾性分析2019年上海市东部地区某三甲医院儿科门急诊喘息儿童的日就诊量受天气(日平均温度、相对湿度)和大气污染物(PM_(2.5)、PM_(10)、SO_(2)、NO_(2)及O_(3))的影响程度,并推测上述指标相应浓度范围的超额危险度(ER)。结果:上海市东部地区PM_(2.5)浓度对喘息儿童的日就诊量存在影响,大气PM_(2.5)浓度与PM_(10)、SO_(2)和NO_(2)浓度均呈正相关关系(r=0.780、0.601、0.658,P<0.05);与相对湿度、温度均呈负相关关系(r=-0.015、-0.270,P<0.05)。PM_(2.5)暴露对日就诊量的影响存在滞后效应,滞后1 d影响最大。单污染物模型结果显示,PM_(2.5)浓度每升高10μg/m 3,日就诊超额危险度(ER)(95%CI)为4.251%(0.824%~7.796%);分别引入当日SO_(2)、NO_(2)及O_(3)建立双污染物质模型,PM_(2.5)+SO_(2)、PM_(2.5)+NO_(2)和PM_(2.5)+O_(3)中,大气PM_(2.5)浓度每升高10μg/m^(3),日就诊量ER(95%CI)分别为5.442%(0.747%~10.355%)、5.371%(1.378%~9.522%)和4.535%(1.481%~7.682%)。结论:大气高浓度PM_(2.5)暴露可能影响喘息儿童日就诊量,使之增加。

基于完全集成经验模态分解和深度学习的PM_(2.5)浓度预测模型

为应对PM_(2.5)浓度预测精度不高的问题,提出了一种结合完全集成经验模态分解与Informer预测模型的方法.该方法以历史污染物数据为输入,通过完全集成经验模态分解技术将其分解为不同频率的本征模态函数(IMFs),并重构序列.重构后的序列输入Informer模型,以捕捉长期依赖性并建模影响因子间的复杂非线性关系,从而提升预测准确性.对空气污染物数据进行训练、验证和测试后,结果表明该方法预测指标最优,预测精度显著提升.

金属有机框架材料在PM_(2.5)吸附净化方面的应用研究进展

随着城市化和工业化进程的飞速发展,空气污染问题日益加剧,其中,高浓度的细颗粒物对空气环境和人体健康的影响很大。在中国,细颗粒物,特别是环境空气中空气动力学当量直径≤2.5μm的颗粒物(PM_(2.5))已经是造成环境空气污染最主要原因之一了。近年来,金属有机框架材料(MOF)修饰的纤维介质过滤系统因其具有优异的吸附分离性能而成为一种具有良好应用前景的过滤系统,本文重点叙述了MOF-纤维介质复合过滤系统在PM 2.5去除方面的研究进展。

送风仰角55°、大风速下净化器PM2.5净化时间预测模型的研究

为达到空气净化器对室内人员处进行优先进化的目的,研究者在净化器送风仰角55°、大风速(3m/s)下采用实验和模拟相结合的方法,利用Fluent软件建立物理及数学模型,并使用实验数据验证模型的准确性,通过数值模拟分析得到PM_(2.5)浓度下降至15μg/m^(3)的时间(以下简称PM_(2.5)净化时间),研究了净化器在实际运行过程中对房间各区域处PM_(2.5)净化时间的影响,并利用SPSS软件对影响结果进行多元线性回归分析,进而建立PM_(2.5)净化时间预测模型。研究表明:房间面积为72m^(2)的工况下,当送风方向为0°,人员夹角为150°时平均净化时间最长,0°时最短,150°较0°平均净化时间上升了1.39%。当送风方向为45°,人员夹角75°时平均净化时间最长,135°时最短,135°较75°平均净化时间下降了9.67%。当送风方向为90°,人员夹角30°时平均净化时间最长,0°时最短,30°较0°平均净化时间上升了2.57%,随着送风方向角度的增加,平均净化时间由最初的整体上升趋势变为先上升后下降到最后趋于稳定;PM_(2.5)净化时间与各影响因子之间呈线性回归关系,与房间面积、PM_(2.5)初始浓度、人员距离呈正相关,与送风方向、房间长宽比、人员夹角呈负相关;PM_(2.5)初始浓度和房间面积的影响因子贡献率之和为89.06%,具有显著的影响,当房间尺寸和PM初始浓度固定时,吹风角度的贡献率由初始的3.28%增加到67.35%,由此表明,适当的增大吹风角度可减少净化器运行过程中的PM_(2.5)净化时间;净化器在房间面积为72m^(2)、房间长宽比2.5、PM_(2.5)初始浓度为50μg/m^(3)工况下的净化时间不均匀系数最高,为0.056,对PM_(2.5)颗粒物净化最不均匀;在房间面积为90m^(2)、房间长宽比2.5、PM_(2.5)初始浓度为150μg/m^(3)的工况下达到最低,为0.015,对室内PM_(2.5)颗粒物净化最均匀。研究PM_(2.5)的净化时间预测模型可为空气净化器实现人员处优先净化和气流组织的智能控制奠定基础。

