《Powder Technology》：3D mapping of particulate matter in the occupational environment via low-cost sensor network and machine learning
编辑推荐：
本研究论证了一种机器学习增强的3Δ模型（ML-enhanced 3Δ model）在职业环境中实现颗粒物浓度场三维重建的可行性与稳健性。通过将十个经过校准的低成本SPS30传感器（Sensirion AG）构成的网络与XGBoost回归算法及混合三角剖分/逆距
本研究论证了一种机器学习增强的3Δ模型（ML-enhanced 3Δ model）在职业环境中实现颗粒物浓度场三维重建的可行性与稳健性。通过将十个经过校准的低成本SPS30传感器（Sensirion AG）构成的网络与XGBoost回归算法及混合三角剖分/逆距离加权（IDW）插值方案相耦合，该方法克服了传统3Δ模型的关键局限，即其在瞬态或各向异性条件下的不稳定性以及产生物理上不一致数值的倾向。研究采用了涵盖四个递进复杂度层级的系统性验证策略：理论模拟、受控实验室气溶胶生成实验、石材切割试验台试点实验以及真实工业场景测试。性能指标（决定系数R2与平均绝对百分比误差MAPE）在脉冲排放动力学或操作人员移动所产生的复杂气流等挑战性条件下均表现良好。工业试验进一步展示了该模型重建非对称羽流传播模式及定位高暴露区域的能力，但在非受控条件下，这些重建结果应被视为主要扩散模式的定性描述，而非逐点的定量验证。研究同时识别了仪器（传感器响应时间约5秒、量程上限3000 particles/cm3）、方法（纯几何插值未包含气流与障碍物表征）及计量（采用数浓度而非质量浓度，无法直接对比职业暴露限值）层面的若干局限。未来工作方向包括：采用扩展量程的传感器（如Alphasense OPC-N3）、将输出转换为质量浓度（mg/m3）以对标监管限值、探索更致密的实验设计（如Box–Behnken或Doehlert设计）、整合通风与操作人员轨迹等上下文参数，并将方法验证拓展至木材加工、冶金、食品加工及陶瓷等其他粉末处理行业。
研究背景与问题：在天然石材加工、建筑、冶金和化工等复杂工业环境中，有效风险管理需要对空气中颗粒物扩散的深入理解。传统的点测量方法虽然能提供局部粉尘浓度的有用信息，却无法捕捉作业空间内颗粒物的时空动态，而这些动态对于理解颗粒传输机制、识别高暴露区域以及设计适当的预防和减缓策略至关重要。传统重量分析法虽精度高且受法规认可，但通常只能提供时间平均浓度，无法捕捉瞬态羽流动力学或颗粒物浓度的快速波动，也不允许验证短期暴露限值的超标情况。高精度实时监测仪器虽具有更好的时间分辨率，但往往昂贵、笨重且局限于单点测量，难以代表工业环境中的空间变异性。在此背景下，低成本光学传感器为部署能够捕捉空间浓度梯度的密集监测网络提供了新机遇。然而，传统3Δ模型（最初为气体扩散设计）直接应用于固体颗粒物面临挑战，因为颗粒物具有惯性、重力沉降以及与机械和操作人员等障碍物表面相互作用的复杂物理行为，产生高度非均质且瞬态的扩散模式，传统插值方法难以重现。
研究内容与结论：针对上述局限，研究人员提出了一种混合方法，结合实验测量与机器学习建模，用于在职业环境中重建三维颗粒物浓度场。该方法依赖于按3Δ实验设计布置的十个经校准的SPS30传感器网络，与基于XGBoost算法的回归模型耦合，并通过结合三角剖分和逆距离加权（IDW）的混合空间插值方法生成连续的三维浓度图。研究通过递进的实验策略验证了该方法，包括理论模拟、受控实验室气溶胶生成、石材切割台试点实验以及真实工业条件测试。结果表明，机器学习增强的3Δ模型在不同复杂度水平下均具有稳健的预测能力，克服了传统3Δ模型在瞬态或各向异性条件下的不稳定性，有效消除了数值伪影，并能动态描述粉尘云扩散、识别高暴露区域。研究证明了该方法可转移至天然石材行业之外的粉末处理行业。
关键技术方法：研究采用了十个经材料特异性校准的SPS30低成本光学颗粒物传感器，使用GRIMM 1.109参考光谱仪并针对石灰石和花岗岩粉尘（来自天然石材行业）进行校准。核心算法采用XGBoost回归模型，其输入特征包括归一化空间坐标、传感器同步测量的浓度值及其一阶时间差分。模型使用留一传感器交叉验证进行超参数调优（借助Optuna框架），并在独立移动传感器（A/B、A′/B′或C/D点，位置因配置而异）上评估性能。最终，通过Delaunay三角剖分与IDW的混合方案在归一化体积[?1,1]3内生成连续三维浓度图。
研究结果：实验验证分为四个阶段。理论验证：通过各向同性径向扩散模拟场景，证明了传统3Δ模型存在“柱状畸变”和负浓度等固有缺陷，而机器学习增强模型在不同切面上显示出正确的径向对称性，并确保场严格非负。实验室连续粉尘生成（Setup 1）：使用PALAS AGK 2000发生器产生KCl气溶胶，在低于3000 particles/cm3的范围内，机器学习增强模型的MAPE平均值低于20%，R2介于0.91至0.98之间，而传统模型R2仅在0.5至0.7之间甚至出现负值，表明机器学习增强模型具有更强的空间预测能力。实验室脉冲粉尘生成（Setup 2）：使用工业花岗岩和硬石灰石粉尘进行5秒脉冲生成测试，机器学习增强模型再现了脉冲动力学和云团上升、扩展、消散过程，R2平均值达到0.90±0.06。研究人员指出，SPS30传感器约4.5至5.0秒的响应时间会低通滤波信号，模型忠实再现的是传感器网络实际输出的信号而非瞬时物理动力学。石材切割台试点（Setup 3）：在1 m3体积内模拟机械切割过程，有/无通风条件下平均MAPE均低于20%、R2高于0.75。通风通过降低峰值浓度使更多测量值处于传感器可靠范围内，从而改善模型与测量的一致性。3D地图显示粉尘云迅速向源后方、上方及侧向扩散，细颗粒（dp<2.5 μm）在切割停止后仍在空气中长时间滞留。工业规模应用：在真实石材加工厂，操作员使用角磨机对心形花岗岩墓碑件进行手动精加工，模型成功重建了由操作员动作产生的非对称粉尘云扩散，显示了向操作员左侧和后方的优先传播轨迹及高暴露区域。同时研究明确指出，操作员的身体会动态遮挡传感器网络的凸包，而纯几何插值无法表征此类气动间断，因此工业结果应视为主要扩散模式的定性描述。
讨论与结论：研究讨论部分指出，传感器在高浓度下可靠性下降、有限响应时间低通滤波信号、实验室校准条件与工业现场环境差异、材料特异性校正系数的不可迁移性，以及采用数浓度而非质量浓度导致的法规可比性缺失是该方法的已知局限。研究最终得出结论，机器学习增强的3Δ模型为职业暴露评估提供了有前景的工具，能够在工作台尺度动态表征粉尘扩散，理解粉尘云与环境间的相互作用，并为粉末处理行业设计针对性集体防护策略提供支持。
