北京市发展CNG汽车的条件与前景分析

北京市汽车排放污染物贡献率已达到：HC73.5％，CO63．4％，NOx46％。用CNG代替汽油作汽车燃料，可使CO减少97％、HC减少72％、NOx减少39％、CO2减少24％、SO2减少90％。建立CNG加气站和CNG汽车改装这两个CNG应用关键问题在技术上、经济上都是可行的。北京市CNG燃料来源有保障。北京市车辆都比较适合使用CNG气体燃料。北京有很强的CNG汽车产业科技力量。对北京市当前发展CNG汽车产业提出了一些建议。     

碘化阶层孔氧化硅纳米球对水中典型有机氯污染物的吸附性能研究

采用共缩聚法,成功地原位合成了碘改性的阶层多孔氧化硅纳米球（SiO₂-I）,研究了其基于卤键作用对典型有机氯污染物六六六的吸附性能,并考察了改性剂I-硅烷含量和pH值对吸附效果的影响.实验结果表明,该纳米材料对六六六表现出优异的吸附富集性能,吸附速率快,60 min内对六六六的去除率为71.6%,240 min内达到吸附平衡,去除率可达98.3%,最大吸附量为178.6 mg·g^-1;吸附动力学符合拟二级动力学模型;碘物种的加入提高了阶层多孔氧化硅的吸附速率和吸附效率.另外,为了便于纳米吸附材料的分离,本研究对SiO₂-I纳米球进行了磁性化.研究发现,磁性化修饰后,SiO₂-I纳米材料仍然保留对六六六优异的吸附富集性能,240 min时的吸附去除率达90.3%.     

乙醇汽油与普通汽油非常规污染物排放特性对比研究

在一台满足国Ⅴ排放标准的双喷射(气口喷射+缸内直喷)汽油机上开展了燃用E10乙醇汽油(乙醇体积比为10%)对发动机非常规排放特性影响的试验研究.使用傅里叶变换红外分析仪(FTIR)测量了饱和烃、不饱和烃、芳香烃及醇、醛等非常规污染物排放量,对比分析了双喷射模式时各工况下E0和E10两种燃料的非常规排放水平.结果表明,双喷射模式下,加入乙醇有效降低了乙烯、1,3-丁二烯、苯和甲苯的排放量,但会导致乙醛排放升高.双喷射模式下,随着负荷增加,两种燃料下的1,3-丁二烯和甲苯排放呈现先升高后降低的趋势,乙烯、甲醛和苯排放则先降低后升高.乙醇能抑制1,3-丁二烯、乙烯生成,抑制效果为PFI模式优于双喷射模式,GDI模式抑制量最低.PFI和GDI模式下E10的甲醛排放均显著升高,但双喷射模式有效抑制了甲醛排放的增加.     

基于遥感尾气监测的柴油车气态污染物排放因子计算方法研究

采用遥感尾气测试系统实测了柴油车在实际道路工况下的CO、HC和NO排放特征,修正了排放因子的计算方法,并与车载排放测试系统（PEMS）实测结果进行了验证,获得了实测车辆的CO、HC和NO排放因子.测试结果显示,在各种遥感监测的工况下柴油车尾气中均含有较高浓度的氧气,未考虑氧气影响的燃烧方程反演获得的各污染物体积浓度计算值与PEMS实测值的偏差较大,且氧气浓度越大,偏差越大.经过氧气修正的燃烧方程反演计算的尾气浓度与PEMS实测值吻合度大幅提升,适用于实际工况下遥感检测车辆尾气的反演计算.修正算法得到CO、HC和NO的排放因子离散性较小,精确度较高,可以为量化柴油车尾气排放贡献提供科学依据.     

