楊亦超，王 娟,2,3，鄭宏元，楊海真,2,3

(1．同濟(jì)大學(xué) 環(huán)境科學(xué)與工程學(xué)院，上海 200092；2．同濟(jì)大學(xué) 污染控制與資源化研究國(guó)家重點(diǎn)實(shí)驗(yàn)室，上海 200092；3．同濟(jì)大學(xué) 長(zhǎng)江水環(huán)境教育部重點(diǎn)實(shí)驗(yàn)室，上海 200092)

1 引 言

鋼鐵行業(yè)具有資源、能源消耗高，污染排放量大等特點(diǎn)。我國(guó)是鋼鐵大國(guó)，2015年粗鋼產(chǎn)量占到了全球總產(chǎn)量的50.16%，達(dá)8.04萬(wàn)t[1]。鋼產(chǎn)量不斷上升的同時(shí)，企業(yè)面臨的資源環(huán)境問題和環(huán)境風(fēng)險(xiǎn)也愈發(fā)嚴(yán)重。鋼鐵企業(yè)的環(huán)境風(fēng)險(xiǎn)一般指由化學(xué)品泄漏、火災(zāi)爆炸等引起的污染物質(zhì)排放泄露等事故性風(fēng)險(xiǎn)[2]。

隨著城鎮(zhèn)化的不斷發(fā)展，原先遠(yuǎn)離城市的鋼廠已被城市包圍，這種鋼廠被稱為“城市鋼廠”。據(jù)統(tǒng)計(jì)，我國(guó)47%的省會(huì)城市或直轄市擁有城市鋼廠，位于人口百萬(wàn)以上城市的鋼廠有34家[3]。由于規(guī)劃的滯后性或不合理，部分廠區(qū)與城市主要功能區(qū)之間已經(jīng)沒有緩沖空間。對(duì)于城市鋼廠，其環(huán)境風(fēng)險(xiǎn)的內(nèi)涵也從傳統(tǒng)的事故型環(huán)境風(fēng)險(xiǎn)擴(kuò)展到了來(lái)自鋼廠內(nèi)外部環(huán)保壓力構(gòu)成的新型環(huán)境風(fēng)險(xiǎn)：(1) 隨著國(guó)家和地方政府不斷收緊的環(huán)境保護(hù)政策和對(duì)鋼鐵行業(yè)布局的調(diào)整；(2) 周邊居民出于對(duì)人居環(huán)境的重視，根據(jù)其對(duì)生活環(huán)境的自身感受，通過舉報(bào)、信訪等方式表達(dá)環(huán)境訴求；(3) 行業(yè)整體產(chǎn)能過剩造成企業(yè)經(jīng)濟(jì)效益低迷與環(huán)保所需巨大投入的資金缺口的矛盾。這些環(huán)境風(fēng)險(xiǎn)已經(jīng)成為倒逼城市鋼廠轉(zhuǎn)型發(fā)展或搬遷的重要因素。建立一套預(yù)警機(jī)制，主動(dòng)預(yù)防和控制風(fēng)險(xiǎn)，規(guī)避環(huán)境風(fēng)險(xiǎn)所產(chǎn)生的生態(tài)環(huán)境損害及其社會(huì)風(fēng)險(xiǎn)，為鋼廠環(huán)境風(fēng)險(xiǎn)管理和決策提供重要依據(jù)，是鋼廠與城市協(xié)調(diào)發(fā)展的關(guān)鍵環(huán)境保護(hù)舉措。

大氣顆粒物是鋼鐵生產(chǎn)過程中排放的主要污染物之一，且公眾對(duì)其感知最為強(qiáng)烈，是城市鋼廠的重要環(huán)境風(fēng)險(xiǎn)。但鋼廠的顆粒物排放又存在排放源數(shù)量大、點(diǎn)源面源共存、無(wú)組織排放量大等特點(diǎn)，是環(huán)境風(fēng)險(xiǎn)預(yù)警時(shí)的難點(diǎn)。本研究以大氣顆粒物為例，嘗試探索出可行的環(huán)境風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警方法，為城市鋼廠應(yīng)對(duì)環(huán)境風(fēng)險(xiǎn)提供預(yù)警技術(shù)支撐。

