CN115544919A - 一种气流体污染物排放源的溯源方法及装置 - Google Patents

一种气流体污染物排放源的溯源方法及装置 Download PDF

Info

Publication number
CN115544919A
CN115544919A CN202211480742.XA CN202211480742A CN115544919A CN 115544919 A CN115544919 A CN 115544919A CN 202211480742 A CN202211480742 A CN 202211480742A CN 115544919 A CN115544919 A CN 115544919A
Authority
CN
China
Prior art keywords
pollutant
point source
concentration
predicted
function
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
Application number
CN202211480742.XA
Other languages
English (en)
Other versions
CN115544919B (zh
Inventor
蔚辉
邱凌云
于沈文
王忠静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202211480742.XA priority Critical patent/CN115544919B/zh
Publication of CN115544919A publication Critical patent/CN115544919A/zh
Application granted granted Critical
Publication of CN115544919B publication Critical patent/CN115544919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Abstract

本发明提出一种气流体污染物排放源的溯源方法及装置，属于气流体污染物排放源的监测和追踪技术领域。其中，所述方法包括：获取监测区域边界的污染物浓度观测数据；通过构建污染物浓度函数，得到监测区域的污染物浓度模型；将污染物浓度函数转化为试值函数；根据观测数据和试值函数，求解污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数；通过筛选，对保留的预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。本发明实现了多个污染源的定位和定量反演，对于动力学特征和反应参数不明确的场景，可多次使用本发明，以实现对污染源的准确定位和定量。