基于时间序列的PM_(2.5)时空插值算法改进研究

该文以成都市及其周边市区分布的环境监测站点作为研究对象,将空气污染物指数作为数据源,进行时间序列平稳性处理,改进了时空插值算法的经典算法——约减法,从而提高了PM_(2.5)数据插值精度。同时还分析了PM_(2.5)的自相关特点,对时间序列数据进行分段处理,在自区间内使用函数模型法实现对PM_(2.5)数据的实时预测。实验表明,对时空插值算法改进后,在进行既往缺失数据修补及实时PM_(2.5)数据预测时,结果精度及可靠性高。

某地区PM_(2.5)与居民呼吸系统疾病及恶性肿瘤死亡的时间序列研究

目的基于广义相加模型定量分析某地级市大气污染物PM_(2.5)与居民呼吸系统疾病及恶性肿瘤死亡风险的相关性。方法收集2016~2018年该地级市逐日PM_(2.5)浓度数据、气象数据、居民呼吸系统疾病及恶性肿瘤死亡数据,进行描述性统计分析;采用基于Quasi-Poisson回归的广义相加模型(GAM),分析PM_(2.5)与该市居民呼吸系统疾病和恶性肿瘤死亡风险间的相关关系。结果2016~2018年该地级市大气PM_(2.5)日均值为49μg/m3,共有631 d超出《环境空气质量标准》GB3095-2012污染物浓度一级限值标准,占三年总天数的57.6%;广义相加模型滞后效应(Lag0~Lag7)显示,PM_(2.5)浓度升高10μg/m3,呼吸系统疾病死亡率在滞后5 d的影响最大(ER=0.699%(95%CI:0.121%~1.277%)),恶性肿瘤死亡率在滞后3 d时的影响最大(ER=0.443%(95%CI:0.013%~0.873%));寒季(11月~4月)期间,PM_(2.5)浓度升高10μg/m3,呼吸系统疾病死亡率在滞后6 d的影响最大(ER=0.952%(95%CI:0.269%~1.635%)),恶性肿瘤死亡率在滞后1 d时的影响最大(ER=0.819%(95%CI:0.177%~1.461%))。结论该地级市PM_(2.5)浓度升高会引起呼吸系统疾病和恶性肿瘤死亡率增加,特别是在寒季,PM_(2.5)暴露对呼吸系统疾病的负性效应更显著。

北京2005-2014年PM_(2.5)质量浓度的演变特征

利用2005—2014年北京宝联（城区）和2006—2014年上甸子本底站（郊区）的PM_（2.5）质量浓度监测结果揭示了其长时间的演变特征。结果表明,2005—2007年北京地区PM_（2.5）污染最重,2008年以后PM_（2.5）年平均浓度明显降低,中度以上污染日数减少,但是2013—2014年有加重趋势。城区秋、冬季平均浓度最高,春季和夏初次之。然而,近年来春、夏季污染有减轻的趋势,高浓度值出现的时间越来越向秋、冬季集中,从而导致季节性差异变大。春季沙尘天气是其影响因素之一。上甸子春、夏季的PM_（2.5）平均浓度高于秋、冬季,与城区不同。但2011年以后城郊差异逐渐变小,表明污染事件的区域性特征增强。北京城区中度污染日数年平均为30 d,重度污染为26 d,严重污染为4.7 d。污染日数月际变化明显并且月分布具有年际差异。2013—2014年,中度污染日数减少,严重污染日数增加,PM_（2.5）年平均浓度与秋、冬季重污染过程的相关性增大。上甸子中度以上污染日数是城区的1/3。持续性重污染过程多发生在秋、冬季。2008—2014年以后中度以上污染持续超过3 d的过程每年平均发生1.9次,重度以上污染0.6次。绝大多数严重污染只持续2~3 d。重度以上污染日多出现在污染过程的中后期,因此遇不利气象条件提前采取减排措施将有可能减少重污染发生的频次。