保定市大气污染特征和潜在输送源分析

保定市是京津冀地区重要城市之一.为了解保定市大气污染物质量浓度特征和潜在输送源,对保定市国控点2017年1月1日-12月31日PM₁₀、PM_2.5、SO₂、NO₂、O₃、CO等常规大气污染物数据进行分析,并利用TrajStat后向轨迹模型进行区域传输研究.结果表明:①ρ（PM₁₀）、ρ（PM_2.5）、ρ（SO₂）、ρ（NO₂）分别为（138±96）（84±66）（29±23）和（50±24）μg/m3,与2016年相比分别下降5.9%、9.1%、25.5%和13.1%;ρ（CO）较2016年下降了14.0%;ρ（O₃）较2016年增长了25.2%.ρ（PM₁₀）、ρ（PM_2.5）、ρ（NO₂）和ρ（O₃）分别超过GB 3095-2012《环境空气质量标准》二级标准限值的0.97、1.40、0.25和0.34倍,ρ（SO₂）和ρ（CO）未超标.②除ρ（O₃）外,其他污染物质量浓度均呈冬季最高、夏季最低的季节性特征,其中,冬季PM_2.5污染最为严重,春季PM_2.5~10（粗颗粒物）污染严重.③空气质量模型源解析结果显示,保定市ρ（PM_2.5）约60.0%~70.0%来自本地污染源排放.后向轨迹结果表明,在外来区域传输影响中,保定市主要受到西北方向气团（占比为21.7%~60.0%）远距离传输和正南方向气团（占比为34.8%~50.5%）近距离传输的影响.④PSCF（潜在源贡献因子分析法）和CWT（浓度权重轨迹分析法）分析表明,除保定市及周边区县本地污染贡献外,位于太行山东麓沿线西南传输通道的邯郸市、邢台市、石家庄市是影响保定市PM_2.5的主要潜在源区.研究显示,PM_2.5为保定市大气中的主要污染物,并呈冬季高、夏季低的变化特征,其主要来自西北远距离输送和南部近距离传输.      

人工智能技术对长江流域水污染治理的思考

随着经济的快速发展和城市化进程的不断加速,促使水污染严重的长江流域需从污染物去除过程的建模与优化、污水处理过程的优化控制、水污染监测系统的构建开展水污染治理研究.传统的水污染处理技术存在污染物去除效率预测精度较低、污水优化控制成本较高、水污染监测滞后效应严重的问题.人工智能技术能够有效克服上述问题,因此通过梳理国内外学者利用人工智能技术在污水污染物去除过程的建模与优化、污水处理过程的优化控制及水污染监测系统的构建等方面的研究成果,为全面加强长江流域水污染治理能力提供科学可靠的技术指导.结果表明:①利用人工神经网络技术（径向基神经网络、多层前馈网络-人工神经网络、多层感知器神经网络）对污水污染物去除过程进行建模与优化,为精确预测长江流域重金属（Cr、Cu）、营养盐（TN、TP）、持久性有机污染物〔PBDEs（多溴二苯醚）、HCH（六氯环己烷）〕的去除率提供重要参考价值.②采用污水处理的自动控制技术与人工智能技术（递归神经网络、支持向量机、模糊神经网络等）构建污水智能控制系统,为长江流域实现高效节能的污水优化控制提供重要的技术指导.③利用在线监测仪器和人工智能技术（小波神经网络、多元线性回归-人工神经网络、叠层去噪自动编码器等）建立水污染智能监测系统,为解决长江流域水污染监测响应滞后问题提供有力的技术支持.因此,人工智能技术对长江流域提高污水污染物去除率,降低污水优化控制成本,提升水污染监测时效性具有重要的推广价值.      

Pt负载暴露(001)晶面Bi2WO6催化剂合成及光催化性能

通过水热法制备了暴露（001）晶面的Bi₂WO₆纳米片,利用光还原法将Pt纳米颗粒负载于其表面.选择苯甲醇氧化和罗丹明B（RhB）降解为探针反应,评价了催化剂的光催化性能.在苯甲醇氧化实验中,Pt负载暴露001晶面的Bi₂WO₆样品的苯甲醇转化率为20.7%,约为未负载样品的2倍.在RhB降解实验中,Pt负载样品在光照40min后对RhB的矿化率可达81.1%,而未负载样品RhB矿化率仅为55.8%,表明Pt负载样品具有更优的降解速率和矿化能力.催化剂性能的提升归因于高能晶面暴露和Pt负载的协同作用.Pt纳米颗粒的负载作为助催化剂增加了催化剂表面的活性位点,同时提高了晶面光生电子空穴对的分离和迁移效率.     