2 大氣顆粒物風(fēng)險(xiǎn)預(yù)警

2.1 鋼鐵企業(yè)的大氣顆粒物風(fēng)險(xiǎn)

郭茹等[4]，利用壓力-狀態(tài)-響應(yīng)(PSR)框架和層次分析法(AHP)提出了鋼鐵企業(yè)環(huán)境風(fēng)險(xiǎn)的指標(biāo)體系，以某鋼鐵企業(yè)為例，得出大氣環(huán)境風(fēng)險(xiǎn)對(duì)整體風(fēng)險(xiǎn)貢獻(xiàn)最大，占總體環(huán)境風(fēng)險(xiǎn)的61%；而NOx排放濃度、公眾滿意度、煙塵離散度和夜間噪聲為單項(xiàng)風(fēng)險(xiǎn)指數(shù)排名最高的4個(gè)指標(biāo)。

其中，造成“煙塵離散度”指標(biāo)偏高的直接原因就是大氣顆粒物的排放。根據(jù)國(guó)家環(huán)保部的環(huán)境統(tǒng)計(jì)年報(bào)(2015年)[5]顯示，黑色金屬冶煉及壓延加工業(yè)的粉塵年排放量達(dá)357.2萬(wàn)t，占我國(guó)工業(yè)煙(粉)塵排放總量的29.0%(1 232.6萬(wàn)t)。鋼鐵生產(chǎn)中多項(xiàng)環(huán)節(jié)均有顆粒物產(chǎn)生，其中燒結(jié)(球團(tuán))、煉鐵及煉鋼是鋼鐵工業(yè)最重要的顆粒物產(chǎn)生環(huán)節(jié)，燒結(jié)(球團(tuán))工序的煙塵排放量占鋼鐵行業(yè)的19.87%[6](2005年)。此外還存在許多無(wú)組織排放塵源，如原料堆放加工、篩分、轉(zhuǎn)運(yùn)、推焦、熄焦、出鐵、煉鋼二次煙氣等環(huán)節(jié)。2012年我國(guó)鋼鐵行業(yè)的顆粒物排放中，無(wú)組織排放占到了總排放的一半以上[7](如表1)。

表1 2012年我國(guó)鋼鐵工業(yè)一次顆粒物排放情況Tab.1 Primary particulate matter emission of China’s steel industry (2012) (%)

顆粒物的排放會(huì)對(duì)人體健康造成影響。有研究指出，大氣顆粒物不僅會(huì)對(duì)人體的呼吸系統(tǒng)和心血管系統(tǒng)造成影響，其表面(尤其是直徑小于2.5 μm的細(xì)微顆粒(PM2.5))容易吸附重金屬、多環(huán)芳烴等有毒有害物質(zhì)，還有致癌、致突變、致殘的作用。而顆粒物排放又是公眾最容易感知的大氣污染指標(biāo)，顆粒物會(huì)使廠區(qū)周邊能見度降低，并在下風(fēng)向沉降，這極大的影響鋼廠周邊居民對(duì)其生活環(huán)境質(zhì)量的感受。近年來(lái)的霧霾頻發(fā)，更是引起了公眾對(duì)顆粒物排放的關(guān)注。因此顆粒物排放又是造成鋼廠“公眾滿意度”指標(biāo)風(fēng)險(xiǎn)較高的重要原因。

針對(duì)這些由于鋼廠大氣顆粒物排放而引發(fā)的環(huán)境風(fēng)險(xiǎn)，僅僅靠事后的補(bǔ)救措施是不夠的，需要建立起一套大氣顆粒物風(fēng)險(xiǎn)的預(yù)警體系，來(lái)主動(dòng)的預(yù)防和控制風(fēng)險(xiǎn)，減少風(fēng)險(xiǎn)造成的損失。

