基于环境质量数学模型的土壤污染物模拟研究_陈锋

合集下载

2018年度山东省自然科学基金重大基础研究项目(第二批)答

2018年度山东省自然科学基金重大基础研究项目(第二批)答
胶体与界面化学-绿色高效表面活性剂 海洋贝类模式动物平台创建 集成量子通讯器件和量子城域网安全通讯 的实验研究 基于大尺寸DAST晶体的高能量太赫兹波输 出研究 光激发石墨烯太赫兹辐射相关理论与技术 研究 基于高通量计算的电催化材料基因工程 水下机器人增强现实人机交互技术 基于对象语义、姿态及触觉实时认知的协 作机器人人机交互关键技术研究 新型降尿酸靶向药物尿酸氧化酶的研发 ESAT6特异靶向的协同CAR-T抗小鼠NRT结 核免疫治疗制剂的构建及机制研究 修饰的经鼻脑靶向抗脑胶质瘤药物替莫唑 胺纳米粒研究 创新性AD治疗药物OAB-14原料与微丸胶囊 剂临床前研究 藤菔降压方抗高血压的药效物质发现与开 发研究 受生物启发的支架材料结构优化及设计制 造基础研究 重质油构筑高性能锂离子电容器及电极电 势原位调控 球形石墨/金属氧化物复合微纳结构的制 备及在锂离子电池中的应用 郝京诚 包振民 谭杨 滕冰 彭延东 赵明文 董军宇 纪志坚 崔凌凌 赵荣兰 沙春洁 郑忠辉 李运伦 赵德敏 吴明铂 姜付义 郝京诚 包振民 陈锋 滕冰 李德华 赵明文 董军宇 葛树志 李长贵 伊正君 李又欣 郑忠辉 李运伦 刘建林 吴明铂 姜付义 山东大学 中国海洋大学 山东大学 青岛大学 山东科技大学 山东大学 中国海洋大学 青岛大学 青岛大学 潍坊医学院 山东绿叶制药有限公司 山东新华制药股份有限公司 山东中医药大学 中国石油大学(华东) 中国石油大学(华东) 烟台大学
申报人
团队负责人
吕宏缨 武传松 路春美 张延松 张友明 崔兆杰 诸葛玉平 孙英杰 徐绍辉
依托单位
烟台大学 山东大学 山东大学 山东科技大学 山东大学 山东大学 山东农业大学 青岛理76.8 91.7 91.7 89.7 85.3 77
基于微化工技术的醇类化合物液相氧化过 赵玉潮 程强化基础研究 基于熔池三维形态测控的GMAW高速焊接成 陈姬 形新工艺关键问题研究 钙循环原位碳捕集煤气化制氢及污染物协 李英杰 同脱除基础研究 型煤高效、清洁燃烧及生产过程安全保障 谢军 基础研究 杀线虫根际靶向生防工程菌的人工构建 符军 济钢污染场地重金属-有机物复合污染联 洪静兰 合修复机理及风险评估 典型小麦-玉米轮作区重金属与面源污染 诸葛玉平 协同防治机制与技术研究 沼渣协同硫酸亚铁协同处置含Cr(VI)土壤 孙英杰 的机制研究 典型农田土壤重金属-有机物复合污染修 徐艳 复研究

陆面过程模型中垂直非均匀土壤的水分传输及相变的模拟

陆面过程模型中垂直非均匀土壤的水分传输及相变的模拟

陆面过程模型中垂直非均匀土壤的水分传输及相变的模拟李倩;孙菽芬【摘要】土壤湿度在陆气相互作用中的重要性体现在它既能影响陆地和大气之间水循环的速率,又能改变地表的能量分配.本文针对陆面过程模型中描述土壤湿度变化的方程进行了理论分析,指出在非均匀土壤和冻土中采用土壤水势梯度描述垂直非均匀土壤水分流动的合理性.基于描述土壤内部水热传输的统一土壤模型,并利用推广的表征土壤水分特征的Clapp-Hornberger关系式,研究了非冻结和冻结的土壤湿度对于垂直非均匀土壤的敏感性.结果表明,由土壤质地决定的土壤水势和导水率对土壤湿度的模拟有重要的影响.具体地,在决定土壤性质的Clapp-Hornberger 关系式中,与土壤质地有关的饱和水势、饱和导水率以及土壤孔隙大小分布指数B,对土壤湿度的模拟起到了关键作用.参数B的重要性尤为突出,它的增加会引起导水率的大大下降,从而对水分在土壤中的垂直分布产生重要影响.饱和水势的绝对值和参数B的增加会使得土壤水势绝对值增加明显,使土壤的结冰(融化)过程延迟,土壤温度因为没有结冰(融化)释放(吸收)的潜热加热(冷却)而持续下降(上升),因此在冻融时期土壤温度会比观测值振幅偏大.上述结果揭示了考虑土壤垂直非均匀性并采用有效的土壤特性参数对于陆面过程模型的重要性.【期刊名称】《大气科学》【年(卷),期】2015(039)004【总页数】12页(P827-838)【关键词】陆气相互作用;土壤湿度;土壤垂直非均匀性;土壤冻融;Clapp-Hornberger 关系式;土壤孔隙大小分布参数【作者】李倩;孙菽芬【作者单位】中国科学院大气物理研究所季风系统研究中心,北京100190;中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京100029【正文语种】中文【中图分类】P4041 引言土壤湿度是控制陆面与大气相互作用的一个重要变量(Shukla and Mintz,1982;Koster et al.,2004)。

城市表层土壤重金属污染分析-2011高教社杯全国大学生数学建模竞赛全国一等奖A题

城市表层土壤重金属污染分析-2011高教社杯全国大学生数学建模竞赛全国一等奖A题

2011高教社杯全国大学生数学建模竞赛城市表层土壤重金属污染分析摘要本文主要研究重金属对城市表层土壤污染的问题,我们根据题目所给定的一些数据和信息分析并建立了扩散传播模型、权重分配模型、对比模型和转换模型解决问题。

首先,我们利用Matlab 软件拟出该城区地势图(图1),根据所给数据绘出该地区的三维地势及采样点在其上的综合空间分布图。

之后将8种重金属的浓度等高线投影到该地区三维地形图曲面上,接着分别计算8种重金属在五个区域的平均值,立体图和平面图(图1附件)相结合便可得出8种重金属元素在该城区的空间分布。

其次,在确定该城区内不同区域重金属的污染程度时,我们运用两种方法进行解答。

先假设各重金属毒性及其它性质相同,运用公式ijij P C P ='求出各区域各金属相对于背景平均值的比值作为金属污染程度,再运用1ji ij j C C ==∑求出各区域重金属污染程度,并将各区进行比较。

