CN117592343A - 基于小尺度扩散与溯源模型的空气污染模拟方法及系统 - Google Patents
基于小尺度扩散与溯源模型的空气污染模拟方法及系统 Download PDFInfo
- Publication number
- CN117592343A CN117592343A CN202311548860.4A CN202311548860A CN117592343A CN 117592343 A CN117592343 A CN 117592343A CN 202311548860 A CN202311548860 A CN 202311548860A CN 117592343 A CN117592343 A CN 117592343A
- Authority
- CN
- China
- Prior art keywords
- air pollution
- model
- diffusion
- small
- verification
- 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
- 238000003915 air pollution Methods 0.000 title claims abstract description 225
- 238000009792 diffusion process Methods 0.000 title claims abstract description 153
- 238000004088 simulation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000002245 particle Substances 0.000 claims abstract description 157
- 238000012795 verification Methods 0.000 claims abstract description 104
- 230000001133 acceleration Effects 0.000 claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 52
- 238000012512 characterization method Methods 0.000 claims description 23
- 241001466538 Gymnogyps Species 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012800 visualization Methods 0.000 claims description 15
- 230000010349 pulsation Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 239000000809 air pollutant Substances 0.000 claims description 10
- 231100001243 air pollutant Toxicity 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000010422 painting Methods 0.000 claims description 6
- 230000021715 photosynthesis, light harvesting Effects 0.000 claims description 6
- 101100326803 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-2 gene Proteins 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000000700 radioactive tracer Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明提供基于小尺度扩散与溯源模型的空气污染模拟方法及系统，其中，方法包括：步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；步骤2：获取空气污染验证数据集；步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果并评估；步骤4：若验证结果的评估结果为评估通过，根据小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行模拟。本发明的基于小尺度扩散与溯源模型的空气污染模拟方法及系统，对目标区域的空气污染粒子加速度进行建模获得小尺度扩散与溯源模型。根据验证通过的小尺度扩散与溯源模型进行模拟，提升了扩散和溯源模拟的准确性，污染源的追溯效率更高。
Description
技术领域
本发明涉及电数字数据处理技术领域，特别涉及基于小尺度扩散与溯源模型的空气污染模拟方法及系统。
背景技术
为了更好的模拟预测城市尺度空气污染物的扩散溯源情况，国内外的学者、管理部门尝试应用多种小尺度空气质量数值模型，分析城市空气污染态势。应用时，小尺度扩散模型模拟物质在局部区域内的扩散，得到预测的浓度分布。然后，将这些模拟结果与实测数据进行比较，同时利用溯源模型来确定污染源对高值点的污染贡献，以验证模型的准确性和可靠性。通过不断优化模型参数和改进模型算法，可以提高小尺度扩散与溯源模型的精度和可靠性，从而更好地应对环境和污染控制的需求。
