基于深度學習的施工現(xiàn)場揚塵污染預測方法研究

譚廣湘

（廣東水電二局股份有限公司，廣東 廣州 511300）

0 引言

綠色工程施工前要對現(xiàn)場揚塵污染預測，確定施工方案，制定施工現(xiàn)場揚塵污染防治方案。但現(xiàn)場揚塵排放因素比較多，有一定預測難度，現(xiàn)行傳統(tǒng)方法無法達到預期的預測效果，預測結果均方根誤差比較大，已經(jīng)無法滿足實際需求，為此提出基于深度學習的施工現(xiàn)場揚塵污染預測方法。

1 確定施工現(xiàn)場揚塵排放因子

排放因子確定是否合理和準確將直接關系到污染預測精度，將所有可以用來定量估算施工現(xiàn)場揚塵污染排放量平均水平的代表性值定義為排放因子，即單位面積、單位體積或者單位時間內施工現(xiàn)場揚塵污染物排放量。根據(jù)建筑工程施工特點，將施工現(xiàn)場揚塵排放操作單元劃分為施工機械、施工材料和垃圾裝卸以及車輛通行三個單元，在施工機械單元內由于使用機械設備對建筑拆除會產(chǎn)生大量的揚塵污染物，假設建筑機械拆除施工時平均風速為，則施工現(xiàn)場建筑拆除時的固體顆粒物排放因子計算公式為：

式中：G表示施工現(xiàn)場建筑拆除時的揚塵排放因子；w表示固體顆粒物路徑系數(shù)，通常情況下該系數(shù)取值0～1.50；W表示建筑廢渣的含水量，默認值為1.15%。在施工材料和垃圾裝卸單元內由于土料裝卸也會產(chǎn)生大量的揚塵，假設施工現(xiàn)場土方密度為y，則施工現(xiàn)場土料裝卸時的固體顆粒物排放因子計算公式為：

式中：D表示施工現(xiàn)場土料裝卸時的固體顆粒物排放因子；q表示土料裝卸時的高度系數(shù)；Y表示施工現(xiàn)場土料的含水量。在車輛通行單元內由于施工現(xiàn)場車輛交通也會產(chǎn)生大量的揚塵，假設施工現(xiàn)場路面粉土含水量為U，則施工現(xiàn)場車輛交通時的固體顆粒物排放因子計算公式為：

式中：R表示施工現(xiàn)場車輛交通時的固體顆粒物排放因子；a表示經(jīng)驗常數(shù)，通常情況下該常數(shù)取值0.10-0.90；E表示施工現(xiàn)場運輸車輛重量。除此之外，在施工過程中受到風力侵蝕影響也會產(chǎn)生揚塵，假設施工現(xiàn)場風速為v，根據(jù)美國環(huán)保局的經(jīng)驗性統(tǒng)計結果，施工現(xiàn)場風蝕揚塵排放因子計算公式為：

式中：P表示施工現(xiàn)場風蝕揚塵排放因子；s表示施工現(xiàn)場砂石土物料的粉土含量；ε表示一年中降水量大于0.32 mm的天數(shù)。通過以上計算可以得到建筑工程各個單元的揚塵排放因子，為后續(xù)揚塵污染程度預測奠定基礎。

2 數(shù)據(jù)標準化及歸一化

考慮到以上得到的揚塵排放因子單位不同，且量綱也不一致，為了保證后續(xù)揚塵污染預測精度，對施工現(xiàn)場揚塵排放因子數(shù)據(jù)進行歸一化和標準化處理，已知施工時間序列排放因子數(shù)據(jù)樣本里的最大值和最小值，采用最小-最大歸一化方法對其進行處理：

式中：x（G，D，R，P）表示歸一化處理后的揚塵排放因子數(shù)據(jù)；x表示原始排放因子數(shù)據(jù)；xmin表示施工時間序列排放因子數(shù)據(jù)樣本里的最小值；xmax表示施工時間序列排放因子數(shù)據(jù)樣本里的最大值。再利用Z-score 標準化方法對數(shù)據(jù)進行標準化處理，其用公式表示為：

式中：y表示標準化處理后的揚塵排放因子；c表示揚塵排放因子標準差。通過對數(shù)據(jù)標準化和歸一化處理后，將排放因子統(tǒng)一在區(qū)間范圍0～1內。