之后,我们加上各重金属的毒性,对各重金属求出权数,再结合国标重金属污染等级和已知的各组数据来确定金属的污染程度。

由上述两种方法的对比,更准确地得出重金属对各区的影响程度。

即: 工业区>交通区>生活区>公园绿地区>山区 并根据第一个模型的数据来说明重金属污染的主要原因。

再次,对重金属污染物的传播特征进行了分析,判断出重金属污染物主要是通过大气、土壤和水流进行传播。

在分析之中,我们得出这三种状态的传播并不是孤立存在的,而是可以相互影响和叠加的,因此,我们分别建立三个传播模型,再对这三个传播模型进行了时间和空间上的拟合,得出重金属浓度最高的区域图,并结合各重金属的分布图(图6)来确定各污染源的位置。

最后,本题中只给出了重金属对土壤的污染,对于研究城市地质环境的演变模式,还需要搜集一些信息(图7)。

根据每种因素对地质环境的影响程度进行由定性到定量的转化。

建立同一地质时期地质环境中各因素的正影响和负影响的权重分配模型,再对这些权重进行验算和修正。

土壤污染物迁移扩散模拟与评价方法

土壤污染物迁移扩散模拟与评价方法

土壤污染物迁移扩散模拟与评价方法土壤污染是指由人类活动引起的土壤中存在有害化学物质,导致土壤功能受损或对生物环境造成危害的现象。

土壤污染物的迁移和扩散是土壤环境中的关键过程,对于评估土壤污染的风险和制定科学合理的治理方案至关重要。

为了准确评估土壤污染物的迁移扩散情况,科学家们发展了多种模拟和评价方法。

一、土壤污染物迁移扩散的模拟方法1. 方程模型:方程模型利用数学方程描述土壤中污染物的迁移和扩散过程。

其中最常用的模型是对流-弥散方程模型(Advection-Dispersion Equation,简称AD模型)。

AD模型假设污染物的迁移扩散主要受到对流和弥散两个过程的影响,通过求解该方程可以得到污染物在土壤中的浓度随时间和空间的变化规律。

2. 流域模型:流域模型将土壤作为一个整体,考虑土壤的水文特性和地形条件,模拟污染物在流域中的迁移扩散过程。

流域模型通常包括土壤水分传输模型、地表径流模型和地下径流模型等,通过模拟水文过程,间接模拟污染物的迁移与扩散过程。

3. 粒度模型:粒度模型利用土壤粒度分布参数来模拟土壤中污染物的迁移扩散。

土壤粒度参数直接影响土壤的水分传输和污染物的迁移扩散。

通过测定土壤的粒度分布参数,结合数学模型,可以预测土壤中污染物的迁移扩散行为。

二、土壤污染物迁移扩散的评价方法1. 污染物潜能评价:污染物潜能评价是评估土壤污染物迁移扩散风险的一种定量方法。

它通过分析土壤性质(如有机质含量、土壤颗粒组成等)以及污染物的特性(如溶解度、降解速率等),计算得到污染物在土壤中的潜在迁移和扩散能力。

2. 土壤污染指数评价:土壤污染指数是一种综合评价土壤污染程度的方法。

它利用化学分析数据,结合土壤环境质量标准和污染物排放标准,计算得到土壤污染指数值。

不同的污染物有不同的评价指标,可以用于定量分析和比较土壤污染的严重程度。

3. 土壤溶解模型评价:土壤溶解模型是评估土壤中污染物溶解度的一种方法。

通过测定土壤与污染物的相互作用及溶解速率,建立化学平衡和动力模型,预测土壤中污染物的迁移扩散情况。

MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法推广

MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法推广

函数 关系和高分辨率 MO D I S 数据 , 实现 了 A MS R - E土壤 水分数 据的降 尺度处理 。 与地 面实测数 据的 比较 表明 , 该 降尺度方法 的准确性较高 。
关键词 被动微波 ; 土壤水分 ; 地 表温度 ; 瞬时变化 ;幂指数 函数 ; 降尺度 文献标识码 : A D OI :1 0 . 3 9 6 4 / ] . i s s n . 1 0 0 0 — 0 5 9 3 { 2 0 1 3 ) 0 3 — 0 6 2 3 — 0 5 有以下优势 :( 1 ) 可利用一 天 内的多次 温度观 测模拟 温度变
解 超 ,1 9 8 3年生,北京大学地球 与空间科学学院博士研究生
e - m a i l : w o r l d e r f u l l 1 2 0 0 3 @y a h o o . c o m . c n
e - ma i l :n i k e e t s e @g ma i l . c o m
通过瞬时温度变化率计算土壤水分可利用每 日四个 时刻 的地 表温度测量值 ,因此能够降低天气变化对单 日内地表温度测
微波数据较热红外、 主动雷达数据而言, 对土壤水分信息敏 感, 可以捕捉 到土壤 水分 的时 间变 化信 息L l ] , 但是 其空 间
分辨率较 低 ( 2 5 ~4 O k m) ,一般适 用于大 尺度研 究。星载 可 见光/ 热红外数 据可以达 到中等分辨率 到高分 辨率 ( 1 0 0 m~ 1 k m) , 但易受天气 条件 限制 ,且对 土壤水 分 的敏感性不 够
理 想 t 。
量值的不确定性影响 。 ( 3 ) 采用地 表温度 变化 速率 而非地表
温度计算土壤水分 ,可以消 除本底 温度 的影响 。( 4 ) 该 方法 不涉及蒸散和热 输送 等 物理 模 型,因此 不依 赖地 表观 测数 据 ,可操作性 强。 作者建立 了 2 5 k m分 辨率 A MS R - E土壤 水分 数据与重 采样为 2 5 k m分辨率 的 0 . 0 5 。MOD I S地 表温 度瞬 时变化 速 率 以及 ND VI 数据之 间的定量关 系模 型 , 并 利用该模 型 , 结 合l k m 分辨率 MO D I S地表 温度瞬 时变化 速率 和 ND VI 数 据 ,获取 l k m分 辨率 的土壤水分数 据 , 从 而实现 被动微 波 亮温数据与星载热红外地表温度数据在小尺度土壤水 分反演 领域 的优势整合 。

应用遥感数据模拟土壤水分和蒸散的空间变化

应用遥感数据模拟土壤水分和蒸散的空间变化

应用遥感数据模拟土壤水分和蒸散的空间变化
Mauser,W;陈鸣
【期刊名称】《河海科技进展》
【年(卷),期】1992(012)004
【摘要】1 前言土壤水分变化和蒸散是影响地表水循环的两个重要过程。