申请号为：CN202010939714.4的发明专利公开了空气污染粒子信息的优化方法、装置及电子设备，其中，方法包括：根据月平均的空气污染源排放清单数据确定源排放输入清单数据；基于气象要素驱动场和初始场，将源排放输入清单数据输入至空气污染数值模型进行模拟，得到预设区域内各个观测点的空气污染粒子初始信息；将空气污染粒子初始信息作为空气污染粒子当前信息，对于每个空气污染粒子当前信息，均执行优化操作，直至各个观测点的浓度误差均处于预设误差范围内时停止优化操作；将停止优化操作时对应的各个观测点的空气污染粒子优化信息作为各个观测点的空气污染粒子最终优化信息，从而有效改善了源排放清单的准确性，提高了空气污染数值模拟(预报)的性能。
但是，上述现有技术在进行空气污染数值模型模拟时，未进行复杂气象场景下空气污染粒子加速度建模这一细致化考虑，准确性较低，进一步降低了污染溯源效率。
有鉴于此，亟需基于小尺度扩散与溯源模型的空气污染模拟方法及系统，以至少解决上述不足。
发明内容
本发明目的之一在于提供了基于小尺度扩散与溯源模型的空气污染模拟方法，对目标区域的空气污染粒子加速度进行建模获得小尺度扩散与溯源模型。根据获取的空气污染验证数据集和小尺度扩散与溯源模型，确定验证通过的小尺度扩散与溯源模型，并根据监测数据进行相应模拟，建立了适用不同气象条件下污染物小尺度扩散溯源模拟模型。该模型引入双高斯分布和脉动速度相关性，分别建立对流场景和非对流场景的空气污染粒子加速度模型，提升了扩散和溯源模拟的准确性，输入数据轻参数化，不需要配套的高分辨率气象场数据，提高了后续污染源的追溯效率和实时性。
本发明实施例提供的基于小尺度扩散与溯源模型的空气污染模拟方法，包括：
步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；
步骤2：获取空气污染验证数据集；
步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；
步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及分辨率。
优选的，步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型，包括：
获取空气污染粒子状态更新模型；
确定空气污染粒子扩散类型，空气污染粒子扩散类型包括：对流情景和非对流情景；
基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型；
根据空气污染粒子加速度模型，确定小尺度扩散与溯源模型，其中，小尺度扩散与溯源模型的空间分辨率设置范围为10m至30m，小尺度扩散与溯源模型中污染源和受体的距离范围为0km至10km。
优选的，基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型，包括：
若空气污染粒子扩散类型为对流情景，获取对流数据；
根据对流数据，获取空气污染粒子垂直运动特征模型，空气污染粒子垂直运动特征模型为：
其中，Q为空气污染粒子垂直运动特征模型，A表示上升气流所占区域面积，B表示下降气流所占区域面积，W表示垂直方向空气污染粒子速度，表示上升气流速度的均值，表示为下降气流速度的均值，σA表示为上升气流速度的标准差，σB表示下降气流速度的标准差；
根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型；
若空气污染粒子扩散类型为非对流情景，获取脉动速度相关系数；
根据脉动速度相关系数，确定空气污染粒子加速度模型。
优选的，根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型，包括：
基于预设的组合模型，确定过程变量，过程变量具体为：
其中，φw为过程变量，φLB为过程变量的中间变量，z表示为垂直方向上的距离，PA为上升气流的概率密度函数，PB为下降气流的概率密度函数，ga表示环境湍流中脉动速度的分布函数，gw表示双高斯分布函数；
根据过程变量，确定空气污染粒子加速度模型，空气污染粒子加速度模型具体为：
其中，aW为空气污染粒子加速度模型，C0表示通用常数，由人工预先设置，ε表示湍流动能耗散率。
优选的，步骤2：获取空气污染验证数据集，包括：
获取空气污染验证数据集，空气污染验证数据集包括：水箱试验数据、CONDORS试验数据、草场试验数据和Cabauw试验数据。
优选的，步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果，包括：
获取根据空气污染验证数据集对小尺度扩散与溯源模型进行验证的验证类型，验证类型包括：地面源验证和高架源验证；
若验证类型为地面源验证，则获取草场试验数据和CONDORS试验数据；
根据草场试验数据和CONDORS试验数据，确定验证结果，并计算评估指标，评估指标包括：几何平均方差、几何方差、相关系数和FAC2；
根据评估指标，确定评估结果；
若验证类型为高架源验证，则获取水箱试验数据、CONDORS试验数据和Cabauw试验数据；
根据水箱试验数据、CONDORS试验数据和Cabauw试验数据，获取可视化模板；
根据可视化模板，获取模拟结果可视化图和真实结果可视化图；
根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度；
根据刻画程度，确定评估结果。
优选的，获取可视化模板，包括：
获取空气污染物浓度；
根据空气污染物浓度，在预设的空图表中绘制色彩浓度等值线；
获取示踪物质的运动轨迹；
