PM2.5净化功能控制系统的应用研究

日益恶化的空气环境给我们的健康带来了极大的挑战,特别是最近几年常常出现PM2.5超标的情况,对我们的健康造成极大的威胁,此文章主要介绍一种有效去除PM2.5的系统,通过对PM2.5浓度的检测,实时控制净化设备的开关,在净化空气的同时做到节能.     

石家庄市冬季大气中TSP,PM10,PM2.5污染水平研究

为研究石家庄市冬季大气颗粒物污染特征,于2013年2月采集TSP,PM10,PM2.5样品,用重量法分析其质量浓度,并对其相关性进行分析.结果表明,用环境空气质量标准（GB 3095-2012）来衡量,石家庄市冬季大气颗粒物TSP,PM10和PM2.5的日均浓度超标率分别为57.9％,82.9％和81.6％;超标倍数分别为1.28,1.86和2.24倍,超标情况严重;TSP与PM10和PM10与PM2.5相关系数分别为0.748 9和0.760 4,相关性较好;ρ（PM10）/ρ （TSP）平均值为0.74,ρ（PM2.5）/ρ（PM10）平均值为0.61,表明PM10和PM2.5污染严重.     

上海市PM2.5浓度特征及影响因素分析

大气环境质量的改善一直是备受关注的问题.利用上海市环境空气质量监测站的监测数据,分析了上海市PM2.5的浓度分布特征及其影响因素.结果显示,近6年来上海市PM2.5的浓度在逐年降低,年均下降率和年均变化幅度显著,同时PM2.5的浓度分布随季节的变化也较大.研究也分析了PM2.5与温度、相对湿度、平均气压以及每日累计降水...     

基于自动烹饪机器人的中式快餐发展模式

自动烹饪机器人是指用机械代替人工进行自动烹饪的智能装置。对于传统手工烹饪而言,它是现代烹饪技术方式重要的革新力量,必将对中式快餐的发展带来重大影响。在中式快餐标准化程度低、品牌影响力薄弱、管理服务低效的背景下,基于自动烹饪机器人平台来构建中式快餐的发展模式,需要建立精确配莱供应体系、产品服务体系,以及高效规范的管理服务体系。     

西安大气细颗粒(PM1)化学组成及其对能见度的影响

在2012年秋季选取天气状况相对稳定的12d,运用细颗粒化学组分在线观测仪(ACSM),观测西安大气颗粒物变化;利用正矩阵因子分析法(PMF)对大气细颗粒物中的有机物进行源解析,探讨其对能见度的影响;最后,结合IMPROVE公式中吸湿增长因子和多元线性回归统计方法重建散光系数。结果表明:在观测时段,PM₁(不包括黑碳和矿尘等难熔组分)和PM_2.5质量浓度时间序列的相关性较好(判定系数为0.67),PM₁ 约占PM2.5质量浓度的60%,有机物约占PM₁ 质量浓度的58%,其他组分(包括SO₂^4- ,NO₃^- ,NH₄⁺ 和Cl^- )约占42%;高相对湿度(大于85%)伴随着一次组分质量分数的增加,雨水对一次组分的湿沉降作用也更加明显;利用正矩阵因子分析法对有机物进行源解析,分解出烃类有机气溶胶(HOA)和氧化性有机气溶胶(OOA)两种组分;OOA 约占有机物质量浓度的54%,HOA 约占46%,并且在下午时段,HOA 发生挥发,经过光化学反应快速转化为OOA;硝酸盐对光的散射贡献最大。     

合肥地区大学生PM2.5暴露水平研究

针对当前全国性雾霾频发的问题,本文在合肥地区大学生群体中开展PM_(2.5)暴露水平研究,基于问卷调研所获得的大学生活动模式基础数据,结合主要微环境浓度实测结果,开展大学生个体和单位体重潜在暴露剂量的评估工作。研究发现,大学生每天超过50%的时间在宿舍度过,教室占1/5;秋、冬、春三季中除宿舍和图书馆外的其他微环境平均浓度皆超过相关环境标准,并且所有微环境室内外PM2.5浓度I/O比皆大于1;颗粒物暴露贡献最高的微环境为教室和宿舍,两者各占总量的27%;个体潜在暴露剂量影响因素中,体重性别年级季节工作日/周末;单位体重潜在暴露剂量影响因素中,性别体重年级,季节和工作日/周末与单位体重潜在暴露剂量不呈显著相关性     

办公建筑中空调形式对室内外PM2.5浓度相关性的影响

室外PM2.5可通过新风及围护结构缝隙渗透至室内,室外PM2.5较高时尤为明显,结果导致室内空气中的PM2.5浓度上升。为了研究空调形式对室内外PM2.5浓度相关性的影响,在2015年夏季对重庆某办公建筑中采用不同空调形式的室内外PM2.5浓度进行了实测。实测结果发现：集中式空调、分体式空调和非空调房间室内外PM2.5浓度比变化范围分别为0.59～0.76、0.47～0.76、0.71～0.91。室内外PM2.5浓度相关性系数的排序为：集中式空调环境（0.94）> 非空调环境（0.92）> 分体式空调环境（0.77）,研究结果表明,办公建筑的空调形式,对室内外PM2.5浓度的相关性有影响。     

