典型脱硫工艺对燃煤锅炉烟气颗粒物的影响

脱硫是燃煤锅炉的重要除污环节,为探究脱硫工艺对烟气颗粒物的影响,选取4台不同脱硫工艺（石灰石/石膏法、炉内喷钙法、氨法和双碱法）的燃煤锅炉,利用再悬浮采样法和稀释通道采样法分别采集脱硫前后烟气颗粒物样品,并测定颗粒物中的水溶性离子、无机元素和碳组分.结果表明,脱硫剂对烟气PM_2.5的组分构成产生影响,烟气经过石灰石/石膏法脱硫后,PM_2.5中的Ca由5.1%提高至24.8%;经过氨法脱硫后,PM_2.5中NH₄⁺的质量分数由0.8%提高到7.3%;双碱法脱硫则使烟气PM_2.5中Na由0.9%提高到1.7%.湿法和干法脱硫工艺的作用显著不同,湿法脱硫排放颗粒物的离子含量较高,经过石灰石/石膏法和氨法脱硫,PM_2.5中SO₄^2-的质量分数分别由2.0%和6.7%提高到9.6%和11.9%,Cl^-分别由0.4%和1.2%提高到3.8%和5.2%,而Cr、Pb、Cu、Ti和Mn等重金属经过湿法脱硫出现含量下降;相对湿法脱硫,干法脱硫燃煤锅炉排放的PM_2.5中富含Al、Si和Fe等地壳元素.湿法脱硫同样对碳组分产生影响,石灰石/石膏法和氨法脱硫后,烟气PM_2.5的元素碳EC质量分数分别从6.1%降至0.9%和从3.6%降至0.7%,但是有机碳OC的含量并没有下降.     

攀枝花钒钛矿区植物对钛的富集特性研究

通过野外调查采样,分析了四川省攀枝花市朱家包包钒钛矿区土壤的重金属含量,以及攀枝花市朱家包包钒钛矿区生长的20种植物体内Ti的含量,并初步研究了植物对Ti的富集特性。结果表明,20种植物体内Ti的含量都未达到超富集植物的标准。在这些植物中,12号植物地上部对Ti的富集量最高;蕨类植物地下部对Ti的富集量最高;紫荆泽兰的富集能力较强而且其转移能力也是最强的,可作为Ti元素的耐性植物进行更进一步的研究。     

联合PMF模型与稳定同位素的地下水污染溯源

基于传统水质监测与污染排放的污染源识别方法,存在监测频率与识别结果模糊等限制,难以实现污染源及迁移转化的准确量化.联合多元统计分析与稳定同位素技术,以成都平原典型混合用地区地下水污染为研究对象,提出利用正定矩阵因子分析（PMF）模型识别污染主控因子,减小环境因素对污染源判别的干扰,并基于水化学分析与土地利用构建贝叶斯稳定同位素混合模型,进一步量化不同污染源对地下水典型污染物硝酸盐氮（NO₃^-）的贡献率.结果表明,研究区地下水NO₃^-、NO₂^-、NH₄⁺、Mn、Fe、SO₄^2-和Cl^-均存在不同程度超标,且具有空间异质性.地下水中"三氮"主要以NO₃^-为主,NO₃^-浓度在菜地的地下水中普遍偏高（平均值为9.29 mg·L^-1）,其次是在养殖场（平均值为7.66 mg·L^-1）和耕地（平均值为7.09 mg·L^-1）,在工业区最低（平均值为2.20 mg·L^-1）.研究区地下水水质受原生地质作用、农业活动、水文地球化学演化、生活污染和工业污染的复合影响,且农业活动是研究区地下水NO₃^-增长的主要原因.研究区内农业区地下水NO₃^-的主要来源贡献为化肥（32%）和土壤氮（25%）;工业区地下水NO₃^-的主要来源贡献为污水排放（28%）和大气降雨（27%）.通过多元统计与稳定同位素技术的有机结合,有效识别了地下水污染来源及其贡献率,可为地下水污染源头防控提供科学依据.     

西南典型区域夏季大气含氧挥发性有机化合物来源解析

含氧挥发性有机物（OVOCs）是大气光化学过程中的重要中间产物,是臭氧的重要来源之一.利用质子转移反应飞行时间质谱仪（PTR-TOF-MS）在成都平原对OVOCs进行观测,探讨其日变化特征、光化学反应活性、臭氧生成潜势和来源.结果表明,10个VOCs［乙醛、丙酮、异戊二烯、甲基乙基酮（methyl ethyl ketone,MEK）、甲基乙烯基甲酮（methyl vinyl ketone,MVK）、甲基丙烯醛（methacrolein,MACR）、苯、甲苯、苯乙烯、C8芳香烃和C9芳香烃］总浓度（体积分数）为（10.97±4.69）×10^-9,OVOCs为（8.54±3.44）×10^-9,芳香烃为（1.53±0.93）×10^-9,生物源VOCs为（0.90±0.32）×10^-9;光化学活性和臭氧生成潜势均排名前三的物种为：异戊二烯、乙醛和C8芳香烃;3个OVOCs物种（乙醛、丙酮和MEK）主要来源于本地生物源和人为二次源,且丙酮有较强的区域背景值,说明该地区的污染受到较为显著的区域传输的影响.本研究可加深对西南地区臭氧的区域形成机制的认识,为科学管控臭氧污染提供依据.     

