文摘

在建筑工地扬尘污染是一种无形的危害,往往忽略了作为一个麻烦。管理和工程控制方法主要是用于缓解。控制灰尘,dust-generating活动和他们的大小需要建立。虽然研究人员全面研究了施工粉尘排放,粉尘浓度预测基于工作阶段和气候条件仍然缺乏。克服上述知识差距,本文选定两个建设阶段的项目监控尘埃一代使用HXF-35粉尘采样器。根据收集到的数据,粉尘排放这两个阶段的特点进行了研究,和粉尘排放特征下多个污染源进行了分析。结果的基础上,建立BP神经网络模型进行模拟不同工作区域的粉尘排放浓度和预测在不同条件下建筑粉尘浓度。除了几个,大部分的工作区域监控超过容许TSP浓度的上限规定相关标准。此外,工作区域的粉尘排放差异明显。BP神经网络的结果验证了粉尘浓度预测模型是可行的,可用于预测粉尘浓度变化在不同工作面临不同气候条件下,为污染控制提供科学依据。 This study provides several practical solutions where the prediction of dust concentrations at designated work areas will allow construction companies early warning to implement mitigation measures before it becomes a serious health hazard. In addition, it provides an opportunity to re-evaluate those hazardous work in the light of these revelations. The outcome of this study is both original and useful for both construction companies and regulatory agencies. It can better predict the concentration of construction dust in different operating areas and different weather conditions and provide a guide for the prevention and control of construction dust.

1。介绍

经济快速发展,中国的建筑行业一直领进一段时间的大规模建设和基础设施建设。施工活动的规模越来越大,包括建筑施工、建筑拆除、设备安装、等等,颗粒污染加剧。大多数的建筑活动现场,组织在露天。此外,材料的运输、装卸、库存的土方工程引起大规模的不可避免的碳排放。这些排放的大颗粒倾向于安定下来后附近的建筑工地。然而,小颗粒往往与风和流进入大气中悬浮体形式,通常被称为建筑粉尘(1]。根据过去的研究,建筑粉尘被认为是颗粒污染的重要来源2- - - - - -4]。

建筑粉尘的形成多年来一直被学者广泛研究,其中包括粉尘监测技术(5),粉尘排放因素(6,7)、灰尘扩散规则(8- - - - - -10),粉尘污染特征(11,12)、健康危害评价(13- - - - - -15预防和控制措施(),和尘埃16]。到目前为止,仪器采样一直是最常用的方法来监控施工粉尘粒子浓度。高(17)测量了TSP(总悬浮微粒)使用HXF-35粉尘采样器和TSP浓度作为建筑粉尘监测指数。针对建筑工地的复杂性和独特性,马英九18]采用无人机和图像识别技术来设计一个建筑粉尘污染源自动监控系统和分析从三个方面:建筑粉尘测试施工粉尘污染来源,确定建筑粉尘污染地区,建筑粉尘污染源的特性比较。

为了量化灰尘从监测获得的数据,研究人员采用施工粉尘排放因子和排放通过三种常用的研究方法(19]:接触分析方法,四维通量模型,Flux-FDM方法。田(20.)建立了一个数学模型,一个四维通量模型,这是类似于接触分析方法由美国环境保护署和一组建筑粉尘排放监测计划与这个模型。模型还结合实际测量数据超过40个建筑工地的定量评估建筑粉尘的排放和排放的因素。在分析相关数据的天津建筑工地、赵(21)设置Flux-FDM模型,用于施工可吸入颗粒物排放的估算,并结合粉尘排放因素和建筑粉尘影响因素通过非线性拟合获得的。他们发现风速和表面的灰尘含水量是影响粉尘排放的关键因素。然而,施工粉尘排放不仅是受到气候因素的影响,而且监控高度、施工强度,和其他因素。

在施工粉尘的排放特征的研究,田(22]研究了垂直和水平扩散定律建筑粉尘在建筑工地的边界通过监测降尘浓度的变化在建筑工地附近。他们发现建筑粉尘浓度成反比下降高度的平方在同一平面的建筑工地边界。相同的粉尘浓度之间的相关性也观察到和的平方距离监测中心在同一高度。李(23)选择典型的住宅建设项目在北京和粉尘浓度收集点设置在主要工作区域在三个不同时期,即土方工程,框架,分区和室内装饰。他们进行了现场监测以TSP为监测指数。通过比较不同的粉尘污染状况建设活动,李(24]分析了粉尘排放特征和主要分布原则,和不同建筑活动的结果表明,粉尘排放明显不同于彼此的浓度,,具体而言,表明,粉尘浓度在构建的框架是低于土方工程。前者是更稳定的排放强度,和整体分区和室内装饰阶段的粉尘浓度高而稳定。侯(25)选择了建筑工地在门头沟区和北京大兴区作为监测对象和使用光散射法和重量法测量粉尘在不同的建筑工地。结果表明,粉尘浓度分布特征是不同的在不同地区的土方工程施工现场。基坑的粉尘浓度远高于主入口和顺风区,和建筑工地防尘水平差的更有可能产生高浓度粉尘污染。

