《Atmospheric Environment: X》:In-situ detection of illegal waste burning based on flue gas parameters
编辑推荐:
家庭垃圾燃烧过程中释放出大量含有害成分的气溶胶(aerosols)。该活动在局部尺度上严重损害空气质量,有时在污染源附近令人难以忍受,常引发公众投诉。现有检测垃圾焚烧的方法基于对残留灰烬中金属含量的分析,且往往在焚烧活动发生后较长时间才能进行。在本研究中,研究
家庭垃圾燃烧过程中释放出大量含有害成分的气溶胶(aerosols)。该活动在局部尺度上严重损害空气质量,有时在污染源附近令人难以忍受,常引发公众投诉。现有检测垃圾焚烧的方法基于对残留灰烬中金属含量的分析,且往往在焚烧活动发生后较长时间才能进行。在本研究中,研究人员介绍了一种基于源头烟气(flue gas)实时检测垃圾焚烧方法的开发与原理,旨在作为概念验证(proof of concept)。在实验室实验中,不同种类的垃圾与木柴(firewood)在炉灶中共同燃烧,并在木柴燃烧过程的不同阶段添加垃圾剂量,以模拟真实世界燃烧场景下存在的可变燃烧条件。实验期间测量了众多烟气参数,并从中筛选出最具代表性的参数,以实现现场垃圾焚烧的识别。在由不同选定参数定义的三维空间中,研究人员确定了垃圾焚烧的特征区域。还优化、训练并测试了使用九个参数的随机森林(random forest)模型,以识别不同燃料类型的燃烧。塑料及含塑料垃圾(PET、PE、PUR、PP、OILYRAG、PVC和PS)、其混合物以及鞋子与木柴的共同燃烧被高精度(83–99%)识别为垃圾焚烧。复合木面板(家具板和定向刨花板)的火焰燃烧阶段以及涂漆木材燃烧的火焰阶段也被正确识别为与垃圾相关的燃烧,精度范围相同(97–98%)。含天然材料垃圾的燃烧识别精度为:碎布(rags)75%,利乐包(Tetra Pak)57%。木柴燃烧被可靠识别,精度为83–84%。总体而言,结果表明,在所研究的燃烧条件下,模型能够基于烟气参数可靠地区分授权燃料和含垃圾燃料。所开发的方法为未来开发一种经济高效的实时检测方法提供了基础,用于识别家庭垃圾焚烧,特别是在传统示踪剂无法应用且需要快速判定的情况下。
**论文解读文章**
**研究背景与问题**
全球范围内,家庭垃圾产生量持续增长,受人口增长、城市化和消费增加驱动。尽管现代垃圾焚烧厂配备过滤装置,排放显著低于不受控燃烧,但在许多垃圾管理系统不完善的地区,基础设施不足、疏忽和公众意识缺乏导致不受控的家庭垃圾焚烧(包括露天焚烧和在家用取暖设备中燃烧固体废物)频发,释放大量有害气溶胶(aerosols)和持久性有机污染物(如多氯二苯并对二噁英PCDDs和多氯二苯并呋喃PCDFs)。现有检测方法主要依赖对残留灰烬中金属或特定有机示踪剂的分析,耗时、昂贵且需要专业知识,难以实现在现场快速识别非法垃圾焚烧。因此,识别特定排放指标并开发适用于现场检测非法垃圾燃烧的方法成为关键科学目标。本研究旨在验证是否可以通过选定的烟气参数(flue gas parameters),利用简单的三维几何分类和随机森林(random forest)机器学习方法,在不依赖燃烧后灰烬分析、实验室化学示踪剂或遥感方法的情况下,识别非法垃圾焚烧。
**研究内容与结论**
研究人员在实验室中将多种家庭垃圾与木柴在商用炉灶中共同燃烧,并系统改变燃烧条件(如空气供给、垃圾添加时机),模拟真实世界的可变燃烧场景。测量了广泛的烟气参数,筛选出最具代表性的参数,通过三维参数空间中的几何平面分类和随机森林模型进行识别。结果表明,塑料及含塑料垃圾(如PET、PE、PP、PS等)与木柴共同燃烧可被高精度(83–99%)识别为垃圾焚烧;复合木面板(家具板和定向刨花板)的火焰燃烧阶段以及涂漆木材的火焰燃烧阶段也被正确识别(97–98%);含天然材料垃圾(如碎布、利乐包)识别精度较低(75%和57%);木柴燃烧被可靠识别(83–84%)。该研究证明,在实验条件下,基于烟气参数可有效区分授权燃料和含垃圾燃料,为未来开发低成本、实时现场检测系统提供了概念验证基础。论文发表在《Atmospheric Environment: X》。
**主要关键技术方法**
(不超过250字)
本研究主要采用以下关键技术方法:1)实验室燃烧实验:在额定功率约5 kW的家用铸铁炉灶中,将不同垃圾与木柴共同燃烧,改变空气供给和垃圾添加时机,模拟真实燃烧条件;2)烟气参数测量:使用便携式排放分析仪(Testo 350)连续测量O
2、CO
2、CO、NO、NO
2、SO
2;通过稀释系统结合PM
10旋风分离器,利用连续光吸收光度计(CLAP)测量光吸收系数,积分浊度计测量散射系数,计算黑碳(BC)浓度、单次散射反照率(SSA)、吸收?ngstr?m指数(AAE)等;激光气溶胶光谱仪测量PM
10和PM
1质量浓度,发动机排气颗粒物粒径谱仪(EEPS)测量6–523 nm粒径范围的数量浓度和粒径分布;3)三维几何分类:在选定参数(如N-GeoMean、BC/CO