Description

一种气流体污染物排放源的溯源方法及装置
技术领域
本发明属于气流体污染物排放源的监测和追踪技术领域，特别涉及一种气流体污染物排放源的溯源方法及装置。
背景技术
监测、溯源和管理大气、水体等气流体中的污染物，例如二氧化碳、臭氧、重金属等无机污染物、水体有机氮等，是保护生态环境的重要问题。以水体污染物监测为例，现有的手段主要依靠定时定点建立观测点，使用登记资料溯源、人工排查溯源、技术溯源等手段。其中，登记资料有时效性，或者收集资料不完整，都会影响最后的溯源结论；而人工排查时，化学试剂、监测仪器和人工有高额的经济成本，冰冻等外部恶劣的天气状况也会降低监测精准度，并可能损坏测量仪器。技术溯源中使用模型进行污染源溯源致力于最大限度的发掘监测数据，降低和优化实验成本，并且近年来借助高性能计算的发展可大幅度提升计算效率，进行二维或三维空间的数值模拟，成为现代污染物溯源的一类主要研究课题。
模型溯源方法大致分为三类：数据拟合直接法、统计学随机理论溯源法和气流体动力学模型溯源法。数据拟合直接法通过污染物的流通或扩散行为直接逆时空向追踪来源，优点是能够快速溯源，局限性在于要求观测区域简单，污染物明确，无或少量化学反应。统计学随机理论溯源法适合观测数据较充足，物理或化学反应参数估计有较大随机或噪音干扰的情形，但不能分辨复杂区域和多种物理或化学反应的混合污染物。气流体动力学模型使用偏微分方程组，对不同场景污染物的物理或化学反应有较清晰的刻画，模型精度较高，并且随着数值方法和高性能计算能力的广泛应用与大幅提升，逐渐成为构造相应的反问题用于污染物溯源的重要途径和研究课题。然而目前利用检测数据反推污染物排放源的气流体模型和算法在准确度、计算效率和处理场景的复杂性方面有局限性。
基于污染物的普遍动力学性质，使用反应-对流-扩散类型的模型构造关于污染物源项的反问题是较为有效的建模方式。其中，伴随算子方法在处理相邻污染源或污染点源数目较多的应用场景时，溯源结果偏差较大。直接采样方法计算精度较低，不能精确定位污染源。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种气流体污染物排放源的溯源方法及装置。本发明通过使用伴随算子-边界控制方法将溯源反问题构造成最优化问题，实现了多个污染源的定位和定量反演；对于动力学特征和反应参数不明确的场景，可多次使用本发明进行反演，得到一系列待定污染源信息，以实现对污染源的准确定位和定量，有利于后续监管的有效开展。
本发明第一方面实施例提出一种气流体污染物排放源的溯源方法，包括：
获取监测区域边界的污染物浓度观测数据；
通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
将所述污染物浓度函数转化为试值函数；
根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
在本发明的一个具体实施例中，所述通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型，包括：
将观测时间段[0，T]中任一时刻t在监测区域内任一坐标x处的污染物浓度记为函数
Figure 559506DEST_PATH_IMAGE001
，
Figure 354286DEST_PATH_IMAGE002
表示监测区域所有位置的坐标集合，
Figure DEST_PATH_IMAGE003
时刻表示没有污染物排放的时刻，T为观测时间段的终止时刻，
Figure 48573DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
为污染物完全消失或停止排放的时刻；
则构建监测区域的污染物浓度模型如式（1）所示：
Figure 637817DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为t时刻位于x处的污染物跟随气流体的传播速度；
Figure 683133DEST_PATH_IMAGE008
代表污染物的生成或分解化学反应；
Figure DEST_PATH_IMAGE009
；m为实际的污染物点源的数目，脉冲函数
Figure 281605DEST_PATH_IMAGE010
代表第j个污染物点源的位置，
Figure DEST_PATH_IMAGE011
；
Figure 830398DEST_PATH_IMAGE012
为第j个污染物点源在t时刻的污染物强度；
Figure DEST_PATH_IMAGE013
为t时刻位于x处污染物在气流体中的扩散速率矩阵，表达式如下：
Figure 106657DEST_PATH_IMAGE014
其中，n为空间维数；
Figure DEST_PATH_IMAGE015
表示由污染物在第j维空间方向的浓度变化率导致的沿着第i维空间方向的扩散速率。
在本发明的一个具体实施例中，所述试值函数采用复几何光学解，表达式如下：
Figure 373690DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
和
Figure 244694DEST_PATH_IMAGE018
分别为复数和复向量，满足
Figure DEST_PATH_IMAGE019
。
在本发明的一个具体实施例中，所述复数取值为0，所述复向量有9个取值，共组成9个试值函数；
其中，第k个复向量的表达式如下：
Figure 913573DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
为第k个复向量对应的角度，
Figure 172516DEST_PATH_IMAGE022
表示虚数单位。
在本发明的一个具体实施例中，所述根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数，包括：
将所述污染物浓度模型的反问题转化为如下所示的最优化问题：
Figure DEST_PATH_IMAGE023
其中
Figure 864528DEST_PATH_IMAGE024