2.2 大氣顆粒物風(fēng)險(xiǎn)預(yù)警方法選擇

建立快速有效的鋼廠大氣顆粒物風(fēng)險(xiǎn)預(yù)警體系關(guān)鍵因素包括：(1) 及時(shí)發(fā)現(xiàn)并預(yù)警由于鋼廠的生產(chǎn)原因而造成的顆粒物排放升高情況；(2) 在城市顆粒物濃度背景值升高，或大氣擴(kuò)散條件不佳時(shí)提前預(yù)警，并給出相應(yīng)的減排方案，降低顆粒物排放強(qiáng)度，盡可能確保廠區(qū)邊界的顆粒物濃度不超標(biāo)。因此，對(duì)城市鋼廠的顆粒物風(fēng)險(xiǎn)預(yù)警的基礎(chǔ)是對(duì)顆粒物這一大氣污染物的濃度進(jìn)行實(shí)時(shí)預(yù)測(cè)。大氣污染物濃度的預(yù)測(cè)方法主要有2類，即污染物排放模型和污染相關(guān)因素模型。

2.2.1 污染物排放大氣擴(kuò)散模型(傳統(tǒng)數(shù)學(xué)模型)

經(jīng)典的大氣污染物濃度預(yù)測(cè)方法主要依靠以污染物排放源為基礎(chǔ)的數(shù)學(xué)模型，主要研究污染物擴(kuò)散因子之間的關(guān)系，如大氣邊界層、風(fēng)、降水、氣溫及下墊面條件等。有關(guān)專家們建立和發(fā)展了許多大氣擴(kuò)散模式，而高斯模式是很多實(shí)用模式(如AERMOD、ADMS、CALPUFF等)發(fā)展的基礎(chǔ)[8-9]。高斯模式是假定下風(fēng)向的污染物濃度符合正態(tài)分布條件下的半經(jīng)驗(yàn)型擴(kuò)散模式，具有簡(jiǎn)單實(shí)用、空間分辨率高的優(yōu)點(diǎn), 但其也有不足之處：(1) 當(dāng)模擬的尺度較大, 或者因下墊面不均勻, 使流場(chǎng)比較復(fù)雜時(shí)，精度就難以滿足要求；(2) 對(duì)沉積和化學(xué)轉(zhuǎn)化過程的處理粗略[10]。

2.2.2 污染物排放相關(guān)因素模型

近年來(lái)，出現(xiàn)了一系列基于環(huán)境因子的新型預(yù)測(cè)方法，如灰色預(yù)測(cè)模型GM(1,1)、多元統(tǒng)計(jì)分析理論、模糊識(shí)別法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、GIS 空間插值預(yù)測(cè)等[11]，這些方法也被用到了大氣污染物的預(yù)測(cè)中。李朝陽(yáng)等人[12]通過灰色系統(tǒng)GM(1,1)對(duì)烏魯木齊市未來(lái)4年的環(huán)境空氣質(zhì)量進(jìn)行預(yù)測(cè)分析，結(jié)果顯示未來(lái)4年環(huán)境空氣質(zhì)量將持續(xù)好轉(zhuǎn)，機(jī)動(dòng)車尾氣正逐漸成為該市空氣污染的重要因素。姚寧等人[13]建立了基于AGNES算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，選擇氣溫、濕度、降水量、大氣壓強(qiáng)、風(fēng)速和前5天的污染物濃度等10個(gè)參數(shù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對(duì)城市各檢測(cè)點(diǎn)位的次日大氣污染物濃度進(jìn)行預(yù)測(cè)。歐陽(yáng)鈞等[14]采用“提前終止法”泛化改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)PM1024h內(nèi)的小時(shí)平均濃度，預(yù)測(cè)誤差絕大部分在2%～17%范圍內(nèi)，精度較高，泛化能力較好。

對(duì)于鋼廠的大氣污染預(yù)警，現(xiàn)在還主要使用高斯模式進(jìn)行研究。陳增鋒等人[15]基于高斯模式作為計(jì)算模型，開發(fā)了鋼鐵企業(yè)的大氣污染預(yù)測(cè)系統(tǒng)并結(jié)合Surfer 9.0實(shí)現(xiàn)了在地圖上用云圖的形式顯示污染物的濃度分布。但是，鋼廠的顆粒物排放具有排放源數(shù)量大、點(diǎn)源面源共存、無(wú)組織排放量占比高等特點(diǎn)，其排放強(qiáng)度難以確定，且受到氣候、生產(chǎn)情況等諸多因素的影響，而高斯模式需要明確的排放源才能進(jìn)行有效預(yù)測(cè)。鋼廠各生產(chǎn)工序構(gòu)筑物的形狀也造成廠區(qū)內(nèi)流場(chǎng)復(fù)雜，影響模型的預(yù)測(cè)精度。因此基于高斯模式的鋼廠顆粒物排放預(yù)測(cè)存在較大限制，本文擬使用污染物排放相關(guān)因素模型為基礎(chǔ)建立預(yù)警機(jī)制。