基于Models-3的自修正空气质量预报系统及其效果检验

本文介绍了一个以Models-3为基础的自动化空气质量数值预报系统,该系统通过Gambas、Yabasic和R语言等工具进行开发,集成WRF-SMOKE-CMAQ三个模式,可通过监测数据进行自动修正,完成空气质量业务数值预报,并将结果发布到Web服务器上进行呈现。该系统对硬件的要求较低,将部署于一台DELL Optiplex 9010工作站上,设置6km—2km双层嵌套,进行成都市空气质量数值预报。本文分析了成都市2014年1月1日至2014年12月31日的空气质量数值预报结果,评价系统对成都市NO_2、SO_2、PM_(10)、PM_(2.5)、O_3、CO以及空气质量指数(AQI)的预报效果。结果显示,系统对于成都市2014年空气质量变化情况趋势的预报效果较好,302天有效预报中,24小时直接预报的空气质量等级准确率为58.27%,AQI预报相关系数0.71,观测值自动修正预报对24小时空气质量预报具有明显改善效果,使其等级预报准确率达到64.9%,相关系数提高到0.89。     

成都市一次典型空气重污染过程特征及成因分析

为了研究成都市冬季空气重污染过程的成因,以2015年12月26日—2016年1月6日成都市一次典型重污染天气过程为例,基于HYSPLIT后向轨迹模式结合全球资料同化系统(Global Data Assimilation System,GDAS)气象数据和成都市7个监测站的AQI、PM_(2.5)、PM10、NO2质量浓度数据,使用气象分析、轨迹聚类(Cluster Analysis)、潜在源贡献因子法(Potential Source Contribution Function,PSCF)和浓度权重轨迹法(Concentration Weighted Trajectory,CWT),分析了此次过程的气象特征、轨迹输送特征和污染物潜在来源分布.结果表明,此次污染天气过程是以PM_(2.5)为主要污染物,其次为PM10、NO2.2015年12月30日14:00左右是此次污染天气过程各站点PM_(2.5)、PM10浓度到达峰值的时刻.缺少北方冷空气南下,四川盆地内空气水平运动弱,以及扩散条件差的静稳天气形势是导致此次大气污染过程成都市污染物累积的原因,而冷空气活动是改善这种天气形势的关键.污染过程辐射逆温层的形成对当时污染物浓度增长有促进作用,但随着每日生消、加强减弱,其并不是最终导致重污染天气形成的关键因素.川东北的广元、绵阳、德阳等地区和成都本地及其南向的眉山、雅安等地区是此次过程主要的潜在源区,这些地区人口较密集,工业较发达,且沿地形走向而分布.     

炼焦工序颗粒物排放特征

为探究钢铁企业炼焦工序各排放源颗粒物的排放特征,根据固定污染源排气中颗粒物测定与气态污染物采样方法,使用崂应3012H自动烟尘(气)测试仪和安德森分级采样器对某钢铁企业炼焦工序的装煤/推焦、干熄焦排气、筛焦转运等环节的颗粒物排放源进行现场采样.将不同排放源的颗粒物分别进行了微观形貌、粒径分布和化学成分分析.结果表明,各排放源单颗粒分为富铁、富硅、富钙、炭质和烟气聚合体这5种类型,外观上主要呈多角块状、不规则层片、团状和絮状4种形态;装煤/推焦排放颗粒物的粒径集中在3.3~4.7μm,干熄焦排气为3.3~4.7μm和5.8~9.0μm,筛焦转运为4.7~5.8μm;炼焦工序各排放源颗粒物的主要化学成分为C、Si O_2、Al_2O_3、S、Ca O、TFe,质量分数分别为76.30%~81.30%、5.36%~5. 91%、3. 96%~4. 26%、1. 15%~1. 34%、0. 52%~1. 59%、0. 81%~1. 34%.     

成都市夏季大气挥发性有机物污染及其对二次有机气溶胶生成的贡献

于2014年7月8日至8月13日在成都市城区和工业区选取两个点位开展挥发性有机物(VOCs)样品采集工作,分析结果显示,成都市夏季城区大气中VOCs质量浓度在34.1~458.8μg/m3,平均值为(137.3±91.8)μg/m3;工业区大气中VOCs质量浓度在26.7~474.9μg/m3,平均值为(135.9±103.5)μg/m3。早高峰时段(7:00~10:00)两个点位VOCs的浓度水平均高于其他时段,说明VOCs浓度受机动车排放的影响较为明显。用·OH消耗速率和臭氧生成潜势评估VOCs大气化学反应活性,结果显示,芳香烃和烯烃是影响大气化学反应活性的关键组分。城区和工业区的二次有机气溶胶(SOA)的生成潜势分别为4.859、4.559μg/m3,芳香烃不仅是臭氧生成潜势的关键活性组分,同时也是SOA的重要前体物。     

时序数据驱动的化工过程风险动态预警研究

对化工过程进行在线监测与动态风险预警是降低事故发生的有效途径。提出了一种基于深度学习时序预测与模糊数学定量风险评估相结合的预警方法。针对化工过程数据的动态性、时序性、非线性强，且预测周期短等问题，将卷积神经网络(Convolutional Neural Networks, CNN)与长短期记忆网络(Long Short-Term Memory, LSTM)模型结合形成深度学习时序预测模型，实现过程参数108 min的超前预测。将该方法应用于合成氨过程，对温度、压力、流量、氢氮比等6个风险参数进行预测。结果表明，该预测方法具有较高的预测精度，其线性回归相关系数及均方根误差表明所提出的方法具有非常高的精度。同时利用三角模糊数对时序预测结果进行风险评估，得到时序风险变化曲线，实现了化工过程风险预警。研究对使用人工智能和大数据实现过程控制和风险预警进行了有益探索，为实现化工过程的超前预警提供参考。