长期以来,人们一直认为蒸散是一种缓变量。

因此,人们相信它不受土壤水分年季大变幅的影响,而且只要在所考虑的一种气候条件下,它在地表的分布是十分均匀的。

另一方面,径流是流域内所有水循环的总和,土壤水分和蒸散都是空间变量,它们反映流域空间特性较径流更加明显。

流域水循环与入射大气能量通量、流域产流量、径流的变化一致。

为了理解这一变化,我们必须先弄清楚土壤水分和蒸散的空间变化。

这两个变量是支配流域汇水过程的关键变量。

【总页数】6页(P124-129)
【作者】Mauser,W;陈鸣
【作者单位】不详;不详
【正文语种】中文
【中图分类】S152.7
【相关文献】
1.应用遥感和土壤水分平衡模式评估地下水列采对作物蒸散的影响 [J], Thu.,HAM;周白
2.遥感蒸散发在无测站资料地区洪水模拟中的应用 [J], 邢贞相; 傅爽; 孙明新; 纪毅;
付强; 李衡
3.遥感蒸散发在无测站资料地区洪水模拟中的应用 [J], 邢贞相; 傅爽; 孙明新; 纪毅; 付强; 李衡
4.壤中暴雨流机制耦合遥感地表蒸散量在山洪模型中的应用 [J], 王濂;王力;张革联;匡威;张艳军
5.遥感蒸散发数据应用对SWAT模型径流和蒸散发模拟精度的影响 [J], 张清;岳青华;董晓华;杨百银;魏冲;喻丹;张特
因版权原因,仅展示原文概要,查看原文内容请购买。

