CN112304831B - 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 - Google Patents
基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 Download PDFInfo
- Publication number
- CN112304831B CN112304831B CN202011068076.XA CN202011068076A CN112304831B CN 112304831 B CN112304831 B CN 112304831B CN 202011068076 A CN202011068076 A CN 202011068076A CN 112304831 B CN112304831 B CN 112304831B
- Authority
- CN
- China
- Prior art keywords
- concentration
- indoor
- classroom
- air
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 11
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 31
- 230000003203 everyday effect Effects 0.000 claims description 11
- 238000003915 air pollution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000809 air pollutant Substances 0.000 claims description 6
- 231100001243 air pollutant Toxicity 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000011109 contamination Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 2
- 230000008021 deposition Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003905 indoor air pollution Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于环境测量技术领域，具体涉及基于质量守恒的学生行为对教室内pm2.5浓度的计算方法。本发明通过皮尔森相关性分析得出了潜在的相关因素即室内外温度差和湿度差。由于温度和湿度具有一定的梯度变化，本发明可以根据建立的数学模型，根据不同的场景和需求，计算出学生作为PM2.5浓度的污染源，得出其对PM2.5浓度的贡献度的具体数值。对于有大量人员聚集的室内，该方法可以进一步对新风系统、空气净化器等基本参数的选取给出重要的参考依据。
Description
技术领域
本发明属于环境测量技术领域，具体涉及基于质量守恒的学生行为对教室内PM2.5浓度的计算方法。
背景技术
随着人们生活水平的不断提高，室内空气质量越来越受到人们的关注。在众多的环境问题中，空气污染(尤其是PM2.5、PM10等颗粒物污染)对能见度的影响较为明显，也更容易被人们所感知。人类活动大多在封闭空间内(室内环境)，室内空气的化学成分多样，空气质量复杂。据估计，人类每天约有90％的时间在室内，因此，人们接触室内空气污染物的概率远远高于室外空气污染物。
特别是学生每天至少花8个小时在教室里，因此室内空气质量已经成为一个重要的话题。室内高浓度的空气污染，如PM2.5，对学生的健康有害。虽然定期清洁教室和走廊是保持环境卫生的重要组成部分，但它对减少空气污染的作用不大。更糟糕的是，清洁的过程本身也会增加室内污染物。
分析教室内PM2.5浓度变化的影响因素，可以为改善空气质量提供重要的指导。如何开发出准确的方法来分析和预测室内环境中的污染源，是一个有待解决的问题。一旦对室内污染源进行了测量，就可以更有针对性地采取缓解措施，以减少儿童接触空气污染并改善他们的健康。
陈紫光,陈超,曹国庆,邬艳,吴玉琴,刘子嘉,朱娟花,张铭健,李炫.关于渗透通风条件下室内PM2.5净化过滤负荷计算相关设计参数探讨[J].建筑科学,2019,35(10):163-169.提出的房间换气次数、PM2.5穿透系数与沉降率推算模型, 以及北京地区多个办公建筑室内外PM2.5质量浓度和室外气象参数长期监测结果,研究并提出了基于渗透通风条件下,不同气密性等级建筑外窗对应的单位缝长渗透通风量和穿透系数确定方法,给出了推荐设计值,评估了建筑外窗气密性等级对空气净化器净化寿命的影响。
CN201811655319.2，一种室内PM2.5浓度预估方法，通过大数据平台获取室外空气质量基础数据；对所获取的空气质量基础数据进行数据处理后获得标准数据；通过Apriori算法实现关联因子分析；建立专家知识库；构建浓度向量；预测浓度；匹配成因。
CN201810134218.4，一种基于多示例遗传神经网络的室内PM2.5预测方法，数据采集与特征选取；(2)构建多示例遗传神经网络预测模型；(3)根据多示例遗传神经网络预测模型预测室内PM2.5浓度。本发明基于多示例遗传神经网络的室内PM2.5预测方法,通过选取与室内PM2.5密切相关的通风率、气温、相对湿度等 7个特征进行模型训练,将多示例神经网络与遗传算法应用到室内空气质量的预测中,不仅得到了较好的预测精度,同时相对于经验模型来说,大大缩短建模的时间,具有可靠性能高、精度高、效率高、实用性强等优点。
CN201711370485.3，一种室内PM2.5浓度与计数浓度转换的算法，通过PM2.5检测仪器或PM2.5传感监测设备测试PM2.5浓度,利用对数正态分布计算模型,解析计算积聚态颗粒物相应粒径段颗粒群的计数浓度、表面积浓度和体积浓度的一种算法。通过该算法,可以表征不同环境条件下细颗粒物进入人体的暴露水平。
发明内容
