论文部分内容阅读
随着我国汽车工业的迅速发展,汽车已经成为人们出行的常用交通工具之一,但其排放的尾气也造成大气污染。车内外空气的交换以及车内装饰材料有害成分的释放,使驾驶员和乘客都暴露在一定浓度的空气污染物中,危害驾乘人员的身心健康。超细颗粒物(UFP)由于其粒径小数量大,不仅可以在肺部长时间沉积,甚至可以穿过肺泡进入血液,更易引发呼吸道疾病和心血管疾病。然而,目前关于车内UFP的研究主要集中于浓度监测和影响因素分析上,仅能为减少车内人员的暴露提供一定的建议。因此对车内UFP浓度进行预测非常重要,有利于驾驶员精确掌握车内污染状况并在适当时刻及时采取有效的控制措施,降低车内人员的暴露水平。本研究对车内外粒径范围在20nm-1μm的UFP数量浓度,车辆通风方式、车内温度及相对湿度进行实时动态监测,从而分析车内UFP数量浓度变化特征及暴露程度。然后,通过多元线性回归模型确定车内UFP数量浓度的显著影响因素及其贡献率。最后,建立考虑因子滞后期和不考虑因子滞后期的两种支持向量回归机模型对车内UFP数量浓度进行预测,并对比这两种模型的预测精度。实验表明,车内UFP数量浓度具有明显的时空特征,随道路环境,周围车辆和交通状况的不同而变化,并且,在上班通勤时段车内平均UFP数量浓度(4.87×104±790.0cm-3)高于下班通勤时段(3.21×104±489.9 cm-3),车内人员暴露更加严重。多元线性回归模型结果显示车外UFP数量浓度,车内温度,相对湿度和车辆通风方式是车内UFP数量浓度的显著影响因素,贡献率分别为10.7%,35.8%,3.3%和33.5%。其中车内UFP数量浓度和车外UFP数量浓度、车内相对湿度呈正相关,与温度呈负相关。内循环开空调通风模式的净化效果最好,外循环开空调通风模式的净化速度最快。通过对比两种车内UFP数量浓度预测模型发现,考虑滞后期的预测模型的平均相对误差和决定系数分别为3.13%和0.91,预测精度更高且泛化能力更强。因此,考虑各因子滞后期的支持向量回归机模型对车内UFP数量浓度的预测效果更好。该研究成果有助于掌握目前车内微环境UFP数量浓度的暴露程度,为车内UFP数量浓度的预测提供一种可行性方法,驾驶员可根据实时的车内UFP数量浓度信息,及时采取有效的控制措施改善车内空气质量。