基于现象学大气扩散理论和深度学习算法的颗粒物排放区域识别

《Environmental Technology》：Particulate matter emission area identification based on phenomenological atmospheric dispersion and deep learn algorithms

　　PM排放源定位技术结合CFD和ANN模型，验证大气传输规律并构建243组模拟数据集训练LSTM和CNN1D模型，实现＞95%精度的实时监测，为工业和港口环境治理提供新方案。

　　

摘要

工业区和港口区域内多个颗粒物（PM）排放源的协同运行对环境构成了严重威胁，并对公众健康造成了重大风险。现有的监测方法和预测模型缺乏实时检测颗粒物排放源的能力。本研究开发了一个集成框架，该框架结合了人工神经网络（ANN）和计算流体动力学（CFD）技术，能够精确确定平坦地形中的颗粒物排放源位置。通过实验数据分析和Monin-Obukhov相似性理论对CFD模型进行了验证，以确保其能够准确模拟颗粒物的传输过程和大气层特征。我们构建了一个包含243组模拟数据的数据库，这些数据涵盖了不同的风速和风向组合，以及排放高度和排放间隔的变化情况。该数据库被用作两种深度学习模型的训练素材，这两种模型分别采用了长短期记忆网络（LSTM）和一维卷积神经网络（CNN1D）来进行颗粒物排放源位置的识别。两种模型的准确率均高达0.95以上。在优化模型超参数所需的时间上，两者也存在差异：LSTM需要4小时，而CNN1D仅需4小时43分钟。研究表明，利用CFD生成的数据与ANN模型相结合能够实现可靠的排放源定位，这对于环境监管、工业责任追究以及公共卫生保护具有重要意义。所提出的框架代表了工业区和港口环境中实时颗粒物排放源定位技术的一项重大突破。