论文部分内容阅读
随着城市机动车量的增加,建筑物密集化程度加快,街道峡谷机动车尾气的污染越来越严重,因此研究街道峡谷污染物浓度分布的数值模型是一项非常重要的工作。迄今,国内许多学者在研究街道峡谷污染物扩散模型方面,主要是选择国外研究的模型,通过参数修正,以期达到适应本地区的需求。但是,选择的模型中,有许多变化的重要参数,这些参数在不同的城市和国家都不相同,必须进行适应性研究。同时,也未必能够得出满意的短期预测效果。人工神经网络结构算法严密、结构简明,为街道峡谷数值模型的建立提供了一种新的方法。论文以重庆市渝中区中山路为研究对象,实地监测样本数据,建立样本数据库。样本数据库中包含监测路段的当日温度、气压、机动车流量、风速、监测点处建筑物高度、街道宽度等。利用样本数据,进行与街道峡谷污染物浓度的相关性分析,建立模型。首先验证了较为广泛应用的街道峡谷机动车尾气污染扩散模型——OSPM模型。通过风速转换系数修正后的OSPM模型,其模拟值与实测值的线性相关系数达0.8626;并且通过风场因子验证了修正后的OSPM模型,能较好地模拟重庆市街道峡谷的污染物浓度,能在一定程度上满足环境空气质量评价要求。最后利用OSPM模型分析影响因子,提出了控制街道峡谷机动车尾气污染状况的相关建议。论文修正的OSPM模型一定程度可以满足重庆市街道峡谷污染物浓度分布预测。论文主要采用人工神经网络算法,利用MATLAB7.5神经网络工具箱,借助样本数据库训练交通污染物控制神经网络模型结构,利用Visure Foxpro9.0完成训练好的人工神经网络仿真系统开发。通过对反向传播的人工神经网络的算法和网络结构的研究,选择拟牛顿算法,建立了包括输入层、隐含层、输出层的人工神经网络三层拓扑结构,以模拟街道峡谷NO_X浓度分布。其中,将街道峡谷水平风速、机动车排放源强、方位角等作为输入层,街道峡谷两侧NO_X浓度值作为输出层。模拟结果和相关系数检验表明:训练误差和测试误差比为1.11,训练样本的模拟值与实测值的相关系数为0.9343,测试样本的模拟值与实测值的相关系数为0.8702,模拟值的相关系数均高于显著水平为0.01与0.05对应检验性表的相关系数临界值,模型具有很好的泛化能力。同时,为实现神经网络仿真交通污染物可视化,实地进行地理数据采集,建立空间数据库,构造GIS系统。系统开发结果表明,将人工神经网络仿真技术与GIS技术结合起来,自动有效地呈现交通污染物浓度分布,有利于交通污染控制与管理。