目前PM2.5浓度的具体影响因素非常复杂，几乎没有一个普适性的数学模型可以定量的表述PM2.5浓度的变化规律，尤其在室内，人们行为活动的影响作用被放大，但是目前的技术手段无法检测因人为活动造成的PM2.5浓度。温度和湿度一直以来被认为是影响PM2.5浓度变化的重要因素，但是对于精细的研究这些成果还不足以满足要求，我们需要更丰富的数学模型去描述这一过程。
本发明的技术方案：
基于质量守恒的学生行为对教室内PM2.5浓度的计算方法，步骤如下：
步骤000：基于采集某学校教室内空气质量的空气污染物数据，获取每天的教室空气内的污染物浓度。根据得到的教室室内空气污染共增数据库，挖掘教室内PM2.5浓度变化规律。
所述步骤000包括以下步骤：
步骤001：传感器的布置方案和数据库的建立
基于采集某学校教室空气质量的空气污染物数据，对每天的教室污染物浓度，统计空气污染浓度每天的变化状态，将每天空气污染物浓度变化曲线按照月份取平均值，将所有项集整合建立城市空气污染共增数据库；
步骤010：对可能影响室内PM2.5浓度的变量进行皮尔森相关性分析，筛选出高度相关性的变量。
所述步骤010包括以下步骤：
步骤011：将传感器能收集到的数据种类统计，获得室外气象站的数据，并建立数据库。
步骤012：进行皮尔森相关性分析筛选出变量，再根据计算出的皮尔森相关系数的平均值进一步排除如甲醛、二氧化碳、亮度、TVOC等变量。
步骤013：最终室内外温湿度，室外PM2.5浓度。由于较多的拟合项会降低符号回归模型的物理特性，复杂度较高的模型也有过拟合的风险。所以经过同量纲项的整合将室内外温湿度差筛选出来，经过皮尔森相关性检验，证明室内外温湿度差与室内PM2.5浓度是显著相关的。
步骤020：根据筛选出的变量进行符号回归遗传算法分析。
步骤020包括以下步骤：
步骤021：通过符号回归遗传算法处理数据；
步骤022：依据帕累托最优得出符号回归的模型。并根据该模型结合室内外温湿度差、室外PM2.5浓度计算出该教室在目标时间段无人状态的PM2.5浓度变化曲线。
步骤030：根据符号回归模型补充PM2.5浓度动态平衡模型；
步骤030包括以下步骤：
步骤031:将步骤020的计算结果带入构建的PM2.5浓度动态平衡模型。
步骤032:通过求解微分方程，得到学生行为作为PM2.5污染源产生的污染强度。
本发明的有益效果：
1.该方法通过皮尔森相关性分析得出了潜在的相关因素即室内外温度差和湿度差。
2.现有的研究结果表明，影响室内PM2.5浓度的原因和变量多种多样。但是本发明是通过数据挖掘出具有一定物理规律的符号回归模型，得出的表达式与现有的研究成果相符。
3.目前没有针对学生行为对PM2.5浓度的定量的影响分析，本发明可以根据建立的数学模型，根据不同的场景和需求，计算出学生作为PM2.5浓度的污染源，得出其对PM2.5浓度的贡献度的具体数值。
4.对于有大量人员聚集的室内，该方法可以进一步对新风系统、空气净化器等基本参数的选取给出重要的参考依据。
附图说明
图1为本发明的模型示意图。
图2为符号回归模型模拟数据与实测PM2.5浓度的数据对比。
具体实施方式
以下结合技术方案，详细叙述本发明的具体实施方式，但是本发明的实施方式并不仅限于此。
实施例：
以中国河北省某中学为例。
第一步，安装传感器，测量教室的面积、统计教室内的人数。
第二步，通过皮尔森相关性分析筛选重要的相关变量。
第三步，通过符号回归算法求解出一个具有相对普适性的模型。
第四步，通过质量守恒建立室内外PM2.5浓度动态平衡模型；
第五步，通过定义学生源强度的概念结合第四步的平衡方程求解。
第六步，算例求解。
基于在河北省某小学布置的26个高精度超级传感器，收集教室内每天的污染物浓度数据，通过城市大气污染浓度每天的变化状态。
(1)通过传感器收集室内PM2.5浓度、室内温度、湿度、TVOC、甲醛、光照强度等数据。通过气象部门获得室外PM2.5浓度、室外温度，室外湿度等数据。
(2)根据皮尔森相关性分析步骤如下：
一般意义上的室内都是不是绝对的密闭的环境，所以时时刻刻都会发生与外界环境的气体交换，所以室内空气中PM2.5的浓度除了受到室内环境的影响，还受到室外空气中影响PM2.5浓度的所有因素的影响。此外在室外的PM2.5的浓度变化过程中，太阳辐射也被认为是影响因素之一。对具有如此多的影响因素、又具有相当多的不确定性和受制于传感器技术的数据进行获取是有难度的。所以我们对可能对室内PM2.5的浓度变化的因素采取皮尔森系数检验。应用公式
经过数据计算和检验得出如下表的计算结果。
表1不同相关变量的皮尔森相关性分析
(3)根据所确定的变量，通过符号回归模型得出一个相对普适的模型
表2筛选出的符号回归模型
表3不同PM2.5浓度变化模型在预测不同日期不同时间段的PM2.5浓度的拟合优度差异
首先，我们对上文提到的8个模型分别计算了拟合优度，如表3所示，其中颜色越深的表格代表预测效果越好，根据拟合优度的结果，我们发现M4模型无论在上午还是下午，其拟合优度都优于其他模型，预测结果较好。
之后，通过以上8个模型对不同时间的不同教室的室外PM2.5浓度值进行预测，将这几种模型带入2019年2月(该校2019年寒假)的温度差、湿度差、以及室外PM2.5的浓度值进行预测。将预测2019年2月份无学生教室内PM2.5浓度值，与真实值进行对比分析。如图所示为利用第4种符号回归模型进行的 2019年2月的室内PM2.5变化规律预测，发现预测模型曲线与实测数据曲线图相似。在两年室内外PM2.5相差悬殊的情况下仍然能对次年的室内PM2.5的浓度以及变化规律做出一定精度的预测。由于教室内PM2.5浓度的变化规律受到多种因素的影响，而且不同教室不同环境的诸多偶然性以及其复杂的机理导致目前也没有非常准确的数学模型，因此，通过符号回归建立的教室内PM2.5浓度变化模型具有相当重要的意义。我们可以根据该模型对不同情况下的教室PM2.5浓度进行预测。发现采用线性模型时对误差的影响较小，由此我们将在后文构建学生行为活动对教室内PM2.5浓度变化的影响模型时，将此模型应用在对室内PM2.5沉积和室内外PM2.5交换造成的教室内PM2.5动态变化的数学模型中。
(4)根据质量守恒得出室内外PM2.5浓度动态平衡模型：