代表所取试值函数组成的函数集合，
Figure DEST_PATH_IMAGE025
表示对应
Figure 867120DEST_PATH_IMAGE026
下的第
Figure DEST_PATH_IMAGE027
个污染物点源污染物排放浓度的傅里叶系数；
泛函
Figure 62609DEST_PATH_IMAGE028
的计算表达式如下：
Figure DEST_PATH_IMAGE029
其中，
Figure 226874DEST_PATH_IMAGE030
为
Figure DEST_PATH_IMAGE031
时刻监测区域内任一坐标x处的污染物浓度；
对式（2）求解，得到每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数记为
Figure 468499DEST_PATH_IMAGE032
，M为预测的污染物点源个数。
在本发明的一个具体实施例中，所述对所述预测的污染物点源进行筛选，包括：
计算第
Figure 445420DEST_PATH_IMAGE034
个预测的污染物点源污染物排放浓度的傅里叶系数的绝对值
Figure DEST_PATH_IMAGE035
：
Figure 823312DEST_PATH_IMAGE036
对
Figure DEST_PATH_IMAGE037
进行判定：若
Figure 424058DEST_PATH_IMAGE038
小于等于设定的阈值，则判定第j个预测的污染物点源为虚假点源，舍去第j个污染物点源，更新预测的污染物点源个数为
Figure DEST_PATH_IMAGE039
；否则，保留第j个预测的污染物点源；
对所有预测的污染物点源遍历完毕后，将保留的所有预测的污染物点源作为最终得到的实际污染物点源，得到各实际污染物点源的位置和傅里叶系数记为
Figure 825083DEST_PATH_IMAGE040
。
在本发明的一个具体实施例中，所述污染物点源的溯源结果包括：
各实际污染物点源的位置和强度信息记为
Figure DEST_PATH_IMAGE041
；其中，
Figure 169477DEST_PATH_IMAGE042
为第j个实际污染物点源关于t时刻的强度函数，所述强度函数由每个实际污染物点源的傅里叶系数
Figure 667454DEST_PATH_IMAGE043
通过傅里叶逆变换获得。
本发明第二方面实施例提出一种气流体污染物排放源的溯源装置，包括：
观测数据获取模块，用于获取监测区域边界的污染物浓度观测数据；
污染物浓度模型构建模块，用于通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
试值函数构建模块，用于将所述污染物浓度函数转化为试值函数；
污染物点源预测模块，用于根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
污染物点源溯源模块，用于对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
本发明第三方面实施例提出一种电子设备，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种气流体污染物排放源的溯源方法。
本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种气流体污染物排放源的溯源方法。
本发明的特点及有益效果：
1）本发明基于反应-对流-扩散方程描述的污染物点源溯源反问题，构造了伴随算子-边界控制函数最优化问题的创新算法，能够处理较多污染源点位的精准定位和定量反演。
2）本发明能直接应用的场景为通过一个时间段内气流体监测区域的局部边界监测数据来定位和定量反演多个固定污染物点源，并且能精准反演污染物随时间的动态排放过程。
3）本发明包含一种全新的数据检测方案，除了边界数据，当监测数据同时包含任一单一时刻全体区域的污染物密度分布情况时，通过数值模拟可以获得长时间范围内固定污染源的位置以及其动态排放量。
4）本发明具有高效率和高精度。当气流体动力学特征或反应参数不明确时，可多次使用本发明进行反演，得到一系列待定污染源信息，再结合实地无人机或人工核查等手段，最终确定污染源的定位和定量信息。
附图说明
图1为本发明实施例的一种气流体污染物排放源的溯源方法的整体流程图。
图2为本发明一个具体实施例中一种气流体污染物排放源的溯源方法的普遍应用场景示意图。
图3为本发明一个具体实施例中一种气流体污染物排放源的溯源方法的实施示意图。
具体实施方式
本发明提出了一种气流体污染物排放源的溯源方法及装置，下面结合附图及具体实施例进一步详细说明如下。
本发明第一方面实施例提出一种气流体污染物排放源的溯源方法，该方法使用河岸等水体边界监测站或者空气质量监测站的污染物浓度数据追踪和溯源水体或大气中的排放源地点和排放浓度，包括：
获取监测区域边界的污染物浓度观测数据；
通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
将所述污染物浓度函数转化为试值函数；
根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
在本发明的一个具体实施例中，所述一种气流体污染物排放源的溯源方法，使用河岸等水体边界监测站的污染物浓度数据追踪和溯源水体中的排放源地点和排放浓度，该方法整体流程如图1所示，包括以下步骤：
1）获取监测区域边界的污染物浓度观测数据。
本发明的一个具体实施例中，从河流两岸和上下游的监测站或采样点获取监测区域边界的污染物浓度观测数据。图2展示了本发明实施例中一个普遍的应用场景，图2中，河流从左向右流动，图中上下两侧的曲线代表河岸。河中有个3个污染物排放点源，两岸各设置了两个监测站或采样点，如图中方块所示。河的上下游各设置了一个监测站或采样点，在图中左右两端。监测站或采样点会长期检测水质指标变化。当指标发生异常，即污染物浓度大于设定的阈值，本实施例中阈值为依据GB3838等水环境质量标准和环境基准计算允许排放限值的2%，表明污染物排放点源的出现。然后从时间上向前追溯到较早时期指标正常的时刻，即没有污染物排放的时刻，作为零时刻