3 案例研究

3.1 研究對(duì)象

本文以我國(guó)南方某鋼鐵集團(tuán)的燒結(jié)廠及周邊區(qū)域?yàn)檠芯繉?duì)象。該企業(yè)坐落于我國(guó)毗鄰長(zhǎng)江的某大型城市，是典型的城市鋼廠。廠區(qū)位于城市北部，其邊界距離城市中心不到20km。鋼廠所在行政區(qū)有近200萬(wàn)常住人口，西側(cè)和南側(cè)已建成大量居民小區(qū)，最近距離僅200 m左右。廠區(qū)平面圖如圖1所示，藍(lán)色為廠區(qū)內(nèi)河流，灰色為廠區(qū)內(nèi)主要道路，其中燒結(jié)廠位于廠區(qū)西北部。

圖1 我國(guó)南方某鋼鐵集團(tuán)廠區(qū)平面示意圖Fig.1 Factory layout of the steel group in southern China

燒結(jié)工序的顆粒物排放在整個(gè)鋼鐵生產(chǎn)工序中占較大比例，且無(wú)組織排放比例高，因此對(duì)整個(gè)鋼鐵企業(yè)顆粒物預(yù)警方法的探索有指導(dǎo)意義。燒結(jié)廠東北部有一環(huán)境在線監(jiān)測(cè)站(圖1紅點(diǎn)處)，實(shí)時(shí)監(jiān)測(cè)該點(diǎn)的大氣污染物濃度和氣象參數(shù)。本案例以該監(jiān)測(cè)點(diǎn)為預(yù)測(cè)對(duì)象，通過使用該監(jiān)測(cè)站的歷史監(jiān)測(cè)數(shù)據(jù)(2015年8月)對(duì)模型進(jìn)行訓(xùn)練，并對(duì)該點(diǎn)進(jìn)行預(yù)測(cè)和分析。

3.2 預(yù)警方法選擇

本案例采用BP(Back-Propagation)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)分析。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是由大量神經(jīng)元通過豐富和完善的聯(lián)接而構(gòu)成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)，其主要通過對(duì)大量的數(shù)據(jù)訓(xùn)練、學(xué)習(xí)來(lái)完成模擬過程，并利用訓(xùn)練好的網(wǎng)絡(luò)來(lái)對(duì)新輸入的數(shù)據(jù)進(jìn)行預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，是基于誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，根據(jù)輸出節(jié)點(diǎn)的誤差反饋，調(diào)整輸入節(jié)點(diǎn)的權(quán)重系數(shù)，以達(dá)到最佳的神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)由1個(gè)輸入層、1個(gè)或多個(gè)隱層和1個(gè)輸出層組成，相鄰各層之間節(jié)點(diǎn)單方向互相連接。根據(jù)萬(wàn)能逼近定理[16]，對(duì)于一個(gè)單隱層BP神經(jīng)網(wǎng)絡(luò)，只要有足夠的神經(jīng)元，并選擇合適的連接權(quán)值和傳遞函數(shù)，就可以逼近任意1個(gè)輸入和輸出間的光滑的可測(cè)量的函數(shù)。因此本文采用單隱層的BP網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 單隱藏層BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Topology of single hidden layer BP neural network

3.3 預(yù)警模型建立

3.3.1 輸入層、輸出層神經(jīng)元

建立BP神經(jīng)網(wǎng)絡(luò)模型，首先要定義輸入層和輸出層神經(jīng)元，本案例中使用影響污染物濃度的相關(guān)因素(環(huán)境背景值、氣象參數(shù)、生產(chǎn)參數(shù))作為輸入層；以該模型的預(yù)測(cè)對(duì)象，即顆粒物濃度作為輸出層。

輸入層神經(jīng)元：

(1) 背景值：一般在污染物預(yù)測(cè)時(shí)，某點(diǎn)污染物濃度 = 環(huán)境本底值 + 污染源疊加值。本案例使用該鋼鐵企業(yè)所在城市環(huán)境監(jiān)測(cè)中心發(fā)布的全市平均顆粒物濃度(PM10、PM2.5，日均值)作為環(huán)境背景值。