基于流场可视化技术，在空图表中标注气体涡旋；
在空图表中动态演示色彩浓度等值线、运动轨迹和气体涡旋，获得可视化模板。
优选的，根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度，包括：
获取模拟结果可视化图的第一刻画因子和真实结果可视化图的第二刻画因子，刻画因子包括：浓度分布、流线轨迹和涡旋结构；
将第一刻画因子和第二刻画因子进行对比，确定因子对比结果；
根据因子对比结果进行定量评估，获取定量结果；
根据定量结果和定量结果评价模板，确定刻画程度。
优选的，步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，包括：
若扩散溯源指令为扩散指令，获取空气污染粒子扩散模型，空气污染粒子扩散模型中的空气污染粒子状态更新公式为：
xt＝xt-1+dx
dx＝Udt
Ut＝Ut-1+dU
若扩散溯源指令为溯源指令，获取空气污染粒子溯源模型，空气污染粒子溯源模型中的空气污染粒子状态更新公式为：
xt-1＝xt+dx
dx＝-Udt
Ut-1＝Ut+dU
其中，xt-1和xt分别表示空气污染粒子在t-1时刻和t时刻上的位置信息；Ut-1和Ut分别表示空气污染粒子在t-1时刻和t时刻上的速度信息；dx、dU和dt分别表示空气污染粒子发生位移时的位置变化量、速度变化量和时间变化量；aU表示空气污染粒子的脉动加速度；C0表示通用常数；ε表示湍流动能耗散率；dξ表示服从均值为0、方差为dt分布的一个随机数。
本发明实例提供的基于小尺度扩散与溯源模型的空气污染模拟系统，包括：
建模子系统，用于对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；
数据集获取子系统，用于获取空气污染验证数据集；
验证子系统，用于根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；
模拟子系统，用于若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及空间分辨率。
本发明的有益效果为：
本发明对目标区域的空气污染粒子加速度进行建模获得小尺度扩散与溯源模型。根据获取的空气污染验证数据集和小尺度扩散与溯源模型，确定验证通过的小尺度扩散与溯源模型，并根据监测数据进行相应模拟，建立了适用不同气象条件下污染物小尺度扩散溯源模拟模型。该模型引入双高斯分布和脉动速度相关性，分别建立对流场景和非对流场景的粒子加速度模型，提升了扩散和溯源模拟的准确性，输入数据轻参数化，不需要配套的高分辨率气象场数据，提高了后续污染源的追溯效率和实时性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过本申请文件中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于小尺度扩散与溯源模型的空气污染模拟方法的示意图；
图2为本发明实施例中基于小尺度扩散与溯源模型的空气污染模拟系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了基于小尺度扩散与溯源模型的空气污染模拟方法，如图1所示，包括：
步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；其中，目标区域为：需要进行空气污染物追溯的街区或化工园区，目标区域的范围为：距离监测点0km-10km的范围内；小尺度扩散与溯源模型为：用于分析和预测空气污染物在小尺度范围内的传播和来源的模型；
步骤2：获取空气污染验证数据集；其中，空气污染验证数据集包括：水箱试验数据、CONDORS试验数据、草场试验数据和Cabauw试验数据；
步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；其中，验证结果为：空气污染验证数据集对应的模拟结果和实际结果之间的差异；评估验证结果为：评估小尺度扩散与溯源模型是否可靠；
步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及分辨率。其中，监测数据为轻参数，具体为：莫宁-奥布霍夫长度、对流速度、摩擦速度、边界层高度、风速、风向、目标区域基本下垫面指标(比如：粗糙长度)、污染源强和污染源位置。
上述技术方案的工作原理及有益效果为：
本申请对目标区域的空气污染粒子加速度进行建模获得小尺度扩散与溯源模型。根据获取的空气污染验证数据集和小尺度扩散与溯源模型，确定验证通过的小尺度扩散与溯源模型，并根据监测数据进行相应模拟，建立了适用不同气象条件下污染物小尺度扩散溯源模拟模型。该模型引入双高斯分布和脉动速度相关性，分别建立对流场景和非对流场景的空气污染粒子加速度模型，提升了扩散和溯源模拟的准确性，输入数据轻参数化，不需要配套的高分辨率气象场数据，提高了后续污染源的追溯效率和实时性。
在一个实施例中，步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型，包括：
获取空气污染粒子状态更新模型；其中，空气污染粒子状态更新模型为：扩散情境下和溯源情景下粒子状态更新的数学模型；
确定空气污染粒子扩散类型，空气污染粒子扩散类型包括：对流情景和非对流情景；其中，对流情景为：具有旺盛对流(气体上升和下沉)的情景；非对流情景为：无显著对流情景；
基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型；其中，空气污染粒子加速度模型为：不同空气污染粒子扩散类型对应的空气污染粒子的加速度运动的数学模型；
