污染物在大气中的扩散模型

大气污染物的扩散过程涉及流体力学、传热学以及化学反应等多学科知识。准确的扩散模型是评估环境质量、制定治理措施以及进行应急预案的基础。本文系统阐述常用的大气污染物扩散模型，包括理论推导、关键参数、数值实现及典型应用示例，帮助读者快速掌握模型的选用与实现方法。

1. 大气扩散的基本假设

在建立数学模型时，通常需要对大气流动作出若干简化假设：

• 稳态或准稳态：在短时间尺度（分钟至小时）内，风速、温度等宏观场近似不变。
• 均匀平坦地形：忽略地形起伏对流场的影响，适用于开阔平原。
• 湍流扩散近似：采用涡动黏性系数（eddy diffusivity）描述湍流混合。
• 无化学反应或弱反应：在首次建模时可先忽略二次生成物的影响。

这些假设决定了模型的适用范围，后续章节将分别针对不同假设给出对应的模型形式。

2. 高斯羽流模型（Gaussian Plume Model）

2.1 模型推导

在稳态、均匀风场、平坦地形条件下，污染物浓度 (C(x,y,z)) 可表示为：

[
C(x,y,z)=\frac{Q}{2\pi u \sigma_y \sigma_z}
\exp!\left(-\frac{y^2}{2\sigma_y^2}\right)
\left[
\exp!\left(-\frac{(z-H)^2}{2\sigma_z^2}\right)
+\exp!\left(-\frac{(z+H)^2}{2\sigma_z^2}\right)
\right]
]

其中：

• (Q)：排放源强（kg·s(^{-1})）
• (u)：平均风速（m·s(^{-1})）
• (H)：排放高度（m）
• (\sigma_y,\sigma_z)：横向、垂直方向的扩散参数，随下风距离 (x) 变化

2.2 扩散参数的经验公式

常用的 Pasquill‑Gifford 稳定度分类给出 (\sigma_y,\sigma_z) 与 (x) 的经验关系，例如在稳定度 D（中性）下：

[
\sigma_y = 0.32x^{0.78},\qquad
\sigma_z = 0.24x^{0.73}
]

提示：实际工程中应根据当地气象观测数据选取合适的经验系数，或使用现场标定的 (\sigma) 曲线。

2.3 示例计算

假设某燃煤电厂烟囱排放二氧化硫，参数如下：

计算距离源点下风 2 km 处的地面浓度（(z=0)）：

1. 计算 (\sigma_y = 0.32(2000)^{0.78} \approx 210) m
2. 计算 (\sigma_z = 0.24(2000)^{0.73} \approx 140) m
3. 代入公式得

[
C(2000,0,0) \approx
\frac{0.5}{2\pi \times 3 \times 210 \times 140}
\exp!\left(-\frac{80^2}{2\times140^2}\right)
\approx 1.2\times10^{-5}\ \text{kg·m}^{-3}
]

该结果可与监测数据对比，评估模型的可靠性。

3. 拉格朗日粒子模型（Lagrangian Particle Model）

3.1 基本思想

将污染物视为大量离散“粒子”，随风场和湍流随机运动。粒子位置 (\mathbf{x}_i(t)) 通过以下随机微分方程更新：

[
\mathrm{d}\mathbf{x}_i = \mathbf{U}(\mathbf{x}_i,t),\mathrm{d}t

• \sqrt{2K},\mathrm{d}\mathbf{W}_t
  ]

• (\mathbf{U})：瞬时风速矢量（可由数值天气预报提供）
• (K)：湍流扩散系数（标量或张量）
• (\mathbf{W}_t)：标准维纳过程，模拟随机湍流位移

3.2 数值实现要点

1. 时间步长选择：(\Delta t) 需满足 Courant 条件 (\Delta t < \Delta x / |\mathbf{U}|)。
2. 粒子数目：为降低统计噪声，通常采用 (10^4)–(10^6) 粒子。
3. 边界处理：
   • 地面采用反射或沉降模型；
   • 大气顶层可设为开放边界，粒子离开即删除。
4. 化学反应耦合：在每一步更新浓度时加入一阶衰减或多相反应方程。