Figure 111205DEST_PATH_IMAGE044
。截止到当前时刻的整个时间段长度记为T，作为终止时刻。所有监测站或采样点在时间区间
Figure 327423DEST_PATH_IMAGE045
的污染物浓度记录即为观测数据。本实施例中，通常检测时间段的长度为40小时，或根据污染物传播速度进行调整。
在本发明的一个具体实施例中，所述气流体污染物排放源的溯源方法具体应用于河流污染物的监测和溯源，示意图如图3所示。该实施例中，监测区域为河道宽度2000米、河流截断长度为6000米的长方形水面，将监测区域所有位置的坐标集合记为
Figure 209928DEST_PATH_IMAGE046
。图中长方形的上下两边对应河岸，左边对应河流上游，右边对应河流下游，四条边界上所有位置的坐标集合记为
Figure 562412DEST_PATH_IMAGE047
。该实施例中，真实场景有六个固定污染物排放点源，在图3中标记为╳。叠加的标记〇表示经过本实施例所述方法得到的反演点源，和真实点源作为对比。令时刻0对应开始监测的真实时刻。通过河岸两边及上下游的4个监测站或采样点，获取从时刻0到时刻
Figure 239381DEST_PATH_IMAGE048
小时的污染物浓度观测数据，以获得两边河岸及上下游即区域边界上任一坐标x处的污染物浓度观测数据，记为
Figure 880578DEST_PATH_IMAGE049
，在本发明一个具体实施例中为图3中四条边界上的任意一点的坐标，t表示时间段
Figure 566774DEST_PATH_IMAGE050
中的任意时刻。
2）通过构建污染物浓度函数，得到监测区域的污染物浓度模型。
本实施例中，将时刻t在监测区域内任一坐标x处污染物浓度记为函数
Figure 773765DEST_PATH_IMAGE051
，在整个监测区域（本发明一个具体实施例中所述监测区域为长方形水体表面），t为时间段
Figure 887214DEST_PATH_IMAGE050
中的任意时刻；
则构建监测区域的污染物浓度模型如式（1）所示：
Figure 983084DEST_PATH_IMAGE052
其中，
Figure 207392DEST_PATH_IMAGE053
为t时刻位于x处的污染物跟随气流体（本实施例为水体）的传播速度；
Figure 534468DEST_PATH_IMAGE054
代表污染物的生成或分解等化学反应。本实施例中，0时刻即开始监测此区域的初始时刻时，令该区域中污染物密度分布全部为零，即
Figure 818819DEST_PATH_IMAGE055
，且污染物只能扩散到河岸。假设真实场景中有m个污染物点源，分别处于空间位置
Figure 965766DEST_PATH_IMAGE056
，本实施例由脉冲函数
Figure 931448DEST_PATH_IMAGE057
代表第j个污染物点源的位置。第j个污染物点源在t时刻的污染物强度记为
Figure 113031DEST_PATH_IMAGE058
为一个关于时间的函数，并且污染物会在某个时刻
Figure 568283DEST_PATH_IMAGE059
之后完全消失或停止排放，即
Figure 468106DEST_PATH_IMAGE060
。
Figure 34216DEST_PATH_IMAGE061
为t时刻位于x处的污染物扩散速率。在本发明如图3所示的实施例中，
Figure 273568DEST_PATH_IMAGE062
小时，只考虑扩散现象，即
Figure 899721DEST_PATH_IMAGE063
。
Figure 21261DEST_PATH_IMAGE064
为t时刻位于x处污染物在气流体中的扩散速率矩阵，具体表达式为：
Figure 391062DEST_PATH_IMAGE065
其中，n为空间维数，本实施例中
Figure 547237DEST_PATH_IMAGE066
表示由污染物在第j维空间方向的浓度变化率导致的沿着第i维空间方向的扩散速率。在本发明的一个具体实施例中，
Figure 16396DEST_PATH_IMAGE067
。
3）将步骤2）建立的污染物浓度函数转化为试值函数。
本实施例中，通过构造试值函数
Figure 625232DEST_PATH_IMAGE068
，将污染物浓度模型中污染物浓度函数
Figure 533145DEST_PATH_IMAGE069
可以表示成一系列试值函数的线性组合。
在本发明的一个具体实施例中，选取复几何光学解(Complex GeometricalOptics solutions)作为试值函数，一般表达形式为
Figure 543826DEST_PATH_IMAGE070
，
Figure 511782DEST_PATH_IMAGE071
和
Figure 44133DEST_PATH_IMAGE072
分别为复数和复向量，满足
Figure 755737DEST_PATH_IMAGE073
。常见情形下，
Figure 886504DEST_PATH_IMAGE071
和
Figure 25361DEST_PATH_IMAGE074
的不同取值越多，试值函数越多，反演结果越准确，但反演时间也越长。可根据场景对效率和精度的要求，自行调整。
在如图3所示实施例中，令
Figure 343210DEST_PATH_IMAGE075
，复向量
Figure 796188DEST_PATH_IMAGE077
根据角度
Figure 781461DEST_PATH_IMAGE078
，取为9个不同的复向量，共组成9个试值函数；
其中，第k个复向量的表达式如下：
Figure 91220DEST_PATH_IMAGE079
式中，
Figure 896365DEST_PATH_IMAGE080
为第k个复向量对应的角度，
Figure 949772DEST_PATH_IMAGE081
表示虚数单位，即
Figure 789552DEST_PATH_IMAGE082
的平方根。