pmf模型解析土壤重金属来源的不确定性

pmf模型解析土壤重金属来源的不确定性

中国环境科学 2020,40(2):716~725 China Environmental Science PMF模型解析土壤重金属来源的不确定性李娇1,滕彦国2,吴劲3*,陈海洋2,蒋进元1(1.生态环境部土壤与农业农村生态环境监管技术中心,北京 100012;2.北京师范大学水科学研究院,北京 100875;3.北京工业大学建筑工程学院,北京 100124)摘要:正定因子矩阵分解(PMF)是目前污染源解析领域应用最为广泛的受体模型之一,其不确定性研究一直是源解析研究的前沿和热点.利用拔靴法(BS)、替换法(DISP)和拔靴-替换法(BS-DISP)3种不确定性分析方法探讨了PMF模型应用于土壤重金属源解析的不确定性,并以德兴铜矿周边土壤重金属为对象开展案例研究.结果表明,6因子情景是PMF模型最佳运行结果;在6因子情景的源成分谱中,除Cr和Ti外,DISP和BS不确定性区间均处于标识元素基本值的0.6~1.5倍之间,BS-DISP不确定性区间处于基本值的0.6~1.6倍之间;模型结果的不确定性更多源于因子旋转误差.通过这3种不确定性分析方法可以获得PMF模型运算中的随机误差和因子旋转误差.其中,BS-DISP法和BS法得到的结果能够辅助判断因子数是否过拟合,并有助于理解源谱的不确定性,而DISP法能够用于理解旋转的不确定性,可作为评价旋转过程可行性的方法.关键词:土壤重金属;源解析;PMF模型;误差估计;不确定性中图分类号:X53 文献标识码:A 文章编号:1000-6923(2020)02-0716-10Uncertainty analysis of soil heavy metal source apportionment by PMF model. LI Jiao1, TENG Yan-guo2, WU Jin3*, CHEN Hai-yang2, JIANG Jin-yuan1 (1.Technical Centre for Soil, Agricultural and Rural Ecology and Environment, Ministry of Ecology and Environment, Beijing 100012, China;2.College of Water Sciences, Beijing Normal University, Beijing 100875, China;3.College of Architecture and Civil Engineering, Beijing University of T echnology, Beijing 100124, China). China Environmental Science, 2020,40(2):716~725Abstract:Positive matrix factorization (PMF) model is one of widely used technologies in pollutant source apportionment, and its uncertain analysis have always been the frontier issue as well as hotspot. Three error estimation methods, including bootstrap (BS), displacement (DISP) and bootstrap enhanced by displacement (BS-DISP), were used to evaluate the uncertainties of source apportionment by PMF model, and heavy metals in soils in Dexing, China were carried out as a case study. Six-factor scenario was the best solution for PMF model run, except for Cr and Ti, the uncertainty intervals of DISP and BS were between 0.6 and 1.5 times the basic value of the identified element and the BS-DISP uncertainty interval was between 0.6 and 1.6 times the basic value in the source profiles under six-factor scenario, the uncertainty of the model results was more due to the uncertainty generated in the factor decomposition process. T he three uncertainty analysis methods could obtain the random error and factor rotation error in the operation of PMF model. Among them, the results obtained by BS-DISP and BS can assist in determining whether the factor number was over-fitting and help understand the uncertainty of the source profile. While, DISP could be used to understand the uncertainty of rotation and be used as a method to evaluate the feasibility of rotation process. This study provides a good sample for evaluating the reliability of soil heavy metal source apportionment that calculated by PMF model.Key words:soil heavy metal;source apportionment;PMF model;error estimation;uncertainty analysis受体模型是通过对土壤样品(受体)进行分析,定性识别受体的污染源类型,并定量确定各污染源贡献率的一类源解析技术[1],主要包括化学质量平衡(CMB)模型、主成分分析/因子分析-多元线性回归(PCA/FA-MLR)模型、正定矩阵因子分解(PMF)模型、UNMIX模型等[2-6].其中,PMF模型已被美国环境保护署开发成源解析应用软件,并被推荐应用于大气、水和沉积物等环境污染物的来源解析[7].近年来许多学者研究PMF模型在土壤污染物源解析中的适用性[8-10].然而,PMF模型应用的成功与否很大程度上受样品数据值误差、模型结构和参数代表性等因素的影响.相比较于大气、水和沉积物等环境介质,土壤中重金属的污染源解析有其特殊性.一方面,土壤重金属的迁移扩散行为有限,导致土壤中的各污染源影响分布不均匀,从而不能严格满足受体模型关于受体与源之间的污染物呈质量平衡的假设;另一方面,土壤中的重金属均具有不同程度的本底含量,且具有一定的空间异质性,这种空间异质性同收稿日期:2019-07-26基金项目:国家自然科学基金资助项目(41807344);广西创新驱动发展专项资金资助项目((AA17202032)* 责任作者, 吴劲, 讲师, wujin@2期 李 娇等:PMF 模型解析土壤重金属来源的不确定性 717样导致输入数据不能严格符合模型的假设.因此,开展基于PMF 模型的土壤重金属污染源解析的不确定性研究,不仅能够识别影响源解析结果可靠性的因素,同时也为模型的改进提供参考.