基于质量守恒的学生行为对教室内PM的制作方法

基于质量守恒的学生行为对教室内pm
2.5
浓度的计算方法
技术领域
[0001]
本发明属于环境测量技术领域，具体涉及基于质量守恒的学生行为对教室内pm
2.5
浓度的计算方法。


背景技术：

[0002]
随着人们生活水平的不断提高，室内空气质量越来越受到人们的关注。在众多的环境问题中，空气污染(尤其是pm
2.5
、pm
10
等颗粒物污染)对能见度的影响较为明显，也更容易被人们所感知。人类活动大多在封闭空间内(室内环境)，室内空气的化学成分多样，空气质量复杂。据估计，人类每天约有90％的时间在室内，因此，人们接触室内空气污染物的概率远远高于室外空气污染物。
[0003]
特别是学生每天至少花8个小时在教室里，因此室内空气质量已经成为一个重要的话题。室内高浓度的空气污染，如pm
2.5
，对学生的健康有害。虽然定期清洁教室和走廊是保持环境卫生的重要组成部分，但它对减少空气污染的作用不大。更糟糕的是，清洁的过程本身也会增加室内污染物。
[0004]
分析教室内pm
2.5
浓度变化的影响因素，可以为改善空气质量提供重要的指导。如何开发出准确的方法来分析和预测室内环境中的污染源，是一个有待解决的问题。一旦对室内污染源进行了测量，就可以更有针对性地采取缓解措施，以减少儿童接触空气污染并改善他们的健康。
[0005]
陈紫光,陈超,曹国庆,邬艳,吴玉琴,刘子嘉,朱娟花,张铭健,李炫.关于渗透通风条件下室内pm
2.5
净化过滤负荷计算相关设计参数探讨[j].建筑科学,2019,35(10):163-169.提出的房间换气次数、pm
2.5
穿透系数与沉降率推算模型,以及北京地区多个办公建筑室内外pm
2.5
质量浓度和室外气象参数长期监测结果,研究并提出了基于渗透通风条件下,不同气密性等级建筑外窗对应的单位缝长渗透通风量和穿透系数确定方法,给出了推荐设计值,评估了建筑外窗气密性等级对空气净化器净化寿命的影响。
[0006]
cn201811655319.2，一种室内pm
2.5
浓度预估方法，通过大数据平台获取室外空气质量基础数据；对所获取的空气质量基础数据进行数据处理后获得标准数据；通过apriori算法实现关联因子分析；建立专家知识库；构建浓度向量；预测浓度；匹配成因。
[0007]
cn201810134218.4，一种基于多示例遗传神经网络的室内pm
2.5
预测方法，数据采集与特征选取；(2)构建多示例遗传神经网络预测模型；(3)根据多示例遗传神经网络预测模型预测室内pm
2.5
浓度。本发明基于多示例遗传神经网络的室内pm
2.5
预测方法,通过选取与室内pm
2.5
密切相关的通风率、气温、相对湿度等7个特征进行模型训练,将多示例神经网络与遗传算法应用到室内空气质量的预测中,不仅得到了较好的预测精度,同时相对于经验模型来说,大大缩短建模的时间,具有可靠性能高、精度高、效率高、实用性强等优点。
[0008]
cn201711370485.3，一种室内pm
2.5
浓度与计数浓度转换的算法，通过pm
2.5
检测仪器或pm
2.5
传感监测设备测试pm
2.5
浓度,利用对数正态分布计算模型,解析计算积聚态颗粒物相应粒径段颗粒群的计数浓度、表面积浓度和体积浓度的一种算法。通过该算法,可以表
征不同环境条件下细颗粒物进入人体的暴露水平。