综上所述,研究人员施工的全面研究粉尘排放特点,但大多数研究都集中在整体粉尘排放水平和特点的分析整个施工现场。然而,粉尘排放特征研究不同工作阶段的建筑依然缺乏。施工过程不是同质的,因此不同的工作阶段生成不同的粉尘浓度,灰尘类型和危害。独特建筑物施工过程经历了三个明显的阶段:基础、框架和内部分区/完成。不同于前两个阶段,第三个主要发生在室内。因此,粉尘生成在第三阶段不会影响外部环境,和尘埃特征明显不同于其他两个阶段。与此同时,研究人员也做了很多工作在建筑粉尘粒子的预测。在建筑粉尘预测模型的建立,研究人员主要使用传统的多元线性回归模型(26,27),但他们有很大的局限性,无法捕捉的粉尘排放浓度之间的关系和尘埃粒子监测因素,导致预测并不准确。而反向传播(BP)神经网络可以很好地克服这个限制,它可以建立一个非常复杂的非线性模型,这可以反映出粒子浓度和粉尘监测因素之间的非线性关系(28]。

因此,为了准确描绘的粉尘排放浓度户外施工,本文主要集中在前两个阶段,即基础和建筑物的框架建设。基于现场数据监测、粉尘排放这两个阶段的特点进行了研究,以多个污染源和粉尘排放特征进行了分析。与此同时,BP神经网络模型构建使用监控数据。这个模型是用来执行仿真分析不同工作区域的粉尘排放浓度和预测在不同条件下建筑粉尘浓度。

2。工作区域分工和布局的监视点

基础框架的建设和建筑施工的主要阶段,其活动有很大的不同。基础工作主要包括网站的准备、开挖边坡的支持,填补处理,钢筋加工、凝固,等。其中,开挖,边坡支持和填充表单的一部分基础开挖。因此,基础开挖面积选择作为监测点。活动在钢筋处理区和凝固区显著不同于对方;因此,他们应该是两个单独的监视点。框架的建设主要包括模板、钢筋弯折、钢筋加工、混凝土搅拌,混凝土浇筑,木结构。此外,活动,如模板拆除和设置,楼板钢筋绑定,混凝土浇筑,脚手架都完成了施工地板上或附近。因为这些工作区域相互接近,也有类似的建筑环境,地上工作区域设置监视点。与此同时,钢筋加工区,混凝土搅拌区,木结构区域设置为其他监视点。此外,车辆运输建筑材料在这两个阶段可以很容易地提高道路灰尘。 Therefore, the road area where the vehicles travel in and out of the site was set up as a monitoring point. The profile of all monitoring points in this research is presented in Table1。

如表所示1,有9个监视点设置两个建设阶段。尘埃的类型在不同工作区域不同而变化,主要包括含硅的灰尘、水泥粉尘、灰尘和木材。最常见的灰尘类型、含硅的尘埃一般来自于土壤,这是扩散到空气中通过自然风能和车辆。水泥粉尘沉降造成的灰尘一般在装卸水泥袋、运输过程中,粉尘扩散在喂养过程中,常见的混凝土搅拌区。木粉尘指木材模板的安装期间产生的灰尘29日]。

3所示。建筑粉尘监测

3.1。监测指标、设备和方法

目前,有四个主要监测指标来衡量建筑粉尘,即降尘、TSP、PM10和PM2.5。总悬浮颗粒(TSP)被定义为悬浮颗粒的空气动力学直径小于 ,从粒度的角度来看,TSP包括可吸入颗粒物(PM10) [1030.]。空气中TSP质量浓度的增加可以增加慢性阻塞性肺疾病的发病率,心血管疾病,脑血管疾病,急性呼吸道感染(31日,32]。与PM10浓度的直接监测,监测TSP浓度较便宜,操作简单,可以增加监测站点的密度,使较大的数据集合(33]。因此,考虑到监测指标的科学性和可操作性,结合施工现场条件的考虑和粉尘监测成本,TSP浓度的空气被选为建筑粉尘监测指标。在本研究中,使用粉尘采样器HXF-35 TSP浓度监测。这台仪器的测量结果能准确反映粉尘污染的位置和发生时间,实现多点同时监测获得的质量数据。