宁波市近地层大气环境中PM2.5空间分布研究

为研究近地层大气环境中的PM_(2.5)的浓度分布和影响因素,于2018年7月13日至16日期间,利用Dylos air quality monitor DC1700和BLATN smart-126s型空气质量检测仪获得大气颗粒物质量浓度进行研究,分析和探讨了其质量浓度分布及日变化特征,得到以下结论:宁波市内PM_(2.5)浓度水平与距城市中心的距离成反比;越靠近城市中心,PM_(2.5)浓度变化幅度越明显;近地层(h40m)PM_(2.5)日平均质量浓度总体分布与高度呈负相关趋势;分时段PM_(2.5)浓度呈现"三峰趋势",分别在8:00、12:00、17:00三个时间段出现峰值,不同峰值之间差值不同。     

济南城区大气PM2.5、PM1.0的污染特征及大气传输

为研究华北平原PM_2.5、PM_1.0的污染特征,于2014年10月至2016年6月在济南城区使用中流量采样器对大气颗粒物样品进行采集,利用离子色谱、碳气溶胶分析仪测定了颗粒物中的水溶性无机离子成分和碳组分。结果表明:济南城区冬季大气细颗粒污染较重,二次离子SO₄^2-、NO₃^-和NH₄⁺是PM_2.5、PM_1.0最主要的水溶性无机离子,且更易富集在PM_1.0中。有机碳和元素碳的质量浓度表现为春夏低,秋冬高;二次有机碳的质量浓度在冬季明显升高,且大多分布在粒径>1 μm的颗粒物中。72 h后向气流轨迹表明,来自河北、内蒙古的长距离传输与山东地区的局地传输对济南大气中PM_2.5和PM_1.0的离子质量浓度有重要影响。济南冬季的消光系数高达789.13 Mm^-1, PM_2.5中的二次粒子NH₄⁺、SO₄^2-和NO₃^-与消光系数的相关性较高,是使大气能见度降低的主要因素。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

济南市PM10和PM2．5污染水平研究

重量法测定了济南市PM10，PM2．5的质量浓度，分析表明，济南市PM10和PM2．5污染严重，尤其是在采暖季；PM10和PM2．5有良好的线性关系；PM2．5，PM10（β）平均值为0．53．探讨了影响β值、PM10和PM2．5浓度的因素，当PM10和PM2．5浓度较低时，β值较高。     

PM2.5浓度预测与影响因素分析

针对PM_2.5浓度的非线性和不确定性,提出了一种基于集成树-梯度提升决策树（EnsembleTrees-GBDT）的PM_2.5预测模型.该模型首先在集成树框架下进行特征选择,即选取PM_2.5浓度主要影响因素,使用算术均值聚合法计算出各项特征对PM_2.5浓度增加的影响程度,并以影响程度由强到弱的次序排序;其次使用网格搜索对GBDT算法进行参数优化,选取树的深度等参数的最优值;最后构建完整的PM_2.5浓度集成预测模型.使用北京市2015-2016年的污染物浓度和气象条件观测值2个数据集,对模型进行了预测仿真实验.对比实验结果表明,所提出的EnsembleTrees-GBDT预测模型相比于决策树、随机森林、支持向量机等模型,具有更低的平均绝对误差和均方根误差,同时具有更好的泛化能力,能够更准确地预测PM_2.5浓度,并实现对PM_2.5浓度影响因素的有效分析.     

季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

城市大气细颗粒物PM2.5的研究进展

大气细颗粒物PM2.5是大气气溶胶的一部分,由于其粒径小以及可为毒性物质提供载体,对环境和人体的健康产生很大的影响.本文总结了国内外有关细颗粒物PM2.5的研究现状,主要围绕细颗粒物PM2.5的物理化学特征与分析方法、健康效应、来源解析、及其对能见度的影响等方面进行了论述,并对其研究动向进行了展望.     

基于深度信念网络的PM2.5预测

提出一种基于深度信念网络(deep belief networks, DBNs)的区域PM_2.5日均值预测方法,讨论了训练数据选择方式,并优化了DBNs参数设置。通过相关实验并与基于径向基神经网络(radial basis function, RBF)和反向传播神经网络(back propagation, BP)方法比较,验证了基于DBNs方法的可行性和预测精度。实验结果表明:基于DBNs的方法,区域(西安市)预测PM_2.5日均值与观测日均值之间均方差(mean square error, MSE)为8.47×10^-4mg²/m⁶;而采用相同数据集,基于RBF和BP的方法均方差为1.30×10^-3mg²/m⁶和1.96×10^-3mg²/m⁶。比较分析表明:基于DBNs的方法能较好预测区域整体PM_2.5的日均值变化趋势,显著优于基于神经网络和径向基网络方法的预测结果。     

浅谈PM2.5的危害及HVAC的治理技术

本文通过对PM2.5来源、危害及室内空气污染的特点进行分析,提出了减少室内空气污染的三大方法:控制污染源、合理的空间布局和良好的通风、空气净化,并对空气净化及HVAC空气过滤器的性能和选择对比进行了论述。     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.