微塑料对黑麦草吸收和累积水体中环丙沙星的影响

微塑料（microplastics,MPs）和抗生素作为新型环境污染物,引起了国内外学者对其生态风险的关注.以黑麦草（Lolium perenne L.）为供试植物,以聚苯乙烯微塑料和环丙沙星（ciprofloxacin,CIP）为研究对象,探讨微塑料对水培黑麦草吸收和富集抗生素的影响及MPs-CIP复合污染对植物生长的毒性作用.结果表明:黑麦草对单一CIP和MPs-CIP复合污染中的CIP均有吸收去除能力,底物中微塑料的存在会促进黑麦草对低浓度CIP的吸收去除,去除率最高可达100%,但对高浓度（1.0、2.0 mg/L）CIP吸收的影响不显著（P>0.05）.同时,微塑料可促进黑麦草根部积累的CIP向地上部转运,当CIP浓度分别为0.1、2.0 mg/L时,投加微塑料后根部积累的CIP含量与单一CIP处理组相比分别降低了44.0%、21.2%,叶片中CIP的积累量分别增加了2.9、3.0倍.微塑料的加入显著加重了CIP对黑麦草生长和叶绿素含量的抑制作用.与2.0 mg/L CIP处理组相比,50.0 mg/L MPs-2.0 mg/L CIP复合污染处理组对黑麦草根长和鲜质量的抑制率分别增加了53.7%和79.6%,而叶绿素a、b含量则分别降低了38.5%和44.4%.研究显示,水体中微塑料与CIP的共存会影响黑麦草吸收和体内积累CIP,并加重CIP对植物生长的毒性作用.      

Potential of secondary aerosol formation from Chinese gasoline engine exhaust

Light-duty gasoline vehicles have drawn public attention in China due to their significant primary emissions of particulate matter and volatile organic compounds(VOCs). However,little information on secondary aerosol formation from exhaust for Chinese vehicles and fuel conditions is available. In this study, chamber experiments were conducted to quantify the potential of secondary aerosol formation from the exhaust of a port fuel injection gasoline engine. The engine and fuel used are common in the Chinese market, and the fuel satisfies the China V gasoline fuel standard. Substantial secondary aerosol formation was observed during a 4–5 hr simulation, which was estimated to represent more than 10 days of equivalent atmospheric photo-oxidation in Beijing. As a consequence, the extreme case secondary organic aerosol(SOA) production was 426 ± 85 mg/kg-fuel, with high levels of precursors and OH exposure. The low hygroscopicity of the aerosols formed inside the chamber suggests that SOA was the dominant chemical composition. Fourteen percent of SOA measured in the chamber experiments could be explained through the oxidation of speciated single-ring aromatics. Unspeciated precursors, such as intermediate-volatility organic compounds and semi-volatile organic compounds, might be significant for SOA formation from gasoline VOCs. We concluded that reductions of emissions of aerosol precursor gases from vehicles are essential to mediate pollution in China.     

Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization

Air pollution has emerged as an imminent issue in modernsociety. Prediction of pollutant levels is an importantresearch topic in atmospheric environment today. For fulfillingsuch prediction, the use of neural network (NN), and inparticular the multi-layer perceptrons, has presented to be acost-effective technique superior to traditional statisticalmethods. But their training, usually with back-propagation (BP)algorithm or other gradient algorithms, is often with certaindrawbacks, such as: 1) very slow convergence, and 2) easilygetting stuck in a local minimum. In this paper, a newlydeveloped method, particle swarm optimization (PSO) model, isadopted to train perceptrons, to predict pollutant levels, andas a result, a PSO-based neural network approach is presented. The approach is demonstrated to be feasible and effective bypredicting some real air-quality problems.