北京市城区夏季VOCs变化特征分析与来源解析

精细化的挥发性有机物（VOCs）组分特征和来源分析,可以为科学有效地进行臭氧（O₃）污染防控提供支持.利用2020年夏季7~8月北京城区点位监测的小时分辨率VOCs在线数据,分析高O₃浓度时段和低O₃浓度时段环境受体中VOCs化学特征和臭氧生成潜势（OFP）,并利用正定矩阵因子分解（PMF）模型进行精细化源解析.结果表明,观测期间监测点φ［总大气挥发性有机物（TVOCs）］平均值为12.65×10^-9,高O₃时段和低O₃时段φ（TVOCs）平均值分别为13.44×10^-9和12.33×10^-9,OFP分别为107.6μg·m^-3和99.2μg·m^-3.观测期间O₃生成受VOCs控制,芳香烃的反应活性最高,对OFP贡献排名前三的组分均为异戊二烯、甲苯和间/对-二甲苯.低O₃时段环境受体中VOCs的主要来源包括汽车排放（26.4%）、背景排放（15.7%）、溶剂使用（13.0%）、汽修（12.8%）、二次生成源（9.7%）、生物质燃烧（6.1%）、印刷行业（5.7%）、液化天然气（LNG）燃料车（5.5%）和植被排放（5.0%）,其中背景排放、二次生成和印刷行业源在近年来北京VOCs源解析研究中少有讨论.高O₃时段汽修源和二次生成源贡献分别较低O₃时段上升了3.4%和2.6%,汽车排放仍是北京城区最主要的VOCs贡献源.植被排放源从07：00开始上升,在午后达到最高;背景排放源的贡献变化较小;汽车排放和LNG燃料车排放源呈现早晚高峰特征,下午时贡献相对较低.     

一种基于卷积神经网络的源解析因子识别方法

为解决源解析因子识别过程中人为参与及判定过程复杂的问题,提高源解析因子识别工作的效率,提出基于卷积神经网络（CNN）的 源解析因子识别方法.通过文献调研,构造可供CNN模型训练的因子识别数据集,对因子识别模型进行训练与调试,并以北京市南部采样点的PM_2.5组分观测数据对模型进行验证.同时,利用正定矩阵分解模型（PMF）解析得到不同因子数时的源谱矩阵,输入因子识别模型并与人工分析比对.结果表明,9个因子时模型的识别效果最佳,可以实现既无重复识别又无“无法判定”的情况,与源解析因子人工识别结果吻合,证明了所提出方法的合理性与可行性.该方法不仅对源解析中因子识别问题具有一定的实用价值,同时对减排策略的制定与动态调整也具有积极意义.     

水样中痕量十溴联苯醚的分散液-液微萃取条件的优化

采用正交设计和Box-Penhnken响应面设计,对分散液-液微萃取技术萃取水样中痕量十溴联苯醚的条件进行了筛选和优化,得到最佳条件:四氯乙烯为萃取剂(10μl)、丙酮作分散剂(1ml)、pH范围5~9、离子强度,2%NaCl及萃取时间10min。此优化条件下分散液-液微萃取技术的萃取回收率可达92.37%~104.38%,富集倍数为508~611。优化条件下方法的线性范围为0.01~100ng/ml,检出限(S/N=2)为3.0pg/ml,加标回收率为96.25%~102.16%,精密度为5.44%~6.34%。     

高阶煤润湿过程中水分运移的低场核磁共振试验

为深入了解煤层注水过程中水分在高阶煤煤体中的运移特征，以焦作中马村矿高阶煤为研究对象，利用低场核磁共振(LNMR)设备，测试煤样在负压浸水试验、等温浸润试验过程中不同浸水时间时的核磁谱图，结合煤样负压浸水过程的质量变化，获得制备饱水煤样所需的试验条件；结合煤样等温浸润过程质量变化，从微观层面定量分析煤样润湿过程中水分进入煤体的分布特征、煤样含水率和含水饱和度的变化规律。结果表明：水分在毛细管力作用下，可以浸润到煤体的最小孔径对应的核磁弛豫时间为0.014 ms;水分按照较大孔→小孔→微孔的路径依次进入到煤体中，按照微孔→小孔→较大孔的路径依次达到饱和状态，试验煤样在相同的润湿时间时，虽然含水率不同，但整体含水饱和度几乎一致，且煤样整体含水饱和度与润湿时间的0.5次方之间存在定量关系。