CN115544919B - 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 PDFInfo
- Publication number
- CN115544919B CN115544919B CN202211480742.XA CN202211480742A CN115544919B CN 115544919 B CN115544919 B CN 115544919B CN 202211480742 A CN202211480742 A CN 202211480742A CN 115544919 B CN115544919 B CN 115544919B
- 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.)
- Active
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
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,表示监测区域所有位置的坐标集合,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,,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:
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:
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:
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:
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:
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:
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。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。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。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,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。
则构建监测区域的污染物浓度模型如式(1)所示:
其中,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;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,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,本实施例由脉冲函数代表第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为一个关于时间的函数,并且污染物会在某个时刻之后完全消失或停止排放,即。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,小时,只考虑扩散现象,即。
3)将步骤2)建立的污染物浓度函数转化为试值函数。
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,和分别为复数和复向量,满足。常见情形下,和的不同取值越多,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。
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。
其中,式(3)等式右边第一项为监测区域(本实施例为二维水体表面)上的积分,为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监测区域边界(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,可将第j个污染物点源污染物排放浓度的傅里叶系数记为,具体指排放浓度在对应频率的振幅,其在较小值上的取值代表排放浓度的大尺度(长时)信息,在较大值上的取值代表排放浓度的精细尺度(瞬时)信息。
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。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。
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中的所有傅里叶系数(一般取)的平方和的开方以计算第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,即:
对进行判定:若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;否则,保留第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,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:,在本发明一个实施例中记为。
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 (7)
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;
其中,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u(x,t),x∈Ω,Ω表示监测区域所有位置的坐标集合,t=0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,0<T*<T,T*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:
其中,β(x,t)为t时刻位于x处的污染物跟随气流体的传播速度;B(u)代表污染物的生成或分解化学反应;令u(x,0)=0;m为实际的污染物点源的数目,脉冲函数δ(x-sj)代表第j个污染物点源的位置,j=1,2,...,m;fj(t)为第j个污染物点源在t时刻的污染物强度;
κ(x,t)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:
其中,n为空间维数;κij(x,t),i,j=1,...,n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;
所述试值函数采用复几何光学解,表达式如下:
v(x,t)=eαteξ·x
其中,α和ξ分别为复数和复向量,满足α+ξ·ξ=0;
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:
其中,u(x,T*)为T*时刻监测区域内任一坐标x处的污染物浓度;
5.一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;
其中,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u(x,t),x∈Ω,Ω表示监测区域所有位置的坐标集合,t=0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,0≤T*<T,T*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:
其中,β(x,t)为t时刻位于x处的污染物跟随气流体的传播速度;B(u)代表污染物的生成或分解化学反应;令u(x,0)=0;m为实际的污染物点源的数目,脉冲函数δ(x-sj)代表第j个污染物点源的位置,j=1,2,...,m;fj(t)为第j个污染物点源在t时刻的污染物强度;
k(x,t)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:
其中,n为空间维数;κij(x,t),i,j=1,...,n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;
所述试值函数采用复几何光学解,表达式如下:
v(x,t)=eαteξ·x
其中,α和ξ分别为复数和复向量,满足α+ξ·ξ=0;
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:
其中,u(x,T*)为T*时刻监测区域内任一坐标x处的污染物浓度;
6.一种电子设备,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1-4任一项所述的方法。
7.一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1-4任一项所述的方法。
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 CN115544919A (zh) | 2022-12-30 |
CN115544919B true 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) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10372846B2 (en) * | 2015-11-12 | 2019-08-06 | International Business Machines Corporation | Retrieving pollution emission source using CFD and satellite data |
CN112418426B (zh) * | 2020-11-19 | 2021-11-05 | 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 |
CN115239354B (zh) * | 2022-08-11 | 2024-03-22 | 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 |
-
2022
- 2022-11-24 CN CN202211480742.XA patent/CN115544919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Non-Patent Citations (2)
Title |
---|
基于贝叶斯方法的突发水污染事件溯源研究;孙策等;《中国农村水利水电》;20200815(第08期);第77-81+87页 * |
扩散系数反演及其差分格式研究;刘峰等;《应用气象学报》;20030625(第03期);第332-337页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115544919A (zh) | 2022-12-30 |
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 | |
Qiu et al. | Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization | |
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
CN111811580A (zh) | 一种水量/水质监测布点方法及预警响应系统 | |
CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN112529240A (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
CN115980050B (zh) | 排水口的水质检测方法、装置、计算机设备及存储介质 | |
CN114742183B (zh) | 基于深度学习的水污染预警方法、系统、设备及存储介质 | |
CN116258086B (zh) | 一种燃气管道风险评估方法及系统 | |
CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN115111537A (zh) | 用于确定燃气管网中泄漏点的位置的方法、装置和介质 | |
CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
Shehab et al. | Automated detection and classification of infiltration in sewer pipes | |
Vaghefi et al. | A comparison among data mining algorithms for outlier detection using flow pattern experiments | |
CN116608861A (zh) | 一种船舶航迹行为异常检测方法、系统、装置及存储介质 | |
CN116628959A (zh) | 一种携沙河流污染物迁移检测方法、装置及电子设备 | |
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 | |
Ma et al. | A real-time method to detect the leakage location in urban water distribution networks | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
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 | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
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 |
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 |