这项研究是指中国国家标准”,测定空气中的尘埃Workplace-Part 1:总粉尘浓度”,并使用的过滤膜增量方法测量。在采样之前,滤膜称重。在抽样过程中,粉尘采样器HXF-35的a字形上安装支架。下的义务不影响施工操作,采样点可以保持尽可能几乎接近操作员,和采样流量将20 L / min。采样结束后,所有样品带回实验室称重和数据记录。TSP浓度可以由以下方程: 在哪里c表示总粉尘浓度(毫克/米³),米₂表示膜质量抽样(mg)后,米₁表示膜质量抽样(mg)之前,V表示抽样流(mg)和t表示采样时间(分钟)。

因为锋利的粉尘浓度的差异在不同的监视点,监视点的选择应根据实际情况。如果没有严重的粉尘在附近,采样时间应该超过60分钟。如果监控点严重受到污染的影响,采样时间应控制在30分钟。每个监视点应该被监视的粉尘浓度至少四个不同时期的一天,以确保灰尘数据的完整性和准确性。除了粉尘监测不同的工作区域,气象数据应记录,包括温度、风速、湿度。

3.2。概述项目的监控

本研究选择了一个在南昌东湖区住宅建设项目,如图1。南昌位于115°27′-116°35′E和28°10′- 29°11′年代,它的特点是mid-subtropical地区的湿润季风气候宜人的温度和充足的阳光。南昌的年平均气温是17°C和18°C之间,其平均年降水量约1600毫米。南昌气象条件的特点是无风的高频率,高频率的大气稳定,高频率的近地逆温层。四季的风的频率为25.9%,24.8%,21.4%,和26.6%,分别。无风期间,风速很小,等级1 - 2,和温度反转现象持续很长一段时间,抑制大气污染物的扩散和稀释在南昌。根据相关研究,平静风和逆温层是最重要的气象条件,导致严重的空气污染34]。

4所示。粉尘浓度排放特征

4.1。粉尘浓度监测结果

根据《职业危害因素的暴露极限工作”可以看出,粉尘浓度的标准限制灰尘类型有关。为了比较不同工作区域的粉尘排放浓度,本文选择不同类型的粉尘浓度的标准限制计算的平均浓度,多余的多个测量屈服点,和其他指标,如表所示2。

如表所示2期间,平均施工粉尘浓度的基础开挖是0.988,这是最低的价值和瀑布容许极限内的含硅的灰尘。这有两个原因。首先,建筑面积的土壤含水量高,阻碍粉尘的形成。其次,土方工程主要是由大型机械,其轨道可以帮助巩固土壤,防止粉尘的产生。路的粉尘排放区和混凝土搅拌区是严重的。平均粉尘浓度、粉尘浓度峰值和混凝土搅拌区域的样本方差是7.392,17.760,和10.017,分别显著高于其他工作区域。道路面积的平均粉尘浓度为4.287,这是大约四倍的平均粉尘浓度和钢筋加工区域的基础。这表明混凝土处理和交通的主要来源是灰尘在基金会工作。

在框架的建设,平均粉尘浓度的木材模板面积8.697,这是八倍左右的平均面积和混凝土搅拌的超过平均面积和道路面积的4倍。测量工作区域的产量仅为12%,这意味着粉尘排放也严重的木材模板区域和构成这一阶段的主要尘源。这主要是由于紧张的工作空间,降低粉尘扩散。排放道路面积第二大的这个阶段,平均粉尘浓度,测量屈服点,和样本方差都低于木材模板的区域。混凝土搅拌区域的平均粉尘浓度低于地面工作区域和钢筋加工区。混凝土搅拌区域的粉尘浓度在允许的标准,超过多个是0,和测量收益率为100%。这些数据表明,粉尘排放的混凝土搅拌区略低于面积和钢筋加工区域。与地板工作区域相比,钢筋加工区平均浓度更高,超过多个和测量屈服点,这意味着粉尘的排放后者比前者更严重;由于粉尘污染的垂直方向传播是有限的,面积减少的粉尘浓度不断增加的地板。

4.2。建筑粉尘的比较在相同的工作区域,但在不同的阶段

表3总结了平均施工粉尘浓度、平均超过多个,和变化的指数在土方工程和结构框架阶段。总体而言,除了钢筋加工区域,减少平均施工粉尘浓度和平均超过多个可以观察到,当建筑活动的基础构架。