根据空气污染粒子加速度模型，确定小尺度扩散与溯源模型，其中，小尺度扩散与溯源模型的空间分辨率设置范围为10m至30m，小尺度扩散与溯源模型中污染源和受体的距离范围为0km至10km。
上述技术方案的工作原理及有益效果为：
本申请基于获取的空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获取空气污染粒子加速度模型，综合考虑了对流情景和非对流情景下的空气污染粒子初始速度与空气污染粒子加速度，根据空气污染粒子加速度模型确定小尺度扩散与溯源模型，提升了小尺度扩散与溯源模型的泛化能力。
在一个实施例中，基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型，包括：
若空气污染粒子扩散类型为对流情景，获取对流数据；其中，对流数据为：扩散系数、湍流扩散率、空气污染粒子速度和风场速度等；
根据对流数据，获取空气污染粒子垂直运动特征模型，空气污染粒子垂直运动特征模型为：
其中，Q为空气污染粒子垂直运动特征模型，A表示上升气流所占区域面积，B表示下降气流所占区域面积，W表示垂直方向空气污染粒子速度，表示上升气流速度的均值，表示为下降气流速度的均值，σA表示为上升气流速度的标准差，σB表示下降气流速度的标准差；
根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型；其中，根据空气污染粒子垂直运动特征模型确定的空气污染粒子加速度模型为：刻画空气污染粒子在湍流情形下的垂直运动特征的加速度模型；
若空气污染粒子扩散类型为非对流情景，获取脉动速度相关系数；其中，脉动速度相关系数表征各个方向上空气污染粒子脉动加速度的相关性；
根据脉动速度相关系数，确定空气污染粒子加速度模型。
上述技术方案的工作原理及有益效果为：
在模拟空气污染粒子在空气中的运动过程时，在对流和不对流的情形下，空气污染粒子的运动状态的计算方法是不同的，因此，本申请根据空气污染粒子扩散类型的不同，分别确定对流情景下的空气污染粒子垂直运动特征模型和非对流情景下的脉动速度相关系数，根据空气污染粒子垂直运动特征模型和脉动速度相关系数分别确定空气污染粒子加速度模型，空气污染粒子加速度模型的构建更合理。
在一个实施例中，根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型，包括：
基于预设的组合模型，确定过程变量，预设的组合模型为：Luhar&Sawford变体模型，过程变量具体为：
其中，φw为过程变量，φLB为过程变量的中间变量，z表示为垂直方向上的距离，PA为上升气流的概率密度函数，PB为下降气流的概率密度函数，ga表示环境湍流中脉动速度的分布函数，gw表示双高斯分布函数；
根据过程变量，确定空气污染粒子加速度模型，空气污染粒子加速度模型具体为：
其中，aW为空气污染粒子加速度模型，C0表示通用常数，由人工预先设置，ε表示湍流动能耗散率。
上述技术方案的工作原理及有益效果为：
本申请引入组合模型，确定过程变量，再根据过程变量确定空气污染粒子加速度模型，解决了拉格朗日模型的多维模型的不唯一性问题。
在一个实施例中，步骤2：获取空气污染验证数据集，包括：
获取空气污染验证数据集，空气污染验证数据集包括：水箱试验数据、CONDORS试验数据、草场试验数据和Cabauw试验数据。其中，水箱试验数据为：Deardorff水箱试验的数据、CONDORS试验数据为：基于遥感器观测到的对流扩散数据；草场试验数据为：ProjectPrai r ie Grass草原草场项目试验数据；Cabauw试验数据：荷兰Cabauw村庄的试验数据。
上述技术方案的工作原理及有益效果为：
本申请获取多源的空气污染实验，提升了空气污染实验的全面性。
本发明实施例提供了基于小尺度扩散与溯源模型的空气污染模拟方法，步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果，包括：
获取根据空气污染验证数据集对小尺度扩散与溯源模型进行验证的验证类型，验证类型包括：地面源验证和高架源验证；其中，地面源指：烟囱高度低于45米，高架源指：烟囱高度高于45米；
若验证类型为地面源验证，则获取草场试验数据和CONDORS试验数据；
根据草场试验数据和CONDORS试验数据，确定验证结果，并计算评估指标，评估指标包括：几何平均方差、几何方差、相关系数和FAC2，FAC2具体为：
其中，Cp为模型预测浓度，Co为模型真实观测浓度，count(*)表示当满足*条件时，计数加1，初始计数值为0；
根据评估指标，确定评估结果；其中，评估结果为：评估指标是否达到预设标准；
若验证类型为高架源验证，则获取水箱试验数据、CONDORS试验数据和Cabauw试验数据；
根据水箱试验数据、CONDORS试验数据和Cabauw试验数据，获取可视化模板；其中，可视化模板为：约束只生成验证数据模拟结果的可视化图，不生成其他内容；
根据可视化模板，获取模拟结果可视化图和真实结果可视化图；
根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度；其中，对流扩散特征为：浓度分布、流线轨迹和涡旋结构；刻画程度为：何种浓度分布、何种流线轨迹以及何种涡旋结构；
根据刻画程度，确定评估结果。其中，评估结果为：小尺度扩散与溯源模型的判断是否准确。
上述技术方案的工作原理及有益效果为：