4）根据步骤1）的污染物浓度观测数据和步骤3）试值函数，求解污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数。
本实施例中，将污染物浓度模型的反问题，即通过边界观测数据反演污染物的点源位置和排放浓度数据
Figure 207895DEST_PATH_IMAGE083
的模型，转化为如下所示的最优化问题：
Figure 765915DEST_PATH_IMAGE084
其中，式（2）为式（1）的反问题。
Figure 357433DEST_PATH_IMAGE085
代表所取试值函数组成的函数集合。
Figure 317299DEST_PATH_IMAGE086
表示对应
Figure 968860DEST_PATH_IMAGE087
下的第j个污染物点源污染物排放浓度的傅里叶系数。
泛函
Figure 748597DEST_PATH_IMAGE088
的计算公式需要使用步骤3）构建的试值函数
Figure 347069DEST_PATH_IMAGE089
，具体为：
Figure 161441DEST_PATH_IMAGE090
其中，式（3）等式右边第一项为监测区域
Figure 983904DEST_PATH_IMAGE091
（本实施例为二维水体表面）上的积分，
Figure 250937DEST_PATH_IMAGE092
为
Figure 449837DEST_PATH_IMAGE093
时刻监测区域内任一坐标x处的污染物浓度；第二项为污染物排放期间
Figure 295214DEST_PATH_IMAGE094
监测区域边界
Figure 288578DEST_PATH_IMAGE095
（本实施例为河岸边界）上对污染物浓度数据的积分，可使用边界控制问题的算法，例如正则化算子的共轭梯度算法等计算得到。令正整数
Figure 42908DEST_PATH_IMAGE096
为预测的污染物点源个数，一般取为10。本发明一个具体实施例中，仅取
Figure 45499DEST_PATH_IMAGE097
，可将第j个污染物点源污染物排放浓度的傅里叶系数
Figure 568884DEST_PATH_IMAGE098
记为
Figure 733149DEST_PATH_IMAGE099
，具体指排放浓度在对应频率的振幅，其在较小
Figure 912458DEST_PATH_IMAGE100
值上的取值代表排放浓度的大尺度（长时）信息，在较大
Figure 453160DEST_PATH_IMAGE100
值上的取值代表排放浓度的精细尺度（瞬时）信息。
需要说明的是，根据具体场景的监测设备和条件不同，当观测数据中包含时刻
Figure 831052DEST_PATH_IMAGE101
在整个区域上的污染物浓度
Figure 431798DEST_PATH_IMAGE102
时，式(3)第一项积分：
Figure 895140DEST_PATH_IMAGE103
不需使用边界控制问题的算法，可直接通过积分计算得到。
本实施例中，利用SLSQP（Sequential Least SQuares Programming）即顺序最小二乘法对式（2）求解，得到每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数记为
Figure 442796DEST_PATH_IMAGE104
。在本发明的一个具体实施例中，所述每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数记为
Figure 675194DEST_PATH_IMAGE105
。
5）根据步骤4）的结果，对预测的污染物点源进行筛选，得到实际的污染物点源预测结果。
本实施例中，利用步骤4）中得到的结果，遍历每一个预测的污染物点源，筛选掉污染物浓度较小的虚假点源。
本发明一个具体实施例中，筛选策略为：对于第j个预测的污染物点源污染物浓度排放浓度的傅里叶系数集合
Figure 446841DEST_PATH_IMAGE106
中的所有傅里叶系数
Figure 397480DEST_PATH_IMAGE107
（一般取
Figure 279985DEST_PATH_IMAGE108
）的平方和的开方以计算第
Figure 632469DEST_PATH_IMAGE034
个预测的污染物点源源污染物排放浓度的傅里叶系数的绝对值
Figure 247121DEST_PATH_IMAGE109
，即：
Figure 685056DEST_PATH_IMAGE110
对
Figure 371252DEST_PATH_IMAGE111
进行判定：若
Figure 578242DEST_PATH_IMAGE112
小于等于设定的阈值，本发明的一个具体实施例中阈值为依据GB3838等水环境质量标准和环境基准计算允许排放限值的2%，则表示此预测的污染物点源的污染物强度为0，则认为该预测的污染物点源为虚假点源，舍去第j个预测的污染物点源，更新预测的污染物点源个数为
Figure 691692DEST_PATH_IMAGE113
；否则，保留第
Figure 53141DEST_PATH_IMAGE034
个预测的污染物点源；
在本发明的一个具体实施例中，仅取
Figure 277449DEST_PATH_IMAGE114
，从而有
Figure 604525DEST_PATH_IMAGE115
。
对所有预测的污染物点源遍历完毕后，将保留的所有预测的污染物点源作为最终得到的实际污染物点源，将该保留的预测污染物点源的个数记为m，得到实际污染物点源的定位和定量傅里叶系数：
Figure 623296DEST_PATH_IMAGE116
，在本发明一个实施例中记为
Figure 35823DEST_PATH_IMAGE117
。
6）根据步骤5）得到的结果，对每个实际污染物点源的傅里叶系数
Figure 63822DEST_PATH_IMAGE118
（本实施例为
Figure 183088DEST_PATH_IMAGE119
）进行傅里叶逆变换，得到每个实际污染物点源关于t时刻的强度函数