通过对教室的PM2.5监测结果表明，在学生上学的时间里，学生行为活动是室内PM2.5浓度变化的主要原因。通过对室内PM2.5的不间断检测和对学生行为活动的调研。研究评估了学生上课下课过程中作为污染源造成的PM2.5的浓度升高。本文测量了3间教室的上学期间的PM2.5的浓度变化。根据调研结果详细分析了学生行为活动教室内PM2.5浓度变化规律造成的影响。本文推导了一种根据超级传感器的数据把学生行为作为PM2.5浓度变化的污染源强度的计算方法。
现在可以测得教室得体积为V，教室内部PM2.5浓度会随时间变化，我们把会引起PM2.5浓度值变化的学生作为PM2.5的污染源，定义为学生源强度。室内的时变污染源设为s(t)，室外流入到室内的PM2.5体积为u，此时认为空气是不可压缩的，所以空气流入房间的量和流出房间的量大小相同方向相反。我们假设学生行为活动造成的PM2.5浓度变化会在极短时间内和所有空气混合充分,所以室内PM2.5浓度ci(t)在教室内的任意时间t都是均匀分布的。为方便公式推导，我们又引入相对浓度c(t)，其中[ci(t)-ci(t1)＝c(t)]，假设初始条件是c(t1)＝0,则时间 t时房间内的PM2.5的质量为m＝c(t)V。us表示粒子沉积造成的空气损失量。此时房间内的PM2.5质量表示为：
对这个等式求导得到：
将
定义为PM2.5的流失量，其分为沉降和气体交换流失量，将
代入公式，整理得到：
将每一项对时间积分并取均值
其中
分别为平均室内PM2.5浓度，平均室外PM2.5浓度，和学生造成的污染源强度
整理出学生行为作为污染源的强度为
此时通过符号回归确定自然无学生状态下PM2.5的变化规律为
cid(t)＝97.3+4.56Δt+1.22ΔH+0.468co(t)
若短时间内室外的PM2.5的浓度变化可以忽略不计。既co(T)＝0得到公式，根据公式
假设学生活动时间为ts,那么从0到T的平均源强度。
上式求解得
Claims (1)
1.基于质量守恒的学生行为对教室内PM2.5浓度的计算方法，步骤如下：
步骤000：基于采集某学校教室内空气质量的空气污染物数据，获取每天的教室空气内的污染物浓度；根据得到的教室室内空气污染数据库，挖掘教室内PM2.5浓度变化规律；
所述步骤000包括以下步骤：
步骤001：传感器的布置方案和数据库的建立
基于采集某学校教室空气质量的空气污染物数据，对每天的教室污染物浓度，统计空气污染浓度每天的变化状态，将每天空气污染物浓度变化曲线按照月份取平均值，将所有项集整合建立城市空气污染数据库；
步骤010：对可能影响室内PM2.5浓度的变量进行皮尔森相关性分析，筛选出高度相关性的变量；
所述步骤010包括以下步骤：
步骤011：将传感器能收集到的数据种类统计，获得室外气象站的数据，并建立数据库；
步骤012：进行皮尔森相关性分析筛选出变量，再根据计算出的皮尔森相关系数的平均值进一步排除甲醛、二氧化碳、亮度和TVOC变量；
步骤013：最终得到室内外温湿度、室外PM2.5浓度；由于较多的拟合项会降低符号回归模型的物理特性，复杂度较高的模型也有过拟合的风险；所以经过同量纲项的整合将室内外温湿度差筛选出来，经过皮尔森相关性检验，证明室内外温湿度差与室内PM2.5浓度是显著相关的；
步骤020：根据筛选出的变量进行符号回归遗传算法分析；
步骤020包括以下步骤：
步骤021：通过符号回归遗传算法处理数据；
步骤022：依据帕累托最优得出符号回归的模型；并根据该模型结合室内外温湿度差、室外PM2.5浓度计算出该教室在目标时间段无人状态的PM2.5浓度变化曲线；
步骤030：根据符号回归模型补充PM2.5浓度动态平衡模型；
步骤030包括以下步骤：
步骤031:将步骤020的计算结果带入构建的PM2.5浓度动态平衡模型；具体为：
房间内的PM2.5质量表示为：
其中，u为室外流入到室内的PM2.5体积，s(t)为室内的时变污染源，c(t)为相对浓度，us为粒子沉积造成的空气损失量，V为教室得体积；
对这个等式求导得到：
将
定义为PM2.5的流失量，其分为沉降和气体交换流失量，将
代入公式，整理得到：
将每一项对时间积分并取均值
其中
分别为平均室内PM2.5浓度、平均室外PM2.5浓度和学生造成的污染源强度；
整理出学生行为作为污染源的强度为
此时通过符号回归确定自然无学生状态下PM2.5的变化规律为
cid(t)＝97.3+4.56Δt+1.22ΔH+0.468co(t)
步骤032:通过求解微分方程，得到学生行为作为PM2.5污染源产生的污染强度；具体为：
当co(T)＝0，根据步骤031，得到公式：
设学生活动时间为ts，那么从0到T的平均源强度
求解得
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068076.XA CN112304831B (zh) | 2020-10-08 | 2020-10-08 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011068076.XA CN112304831B (zh) | 2020-10-08 | 2020-10-08 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112304831A CN112304831A (zh) | 2021-02-02 |
| CN112304831B true CN112304831B (zh) | 2021-09-24 |
Family
ID=74488726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011068076.XA Active CN112304831B (zh) | 2020-10-08 | 2020-10-08 | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112304831B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700009B (zh) * | 2021-03-22 | 2021-07-09 | 南京智汇环境气象产业研究院有限公司 | 一种基于遗传算法的城市pm2.5双目标控制策略优化算法 |