3.3 示例代码（Python 伪代码）

import numpy as np

def advect_particles(pos, U, K, dt):
    # 随机位移
    dW = np.random.normal(scale=np.sqrt(dt), size=pos.shape)
    # 更新位置
    pos += U * dt + np.sqrt(2 * K) * dW
    return pos

# 参数
N = 200000          # 粒子数
dt = 5.0            # s
t_end = 3600        # 1 h
U = np.array([3.0, 0.0, 0.0])   # 常风速
K = 10.0            # m^2/s

# 初始化
particles = np.zeros((N, 3))
particles[:, 2] = 80.0   # 初始高度

# 主循环
t = 0.0
while t < t_end:
    particles = advect_particles(particles, U, K, dt)
    # 简单地面沉降处理
    particles[particles[:,2] < 0, 2] = 0.0
    t += dt

该脚本演示了基本的拉格朗日粒子追踪框架，实际工程中需接入真实风场数据并加入浓度统计。

4. 计算流体动力学（CFD）模型

4.1 求解方程

CFD 直接求解雷诺平均纳维-斯托克斯（RANS）方程或大涡模拟（LES）方程，配合质量守恒方程：

[
\frac{\partial C}{\partial t}

• \nabla\cdot(\mathbf{u}C)
  = \nabla\cdot(D_t\nabla C) + S
  ]

• (\mathbf{u})：求解得到的瞬时流场
• (D_t)：湍流扩散系数，由所选湍流模型（k‑ε、k‑ω 等）提供
• (S)：源项（排放强度）

4.2 网格与边界

• 网格划分：建议在排放源附近采用细网格（≤5 m），远场使用渐进粗化网格。
• 边界条件：
  • 入口：指定风速剖面（对数层）和湍流强度。
  • 出口：使用压力出口或对流型边界。
  • 地面：采用壁面函数或粗糙度模型。

4.3 结果后处理

• 等浓度线：绘制 (\mathrm{SO_2}) 等浓度等值线，评估受影响范围。
• 时间序列：在关键监测点提取浓度随时间变化，供健康风险评估使用。

5. 参数校准与模型验证

1. 现场监测数据：选取若干监测站的浓度时序作为基准。
2. 误差指标：
   • 均方根误差（RMSE）
   • 相关系数（R）
   • 偏差因子（FA）
3. 校准方法：
   • 采用梯度下降或遗传算法优化 (\sigma_y,\sigma_z) 或湍流系数。
   • 对拉格朗日模型可调节粒子沉降速率、湍流强度。

6. 实际工程案例

6.1 案例概述

某工业园区内有 3 条高炉烟囱，排放的主要污染物为颗粒物（PM(_{2.5})）。需求是预测在不同季节（夏季不稳定、冬季稳定）下的浓度分布，以指导区域空气质量预警。

6.2 模型选型

• 夏季：采用拉格朗日粒子模型，结合实时气象预报的风场数据，能够捕捉强对流导致的快速扩散。
• 冬季：使用高斯羽流模型，因大气层结相对稳定，经验 (\sigma) 参数能够提供足够精度。

6.3 关键结果

结果显示，冬季因逆温层抑制垂直混合，污染物在近地面累积更为严重。基于此，管理部门在冬季实施了限产措施并增设临时监测站。

7. 小结

• 模型层次：从解析的高斯羽流模型到数值的拉格朗日粒子模型、CFD 仿真，提供了从简到精的完整技术路线。
• 关键参数：风速、排放高度、湍流扩散系数以及大气稳定度是决定模型精度的核心因素。
• 实践要点：模型选型应结合地形、气象条件和计算资源；校准与验证是确保预测可靠性的必经步骤。

通过本文的系统介绍，读者可以根据具体工程需求快速搭建合适的大气污染物扩散模型，并在实际项目中进行有效的预测与评估。