小尺度扩散与溯源模型构建完成后，在投入应用前，还需要进行验证，因此，本申请引入空气污染验证数据集的验证类型，根据不同的验证类型，确定不同的评估内容。当验证类型为地面源验证，根据草场数据和CONDORS数据，确定评估指标，并根据评估指标确定评估结果。当验证类型为高架源验证，引入可视化模板获取模拟结果可视化图和真实结果可视化图，根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度，并获取评估结果，评估过程更适宜。
在一个实施例中，获取可视化模板，包括：
获取空气污染物浓度；其中，空气污染物浓度为：空气中不同种类的气体类型的污染物的浓度；
根据空气污染物浓度，在预设的空图表中绘制色彩浓度等值线；其中，预设的空图表为：目标区域的地图；色彩浓度等值线每一颜色代表的气体浓度由人工预先设置；
获取示踪物质的运动轨迹；其中，示踪物质为：流体中添加的用于追踪流体运动和传输的物质；运动轨迹为：示踪物质的轨迹；
基于流场可视化技术，在空图表中标注气体涡旋；其中，气体涡旋为：气体流动时产生的涡旋状气流的示意图；
在空图表中动态演示色彩浓度等值线、运动轨迹和气体涡旋，获得可视化模板。
上述技术方案的工作原理及有益效果为：
本申请引入色彩浓度等值线，根据气体浓度在空图表中绘制色彩浓度等值线。引入示踪物质确定空图表中的运动轨迹。引入流场可视化技术在空图表中标注气体涡旋。基于色彩浓度等值线、运动轨迹和气体涡旋共同确定可视化模板，更加人性化。
在一个实施例中，根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度，包括：
获取模拟结果可视化图的第一刻画因子和真实结果可视化图的第二刻画因子，刻画因子包括：浓度分布、流线轨迹和涡旋结构；
将第一刻画因子和第二刻画因子进行对比，确定因子对比结果；其中，因子对比结果为：第一刻画因子和第二刻画因子的相似程度；
根据因子对比结果进行定量评估，获取定量结果；其中，定量结果为：刻画因子对应描述的内容的归一化结果；
根据定量结果和定量结果评价模板，确定刻画程度。其中，定量结果评价模板只进行定量结果的评价，不进行其他操作；刻画程度为：何种浓度分布、何种流线轨迹以及何种涡旋结构；
上述技术方案的工作原理及有益效果为：
本申请将获取的模拟结果可视化图的第一刻画因子和真实结果可视化图的第二刻画因子进行对比，获得因子对比结果。根据因子对比结果进行定量评估，获取定量结果，并引入定量结果评价模板确定刻画程度，提升了刻画程度确定的精准性和规范性。
本发明实施例提供了基于小尺度扩散与溯源模型的空气污染模拟方法，步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，包括：
若扩散溯源指令为扩散指令，获取空气污染粒子扩散模型，空气污染粒子扩散模型中的空气污染粒子状态更新公式为：
xt＝xt-1+dx
dx＝Udt
Ut＝Ut-1+dU
若扩散溯源指令为溯源指令，获取空气污染粒子溯源模型，空气污染粒子溯源模型中的空气污染粒子状态更新公式为：
xt-1＝xt+dx
dx＝-Udt
Ut-1＝Ut+dU
其中，xt-1和xt分别表示粒子在空气污染t-1时刻和t时刻上的位置信息；Ut-1和Ut分别表示空气污染粒子在t-1时刻和t时刻上的速度信息；dx、dU和dt分别表示空气污染粒子发生位移时的位置变化量、速度变化量和时间变化量；aU表示空气污染粒子的脉动加速度；C0表示通用常数；ε表示湍流动能耗散率；dξ表示服从均值为0、方差为dt分布的一个随机数。
本发明实施例提供了基于小尺度扩散与溯源模型的空气污染模拟方法，还包括：
步骤5：获取监测数据的目标可视化图，根据目标可视化图，进行相应预警；目标可视化图为：标注了监测数据对应的空气污染数据的目标可视化区域的地图；
其中，根据目标可视化图，进行相应预警，包括：
确定目标可视化图中多个目标可视化区域，并获取目标可视化区域的区域活动信息；其中，目标可视化区域为：目标可视化图中一个街道对应的区域；区域活动信息为：区域内安排的生产活动；
根据区域活动信息，获取人员密度数据；其中，人员密度数据为：单位面积活动人的数量；
根据人员密度数据和预设的阈值对照库，确定人员密度数据的对照阈值；其中，预设的阈值对照库包括对个一一对应的人员密度数据和对照阈值；
获取时段信息；其中，时段信息为：时间信息；
根据时段信息，将对照阈值根据时段信息在目标可视化区域内对应标注；其中，根据时段信息将对照阈值根据时段信息在目标可视化区域内对应标注时，确定时段信息对应的人员密度，再根据人员密度标注对照阈值；
根据时段信息和目标可视化图，确定目标可视化区域内的污染数据；其中，污染数据为：哪个区域哪种气体浓度是多少；
若目标可视化区域内的污染数据大于目标可视化区域内的对照阈值，基于预设的广播规则，在对应目标可视化区域内进行告警广播，同时，获取进行告警广播的目标可视化区域内的污染子数据；其中，预设的广播规则为：以何种方式进行播报预警信息；污染子数据为：进行告警广播的目标可视化区域内的污染数据；
根据污染子数据，构建污染分布函数；其中，污染分布函数为：以进行告警广播的目标可视化区域内的位置为自变量、污染物浓度为因变量的函数；
获取污染分布函数的微分函数；其中，微分函数为：污染分布函数的导数或者偏导数；
根据微分函数，确定至少一个目标极值并对目标极值对应的可疑点位进行污染源排查。其中，目标极值为：极大值或者极小值；可疑点位为：极大值对应于进行告警广播的目标可视化区域内的位置。
上述技术方案的工作原理及有益效果为：