源解析不确定性研究是指分析源解析各个信息获取过程中的随机性、模糊性、未确知性等因素对源解析结果的影响.通常来说,基于受体模型污染物源解析不确定性的来源可分为3个方面:数据的变异性、模型结构的不稳定性、模型参数的敏感性.目前受体模型应用于土壤污染物源解析结果的不确定分析鲜有报道,土壤污染物源解析研究者通常使用多种受体模型的源解析结果对比分析以弥补单一模型源解析的不足[11-16].单个受体模型的源解析不确定分析相关研究主要针对大气、水体中污染物源解析问题开展的,多采用蒙特卡洛方法分析受体模型源解析结果的不确定性[17-19].Paatero 等[20]于2014年基于PMF 模型提出三种误差估计方法,分别为拔靴法(Bootstrap, BS)法、替换法(Displacement, DISP)法和拔靴-替换法(Bootstrap - Displacement, BS -DISP)法,大大拓宽了源解析结果不确定性分析的理论研究成果.根据该理论成果, Brown 等[21]应用这3种误差估计方法对大气、水体中污染物源解析结果不确定性进行了分析.因此,针对土壤污染物源解析存在的不确定性问题,可借鉴大气和水污染源解析不确定性分析方法进行研究.本研究以土壤中重金属为目标污染物,以PMF 模型为例,利用BS 、DISP 和BS -DISP 等3种误差估计方法对PMF 源解析结果的不确定性进行分析,量化模型结果误差,识别影响源解析不确定性的主要因素,为受体模型的优化改进提供理论依据. 1 数据与方法 1.1 PMF 模型PMF 模型[7]将受体样品浓度数据矩阵(X )分解为因子得分矩阵(G )、因子载荷矩阵(F )和残差矩阵(E ),数学方程式用下式表示:1=,(1,2,...,;1,2,...,)pij ik kj ij ij ij k x g f e c e i n j m ==++==∑ (1)式中:x ij 为第i 个样品中第j 个元素的测量浓度;g ik 为源k 对第i 个样品的相对贡献;f kj 为源k 中第j 个元素的浓度;e ij 为残差,即PMF 模型中未能解释样品浓度x ij 的部分;c ij 为每个样品或元素的建模部分.PMF 建模目的是为了识别因子数p ,求得每个因子对每个样品的浓度贡献以及每个因子的成分谱.PMF 模型基于加权最小二乘法进行限定和迭代计算,不断地分解受体样本矩阵来得到最优解,最优化目标是使目标函数Q 最小化.目标函数Q 定义如下:2211111pijik kjn m n m ijk i j i j ij ijx g f e Q u u =====⎛⎞−⎜⎟⎛⎞⎜⎟==⎜⎟⎜⎟⎜⎟⎝⎠⎜⎟⎝⎠∑∑∑∑∑ (2) 式中:u ij 为第i 个样品中第j 个元素浓度的不确定性大小. 1.2 BS 法BS 法是由美国的Efron 等[22]在前人研究成果的基础上提出的一种统计推断方法.该方法不需要对总体分布做出假设或事先推导出估计量的解析式,它只依赖于给定的观测信息,通过重构样品不断计算估计值[23-24].基于BS 的基本原理可用来评估随机误差和小部分的因子分解不确定性对PMF 解的影响.即,对原始数据进行BS 重采样,并创建和原始数据集具有相同维度的新数据集作为模型输入数据运行PMF,分解为BS 因子载荷矩阵和贡献矩阵.将每个BS 因子与基础模型运行得到的基本因子进行匹配,匹配原则为:把BS 因子匹配到与这个BS 因子有最高相关(高于指定的阈值)的基本因子下.若无基本因子与给定的BS 因子具有高于阈值的相关性,那么该因子被当作是“未匹配”;若同一次运行中一个以上的BS 因子与同一个基本因子相关,那么这些BS 因子都会匹配到那个基本因子上.根据指定的次数运行BS,重复此过程,以这种方式来实现对每个因子中每个变量分配的不确定性估计. 1.3 DISP 法利用DISP 法[20]来评估因子分解过程的不确定性,通过依次扰动因子载荷矩阵F 中的每个参数值后重复运行PMF 模型来得到因子载荷矩阵F 中每个参数的不确定性估计.为加快DISP 的计算速度,通常会优先去扰动矩阵F 中所有变量的一个小子集.一般会选择扰动对因子识别重要的参数或者对某个特定问题关键的参数,即F 的关键变量.DISP 分析是基于PMF 中平方和函数Q 的增加来实现的.基本方程如式(3)所示:718中 国 环 境 科 学 40卷2,111min /p nmij ik kj ij F Gi j k Q x g f µ===⎛⎞⎛⎞=−⎜⎟⎜⎟⎜⎟⎜⎟⎝⎠⎝⎠∑∑∑ (3) 通过扰动矩阵F 中的每个参数值直到目标函数Q增加到最大允许变化值(dQ max ).Q 增加用式(4)表示:opt ()()kj kj dQ f d Q f d Q ===− (4)Q (f kj =d )表示限定f kj 为一个固定可行值,DISP 的本质就是要找到这个最大和最小的固定值(d max,d min ),使得:max max minmax ()()kj kj dQ f d dQ dQ f ddQ ⎧=≤⎪⎨=≤⎪⎩ (5) 本文得到的d max和d min 值分别表示不确定区间的上、下限值. DISP 分析过程中有可能出现因子改变太多,导致因子识别身份发生改变的现象,称为因子交换.PMF 模型中用互相关法或回归法来检测DISP 中因子交换,因子交换的存在将意味着所有的中间解必须被视为备选解.在这种情况下,建模支持多维的无限解,而这些解不可能单独输出一个作为“解”. PMF 建模提供不参与交换因子的有用信息. 1.4 数据来源与参数设置 表1 采样数据集的输入信息总结Table 1 Summary of input information for sampling data set变量类别 S/N 单位最小值 25百分位中值 75百分位最大值As Strong 8.99 mg/kg 2.2 8.8 12.3 18.7 899 Hg Strong 7.30 mg/kg 0.040 0.069 0.088 0.105 1.880 Mo Strong 3.93 mg/kg 0.29 0.53 0.82 1.54 89.38 Cd Strong 5.43 mg/kg 0.052 0.12 0.17 0.27 2.51 Cr Strong 7.15 mg/kg 13.9 59.0 70.4 81.5 315 Zn Strong 7.83 mg/kg 25.7 66.5 79.6 94.4 846.4 Cu Strong 8.30 mg/kg 8.2 26.5 32.5 46.9 916 Mn Strong 8.33 mg/kg 119 331 507 736 2461 Ti Strong 8.94 mg/kg 1598 4794 5305 5772 22563 Pb Strong 7.57 mg/kg 19.4 30.3 35.2 45.6 564.2 Fe 2O 3 Strong 9.00 % 1.88 4.12 4.84 5.75 22.20 K 2O Strong 8.91 % 0.83 1.92 2.32 2.68 7.91 Al 2O 3 Strong 9.00%8.48 12.43 13.92 15.39 61.39Na 2O Strong 8.63 % 0.06 0.19 0.32 0.49 1.90表2 采样数据集在PMF 中的设置信息Table 2 Setting information of sampling data set in PMF参数 研究区数据集参数研究区数据集数据类型土壤重金属 BS 运行次数 100变量数 14 BS_r 2 0.6样品数 336 BS_block size 14 因子数 4~7 DISP_dQmax4, 8, 16, 32 缺失数据的处理 无缺失数据 DISP 的关键变量所有变量低于检测限数据的处理 无低于检测限的数据 BS -DISP 中BS 运行次数及BS_r 2100;0.6归一化因子贡献g k 的下限-0.2 BS -DISP 的关键变量 As, Mo, Cd a , Cr, Cu, Mn, Ti, Pb, Na 2O“Robust”模式 是 BS -DISP_ dQ max 0.5, 1, 2, 4种子值随机每次DISP,BS -DISP 运行时间b<1h, 5h注:a 仅在6因子数和7因子数时使用;b Windows 7 64-bit,2.9GHz 处理器,8GB RAM.