(2) 氣象參數(shù)：氣象因素是大氣污染物擴(kuò)散的主要影響因子。燒結(jié)廠東北部在線監(jiān)測(cè)站(圖1圓點(diǎn)處)測(cè)得的氣象參數(shù)能較好的代表燒結(jié)廠周邊范圍內(nèi)的氣象情況。該監(jiān)測(cè)站監(jiān)測(cè)的氣象指標(biāo)有風(fēng)速、風(fēng)向、濕度、溫度，均與大氣污染物的擴(kuò)散相關(guān)，因此本案例中選取該監(jiān)測(cè)站的上述5項(xiàng)氣象指標(biāo)的日均值作為BP神經(jīng)網(wǎng)絡(luò)輸入層的氣象參數(shù)神經(jīng)元。

(3) 生產(chǎn)參數(shù)：該鋼鐵企業(yè)共有4臺(tái)燒結(jié)機(jī)，其中3#燒結(jié)機(jī)處于升級(jí)改造狀態(tài)，未投入生產(chǎn)。燒結(jié)廠顆粒物的排放強(qiáng)度(包括有組織、無(wú)組織排放)與燒結(jié)機(jī)當(dāng)日產(chǎn)量有較強(qiáng)的非線性關(guān)系，而每臺(tái)燒結(jié)機(jī)的工作狀況和環(huán)保設(shè)施均有不同，因此本案例分別將該廠1#、2#、4#的日產(chǎn)量數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)輸入層的生產(chǎn)參數(shù)神經(jīng)元。

輸出層神經(jīng)元：

顆粒物濃度：以燒結(jié)廠東北部環(huán)境在線監(jiān)測(cè)站(圖1圓點(diǎn)處)的顆粒物濃度(PM10、PM2.5)日均值作為BP神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元。該監(jiān)測(cè)站采用的顆粒物在線監(jiān)測(cè)裝置可實(shí)現(xiàn)不間斷采樣，采樣時(shí)間為24h。

綜上，本案例BP神經(jīng)網(wǎng)絡(luò)的所有輸入層、輸出層神經(jīng)元如表2、表3所示，共10個(gè)輸入層神經(jīng)元、2個(gè)輸出層神經(jīng)元。

3.3.2 模型訓(xùn)練

本文選用2015年8月的日均數(shù)據(jù)作為訓(xùn)練樣本，共31組數(shù)據(jù)。訓(xùn)練時(shí)將樣本隨機(jī)分為3組，分別進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試：

表2 預(yù)測(cè)模型輸入層神經(jīng)元變量Tab.2 Input layer neurons of prediction model

表3 輸出層神經(jīng)元變量Tab.3 Output layer neurons

(1)訓(xùn)練組：70%樣本，共21組數(shù)據(jù)，用于訓(xùn)練網(wǎng)絡(luò)；

(2)驗(yàn)證組：15%樣本，共5組數(shù)據(jù)，用于監(jiān)測(cè)網(wǎng)絡(luò)的泛化能力；

(3)測(cè)試組：15%樣本，共5組數(shù)據(jù)，用于獨(dú)立測(cè)試所訓(xùn)練網(wǎng)絡(luò)的性能，對(duì)訓(xùn)練過程無(wú)影響。

由于供BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本較小，為提高擬合精度，使用貝葉斯正則化訓(xùn)練法則(Bayesian Regularization)進(jìn)行訓(xùn)練。不同于常用的Levenberg-Marquardt法則，貝葉斯正則化法則需要更長(zhǎng)的計(jì)算時(shí)間，但在訓(xùn)練樣本較小或者噪音較多時(shí)，有較好的擬合效果。當(dāng)自適應(yīng)權(quán)重(adaptive weight)最小時(shí)，訓(xùn)練結(jié)束[17]。

對(duì)于單隱層BP網(wǎng)絡(luò)，隱層的神經(jīng)元數(shù)目很大程度上影響著網(wǎng)絡(luò)的預(yù)測(cè)性能。本文根據(jù)一些經(jīng)驗(yàn)公式確定隱層神經(jīng)元個(gè)數(shù)的選擇范圍[18]，并通過大量的BP神經(jīng)網(wǎng)絡(luò)模型試運(yùn)行，最終確定隱層神經(jīng)元數(shù)目為4。