Figure 638340DEST_PATH_IMAGE120
，最终得到污染物多点源的定位和定量信息：
Figure 272584DEST_PATH_IMAGE121
。
在本发明的一个具体实施例中，所得到的每个实际污染物点源在各
Figure 838694DEST_PATH_IMAGE123
时刻的强度函数为一个常值函数，记为
Figure 140362DEST_PATH_IMAGE124
。
在本发明的一个具体实施例中，通过本发明方法反演后的各污染物点源的定位在图3中标记为〇，标记的大小和污染物排放浓度成正比。由图3可知，本发明方法的定位和定量反演结果和标记为╳的真实点源相比，都是较为准确的。
上述本发明实施例的一种气流体污染物排放源的溯源方法具有下列优点：
a)观测数据的便利采集。本方法不需要监测区域内部的整体测量数据，仅要求在监测区域的近岸处采集时间段
Figure 704199DEST_PATH_IMAGE125
内一系列时刻的污染物密度分布数据，这可以使用无人值守的装置获得，不需要流动采集。这一策略有利于降低数据采集的难度和成本。
b)试值函数
Figure 825739DEST_PATH_IMAGE126
的选取。本方法采用了时间独立或时间依赖的复几何光学解，将污染源的空间信息和时间信息分开处理，并且可以获得排放量在不同频率上的振幅分布，能较好的反馈不同空间位置和时刻的污染物浓度变化，从而准确反演排放源的位置和浓度。
c)将污染物溯源问题转化为使用傅里叶变换和快速算法的最优化问题。相比于目前适用于单点源、点源数目较少（1到3个）或光滑源项的反演方法，本方法可以实现多个点源定位和定量的精准反演。
d)优化迭代算法随机撒点的初始化技术手段。通常最优化问题在计算全局最优解时，可能会陷入局部最优解而无法跳出，或者在迭代后期，算法收敛缓慢。本方法利用所构造的最优化问题前期收敛速度快的特点，采取随机撒点的初始化手段，使用多个初始值，快速求解局部最优解，再从中筛选出一个最佳结果作为全局最优解的近似。本发明的一个具体实施例较为成功，能够准确定位和定量出5至7个污染物的点源信息。
为实现上述实施例，本发明第二方面实施例提出一种气流体污染物排放源的溯源装置，包括：
观测数据获取模块，用于获取监测区域边界的污染物浓度观测数据；
污染物浓度模型构建模块，用于通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
试值函数构建模块，用于将所述污染物浓度函数转化为试值函数；
污染物点源预测模块，用于根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
污染物点源溯源模块，用于对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
需要说明的是，前述对一种气流体污染物排放源的溯源方法的实施例解释说明也适用于本实施例的一种气流体污染物排放源的溯源装置，在此不再赘述。根据本发明实施例提出的一种气流体污染物排放源的溯源装置，通过获取监测区域边界的污染物浓度观测数据；通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；将所述污染物浓度函数转化为试值函数；根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。由此可实现了多个污染源的定位和定量反演；对于动力学特征和反应参数不明确的场景，可多次使用本发明进行反演，得到一系列待定污染源信息，以实现对污染源的准确定位和定量，有利于后续监管的有效开展。
为实现上述实施例，本发明第三方面实施例提出一种电子设备，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种气流体污染物排放源的溯源方法。
为实现上述实施例，本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种气流体污染物排放源的溯源方法。
需要说明的是，本公开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、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种气流体污染物排放源的溯源方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种气流体污染物排放源的溯源方法，其特征在于，包括：
获取监测区域边界的污染物浓度观测数据；
通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
将所述污染物浓度函数转化为试值函数；
根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
2.根据权利要求1所述的方法，其特征在于，所述通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型，包括：
将观测时间段[0，T]中任一时刻t在监测区域内任一坐标x处的污染物浓度记为函数
Figure 724208DEST_PATH_IMAGE001
，
Figure 940425DEST_PATH_IMAGE002
表示监测区域所有位置的坐标集合，
Figure 822931DEST_PATH_IMAGE003
时刻表示没有污染物排放的时刻，T为观测时间段的终止时刻，
Figure 847519DEST_PATH_IMAGE004
，
Figure 790067DEST_PATH_IMAGE005
为污染物完全消失或停止排放的时刻；
则构建监测区域的污染物浓度模型如式（1）所示：
Figure 228001DEST_PATH_IMAGE006
其中，
Figure 648618DEST_PATH_IMAGE007
为t时刻位于x处的污染物跟随气流体的传播速度；
Figure 121188DEST_PATH_IMAGE008
代表污染物的生成或分解化学反应；
