This document describes the implementation process of a source apportionment modeling chain for quantifying emissions coming from industrial sources. The scheme is outlined in EN UNI 15445 and documented in literature, which provides an atmospheric simulation with a dispersion model, followed by a multilinear regression to solve the reverse problem. A dispersion model (AERMOD) is a stationary plume model that calculates atmospheric dispersion from the structure of turbulence in the planetary boundary layer and scaling concepts, and involves both ground and elevated springs, as well as simple or complex orography). The model has been implemented and used to calculate the impact of each source on the receptor network, after initialization with soil characteristics and measured weather data. Here comes the procedure for automatic data acquisition and pre-processing required for the use of AERMOD. Finally, a multilinear regression model is used to estimate the emission values of diffused by the two steel mills, both on hourly and daily basis. The model's sensitivity to various input parameters, as well as possible interference with other near sources, has been also estimated. Finally, the critical points of the entire process are discussed, in both direct and the inverse side, suggesting possible strategies for overcoming them are presented.
Questo documento riporta la descrizione e il commento del processo di implementazione di una catena modellistica di source apportionment per la quantificazione delle emissioni diffuse da sorgenti industriali. Lo schema seguito è quello delineato dalla norma EN UNI 15445 e documentato in letteratura, che prevede una simulazione atmosferica con un modello di dispersione, seguita da una regressione multilineare per risolvere il problema inverso. Un modello di dispersione (AERMOD), è un modello stazionario a plume che calcola la dispersione atmosferica a partire dalla struttura della turbolenza nello strato limite planetario e concetti di scaling e tratta sorgenti sia al suolo che elevate, così come orografia semplice o complessa). Il modello è quindi stato implementato ed è utilizzato per calcolare l’impatto di ogni sorgente sulla rete di recettori, previa inizializzazione con caratteristiche del suolo e dati meteo misurati. Viene qui allora descritta la procedura di acquisizione automatica dei dati e pre-processamento necessario all’utilizzo di AERMOD. Infine, un modello di regressione multilineare è utilizzato per stimare i valori delle emissioni diffuse dalle due acciaierie, sia su base oraria che su base giornaliera. E’ stimata anche la sensibilità del modello a vari parametri in input, e la possibile interferenza con altre sorgenti prossime. Vengono infine discussi i punti critici dell’intero procedimento, sia sulla parte diretta che inversa, suggerendo possibili strategie per il loro superamento.
Implementazione di un modello inverso di source apportionment per la stima di emissioni industriali
Palucci, Antonio;Colao, Francesco;Di Frischia, Stefano;
2017-06-01
Abstract
This document describes the implementation process of a source apportionment modeling chain for quantifying emissions coming from industrial sources. The scheme is outlined in EN UNI 15445 and documented in literature, which provides an atmospheric simulation with a dispersion model, followed by a multilinear regression to solve the reverse problem. A dispersion model (AERMOD) is a stationary plume model that calculates atmospheric dispersion from the structure of turbulence in the planetary boundary layer and scaling concepts, and involves both ground and elevated springs, as well as simple or complex orography). The model has been implemented and used to calculate the impact of each source on the receptor network, after initialization with soil characteristics and measured weather data. Here comes the procedure for automatic data acquisition and pre-processing required for the use of AERMOD. Finally, a multilinear regression model is used to estimate the emission values of diffused by the two steel mills, both on hourly and daily basis. The model's sensitivity to various input parameters, as well as possible interference with other near sources, has been also estimated. Finally, the critical points of the entire process are discussed, in both direct and the inverse side, suggesting possible strategies for overcoming them are presented.File | Dimensione | Formato | |
---|---|---|---|
RT-2017-21-ENEA.pdf
accesso aperto
Licenza:
Creative commons
Dimensione
1.7 MB
Formato
Adobe PDF
|
1.7 MB | Adobe PDF | Visualizza/Apri |
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.