基于平均浓度,排放在钢筋加工区域处于上升趋势,因为大量需求放在钢筋的结构框架。虽然道路面积的主要尘源在基金会时减少50%以上建设构架移。有两个主要原因下降。首先,有更多的裸露的土壤在土方工程大部分路面没有硬化。然而,通过时间构架建设举措,其中大部分路面硬化,减少灰尘提出的车辆。其次,在构架,有更少的车辆运输的土壤和网站。混凝土搅拌的粉尘浓度在土方工程是构架的三倍。这主要是因为混凝土运输涌入模板使用一个泵,而对于基金会不使用泵。进入压缩泵之前,水泥与水充分接触和反应和聚合,从而逃避水泥粉尘的产生。

从平均超过多个角度来看,车辆运动引起严重的粉尘在基础和结构框架阶段。粉尘排放的钢筋加工区域和道路区域,他们的平均超过多个显著变化和下降。特别是,平均超过多个混凝土搅拌区在构架已降至零。

4.3。工作区域的比较与主要建筑粉尘的排放

表4总结了工作区域有严重建筑粉尘排放在两个阶段。基础工作期间,道路面积、混凝土搅拌区,钢筋加工区是主要的dust-generating地区。然而,在构架建设,木材模板面积、道路面积,和钢筋加工领域已成为主要dust-generating地区。

比较平均的粉尘浓度和平均超过多个三个工作区域如图2。最高的平均超额发现多个区域的道路,这是五倍,其他两个。因此,这三个工作区域应重点领域建设施工中预防和控制灰尘。

5。粉尘浓度建立基于BP神经网络的预测模型

考虑到建筑施工过程的复杂性,多个工作阶段,高排放随机性,难以量化粉尘污染,粉尘浓度是非常重要的模型在不同工作阶段。因此,本研究进行了模拟预测的尘埃粒子浓度在不同的工作领域,试图建立一个建筑粉尘粒子浓度使用BP神经网络预测模型。

5.1。BP神经网络的概述

作为使用最广泛的模型之一,BP神经网络在许多领域中得到了很好的应用(36- - - - - -38]。BP神经网络被定义为一个前馈神经网络和反向传播神经网络,它的特点是信号的正向传播和反向传播的错误。一般来说,BP神经网络由输入层、隐藏层和输出层(39),其结构呈现在图3。BP神经网络的优化能力关系到其结构结构可变性、非线性、错误容忍、自适应、自主学习。

5.2。粉尘浓度预测模型

本研究中采用的神经网络模型构建施工粉尘浓度预测模型的特点是三层网络结构,其中有三个神经元在输入层,即温度、湿度和风速40]。最初的隐层神经元有20,输出层神经元有一个粉尘浓度。换句话说,这是一个用3-20-1三层网络结构模型。与此同时,采用MATLAB2016a数值计算平台。BP神经网络预测之前,应该首先接受网络模型训练,配备记忆和预测的能力。到最后,“兰德”函数是用来获得60每监测样本点,第一个50个样本作为训练集,而其他10作为测试集。迭代项目设置为100,和学习速率为0.01。

5.3。粉尘浓度模拟不同的工作区域

3-20-1网络结构从而建立的模型是用来进行模拟各种工作区域的预测。图4显示了实际测量值和预测值的粉尘排放浓度不同工作区域的基础阶段。表5显示了模拟预测的相关系数不同的工作区域在基础和结构框架阶段。因此,R2表示决定系数回归分析以下,0.9807,0.98724,0.9677,和0.97255的基础,钢筋加工区、混凝土钢筋面积,分别和道路面积的基础阶段。预测结果与实际测量值显示高度的拟合,表明良好的模拟预测效果如图4。从表5,可以看出R2地板的工作区域,混凝土搅拌区、钢筋加工区、木材模板面积、道路面积是0.9749,0.9097,0.9556,0.9608,和0.9988,分别。结合表的结果4与图的结果4神经网络训练结果不同的工作区域在构架阶段是有利的。

表6显示了回归预测结果输出和不同工作区域的目标数据在两个阶段。图5显示的回归分析结果预测输出和道路的目标数据区在结构框架阶段,培训,验证,测试,和所有代表回归系数R训练样本,验证样品,测试样品,分别和综合样本。回归系数是90%以上,如表所示6,通常是接近1。通过结合结果显示在图5,结果表明,模型生成良好的仿真预测结果。它还显示了开发建设的可行性粉尘排放浓度基于BP神经网络的预测模型。