本文以在乐安河中上游地区采集的336个土壤样品数据作为PMF 模型输入数据集,其中研究区概况及样品采集分析内容的介绍参见前期研究成果[25].表1列出了研究区采样数据集的输入信息,包括模型输入物质种类、所属类别、信噪比(S/N)、受体数据的最小值、第25百分位、中值、第75百分位以及最大值.受体数据集中包含14个变量,无缺失值和低于检测限的数据.受体数据的不确定性用公2期李娇等:PMF模型解析土壤重金属来源的不确定性 719式µij=0.1x ij+MDL/3[26]来表示,其中µij为输入数据的不确定性值,x ij为输入数据值,MDL为各物质的检测限值.所有物质的信噪比均大于3.9,符合模型计算要求,都被分类为“strong”变量.表2总结了PMF模型的参数设置信息.模型在“Robust”模式下运行,针对案例数据集设置不同因子数方案情景模式,分别为4因子情景、5因子情景、6因子情景、7因子情景.计算每种情景下PMF的源解析结果和3种误差估计方法的不确定性区间结果,研究随因子数增加所得的源谱图和不确定性区间的变化情况.其中,DISP 方法设置4种dQ max变化水平,分别为dQ max=4, dQ max=8,dQ max=16,dQ max=32;BS-DISP方法同样设置4种dQ max变化水平,分别为dQ max=0.5,dQ max=1, dQ max=2,dQ max=4.通过分析在dQ max成倍增加下,DISP法的DISP区间和BS-DISP法的DISP区间的变化情况,从而深入研究DISP区间量化的主要不确定性来源.2 结果与讨论2.1 源诊断不确定性分析使用3种误差估计方法会产生很多的输出结果用于评估PMF计算所得的解.对于DISP而言,诊断的重点是在最低的dQ max水平(即dQ max=4)下发生因子交换的百分比(% swaps)和Q下降的百分比(% dQ).若因子改变太多以至于身份识别时发生互换就会出现因子交换现象;若dQ下降在1%范围内则认为Q变化不显著.另外,在DISP分析中,只使用被设定为“strong”的变量,这是由于矩阵中变量扰动对不确定性大的数据值非常敏感,而在PMF模型中,设定为“weak”变量的所有数据值的不确定性值均增至原来的3倍.在本例中由于所有变量均为“strong”,故不存在此种情况.对于BS而言,诊断的重点是BS重采样后计算得到的各BS因子能够与基本因子相匹配的百分比,以评估基础运行方案的再现性.对于BS-DISP而言,诊断的重点包括BS运行阶段BS因子与基本因子的匹配率、DISP运行阶段发生因子交换的百分比、Q下降的百分比等.针对本例数据集设置4~7因子数情景方案运行模型,不同因子数下的源成分谱见图1,PMF和误差估计的诊断总结见表3.4因子情景下,每个源的标识性元素分别为:(a)因子中主要载荷元素Cu、Mo、As、Cd和Pb有少量载荷;(b)因子中主要载荷元素为Mn, As有少量载荷;(c)因子中主要载荷元素为Na2O,其次是K2O;(d)因子中主要载荷元素为Hg、Cr、Ti.5因子情景下,As被分离为一个独立的因子.6因子情景下,除As被单独分出外,Pb和Cd同时从(a)因子中分离成为一个新的因子.7因子情景下则又增加一个新的因子(g),但该因子中各元素所占比例均很低,不存在明显的标识性元素.表3中,Q expected等于(矩阵X 中非“weak”数据值的数目)-(矩阵G和F中变量数据加和).例如,因子数为4,样品数为336,“strong”的变量为14,那么Q expected=(336×14)-((4×336)+(4× 14))=3304.由此进一步得到Q robust/Q expected,可以看出从5个因子数变为6个因子数时,Q robust/Q expected从4.62下降至3.29,降幅最大.随着因子数增加,一般在Q robust/Q expected快速下降处确定最佳因子数,即源数目,因此初步判断6因子数情景是最佳的PMF源解析方案.由表3可以看出,这4种情景方案下,DISP中Q 的下降幅度均在0.1%内,表明这些方案下得到的均为Q的全局最小值.在4种dQ max水平下,DISP运行阶段均未发生因子交换.在4因子情景下,除了BS因子与(a)因子匹配了99%外,其余因子匹配率均为100%,BS-DISP运行阶段未发生因子交换;在5因子情景下,81%的BS因子与(a)因子相匹配,仅42%的BS因子可以与(e)因子相匹配,即有58%的BS运行后未识别出(e)因子,37%的BS-DISP运行阶段发生因子交换;在6因子情景下,除BS因子与基础运行方案中的(e)因子仅匹配了59%外,其余因子匹配率均为100%,12%的BS-DISP运行阶段发生因子交换;在7因子情景下,BS因子与基本因子中(e)因子的匹配率为78%,与(f)因子的匹配率为93%,50%的BS-DISP运行阶段发生因子交换.3种不确定性估计方法的运行结果表明,7个因子数方案是最不稳定的,其次是5个因子数方案,最稳定的是4个因子数方案.然而,虽然4因子数情景方案最稳定,但结合源成分谱图(图1)可以看出,当因子数为4时未能很好地将污染源分解开来.如(a)因子中除了主要载荷元素Cu、Mo外,还有少量载荷As、Cd和Pb等元素,根据研究区的实际情况,铜矿开采和冶炼主要排放Cu、Mo污染物,铅矿冶炼主要排放Pb污染物,金矿冶炼会使As进入环境中,因此(a)因子最可能代表的720 中 国 环 境 科 学 40卷是金属矿开采冶炼混合源,但这种情景无法细分出不同的金属矿开采和冶炼源.表3 PMF 和误差估计诊断总结Table 3 Summary of PMF and error estimate diagnostics诊断4因子情景5因子情景6因子情景7因子情景Q expected 3304 2954 2604 2254 Q ture 18334.6 13661.6 9362.1 7151.5 Q robust 15324.5 11880.1 8565.9 6513.3 Q robust /Q expected 4.64 4.02 3.29 2.89 DISP % dQ <0.1% <0.1% <0.1% <0.1% DISP % swaps0%0% 0% 0% BS 因子匹配率<100% (a)因子:99% (a)因子:81%; (e)因子:42%;(e)因子:59%;(e)因子:78%; (f)因子:93%;BS -DISP % swaps0%37%13%50%各物质占比(%)各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%)图1 在4~7因子数情景下PMF 模型产生的源成分谱 Fig.1 Factor profiles from PMF model for four to sevenfactors scenarios5因子、6因子和7因子情景下,(e)因子在BS 重采样中的重现性都比较差,尤其是5因子情景方案下,有一半以上(58%)的BS 因子与(e)因子无法匹配上,从而出现因子定义不明确的PMF 解.这些情景方案下BS -DISP 运行中出现的因子交换现象应该与BS 重采样的不稳定性紧密相关.之所以BS 重采样缺乏重现性,原因可能是该因子主要载荷仅为一种变量(As),不是很稳定;也可能是样本量不够多,代表性不强,导致BS 重采样过程的重现性不是很好;此外,BS 重采样过程中很有可能排除掉了提供该因子贡献的As 的关键高值数据.在区域上进行土壤源解析研究时,存在的一个关键问题是若某个源仅影响局部区域时,在BS 重采样过程中很容易漏掉关键性的能代表污染土壤的样品,这样就会造成BS 运行结果与基础因子匹配率非常低,即出现BS 重采样结果的重现性非常差的现象.由此可见,BS 和BS -DISP 诊断效果不好时,并不能说明因子数及源解析的结果不正确.综合来看,本例中虽然6因子情景方案下BS 和BS - DISP 的诊断结果并不是最稳定的,但从解析的源类型来看是最准确的,因此,6因子情景方案下解析出的源成分谱被认为是4种因子数情景中最理想的方案. 