本文使用MATLAB R2017a中的神經(jīng)網(wǎng)絡(luò)工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型。

3.4 訓(xùn)練結(jié)果分析

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖3所示，開始訓(xùn)練后網(wǎng)絡(luò)誤差快速下降。經(jīng)過40次左右的迭代訓(xùn)練后網(wǎng)絡(luò)訓(xùn)練效果趨于穩(wěn)定，最終在第205次迭代后，網(wǎng)絡(luò)訓(xùn)練提前停止，收斂速度較快。MSE和R為常用的檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)效果的指標(biāo)：MSE是均方誤差，MSE越小預(yù)測(cè)結(jié)果越準(zhǔn)確；R為相關(guān)系數(shù)，越接近于1表示相關(guān)性越高，預(yù)測(cè)值越接近于實(shí)測(cè)值。如表4和圖4所示，該網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集的R值分別為0.996 4和0.995 79，均超過0.99，且MSE較小，說明模型預(yù)測(cè)值與實(shí)測(cè)值相關(guān)性很高，本BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度較高。但測(cè)試集的“輸出～結(jié)果函數(shù)”斜率略有偏差，為1.2，這可能是因?yàn)闇y(cè)試集樣本較少(5組樣本)且個(gè)別預(yù)測(cè)結(jié)果與實(shí)測(cè)值仍有較大誤差。

圖3 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.3 Training results of the BP network

表4 預(yù)測(cè)效果分析Tab.4 Predictive effect analysis

圖4 BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與監(jiān)測(cè)值相關(guān)性Fig.4 Correlation between predicted value and monitored value in BP network

圖5 BP網(wǎng)絡(luò)誤差分布Fig.5 Error distribution of the BP network

圖5為該BP網(wǎng)絡(luò)的誤差分布圖，其中藍(lán)色為訓(xùn)練集誤差，紅色為測(cè)試集誤差?？梢钥吹接?xùn)練集和測(cè)試集的誤差分布在0兩側(cè)，大部分的誤差在± 5 μg/m3以內(nèi)，僅有5個(gè)訓(xùn)練集樣本和1個(gè)測(cè)試集樣本超過此范圍，預(yù)測(cè)精度較高。誤差最大值位于測(cè)試集，為2015年8月3日的PM10濃度，比實(shí)測(cè)值低17.171 0 μg/m3。當(dāng)天該點(diǎn)PM10實(shí)測(cè)值較高，為138.4 μg/m3，相對(duì)誤差為12.4%，誤差仍在可接受范圍內(nèi)。

4 結(jié) 論

城市鋼廠的環(huán)境風(fēng)險(xiǎn)內(nèi)涵已經(jīng)從傳統(tǒng)的事故型風(fēng)險(xiǎn)擴(kuò)展到了來(lái)自鋼廠內(nèi)外部環(huán)保壓力構(gòu)成的新型環(huán)境風(fēng)險(xiǎn)。大氣顆粒物是鋼鐵生產(chǎn)中排放的重要污染物，具有排放源數(shù)量大、點(diǎn)源面源共存、無(wú)組織排放量占比高等特點(diǎn)。此外顆粒物的排放還會(huì)影響鋼廠的公眾滿意度，進(jìn)一步增加鋼廠的環(huán)境風(fēng)險(xiǎn)。本文以南方某鋼鐵集團(tuán)的燒結(jié)廠區(qū)域?yàn)槔剿魇褂肂P人工神經(jīng)網(wǎng)絡(luò)模型對(duì)鋼廠的大氣顆粒物風(fēng)險(xiǎn)預(yù)警。案例使用2015年8月的產(chǎn)量、監(jiān)測(cè)數(shù)據(jù)和氣象數(shù)據(jù)等，選用合適的BP網(wǎng)絡(luò)訓(xùn)練法則、隱層神經(jīng)元數(shù)目等，進(jìn)行訓(xùn)練。結(jié)果顯示，BP網(wǎng)絡(luò)模型的訓(xùn)練效果較好，預(yù)測(cè)精度較高，說明BP神經(jīng)網(wǎng)絡(luò)適用于鋼廠的大氣顆粒物風(fēng)險(xiǎn)預(yù)警，可進(jìn)一步深入研究。

參考文獻(xiàn)：

[1] 黃 文. 《鋼鐵工業(yè)“十二五”發(fā)展規(guī)劃》中期評(píng)估[J]. 冶金管理, 2013,(12): 4-11.