6。讨论

研究结果表明,在施工期间,粉尘排放不同工作区域的显著不同于彼此,这与以前的研究结果(41]。然而,目前施工数值模拟粉尘主要是基于气固两相流理论模拟风的基于规则的扩散速度,生成源,高度和粉尘浓度42,43]。它不是基于现场施工活动的特点及其对粉尘排放的影响。现存文献中这是一个很大的差距,因此一些高污染地区被忽视的审计和监测方案。为了弥补上述缺陷的知识,本研究选择了风速,温度和湿度作为输入因素建立一个建筑粉尘模拟预测模型对不同工作区域的一个建筑工地,主要关注两个阶段发生在户外工作。因此,该模型不仅考虑气象条件的影响,而且还对粉尘排放建筑活动的影响。回归系数表明,预测值和测量值具备良好的协议。因此,建立模型应该能够well-predicting施工粉尘浓度不同的工作区域和不同天气条件下的变化及其控制提供科学基础,扩散和污染。

为了验证建筑粉尘预测模型的有效性,十个测试样本是随机选择的道路区域施工构架预测如表所示7。之间的相对误差预测值与实际值的十个样本都是0.01左右,这意味着建筑粉尘由本文提出的预测模型可以获得良好的结果。此外,建筑粉尘神经网络预测模型是易于使用和展示形式的预测结果曲线。粉尘浓度的预测不同工作区域的一个建筑工地有几个积极的影响。它允许建筑公司监测粉尘水平在不同阶段的工作和计划战略干预措施以免为时过晚。它可以防止项目长期疾病的工人经常参与这样的任务之一。

例如,澳大利亚广播合作的调查(ABC, 2019)表明,工人参与安装石材厨房桌上型报道矽肺病由于暴露于二氧化硅粉尘(http://www.aap.com.au/, 2019)。报告指出“医生担心澳大利亚正面临最严重的职业性肺部疾病危机高峰以来石棉灾难”作为新南威尔士的石匠,维多利亚,澳大利亚首都直辖区,昆士兰已报告到医院加速矽肺病的惊人水平。然而,建筑商参与住宅建设在澳大利亚从未在聚光灯下对任何违反WHS的粉尘污染的相关法律。原因是,建筑垃圾被认为是“尘土”,因为大多数审计和监控(如果发生)是基于整体的测量结果而非指定区域。基于这些整体测量,现场不超过监管环境项目机构设置的阈值(EPA)的澳大利亚。然而,如果测量在不同的工作领域,某些地区可能会远远超过这些限制。因此,预测的尘埃浓度在指定的工作区域应该是一个高优先级的建筑公司。此外,监管机构应避免毯子裁决在建筑工地不同的活动有不同的粉尘生成潜力,其中一些可能非常有害的工人和周边社区。

7所示。结论

由于复杂性、连续性和建筑粉尘排放的时变特点,传统的回归预测模型不能准确地预测粉尘排放的浓度。因此,为了模拟建筑粉尘在多个污染源,本文监测粉尘排放在住宅建设项目的两个重要阶段,即基础和结构框架。研究确定了培训和神经网络的学习样本,编制学习和训练算法,建立了神经网络模型反映粉尘排放浓度在不同的工作区域。基于仿真的结果预测,BP神经网络模型的输出数据展示良好的和理想的相关性,并与传统的回归模型,粉尘浓度的BP神经网络建立的预测模型是可行的,可用于预测粉尘浓度的变化在不同的地区和不同的气候条件下工作,可以为污染控制提供科学的基础。

大部分的工作区域超过容许TSP浓度的上限规定相关标准。这意味着大多数工作区域正遭受严重的粉尘污染浓度下多个污染源。工作区域的粉尘排放差异明显。具体而言,地区严重的粉尘排放浓度在基础包括道路面积、混凝土搅拌区,钢筋加工区域。地区严重的粉尘排放浓度在构架的建设包括木材模板区域,道路面积,和钢筋加工区。公路地区的基础建设,混凝土搅拌区、和木材模板区在结构施工在施工期间粉尘排放的关键领域。

粉尘浓度在指定的工作区域的预测将为建筑公司提供早期预警实现缓解措施之前,成为一个严重的健康危害。此外,它提供了一个机会重新评估这些危险工作的启示。虽然该研究表明,BP神经网络可以开发这样的早期预警,该研究只使用了两个阶段的一个长期和艰苦的施工过程是一个示范。还需要进一步的研究在其他阶段和活动评估的真正潜力BP神经网络模拟和展示他们的适用性。进一步研究其他阶段的建设可以揭示活动容易发生严重的粉尘排放,目前不能被视为危险的建筑商或监管机构。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这项工作是支持江西省社会科学基金项目(20 gl20)和高校人文社会科学研究项目在江西省(GL19102)。