一般的，在进行空气污染预警时，每个地区的预警优先程度是不同的，比如：人口密集的地区的预警优先程度大于地广人稀的地区，因此，本申请引入目标可视化区域的区域活动信息确定人员密度数据，并根据人员密度数据和预设的阈值对照库，获取人员密度数据的对照阈值。引入时段信息，将对照阈值根据时段信息在目标可视化区域内对应标注，根据时段信息确定目标可视化区域内的污染数据，当污染数据大于目标可视化区域内的对照阈值时，基于预设的广播规则，在对应目标可视化区域内进行告警广播。同时，获取进行告警广播的目标可视化区域内的污染子数据，构建污染子数据对应的污染分布函数并获取污染分布函数的微分函数，确定微分函数的目标极值，再获取可疑点位进行污染源排查，提升了污染源排查的适宜性，也更加合理。
本发明实施例提供了基于小尺度扩散与溯源模型的空气污染模拟系统，如图2所示，包括：
建模子系统1，用于对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；
数据集获取子系统2，用于获取空气污染验证数据集；
验证子系统3，用于根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；
模拟子系统4，用于若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及分辨率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，包括：
步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；
步骤2：获取空气污染验证数据集；
步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；
步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及分辨率。
2.如权利要求1所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，步骤1：对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型，包括：
获取空气污染粒子状态更新模型；
确定空气污染粒子扩散类型，空气污染粒子扩散类型包括：对流情景和非对流情景；
基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型；
根据空气污染粒子加速度模型，确定小尺度扩散与溯源模型，其中，小尺度扩散与溯源模型的空间分辨率设置范围为10m至30m，小尺度扩散与溯源模型中污染源和受体的距离范围为0km至10km。
3.如权利要求2所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，基于空气污染粒子状态更新模型，根据空气污染粒子扩散类型对空气污染粒子加速度进行建模，获得空气污染粒子加速度模型，包括：
若空气污染粒子扩散类型为对流情景，获取对流数据；
根据对流数据，获取空气污染粒子垂直运动特征模型，空气污染粒子垂直运动特征模型为：
其中，Q为空气污染粒子垂直运动特征模型，A表示上升气流所占区域面积，B表示下降气流所占区域面积，W表示垂直方向空气污染粒子速度，表示上升气流速度的均值，/>表示为下降气流速度的均值，σA表示为上升气流速度的标准差，σB表示下降气流速度的标准差；
根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型；
若空气污染粒子扩散类型为非对流情景，获取脉动速度相关系数；
根据脉动速度相关系数，确定空气污染粒子加速度模型。
4.如权利要求3所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，根据空气污染粒子垂直运动特征模型，确定空气污染粒子加速度模型，包括：
基于预设的组合模型，确定过程变量，过程变量具体为：
其中，φw为过程变量，φLB为过程变量的中间变量，z表示为垂直方向上的距离，PA为上升气流的概率密度函数，PB为下降气流的概率密度函数，ga表示环境湍流中脉动速度的分布函数，gw表示双高斯分布函数；
根据过程变量，确定空气污染粒子加速度模型，空气污染粒子加速度模型具体为：
其中，aW为空气污染粒子加速度模型，C0表示通用常数，由人工预先设置，ε表示湍流动能耗散率。
5.如权利要求1所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，步骤2：获取空气污染验证数据集，包括：
获取空气污染验证数据集，空气污染验证数据集包括：水箱试验数据、CONDORS试验数据、草场试验数据和Cabauw试验数据。
6.如权利要求1所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，步骤3：根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果，包括：
获取根据空气污染验证数据集对小尺度扩散与溯源模型进行验证的验证类型，验证类型包括：地面源验证和高架源验证；
若验证类型为地面源验证，则获取草场试验数据和CONDORS试验数据；
根据草场试验数据和CONDORS试验数据，确定验证结果，并计算评估指标，评估指标包括：几何平均方差、几何方差、相关系数和FAC2；
根据评估指标，确定评估结果；
若验证类型为高架源验证，则获取水箱试验数据、CONDORS试验数据和Cabauw试验数据；
根据水箱试验数据、CONDORS试验数据和Cabauw试验数据，获取可视化模板；
根据可视化模板，获取模拟结果可视化图和真实结果可视化图；
根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度；
根据刻画程度，确定评估结果。