| CN113435691B (zh) * | 2021-05-18 | 2024-04-16 | 华仁建设集团有限公司 | 一种基于bim的建筑质量标准评估方法及系统 |
| CN113762642A (zh) * | 2021-09-23 | 2021-12-07 | 大连理工大学人工智能大连研究院 | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 |
| CN113868892A (zh) * | 2021-10-29 | 2021-12-31 | 大连理工大学人工智能大连研究院 | 基于质量守恒的室内pm2.5动态特性的评价计算方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0969385A2 (en) * | 1998-07-02 | 2000-01-05 | Yamaha Hatsudoki Kabushiki Kaisha | Evaluation method for a hereditary algorithm |
| US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
| CN105606504A (zh) * | 2016-01-14 | 2016-05-25 | 成都嘉泽兴业科技有限责任公司 | 家庭环境质量预警方法 |
| CN106920007A (zh) * | 2017-02-27 | 2017-07-04 | 北京工业大学 | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 |
| CN107884511A (zh) * | 2016-09-30 | 2018-04-06 | 日本电气株式会社 | 用于预测室内空气质量的设备和方法 |
| CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
| CN111259539A (zh) * | 2020-01-14 | 2020-06-09 | 中山大学 | 一种道路pm2.5精细化污染分布的模拟方法、系统及计算机存储介质 |
-
2020
- 2020-10-08 CN CN202011068076.XA patent/CN112304831B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0969385A2 (en) * | 1998-07-02 | 2000-01-05 | Yamaha Hatsudoki Kabushiki Kaisha | Evaluation method for a hereditary algorithm |
| US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
| CN105606504A (zh) * | 2016-01-14 | 2016-05-25 | 成都嘉泽兴业科技有限责任公司 | 家庭环境质量预警方法 |
| CN107884511A (zh) * | 2016-09-30 | 2018-04-06 | 日本电气株式会社 | 用于预测室内空气质量的设备和方法 |
| CN106920007A (zh) * | 2017-02-27 | 2017-07-04 | 北京工业大学 | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 |
| CN108399470A (zh) * | 2018-02-09 | 2018-08-14 | 苏州科技大学 | 一种基于多示例遗传神经网络的室内pm2.5预测方法 |
| CN109934377A (zh) * | 2018-12-29 | 2019-06-25 | 段文旭 | 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法 |
| CN111259539A (zh) * | 2020-01-14 | 2020-06-09 | 中山大学 | 一种道路pm2.5精细化污染分布的模拟方法、系统及计算机存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Modeling airborne indoor and outdoor particulate matter using genetic;Rama Rao Karri等;《Sustainable Cities and Society》;20181130;第43卷;第395-405页 * |
| 基于建筑外窗缝隙通风的室外PM2.5渗透与沉降特性评价;王亚峰等;《中国环境科学》;20160731;第36卷(第7期);第1960-1966页 * |
| 基于符号回归的雾霾污染与经济发展关系研究;李爽等;《中国矿业大学学报(社会科学版)》;20200723;第39-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112304831A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112304831B (zh) | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 | |
| Bennett et al. | Sources of indoor air pollution at a New Zealand urban primary school; a case study | |
| Casey et al. | Performance of artificial neural networks and linear models to quantify 4 trace gas species in an oil and gas production region with low-cost sensors | |