Figure 405277DEST_PATH_IMAGE009
；m为实际的污染物点源的数目，脉冲函数
Figure 330507DEST_PATH_IMAGE010
代表第j个污染物点源的位置，
Figure 554815DEST_PATH_IMAGE011
；
Figure 881891DEST_PATH_IMAGE012
为第j个污染物点源在t时刻的污染物强度；
Figure 166242DEST_PATH_IMAGE013
为t时刻位于x处污染物在气流体中的扩散速率矩阵，表达式如下：
Figure 516452DEST_PATH_IMAGE014
其中，n为空间维数；
Figure 278872DEST_PATH_IMAGE015
表示由污染物在第j维空间方向的浓度变化率导致的沿着第i维空间方向的扩散速率。
3.根据权利要求2所述的方法，其特征在于，所述试值函数采用复几何光学解，表达式如下：
Figure 460454DEST_PATH_IMAGE016
其中，
Figure 915707DEST_PATH_IMAGE017
和
Figure 815529DEST_PATH_IMAGE018
分别为复数和复向量，满足
Figure 319323DEST_PATH_IMAGE019
。
4.根据权利要求3所述的方法，其特征在于，所述复数取值为0，所述复向量有9个取值，共组成9个试值函数；
其中，第k个复向量的表达式如下：
Figure 355412DEST_PATH_IMAGE020
式中，
Figure 981566DEST_PATH_IMAGE021
为第k个复向量对应的角度，
Figure 368685DEST_PATH_IMAGE022
表示虚数单位。
5.根据权利要求3所述的方法，其特征在于，所述根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数，包括：
将所述污染物浓度模型的反问题转化为如下所示的最优化问题：
Figure 472907DEST_PATH_IMAGE023
其中
Figure 832344DEST_PATH_IMAGE024
代表所取试值函数组成的函数集合，
Figure 629399DEST_PATH_IMAGE025
表示对应
Figure 238235DEST_PATH_IMAGE026
下的第
Figure 411727DEST_PATH_IMAGE027
个污染物点源污染物排放浓度的傅里叶系数；
泛函
Figure 422408DEST_PATH_IMAGE028
的计算表达式如下：
Figure 561003DEST_PATH_IMAGE029
其中，
Figure 657135DEST_PATH_IMAGE030
为
Figure 103160DEST_PATH_IMAGE031
时刻监测区域内任一坐标x处的污染物浓度；
对式（2）求解，得到每个预测的污染物点源的位置和在该点源污染物排放浓度的傅里叶系数记为
Figure 233927DEST_PATH_IMAGE032
，M为预测的污染物点源个数。
6.根据权利要求5所述的方法，其特征在于，所述对所述预测的污染物点源进行筛选，包括：
计算第j个预测的污染物点源污染物排放浓度的傅里叶系数的绝对值
Figure 310468DEST_PATH_IMAGE033
：
Figure 893896DEST_PATH_IMAGE034
对
Figure 143611DEST_PATH_IMAGE035
进行判定：若
Figure 128885DEST_PATH_IMAGE036
小于等于设定的阈值，则判定第j个预测的污染物点源为虚假点源，舍去第j个污染物点源，更新预测的污染物点源个数为
Figure 438644DEST_PATH_IMAGE037
；否则，保留第j个预测的污染物点源；
对所有预测的污染物点源遍历完毕后，将保留的所有预测的污染物点源作为最终得到的实际污染物点源，得到各实际污染物点源的位置和傅里叶系数记为
Figure 712630DEST_PATH_IMAGE038
。
7.根据权利要求6所述的方法，其特征在于，所述污染物点源的溯源结果包括：
各实际污染物点源的位置和强度信息记为
Figure 766037DEST_PATH_IMAGE039
；其中，
Figure 605817DEST_PATH_IMAGE040
为第j个实际污染物点源关于t时刻的强度函数，所述强度函数由每个实际污染物点源的傅里叶系数
Figure 86477DEST_PATH_IMAGE041
通过傅里叶逆变换获得。
8.一种气流体污染物排放源的溯源装置，其特征在于，包括：
观测数据获取模块，用于获取监测区域边界的污染物浓度观测数据；
污染物浓度模型构建模块，用于通过构建污染物浓度函数，得到所述监测区域的污染物浓度模型；
试值函数构建模块，用于将所述污染物浓度函数转化为试值函数；
污染物点源预测模块，用于根据所述污染物浓度观测数据和所述试值函数，求解所述污染物浓度模型的反问题，得到每个预测的污染物点源的位置和在所述点源污染物排放浓度的傅里叶系数；
污染物点源溯源模块，用于对所述预测的污染物点源进行筛选后，对保留的所述预测的污染物点源的傅里叶系数进行傅里叶逆变换，以得到污染物点源的溯源结果。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的方法。
CN202211480742.XA 2022-11-24 2022-11-24 一种气流体污染物排放源的溯源方法及装置 Active CN115544919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211480742.XA CN115544919B (zh) 2022-11-24 2022-11-24 一种气流体污染物排放源的溯源方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211480742.XA CN115544919B (zh) 2022-11-24 2022-11-24 一种气流体污染物排放源的溯源方法及装置