7.如权利要求6所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，获取可视化模板，包括：
获取空气污染物浓度；
根据空气污染物浓度，在预设的空图表中绘制色彩浓度等值线；
获取示踪物质的运动轨迹；
基于流场可视化技术，在空图表中标注气体涡旋；
在空图表中动态演示色彩浓度等值线、运动轨迹和气体涡旋，获得可视化模板。
8.如权利要求6所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，根据模拟结果可视化图和真实结果可视化图，确定对流扩散特征的刻画程度，包括：
获取模拟结果可视化图的第一刻画因子和真实结果可视化图的第二刻画因子，刻画因子包括：浓度分布、流线轨迹和涡旋结构；
将第一刻画因子和第二刻画因子进行对比，确定因子对比结果；
根据因子对比结果进行定量评估，获取定量结果；
根据定量结果和定量结果评价模板，确定刻画程度。
9.如权利要求1所述的基于小尺度扩散与溯源模型的空气污染模拟方法，其特征在于，步骤4：若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，包括：
若扩散溯源指令为扩散指令，获取空气污染粒子扩散模型，空气污染粒子扩散模型中的空气污染粒子状态更新公式为：
xt＝xt-1+dx
dx＝Udt
Ut＝Ut-1+dU
若扩散溯源指令为溯源指令，获取空气污染粒子溯源模型，空气污染粒子溯源模型中的空气污染粒子状态更新公式为：
xt-1＝xt+dx
dx＝-Udt
Ut-1＝Ut+dU
其中，xt-1和xt分别表示空气污染粒子在t-1时刻和t时刻上的位置信息；Ut-1和Ut分别表示空气污染粒子在t-1时刻和t时刻上的速度信息；dx、dU和dt分别表示空气污染粒子发生位移时的位置变化量、速度变化量和时间变化量；aU表示空气污染粒子的脉动加速度；C0表示通用常数；ε表示湍流动能耗散率；dξ表示服从均值为0、方差为dt分布的一个随机数。
10.基于小尺度扩散与溯源模型的空气污染模拟系统，其特征在于，包括：
建模子系统，用于对目标区域的空气污染粒子加速度进行建模，获取小尺度扩散与溯源模型；
数据集获取子系统，用于获取空气污染验证数据集；
验证子系统，用于根据空气污染验证数据集对小尺度扩散与溯源模型进行验证，获取验证结果，并评估验证结果；
模拟子系统，用于若验证结果的评估结果为评估通过，根据相应小尺度扩散与溯源模型、监测数据、目标区域设置以及扩散溯源指令，进行相应模拟，其中，目标区域设置为：人工设置的目标区域的空间范围及空间分辨率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311548860.4A CN117592343B (zh) | 2023-11-20 | 基于小尺度扩散与溯源模型的空气污染模拟方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311548860.4A CN117592343B (zh) | 2023-11-20 | 基于小尺度扩散与溯源模型的空气污染模拟方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592343A true CN117592343A (zh) | 2024-02-23 |
| CN117592343B CN117592343B (zh) | 2024-05-03 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598692A (zh) * | 2015-02-02 | 2015-05-06 | 廖鹰 | 火电厂排放烟尘污染仿真模拟方法 |
| CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
| CN115688636A (zh) * | 2022-12-29 | 2023-02-03 | 浙江远算科技有限公司 | 一种基于计算流体力学的大气环境污染修复仿真方法及系统 |
| US20230194755A1 (en) * | 2021-12-15 | 2023-06-22 | Zhejiang University Of Technology | Data-driven rapid traceability method for air pollutants in small-scale regionals |
| CN116413838A (zh) * | 2023-04-11 | 2023-07-11 | 华北电力大学（保定） | 城市污染物扩散快速预警和防控平台 |
| CN116859006A (zh) * | 2023-09-04 | 2023-10-10 | 北京亦庄智能城市研究院集团有限公司 | 基于大气扩散机制的空气污染监测系统及其监测方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598692A (zh) * | 2015-02-02 | 2015-05-06 | 廖鹰 | 火电厂排放烟尘污染仿真模拟方法 |
| CN109118129A (zh) * | 2018-11-02 | 2019-01-01 | 孙扬 | 一种大气污染物精准溯源识别系统及方法 |
| US20230194755A1 (en) * | 2021-12-15 | 2023-06-22 | Zhejiang University Of Technology | Data-driven rapid traceability method for air pollutants in small-scale regionals |
