城市大气污染物长期平均浓度计算方法的研究

本文根据风速、大气稳定度联合频率表及各种稳定度条件下的混合层高度用箱式模式计算各种气象条件下大气污染物的浓度,按其联合频率的大小进行加权取和后得到长期平均浓度.用此方法计算了石家庄市春、夏、秋、冬,特征因子SO_2的长期平均浓度,并与实测结果进行比较其相关性较好.从而验证了本方法在大气环境预测及城市环境规划中的实用性.     

有限单元法及其在河流污染计算中的应用

介绍了应用有限单元法预测计算河道较平直，水流稳定河流中污染物浓度分布的二维平面数学模型，该模型具有应用方便，计算迅捷等优点，计算中无须先知道排放口污染物掺混浓度，能直观地反映有多个排放口的河流中的污染物浓度分布的情况。     

高架连续点源落地浓度预测中风速的确定

高架连续点源污染物排放落地浓度是大气环境影响预测的主要内容。由于大气污染物扩散明显受气象条件尤其是风速的影响,而现有预测模型中对于风速的取值都是按经验值来确定的。通过分析在不同气象和烟源条件下,平均风速的计算方法对烟羽抬升高度以及最大落地浓度产生的影响,与实测值相比较确定了风速取值的合理方法,缩小了预测偏差。     

等效排气筒有效高度计算方法的比选及其应用于大气污染预测的可行性

目前,等效排气筒多用于大气污染物总量控制,其预测精度和范围的不明晰限制了其在污染物运移扩散领域的进一步应用。基于《大气污染物综合排放标准》,依据所预测的范围和浓度精度对8种典型等效计算方法进行了比选,并验证了将等效排气筒用于不同工况下污染物运移扩散预测的可行性。改进的有效高度等效算法 (源强加权算术平均法) 综合考虑了不同高度和源强参数特征,以2个排放同种污染物的相邻排气筒为例,所计算的高斯模式下等效后下风向污染物浓度场总体分布趋势与等效前叠加计算结果一致,且预测精度优于《大气污染物综合排放标准》中提出的均方根平均法和其他等效算法。对不同风速条件下 (1.5~4.5 m·s⁻¹) 等效前后下风向污染物浓度场分布计算比较,发现即使风速改变仍可保证较高的最大落地浓度预测精度 (−6.87%~−2.21%),特别是风速较大时其预测精度更高 (达到−2.21%) 。这验证了该方法的有效性和稳定性。本研究探讨的源强加权算术平均值算法,进一步提升了等效排气筒相关参数计算的合理性,并拓展了其在大气预测评价中的应用。     

狭长交叉山谷中污染物浓度预测分析

为更准确地预测狭长交叉山谷中大气污染物浓度,利用高斯山谷扩散模式和美国Earth Technology Incorporat-ed公司研究的中尺度空气质量扩散模型CALPUFF对某山谷工业园区所在的狭长山谷中大气污染物浓度进行了计算。计算中,CALPUFF模型考虑了山谷中地表地形的变化,融入了诊断风场模块CALMET。...     

关于大气污染预测方法的新探讨

本文在风速、大气稳定度联合频率和各种稳定度条件下混合层高度的基础上,用积分均值法修正的高斯模式和箱式模式分别计算石家庄市点源和面源排出的SO_2在春、夏,秋,冬四季的长期平均浓度,计算值和实测结果比较吻合,从而验证了本方法在城市和经济开发区对大气环境预测及污染防治的实用性。并结合气候、逆温等因素对计算结果进行了分析。     

上海中长期发展的大气环境制约分析

根据上海市大气环境污染物排放状况,以及大气环境质量的有关统计数据,采用Sigmoid模型,对未来的变化趋势进行了预测。并研究了大气环境质量与社会经济发展的关系,进一步分析了上海市大气环境质量对中长期发展的制约因素。最后,对如何改善上海市大气环境质量,提出了相应对策与建议。     

用箱模式对城市大气污染物浓度的估算及分析

本文用箱模式对武汉市及市东北郊区的青山工业区大气污染物浓度进行了估算,并与实测值进行比较,检验了该模式的实用性,结合气候资料分析了大气污染物浓度的季节变化. 文中选用了七九年到八三年地面和探空气象资料及八一年武汉市大气污染物浓度实测资料.     

街道峡谷机动车尾气污染扩散模拟与影响因子分析研究

为预测和分析街道峡谷污染物浓度,研究了街道峡谷污染物浓度影响因子.利用重庆市交通干线街道峡谷两侧NOx浓度的监测数据,验证了街道峡谷机动车尾气污染扩散模型--OSPM模型.风速转换系数修正后的OSPM模型的模拟值与实测值的R达0.862 58;风场因子验证了风速转换系数修正后的OSPM模型能较好地模拟重庆市街道峡谷的污染物浓度,一定程度上能满足环境空气质量评价要求.同时,通过分析OSPM模型的影响因子,提出了控制街道峡谷机动车尾气污染状况的建议.     

BP神经网络对蚯蚓滤池处理COD的模拟预测

基于蚯蚓滤池处理去除污染物的非线性特点,利用BP神经网络建立了蚯蚓滤池处理COD的基本模型结构。同时对实验数据进行了验证和预测,通过权值贡献率分析确定了各种输入因素对COD出水浓度的影响。结果表明:COD的出水模型预测值与实际值平均误差较小,模型稳定,预测效果好。输入神经元为4,隐含神经元为8,输出神经元为1,学习速率为0.1,动量为0.1,训练次数为10 000的BP神经网络模型,预测的COD出水值最接近真实值。COD进水浓度对COD出水影响最大,符合理论研究结果。BP神经网络模型建立的成功为后续生活污水智能化控制的研究提供了相应的理论基础。