| Topalović et al. | In search of an optimal in-field calibration method of low-cost gas sensors for ambient air pollutants: Comparison of linear, multilinear and artificial neural network approaches | |
| Bravo et al. | Racial isolation and exposure to airborne particulate matter and ozone in understudied US populations: Environmental justice applications of downscaled numerical model output | |
| Kim et al. | Monitoring and prediction of indoor air quality (IAQ) in subway or metro systems using season dependent models | |
| Sarnat et al. | Spatiotemporally resolved air exchange rate as a modifier of acute air pollution-related morbidity in Atlanta | |
| Tong et al. | Prediction model for air particulate matter levels in the households of elderly individuals in Hong Kong | |
| Rosofsky et al. | The impact of air exchange rate on ambient air pollution exposure and inequalities across all residential parcels in Massachusetts | |
| Yuhe et al. | Indoor PM2. 5 concentrations and students’ behavior in primary school classrooms | |
| Rastogi et al. | An IoT-based discrete time Markov chain model for analysis and prediction of indoor air quality index | |
| Karri et al. | Modeling airborne indoor and outdoor particulate matter using genetic programming | |
| Stamp et al. | A critical evaluation of the dynamic nature of indoor-outdoor air quality ratios | |
| CN109655585A (zh) | 一种能识别厨房空气质量的油烟机 | |
| Siddique et al. | RETRACTED ARTICLE: An intelligent and secure air quality monitoring system using neural network algorithm and blockchain | |
| CN113740221A (zh) | 基于细颗粒物与臭氧的空气污染源区确定方法 | |
| Du et al. | Estimating indoor pollutant loss using mass balances and unsupervised clustering to recognize decays | |
| Gaowa et al. | Using artificial neural networks to predict indoor particulate matter and TVOC concentration in an office building: Model selection and method development | |
| Allen et al. | Evaluation of the recursive model approach for estimating particulate matter infiltration efficiencies using continuous light scattering data | |
| Mannshardt et al. | Comparing exposure metrics for the effects of fine particulate matter on emergency hospital admissions | |
| CN105868215A (zh) | 室内空气污染源分析系统及其方法 | |
| Wu et al. | Agricultural burning smoke in eastern Washington: Part II. Exposure assessment | |
| CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
| Herts et al. | Cloud service ThingSpeak for monitoring the surface layer of the atmosphere polluted by particulate matters | |
| Williams et al. | Multi-pollutant exposures in an asthmatic cohort |
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 |