2、PM
10/CO
2等)构成的三维空间中,通过计算两个数据集的中位数点连线,并定义垂直于该连线且位于中点(或可调偏移位置)的分类平面,根据数据点位于平面哪一侧进行识别;4)随机森林模型优化:使用九个输入参数(N-GeoMean、BC/CO
2、PM
10/CO
2、BC/PM
10、SO
2/CO
2、NO
x/CO
2、SSA、AAE、MCE),通过调整树的数量、最小叶大小和特征数进行优化,并采用10秒滑动窗口多数滤波提升分类时间一致性。样本来源为实验室燃烧实验,无特定队列来源。
**研究结果**
**3.1. 用于检测垃圾焚烧的参数选择**
通过计算类似色谱分辨率(R)的参数排序指标,研究人员发现数量浓度几何均值(N-GeoMean)和NO
x/CO
2比值对某些垃圾类型燃烧具有较高区分能力;PM
10/CO
2和BC/CO
2比值可有效区分垃圾燃烧与木柴燃烧的火焰阶段;但木柴燃烧的起始阶段与垃圾燃烧在部分参数上难以区分,需借助其他参数(如SSA、AAE、MCE)进行识别。
**3.2. 基于SO
2/CO
2比值的煤炭燃烧识别精度**
煤炭燃烧可通过SO
2/CO
2比值区分,设定阈值4.8 ppm/%时,85%的煤炭数据点超过该阈值,而非煤炭样本中仅0.9%超过,误报率低。阈值在±20%范围内变化时,煤炭召回率稳定在83.8%–86.3%,误报率低于1.1%。
**3.3. 木柴燃烧起始阶段的识别**
利用SSA、AAE和MCE构成三维参数空间,定义分类平面,将木柴燃烧起始阶段与其他燃烧阶段区分。平均识别精度约为90%,误报率约10%。使用BC/PM
10代替AAE可获得相似结果,平均精度从84.7%略降至83.6%。
**3.4. 家具板、OSB、PUR燃烧的识别**
以NO
x/CO
2为主要参数,结合PM
10/CO
2和BC/CO
2构建三维分类平面。家具板和OSB火焰燃烧阶段识别精度较高(77–94%),但起始阶段较低(63–77%);PUR识别精度仅29%,可能因其与木柴共同燃烧时NO
x/CO
2比值较低。
**3.5. 基于三维平面法的垃圾焚烧识别**
使用N-GeoMean、PM
10/CO
2和BC/CO
2构建分类平面,通过调整平面位置(α=0.85)使木柴火焰阶段识别精度超过90%。塑料及含塑料垃圾(如PE、PP、PS)识别精度为74–86%,而木质垃圾、纺织品和利乐包识别精度较低。
**3.6. 基于随机森林分类模型的垃圾焚烧识别**
随机森林模型使用九个参数,将燃料分为煤炭、木柴火焰、暖启动、冷启动、复合木面板(CWP)和垃圾六类。煤炭和木柴燃烧被识别为授权燃料的比例为83–98%;家具板和OSB火焰燃烧及起始阶段识别精度超过90%;塑料及含塑料垃圾(PET、PE、PP、PS等)与木柴共同燃烧被识别为垃圾燃烧的精度为83–99%;利乐包识别精度约60%,碎布约75%。涂漆木材(TRWOOD)火焰燃烧阶段被模型识别为垃圾燃烧的精度高达86%,冷启动后火焰阶段(coldWST-flaming)识别精度为55%。
**讨论与结论**
**讨论部分总结**:
研究人员指出,木柴燃烧起始阶段与垃圾燃烧在部分参数上相似,需先区分起始阶段。通过三维平面法和随机森林模型,可有效识别多种垃圾燃烧,但含天然材料(如利乐包、碎布)的识别精度较低,因其燃烧特征与生物质相似。复合木面板(CWP)燃烧的NO
x排放来源于粘合剂(如脲醛树脂、PMDI树脂),而PUR燃烧时NO
x/CO
2比值较低,可能因氮含量低或与木柴共同燃烧稀释所致。随机森林模型对冷启动阶段(coldWST-start)识别精度低,因数据量少且燃烧特征接近木柴起始和垃圾燃烧。模型对未训练过的材料(如涂漆木材)表现出一定泛化能力。通过调整分类阈值(WOOD保护约束),可在垃圾检出率和木柴误报率之间取得平衡。
**研究结论部分翻译**:
在本研究中,研究人员探讨了是否可以利用不同的烟气参数来区分家用炉灶中含垃圾的燃烧与授权燃料的燃烧。实验覆盖了广泛的操作条件,包括空气供给变化和垃圾添加时机,以反映真实世界家庭燃烧实践的异质性。通过几何分离技术获得的识别精度进一步通过应用的随机森林模型得到提高,表明多种垃圾材料的特征烟气模式可与授权燃料的模式区分开来。本研究证明,家庭垃圾燃烧可直接从燃烧过程中记录的烟气测量结果中识别出来。本工作的新颖之处不在于引入根本性的新观测指标,而在于将已有的烟气指标和分类方法结合到一个统一框架中,用于原位垃圾焚烧检测。因此,该工作应被视为概念验证。其目标并非开发一个可操作的现场工具,而是识别那些在未来应用中具有最大潜力的烟气指标和建模方法。几何和机器学习方法表明,一旦得到现场验证支持,该方法可进一步发展为实用的现场检测系统。这样的系统最终可能帮助地方当局更有效地识别垃圾焚烧事件,特别是在无法进行化学示踪剂实验室分析的情况下。这种实时识别工具还可以支持旨在最大程度减少有毒燃烧副产物(包括多环芳烃PAHs和多氯二苯并对二噁英/多氯二苯并呋喃PCDD/PCDFs)形成的执法策略,这些副产物的排放受燃料组成和燃烧条件强烈影响。