技术实现要素：

[0009]
目前pm
2.5
浓度的具体影响因素非常复杂，几乎没有一个普适性的数学模型可以定量的表述pm
2.5
浓度的变化规律，尤其在室内，人们行为活动的影响作用被放大，但是目前的技术手段无法检测因人为活动造成的pm
2.5
浓度。温度和湿度一直以来被认为是影响pm
2.5
浓度变化的重要因素，但是对于精细的研究这些成果还不足以满足要求，我们需要更丰富的数学模型去描述这一过程。
[0010]
本发明的技术方案：
[0011]
基于质量守恒的学生行为对教室内pm
2.5
浓度的计算方法，步骤如下：
[0012]
步骤000：基于采集某学校教室内空气质量的空气污染物数据，获取每天的教室空气内的污染物浓度。根据得到的教室室内空气污染共增数据库，挖掘教室内pm
2.5
浓度变化规律。
[0013]
所述步骤000包括以下步骤：
[0014]
步骤001：传感器的布置方案和数据库的建立
[0015]
基于采集某学校教室空气质量的空气污染物数据，对每天的教室污染物浓度，统计空气污染浓度每天的变化状态，将每天空气污染物浓度变化曲线按照月份取平均值，将所有项集整合建立城市空气污染共增数据库；
[0016]
步骤010：对可能影响室内pm
2.5
浓度的变量进行皮尔森相关性分析，筛选出高度相关性的变量。
[0017]
所述步骤010包括以下步骤：
[0018]
步骤011：将传感器能收集到的数据种类统计，获得室外气象站的数据，并建立数据库。
[0019]
步骤012：进行皮尔森相关性分析筛选出变量，再根据计算出的皮尔森相关系数的平均值进一步排除如甲醛、二氧化碳、亮度、tvoc等变量。
[0020]
步骤013：最终室内外温湿度，室外pm
2.5
浓度。由于较多的拟合项会降低符号回归模型的物理特性，复杂度较高的模型也有过拟合的风险。所以经过同量纲项的整合将室内外温湿度差筛选出来，经过皮尔森相关性检验，证明室内外温湿度差与室内pm
2.5
浓度是显著相关的。
[0021]
步骤020：根据筛选出的变量进行符号回归遗传算法分析。
[0022]
步骤020包括以下步骤：
[0023]
步骤021：通过符号回归遗传算法处理数据
[0024]
步骤022：依据帕累托最优得出符号回归的模型。并根据该模型结合室内外温湿度差、室外pm
2.5
浓度计算出该教室在目标时间段无人状态的pm
2.5
浓度变化曲线。
[0025]
步骤030：根据符号回归模型补充pm
2.5
浓度动态平衡模型
[0026]
步骤030包括以下步骤：
[0027]
步骤031:将步骤020的计算结果带入构建的pm
2.5
浓度动态平衡方程。
[0028]
步骤032:通过求解微分方程，得到学生行为作为pm
2.5
污染源产生的污染强度。
[0029]
本发明的有益效果：
[0030]
1.该方法通过皮尔森相关性分析得出了潜在的相关因素即室内外温度差和湿度差。由于温度和湿度具有一定的梯度变化，
[0031]
2.现有的研究结果表明，影响室内pm
2.5
浓度的原因和变量多种多样。但是本发明是通过数据挖掘出具有一定物理规律的符号回归模型，得出的表达式与现有的研究成果相符。
[0032]
3.目前没有针对学生行为对pm
2.5
浓度的定量的影响分析，本发明可以根据建立的数学模型，根据不同的场景和需求，计算出学生作为pm
2.5
浓度的污染源，得出其对pm
2.5
浓度的贡献度的具体数值。
[0033]
4.对于有大量人员聚集的室内，该方法可以进一步对新风系统、空气净化器等基本参数的选取给出重要的参考依据。
附图说明
[0034]
图1为本发明的模型示意图。
[0035]
图2为符号回归模型模拟数据与实测pm
2.5
浓度的数据对比。
具体实施方式
[0036]
以下结合技术方案，详细叙述本发明的具体实施方式，但是本发明的实施方式并不仅限于此。
[0037]
实施例：
[0038]
以中国河北省某中学为例。
[0039]
第一步，安装传感器，测量教室的面积、统计教室内的人数。
[0040]
第二步，通过皮尔森相关性分析筛选重要的相关变量。
[0041]
第三步，通过符号回归算法求解出一个具有相对普适性的模型。
[0042]
第四步，通过质量守恒建立室内外pm
2.5
浓度的动态平衡方程；
[0043]
第五步，通过定义学生源强度的概念结合第四步的平衡方程求解。
[0044]
第六不，算例求解。
[0045]
基于在河北省某小学布置的26个高精度超级传感器，收集教室内每天的污染物浓度数据，通过城市大气污染浓度每天的变化状态。
[0046]
(1)通过传感器收集室内pm
2.5
浓度、室内温度、湿度、tvoc、甲醛、光照强度等数据。通过气象部门获得室外pm
2.5
浓度、室外温度，室外湿度等数据。
[0047]
(2)根据皮尔森相关性分析步骤如下：
[0048]
一般意义上的室内都是不是绝对的密闭的环境，所以时时刻刻都会发生与外界环境的气体交换，所以室内空气中pm