2.2 源识别不确定性分析一个因子中某变量的DISP 区间指的是在指定dQ max 水平下,这个因子中该变量发生扰动得到的最小值和最大值;一个因子中某变量的BS 区间指的是由PMF 计算所有BS 重采样数据集得到的这个因子中该变量的第5百分位和第95百分位值;对于BS -DISP 而言,针对每个BS 重采样数据集运行DISP,得到每次重采样下每个因子中各变量的最大值和最小值,取所有重采样得到的最小值的第5百分位值和所有重采样得到的最大值的第95百分位值,分2期 李 娇等:PMF 模型解析土壤重金属来源的不确定性 721别作为BS -DISP 区间的下限和上限.由于不同物质的浓度通常跨越多个数量级,因此难以使用浓度单位去比较不同因子间或不同物质间的误差估计结果.Paatero 等[20]提出,可以用区间比值来实现比较.区间比值定义为因子中指定变量的误差估计区间长度除以该区间的中间点值,最大的区间比值是2,表示最不确定的结果.通常,每个因子中的标识性物质或关键物质应作为DISP 和BS -DISP 分析时的关键变量,关键变量发生置换得到的误差估计结果被认为是最可靠的,其它变量会产生比关键变量更小的误差估计区间.图2中,在4因子、5因子和6因子情景方案下,关键变量的DISP 区间比值均在0.74以下,误差区间相对较低,表明这几种情景方案下因子分解时产生的不确定性较小.在7因子情景下,Cr 和Ti 的DISP 区间比值均超过1.0,分别达到1.73和1.43,表明这种情景方案下因子分解产生的不确定性大.在4因子情景下,As 、Mo 、Cu 变量的BS 区间比值都比较高,分别为1.43、1.42、1.48,说明虽然该情景方案的BS 重现性非常好,但是(a)因子的不确定性区间较大,间接表明4因子方案下(a)因子可能未被充分分解,代表混合源.5因子情景下的大部分关键变量的BS 和BS -DISP 的区间比值都比较高,说明该因子数下得到的PMF 方案很不稳定,结果的可靠性差.6因子情景方案下,除Cr 和Ti 外,其它关键变量的BS 和BS -DISP 区间比值都相对较低.值得注意的是6因子情景中As 在BS 运行中的重现性仅为59%,这里的BS 区间比值却很低,说明在(e)因子能够重现的情况下得到的该因子中As 的不确定性区间还是比较窄的.因此,从关键变量的BS 、DISP 和BS -DISP 的区间比值来看,6因子情景下得到的源成分谱中各变量的不确定性区间相对较小.图2 在4~7因子数情景下3种误差估计方法的标识性元素区间比值Fig.2 Interval ratios of identifying species by three error estimate methods for four to seven factors表4中关键变量选取的都是各个源的标识元素.对于源成分谱的误差估计而言,重点是每个因子中标识元素的不确定性区间,而非标识元素一般在因子中的载荷非常低,对源成分谱的稳定性影响较小.例如,对于(a)因子而言,标识元素为Cu 和Mo,Cu 和Mo 在这个因子中的DISP 估计范围均从基本值(26.54, 0972mg/kg)的0.8倍~1.5倍,BS 估计范围从基本值的0.9倍~1.3倍.Cu 在这个因子中的BS -DISP 估计范围从基本值的0.1倍~1.6倍,Mo 的BS -DISP 估计范围从基本值的0.7倍~1.8倍.可以看722 中国环境科学 40卷出,Cu和Mo在(a)因子中的DISP和BS估计范围基本一致,且都比BS-DISP的估计范围要小,而Cu的BS-DISP估计范围明显比Mo要大,说明Mo的结果相对于Cu更稳定.其他标识元素与上述分析类似,在此不再赘述,整体来看,标识元素的基本值均在DISP、BS、和BS-DISP估计范围内,除了Cr和Ti 外,DISP和BS估计区间的下限均不低于基本值的0.6倍,上限均不高于基本值的1.5倍.BS-DISP的估计区间相对宽些,区间下限均不低于基本值的0.5倍,上限均不高于基本值的1.6倍.表46因子情景方案下的关键变量在每个因子中3种误差估计方法的不确定性区间Table 4 Uncertainty interval of three error estimate methods for each factor for active elements under 6-factor solution不确定性区间各因子的关键变量基本值DISP BSBS-DISPMo(mg/kg) 0.972 [0.771, 1.419] [0.855, 1.208] [0.0692, 1.563] (a)因子Cu(mg/kg) 26.54 [21.19, 39.66] [23.37, 34.42] [19.67, 47.63](b)因子Mn(mg/kg) 493 [353, 575] [374, 465 ] [337, 585](c)因子 Na2O(%) 0.27 [0.23, 0.37] [0.25, 0.29] [0.22, 0.39]Cr(mg/kg) 41.97 [36.17, 62.63] [7.65, 49.73] [0, 66.43] (d)因子Ti(mg/kg) 2916 [2501, 4432] [341, 3493] [0, 4706] (e)因子As(mg/kg) 15.53 [12.16, 21.63] [10.74, 19.13] [8.04, 24.60]Cd(mg/kg) 0.18 [0.12, 0.23] [0.13, 0.20] [0.11, 0.24] (f)因子Pd(mg/kg) 20.3 [13.00, 28.20] [12.34, 23.81] [10.17, 30.17]2.3 PMF源解析的不确定性评估讨论在本案例数据集中,DISP误差诊断显示均不存在因子交换现象,表明这4种不同因子数情景下得到的PMF源解析结果均没有或只有非常小的数据误差,源成分谱的各个因子定义明确.若案例数据集出现因子交换,则说明可能确定的因子数过多或是各类源未被很好地分解.因此,DISP诊断结果可以作为PMF源解析方案的初筛工具.即,如果DISP运行后未出现或仅出现非常少量的因子交换,那么可以初步判断PMF源解析方案可能是合理的,可以作进一步分析.通过案例应用可以看出,BS法尽管没有考虑因子分解过程中产生的不确定性对源解析结果的影响,但是该方法也是一种非常有用的误差估计方法,可以识别出重现性不好的因子.当BS重采样后不能很好地重现基本因子时,则说明该PMF源解析方案存在一些问题.可能是样品数量不够,或者重现性差的因子仅影响局部小区域,重采样过程中漏掉了关键性样品数据.如本例中5因子、6因子和7因子情景方案下得到的(e)因子重现性都比较差.BS结果可以实现量化PMF源解析中随机误差的影响以及识别低再现性的因子.其中,低再现性的因子是真实存在的源,不能被忽略,是需要进一步调查确认的. BS-DISP误差估计结合了BS对随机误差估计以及DISP对因子分解不确定性估计的优势,在DISP和BS诊断效果很好时,BS-DISP也可能发生因子交换,可以使用BS-DISP去辨别哪些因子存在更多的不确定性来源.本文还分别设置了4种dQ max变化水平情景,通过分析随着dQ max值变化各因子中关键变量的DISP 区间和BS-DISP中DISP阶段区间的变化情况,可以进一步研究不确定性是更多源于因子分解中不确定性还是源于人为指定地输入数据的不确定性.图3中,BS-DISP的DISP阶段的区间指的是基于第一组BS重采样数据集运行得到的DISP区间.可以看出,随着dQ max的增加,这些关键变量的DISP区间、BS-DISP的DISP阶段的区间都随之增大.由于BS- DISP中dQ max变化小,该方法中的DISP阶段会发生比DISP法更弱的元素扰动,因此这里得到的关键变量的DISP区间均比BS-DISP的DISP阶段的区间大.BS-DISP的DISP阶段的区间变化率也不如DISP区间变化率大.另外,随着dQ max成比例的增加,这些关键变量的区间虽呈增大趋势,但都是不成比例的,表明不确定性区间更多体现地是因子分解过程中产生的不确定性.相反,如果这里有出现某因子中关键变量的DISP区间是随着dQ max加倍增加而成比例增大时,则说明这个因子存在较小的因子分解不确定性,其不确定性主要是由输入数据的不确。