3 基于深度學習的揚塵污染程度預測

在上述基礎上，利用深度學習技術對施工現(xiàn)場揚塵排放因子綜合分析，預測出揚塵污染量。根據(jù)實際情況建立深度學習網(wǎng)絡模型，由輸入層、隱藏層和輸出層三個功能層組成，每個層由多個神經(jīng)元組成。假設每個功能層神經(jīng)元大小為4×4，神經(jīng)元節(jié)點數(shù)量為8，將處理的揚塵排放因子輸入到深度學習網(wǎng)絡模型，在輸入層內將每個揚塵排放因子映射到神經(jīng)元節(jié)點上，再將揚塵排放因子發(fā)送到隱藏層，利用激活函數(shù)對數(shù)據(jù)訓練，計算出施工現(xiàn)場揚塵排放量，其公式為：

式中：τ（t+1）為在下一時刻或者下一階段施工現(xiàn)場揚塵排放量；η為學習率；o為沖量系數(shù)；α為激活函數(shù)。將計算得到的揚塵排放量發(fā)送到輸出層，在輸出層內根據(jù)空氣揚塵污染分級標準確定等級，如表1所示。

表1 施工現(xiàn)場揚塵污染分級標準表

輸出層依據(jù)上表生成施工現(xiàn)場揚塵污染報告，并對預測結果輸出，以此完成基于深度學習的施工現(xiàn)場揚塵污染預測。

4 實驗論證

4.1 實驗準備與設計

選擇某施工現(xiàn)場為實驗環(huán)境，該工程項目主要施工內容為一級支流水環(huán)境治理，河內2 處村污改造，鋪設截污管線53 940 m，泵管9 240 m，泵站15 座，處理設備23 座，清疏24.30萬m3，新建閘2 座。該工程施工范圍比較大，并且周圍居民比較多，為了實現(xiàn)綠色施工，利用設計方法對該工程施工現(xiàn)場揚塵污染進行預測，為了使實驗結果與實驗數(shù)據(jù)具有一定的說明性，選擇兩種傳統(tǒng)方法作為對比，設計一組對比實驗，兩組傳統(tǒng)方法分別為基于卷積神經(jīng)網(wǎng)絡的預測方法和基于數(shù)據(jù)挖掘的預測方法，以下分別用傳統(tǒng)方法1與傳統(tǒng)方法2表示。實驗收集了該工程施工數(shù)據(jù)共3 500 Byte，將2 000 Byte 數(shù)據(jù)作為深度學習網(wǎng)絡模型訓練樣本，將剩余1 500 Byte 數(shù)據(jù)作為實驗樣本，按照上述流程確定施工現(xiàn)場揚塵排放因子，對排放因子數(shù)據(jù)標準化和歸一化處理，并利用深度學習網(wǎng)絡模型對數(shù)據(jù)進行綜合分析，預測出揚塵排放量和污染程度。

4.2 實驗結果與討論

實驗以揚塵污染預測結果均方根誤差為三種方法預測精度評價指標，以時間為變量，將收集的施工數(shù)據(jù)集以月作為時間跨度，將該施工現(xiàn)場未來7 個月內每個月現(xiàn)場揚塵污染量與實際污染量進行對比，使用IFOF 軟件測算出三種方法均方根誤差，使用電子表格對實驗數(shù)據(jù)記錄，具體數(shù)據(jù)如表2所示。

表2 三種方法預測均方根誤差對比表

從表2 中數(shù)據(jù)可以看出，設計方法預測結果最大均方根誤差0.18，最小均方根誤差0.05，平均0.11，可以將預測均方根誤差控制在1 以內，說明設計方法預測結果基本與施工現(xiàn)場揚塵污染相符。而兩種傳統(tǒng)方法預測結果均方根誤差相對比較大，傳統(tǒng)方法1 均方根誤差10.25～14.16，傳統(tǒng)方法2 均方根誤差11.02～14.51，兩種方法平均誤差分別為13.14、14.25。在預測精度方面設計方法表現(xiàn)出明顯的優(yōu)勢，相比較兩種傳統(tǒng)方法更適用于施工現(xiàn)場揚塵污染預測。

5 結語

將深度學習技術應用到施工現(xiàn)場揚塵污染預測中，形成了一個全新的預測方法，有效提高了施工現(xiàn)場揚塵污染預測精度，實現(xiàn)了對傳統(tǒng)方法的優(yōu)化與創(chuàng)新，以及對現(xiàn)有預測理論的補充與完善。