2.5
的浓度除了受到室内环境的影响，还受到室外空气中影响pm
2.5
浓度的所有因素的影响。此外在室外的pm
2.5
的浓度变化过程中，太阳辐射也被认为是影响因素之一。(参考文献)但是现在我们建立一个具有如此多的影响因素如此之多，又具有相当多的不确定性和受制与传感器技术的数据获取难度。所以我们对可能对室内pm
2.5
的浓度变化的因素采取皮尔森系数检验。应用公式
[0049][0050]
经过数据计算和检验得出如下表的计算结果。
[0051]
表1不同相关变量的皮尔森相关性分析
[0052][0053]
(3)根据所确定的变量，通过符号回归模型得出一个相对普适的模型
[0054]
表2筛选出的符号回归模型
[0055][0056]
表3不同pm
2.5
浓度变化模型在预测不同日期不同时间段的pm
2.5
浓度的拟合优度差异
[0057][0058]
首先，我们对上文提到的8个模型分别计算了拟合优度，如表3所示，其中颜色越深的表格代表预测效果越好，根据拟合优度的结果，我们发现m4模型无论在上午还是下午，其
拟合优度都优于其他模型，预测结果较好。
[0059]
之后，通过以上8个模型对不同时间的不同教室的室外pm
2.5
浓度值进行预测，将这几种模型带入2019年2月(该校2019年寒假)的温度差、湿度差、以及室外pm
2.5
的浓度进行预测。将预测2019年2月份无学生教室内pm
2.5
浓度值，与真实值进行对比分析。如图所示为利用第4种符号回归模型进行的2019年2月的室内pm
2.5
变化规律预测，发现预测模型曲线与实测数据曲线图相似。在两年室内外pm
2.5
相差悬殊的情况下仍然能对次年的室内pm
2.5
的浓度以及变化规律做出一定精度的预测。由于教室内pm
2.5
浓度的变化规律受到多种因素的影响，而且不同教室不同环境的诸多偶然性以及其复杂的机理导致目前也没有非常准确的数学模型，因此，通过符号回归建立的教室内pm
2.5
浓度变化模型具有相当重要的意义。我们可以根据该模型对不同情况下的教室pm
2.5
浓度进行预测。发现采用线性模型时对误差的影响较小，由此我们将在后文构建学生行为活动对教室内pm
2.5
浓度变化的影响模型时，将此模型应用在对室内pm
2.5
沉积和室内外pm
2.5
交换造成的教室内pm
2.5
动态变化的数学模型中。
[0060]
(4)根据适量守恒得出室内外pm
2.5
浓度的动态平衡关系模型：
[0061]
通过对教室的pm
2.5
监测结果表明，在学生上学的时间里，学生行为活动是室内pm
2.5
浓度变化的主要原因。通过对室内pm
2.5
的不间断检测和对学生行为活动的调研。研究评估了学生上课下课过程中作为污染源造成的pm
2.5
的浓度升高。本文测量了3间教室的上学期间的pm
2.5
的浓度变化。根据调研结果详细分析了学生行为活动教室内pm
2.5
浓度变化规律造成的影响。本文推导了根据超级传感器计算把学生活行为活动作为pm
2.5
浓度变化的污染源强度的计算方法。
[0062]
现在可以测得教室得体积为v，教室内部pm
2.5
浓度会随时间变化，我们把会引起pm
2.5
浓度值变化的学生作为pm
2.5
的污染源，定义为学生源强度。室内的时变污染源设为s(t)，室外流入到室内的pm
2.5
体积为u，此时认为空气是不可压缩的，所以空气流入房间的量和流出房间的量大小相同方向相反。我们假设学生行为活动造成的pm
2.5
浓度变化会在极短时间内和所有空气混合充分,所以室内pm
2.5
浓度ci(t)在教室内的任意时间t都是均匀分布的。为方便公式推导，我们又引入相对浓度c(t)，其中[c
i
(t)-c
i
(t1)＝c(t)]，假设初始条件是c(t1)＝0,则时间t时房间内的pm
2.5
的质量为m＝c(t)v。u
s
表示粒子沉积造成的空气损失量。此时房间内的pm
2.5
质量表示为：
[0063][0064]
对这个等式求导得到：
[0065][0066]
将定义为pm2.5的流失量，其分为沉降和气体交换流失量，将代入公式，整理得到：
[0067][0068]
将每一项对时间积分并取均值
[0069][0070]
其中分别为平均室内pm
2.5
浓度，平均室外pm
2.5
浓度，和学生造成的污染源强度整理出学生行为作为污染源的强度为
[0071][0072]
此时通过符号回归确定自然无学生状态下pm
2.5
的变化规律为
[0073]
c
id
(t)＝97.3+4.56δt+1.22δh+0.468c
o
(t)
[0074][0075]
若短时间内室外的pm
2.5
的浓度变化可以忽略不计。既c
o
(t)＝0得到公式，根据公式
[0076][0077][0078][0079]
假设学生活动时间为t
s
,那么从0到t的平均源强度。
[0080][0081]
上式求解得
[0082]