[2] 趙春麗，杜 娟，劉甜田. 鋼鐵企業(yè)環(huán)境風(fēng)險(xiǎn)重大危險(xiǎn)源辨識(shí)[J]. 環(huán)境科學(xué)與管理, 2012,(4): 10-15.

[3] 張壽榮. 鋼鐵工業(yè)的發(fā)展趨勢(shì)與我國(guó)鋼鐵工業(yè)21世紀(jì)應(yīng)對(duì)挑戰(zhàn)的策略[J]. 宏觀經(jīng)濟(jì)研究, 2007,(2): 10-15.

[4] 郭 茹，田英漢，王景云，等. 鋼鐵企業(yè)環(huán)境風(fēng)險(xiǎn)評(píng)估方法研究[C].2014年中國(guó)環(huán)境科學(xué)學(xué)會(huì)學(xué)術(shù)年會(huì)，成都: 2014.

[5] 國(guó)家環(huán)境保護(hù)部. 全國(guó)環(huán)境統(tǒng)計(jì)公報(bào)(2015年)[Z].2017.

[6] 汪旭穎，燕 麗，雷 宇. 淺談我國(guó)鋼鐵行業(yè)的顆粒物排放及控制[J]. 環(huán)境與可持續(xù)發(fā)展, 2014,(5): 21-25.

[7] 汪旭穎，燕 麗，雷 宇，等. 我國(guó)鋼鐵工業(yè)一次顆粒物排放量估算[J]. 環(huán)境科學(xué)學(xué)報(bào), 2016,(8): 3033-3039.

[8] Nagendra S, Khare M, Gulia S, et al. Application of ADMS and AERMOD models to study the dispersion of vehicular pollutants in urban areas of India and the United Kingdom[J]. Wit Transactions on Ecology & the Environment, 2012, 157: 3-12.

[9] Mehdizadeh F, Rifai H S. Modeling point source plumes at high altitudes using a modified Gaussian model[J]. Atmospheric Environment, 2004, 38(6): 821-831.

[10] 鄭博福，游 海，弓曉峰，等. 大氣污染預(yù)測(cè)方法探討[J]. 南昌大學(xué)學(xué)報(bào)(工科版), 2000, 22(1): 78-83.

[11] 劉 永，郭懷成. 城市大氣污染物濃度預(yù)測(cè)方法研究[J]. 安全與環(huán)境學(xué)報(bào), 2004,(4): 60-62.

[12] 李朝陽(yáng)，魏 毅. 基于MATLAB灰色GM(1,1)模型的大氣污染物濃度預(yù)測(cè)[J]. 環(huán)境科學(xué)與管理, 2012,(1): 48-53.

[13] 姚 寧，馬青蘭，張 晶，等. 基于AGNES算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和GIS系統(tǒng)的大氣污染物濃度預(yù)測(cè)[J]. 中國(guó)環(huán)境監(jiān)測(cè), 2015,(3): 113-117.

[14] 歐陽(yáng)鈞，王愛枝. 基于Matlab的BP神經(jīng)網(wǎng)絡(luò)在大氣污染物濃度預(yù)測(cè)中的應(yīng)用[J]. 環(huán)境科學(xué)與管理, 2009,(11): 176-180.

[15] 陳增鋒，幸福堂，李萌萌. 關(guān)于鋼鐵廠大氣污染源管理信息系統(tǒng)的開發(fā)研究[J]. 廣州化工, 2010, 38(6): 290-291.

[16] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators[J]. Neural Networks, 1989, 2(5): 359-366.

[17] 劉學(xué)偉，賀昌政. 基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的上市公司信用評(píng)價(jià)研究[J]. 軟科學(xué), 2005,(5): 12-15.

[18] 嚴(yán) 鴻，管燕萍. BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)的確定方法及實(shí)例[J]. 控制工程, 2009(S2): 100-102.