| CN115688636A (zh) * | 2022-12-29 | 2023-02-03 | 浙江远算科技有限公司 | 一种基于计算流体力学的大气环境污染修复仿真方法及系统 |
| CN116413838A (zh) * | 2023-04-11 | 2023-07-11 | 华北电力大学（保定） | 城市污染物扩散快速预警和防控平台 |
| CN116859006A (zh) * | 2023-09-04 | 2023-10-10 | 北京亦庄智能城市研究院集团有限公司 | 基于大气扩散机制的空气污染监测系统及其监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110085281B (zh) | 一种基于特征污染因子源解析的环境污染溯源系统及方法 | |
| Amorim et al. | CFD modelling of the aerodynamic effect of trees on urban air pollution dispersion | |
| Senocak et al. | Stochastic event reconstruction of atmospheric contaminant dispersion using Bayesian inference | |
| US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
| Patra et al. | Prediction of particulate matter concentration profile in an opencast copper mine in India using an artificial neural network model | |
| Solazzo et al. | A novel methodology for interpreting air quality measurements from urban streets using CFD modelling | |
| CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及系统 | |
| CN115420854B (zh) | 一种基于正后向模型结合的大气污染物溯源方法 | |
| Ruiz et al. | Experimental study of drift deposition from mechanical draft cooling towers in urban environments | |
| Gao et al. | Prediction of vertical PM 2.5 concentrations alongside an elevated expressway by using the neural network hybrid model and generalized additive model | |
| CN111157688A (zh) | 评价污染源对空气质量监测站影响的方法和装置 | |
| Ferrero et al. | An evaluation of a Lagrangian stochastic model for the assessment of odours | |
| Hernandez et al. | Analysis of the information obtained from PM 2.5 concentration measurements in an urban park | |
| CN112231983A (zh) | 面向遥感时空大数据的污染前体物排放源的类脑跨模态识别及并行处理方法 | |
| CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
| CN117592343B (zh) | 基于小尺度扩散与溯源模型的空气污染模拟方法及系统 | |
| CN117592343A (zh) | 基于小尺度扩散与溯源模型的空气污染模拟方法及系统 | |
| CN117312784A (zh) | 一种基于受体模型和大数据联用的污染源溯源方法 | |
| CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
| Álvarez Narváez et al. | Estimation of the vehicle emission factor in different areas of Cartagena de Indias | |
| CN111461163B (zh) | 城市内部pm2.5浓度模拟和人口暴露度评估方法和装置 | |
| JP5131400B1 (ja) | 降下煤塵の非定常発塵源位置の探索方法 | |
| JP5505463B2 (ja) | 降下煤塵の非定常発塵源の探索方法 | |
| KR20140038555A (ko) | 강하 매진의 비정상 발진원 위치의 탐색 방법 | |
| Nechausov | The information model of the system for local atmospheric air pollution monitoring |
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 |