土木工程中的土体模型试验与数值模拟

土木工程中的土体模型试验与数值模拟

土木工程中的土体模型试验与数值模拟土木工程是一门利用土体材料进行建筑和基础设施建设的学科。

为了确保工程的安全可靠,土壤的物理特性和力学行为是非常重要的研究内容。

土体模型试验和数值模拟是土木工程中常用的研究方法。

本文将探讨土体模型试验和数值模拟在土木工程中的应用及其意义。

一、土体模型试验在土木工程中的应用土体模型试验是通过构建真实土体的缩小模型,在实验室中进行乏力学和岩土工程性质的测试。

这种试验方法具有直观、可重复、控制条件好等优点,被广泛应用于土壤侧向力分析、地基工程、土体渗透性和土体稳定性等方面。

在土壤侧向力分析中,土体模型试验可以模拟真实土壤受到的侧向地震、风力和水流等力。

通过调节试验环境参数,观察土体的变形、破坏和抗力等性能,为土木工程的设计和施工提供重要依据。

地基工程是土木工程中一个重要的研究领域。

土体模型试验可以模拟真实地质条件下的地基沉降、变形和稳定性等问题。

通过模型试验,可以评估地质环境对地基的影响,提供地基处理方案,并预测地基在不同荷载作用下的响应,从而确保工程的稳定性和安全性。

土体渗透性是土木工程中的另一个重要问题。

在水利工程和水资源管理中,了解土体的渗透性对于正确预测和设计水文过程至关重要。

土体模型试验可以通过模拟地下水流动的物理过程,测量流量和水头等参数,推导土壤的渗透系数和渗透能力,为水文模型和水利工程的研究提供实验依据。

二、数值模拟在土木工程中的应用数值模拟是利用计算机和数学方法对土体行为进行模拟和分析的方法。

它通过建立数学模型和计算算法,模拟真实土体的物理过程和力学行为,预测土体的变形、破坏和稳定性等性能。

在土体模型试验无法完全模拟真实工程条件的情况下,数值模拟可以提供一种有效的替代方法。

例如,在土质边坡稳定性分析中,数值模拟可以通过引入真实工程的地质参数、荷载和边界条件,模拟土质边坡在不同荷载作用下的变形和破坏情况,为工程安全评估提供定量依据。

数值模拟还可以应用于土体动力响应分析。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

界面面积、 以及该化合 能力参数可以根据传质系数、 物在大气环境介质单元的逸度容量来计算 , 其余相 间的传质能力参数可以根据该化合物在某一环境介 质单元内的半衰期来确定。 篇幅所限, 本书不再讲述 其计算方法, 读者可以参考相关的专门文献。 2 . 5 稳态非平衡多介质环境系统模型 对某一环境单元, 可以建立基于逸度容量的多 介质环境系统数学模型: Vi Zi = df i = Si + ∑ Dji f j - Vi Zi Ki f i - ( ∑ Dij ) f i dt j j ( 15 ) 这样对于图 1 所表示的系统可以建立起常微分 方程形式的多介质环境数学模型, 可以利用 MATLAB 的数值方法得到其数值解。 参考文献:
a″ij x j - ∑ a″ji x i ∑ j =1 j =0
j≠ i j≠ i
= zi + = zi +
a″ij x j ∑ j =1
j≠ i n
+ a″ii x i ( i = 1, 2, ……, n) ( 3 )
a″ij x j ∑ j =1
注意, 上面通过将方程中变量下标变化的方法 将第 i 室周围环境系统的输出包括在最后一项中 。
假设一个环境系统中有多个环境子系统, 物质 ( 污染物或营养物) 在多个子系统之间流动, 第i室 内的物质变化符合一阶动力学过程, 则第 i 室内的 物质状态 ( 浓度或量的多少 ) 可用如下的微分方程 [2 ] 来描述 : dx i = dt
n n
∑ f ij ( t) -
j =0 j≠ i
f ji ( t) ∑ j =0
n n n
物在多个环境介质单元 ( 多室 ) 之间的流动过程, 这 时用生 态 学 中 的 分 室 模 型 能 够 很 好 地 解 决 这 类 问题。
基金项目: 河北省科技支撑计划( 13963801D) 收稿日期: 2015 - 05 - 22 作者简介: 陈锋( 1981 - ) , 女, 副教授, 从事环境污染防治与数 值模拟研究。
因此城市土壤中有机污染问题越来越受到关注 。 本文通过对土壤污染物的环境质 城市又是人口高度集中的地区, 提出适合多空介质的环境质量数学模型, 并以多环芳烃为研究对象进行分析 。 量数学模型进行分析研究, 关键词: 环境质量, 模型, 土壤, 污染物 中图分类号: X53 文献标识码: A 文章编号: 1673 - 7938 ( 2015 ) 06 - 0014 - 03
3 逸度容量计算( mol / cm ·pa) 4
-3
逸度概念是以热力学为基础的, 因此逸度容量 可以通过化合物和所在环境介质的一些物理化学参 数来计算。根据 Mackay 给出的各环境介质逸度容 量的定义, 可以计算各环境介质的逸度容量 : Z1 = S / P v = 0 . 81 Z2 = 1 / RT = 4 . 1 × 10 -4 Z3 = 0 . 0015 R E K oc Z1 = 8 . 39 × 10 3 Z4 = ( 0 . 82 + 0 . 014 K ow ) R R Z1 = 9 . 9 × 10 3 Z5 = ( 0 . 82 + 0 . 0065 K ow ) R s Z1 = 6 . 8 × 10 10
— 14 —
第6 期
陈锋等: 基于环境质量数学模型的土壤污染物模拟研究
n
2015 年 12 月
n
上述转移系数的定义为: a″ij = f ij / x j ( i, j = 1, 2, ……, n, i ≠ j) ( 4 ) a″oi = y i / x i
n
∑ Vi
i
dC i = dt
n
m
∑ ∑ k ij Aij ( C ij - C i ) +
j≠ i
( i = 1, 2, ……, n) ( 1 ) 其中 x i 表示第 i 室内贮存的物质; t 表示时间; f ij 、 f ji 分别表示从 j 到 i 室和从 i 到 j 室的非负物质流 量。 , y i = f0i 分别表示第 i 室周围环 如果设 z i = f i0 , 境系统的输入和输出, 则上述方程又可写为 ( 注意 方程中变量下标的变化) : dx i = z i ( t) + dt

— 15 —
2015 年 12 月
北华航天工业学院学报
第 25 卷
表示发生反应的速率常数。 2 . 2 多环芳烃以及所在环境介质的理化参数 相对分子量: M = 354. 49g / mol 5 辛醇 - 水分配系数: K ow = 8. 13 × 10
-7 蒸汽压: P v = 1. 9 × 10 Pa
3
溶解度: S = 5. 5 × 10 mg / L 6 沉积物吸附系数: K oc = 3. 9 × 10 生物富集系数: BCF = 1. 83 × 10 沉积物密度: R E = 2. 5g / ml 根密度: R R = 0. 83g / ml 茎密度: R S = 0. 83g / ml 2. 3
i j n m n m
Vi K i αi C i ∑ i
+
( i = 1, 2, ……, n) ( 5 ) ( i = 1, 2, ……, n) ( 6 )
a″ii = -
a″ji ∑ j =0
j≠ i
q v, ∑ ∑ ji C j - ∑ ∑ q v, ij C j + ∑ S i i j i j i ( 13 ) C i 为单元 i 中的污染物浓度 ( mol / cm3 ) ; 其中, S i 为单元 i 中的污染物源强 ( mol / h) ; k ij 为以单元 i 为基础, 污染物在单元 i 和单元 j 之间的质量交换的 迁移系 数 ( cm / h) ; A ij 为 相 应 单 元 间 的 交 界 面 积 ( cm2 ) ; V i 为单元 i 的体积( cm3 ) ; C ij 为在与单元 j 处
3 于平衡时, 单元 i 中的污染物浓度 ( mol / cm ) , 并有 C ij = C i H ij , H ij 为单元 i 到 j 的分配系数; K i 为单元 i -1 中发生反应的速率常数 ( h ) ; α i 符号指示, 当为降 解反应时, αi = - 1 , 当为生成反应时, α i = 1 ; q v, iji 和 3 q v, ji 为相应的对流体流量 ( cm / h ) 。 引入逸度概念:
a″ii = -
a' ji ∑ j =0
j≠ i
C = fZ
3
( 14 )
式( 2 ) 和( 6 ) 的分室模型用矩阵形式分别表示 为: x = A″·x + z x = - A' ·x - y 其中: 1 x1 x z1 y1 x x z y x = 2 , x = 2 , z = 2 , y = 2 , xn x n zn yn a″11 a″ A″ = 21 … a″n1 a' 11 a' A' = 21 … a' n1 2 a″12 a″22 … a″n2 a' 12 a' 22 … a' n2 … … … … … … … … a″1n a″2n , … a″nn a' 1n a' 2n … a' nn ( 11 ) ( 12 )
n n
f ij ( t) ∑ j =1
j≠ i

f ji ( t) ∑ j =1
j≠ i
- y i ( t)
( i = 1, 2, ……, n) ( 2 ) 根据上式可对各个分室建立微分方程, 将多个 微分方程联立起来, 构成微分方程组, 这实际上就构 成了分室模型方程组。 如果用转移系数建立上述方程, 则有 dx i = z i ( t) + dt
将逸度的概念引入有机污染物的多介质环境数 学模型中, 即用逸度代替浓度进行计算, 解决了因为 不同介质中浓度单位不统一而造成的建模困难问 题, 简化了模型计算过程。 多介质环境系统模拟模 型的主方程为一质量平衡方程组
[3 ]
如图 1 , 表示多环芳烃在多介质环境系统中的 迁移转化过程。 其中的 D ij 表示污染物在各个环境单 元间的传输能力参数, 是由污染物的理化参数、 逸度 容量和各种环境参数( 温度、 体积、 密度、 流量等 ) 计 Ki 算得到的, 是多介质逸度模型计算的关键参数。
[ 1] James J S, Wolfgang F R,Lynn M,et al. Source apportionment of airborne particulate matter using organic compounds as tracers[ J] . Atmospheric Environment, 2007 , 41 ( 1 ) : 241 - 259. [ 2] Danyel H, John C, Ian B,et al. Predicting microbial pollution concentrations in UK rivers in response to land use
基于环境质量数学模型的土壤污染物模拟研究



1
曹张伟
2
王玉洁
1
( 1. 北华航天工业学院 建筑工程系, 河北 廊坊 065000 ; 2. 廊坊市人力资源和社会保障局, 河北 廊坊 065000 ) 要: 随着城市化进程的加快, 城市中土壤有机污染日趋严重, 许多有机污染物对人类有着致癌和致畸毒性, 而
同样, 通过变化微分方程中变量的下标 , 微分方 程( 1 ) 也可写为: dx i = dt
n n
∑ a' ji x i =
相关文档
最新文档