Publications (2)

Publication Number Publication Date
CN115544919A true CN115544919A (zh) 2022-12-30
CN115544919B CN115544919B (zh) 2023-02-28

Family

ID=84720200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211480742.XA Active CN115544919B (zh) 2022-11-24 2022-11-24 一种气流体污染物排放源的溯源方法及装置

Country Status (1)

Country Link
CN (1) CN115544919B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087134A (zh) * 2023-03-01 2023-05-09 北京市生态环境保护科学研究院 一种全天候大气立体监测方法及系统
CN117634178A (zh) * 2023-11-24 2024-03-01 广东省环境科学研究院 一种高效溯源水质污染源的系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
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
CN109242746A (zh) * 2018-09-04 2019-01-18 武汉大学 基于应急监测数据的一维瞬时点源污染源溯源方法
CN110147610A (zh) * 2019-05-20 2019-08-20 杭州电子科技大学 一种用于河流突发水污染事件的溯源方法
CN111898691A (zh) * 2020-08-05 2020-11-06 生态环境部华南环境科学研究所 一种河流突发水污染预警溯源方法、系统、终端及介质
CN112418426A (zh) * 2020-11-19 2021-02-26 中科三清科技有限公司 排污口污染物排放溯源方法、装置、计算设备及存储介质
CN115239354A (zh) * 2022-08-11 2022-10-25 中国科学院大气物理研究所 一种应用于非定常多点源的污染物溯源方法以及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN109242746A (zh) * 2018-09-04 2019-01-18 武汉大学 基于应急监测数据的一维瞬时点源污染源溯源方法
CN110147610A (zh) * 2019-05-20 2019-08-20 杭州电子科技大学 一种用于河流突发水污染事件的溯源方法
CN111898691A (zh) * 2020-08-05 2020-11-06 生态环境部华南环境科学研究所 一种河流突发水污染预警溯源方法、系统、终端及介质
CN112418426A (zh) * 2020-11-19 2021-02-26 中科三清科技有限公司 排污口污染物排放溯源方法、装置、计算设备及存储介质
CN115239354A (zh) * 2022-08-11 2022-10-25 中国科学院大气物理研究所 一种应用于非定常多点源的污染物溯源方法以及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘峰等: "扩散系数反演及其差分格式研究", 《应用气象学报》 *
孙策等: "基于贝叶斯方法的突发水污染事件溯源研究", 《中国农村水利水电》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116087134A (zh) * 2023-03-01 2023-05-09 北京市生态环境保护科学研究院 一种全天候大气立体监测方法及系统
CN116087134B (zh) * 2023-03-01 2023-11-14 北京市生态环境保护科学研究院 一种全天候大气立体监测方法及系统
CN117634178A (zh) * 2023-11-24 2024-03-01 广东省环境科学研究院 一种高效溯源水质污染源的系统及方法

Also Published As

Publication number Publication date
CN115544919B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN115544919B (zh) 一种气流体污染物排放源的溯源方法及装置
US10444108B1 (en) Systems and methods for likelihood-based detection of gas leaks using mobile survey equipment
Qiu et al. Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization
Senocak et al. Stochastic event reconstruction of atmospheric contaminant dispersion using Bayesian inference
CN110242865B (zh) 一种易于持续优化的燃气泄漏检测判定方法及系统
CN108008099A (zh) 一种污染源定位方法
CN112529240A (zh) 一种大气环境数据的预测方法、系统、装置及存储介质
EP3991127A1 (en) Gas emission monitoring and detection
CN116258086B (zh) 一种燃气管道风险评估方法及系统
Zhu et al. Multi-sensing paradigm based urban air quality monitoring and hazardous gas source analyzing: a review
Zhou et al. Mobile sensing of point-source gas emissions using Bayesian inference: An empirical examination of the likelihood function
CN115388344A (zh) 一种基于分布式协调检测的管道泄漏监测方法
CN117093832B (zh) 一种用于空气质量数据缺失的数据插补方法及系统
CN112836859B (zh) 一种河口区污染物监测数据的智能融合与分析方法
CN103322415A (zh) 一种石油管道缺陷最小二乘支持向量机二维重现方法
Brereton et al. Fugitive emission source characterization using a gradient-based optimization scheme and scalar transport adjoint
CN112259172B (zh) 一种存在空气污染物化学反应情况的污染源逆向辨识方法
CN115705510A (zh) 厂区气体污染分布预测方法、系统、电子设备及存储介质
Junru et al. Hybrid modelling for leak detection of long-distance gas transport pipeline
Hu et al. Negative pressure wave-based method for abnormal signal location in energy transportation system
Rossi et al. Empirical analysis of vehicle time headways and speeds on rural two-lane, two-way roads
Milletarì et al. Source attribution and emissions quantification for methane leak detection: A non-linear bayesian regression approach
Roy et al. Fugitive emission monitoring system using land-based sensors for industrial applications
Zhang et al. Comparative study on numerical simulation based on CALPUFF and wind tunnel simulation of hazardous chemical leakage accidents
Li et al. Sewer Sediment Inspection Based on Multisensor Fusion Considering Sewage Flow

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