基于深度學習的施工現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場揚塵污染預測，確定施工方案，制定施工現場揚塵污染防治方案。但現場揚塵排放因素比較多，有一定預測難度，現行傳統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，已經無法滿足實際需求，為此提出基于深度學習的施工現場揚塵污染預測方法。

1 確定施工現場揚塵排放因子

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場揚塵污染物排放量。根據建筑工程施工特點，將施工現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，通常情況下該系數取值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生大量的揚塵，假設施工現場土方密度為y，則施工現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；Y表示施工現場土料的含水量。在車輛通行單元內由于施工現場車輛交通也會產生大量的揚塵，假設施工現場路面粉土含水量為U，則施工現場車輛交通時的固體顆粒物排放因子計算公式為：

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

式中：P表示施工現場風蝕揚塵排放因子；s表示施工現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。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，為后續揚塵污染程度預測奠定基礎。

2 數據標準化及歸一化

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，為了保證后續揚塵污染預測精度，對施工現場揚塵排放因子數據進行歸一化和標準化處理，已知施工時間序列排放因子數據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據；x表示原始排放因子數據；xmin表示施工時間序列排放因子數據樣本里的最小值；xmax表示施工時間序列排放因子數據樣本里的最大值。再利用Z-score 標準化方法對數據進行標準化處理，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。通過對數據標準化和歸一化處理后，將排放因子統一在區間范圍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場揚塵排放因子綜合分析，預測出揚塵污染量。根據實際情況建立深度學習網絡模型，由輸入層、隱藏層和輸出層三個功能層組成，每個層由多個神經元組成。假設每個功能層神經元大小為4×4，神經元節點數量為8，將處理的揚塵排放因子輸入到深度學習網絡模型，在輸入層內將每個揚塵排放因子映射到神經元節點上，再將揚塵排放因子發送到隱藏層，利用激活函數對數據訓練，計算出施工現場揚塵排放量，其公式為：

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

表1 施工現場揚塵污染分級標準表

輸出層依據上表生成施工現場揚塵污染報告，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

選擇某施工現場為實驗環境，該工程項目主要施工內容為一級支流水環境治理，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，為了實現綠色施工，利用設計方法對該工程施工現場揚塵污染進行預測，為了使實驗結果與實驗數據具有一定的說明性，選擇兩種傳統方法作為對比，設計一組對比實驗，兩組傳統方法分別為基于卷積神經網絡的預測方法和基于數據挖掘的預測方法，以下分別用傳統方法1與傳統方法2表示。實驗收集了該工程施工數據共3 500 Byte，將2 000 Byte 數據作為深度學習網絡模型訓練樣本，將剩余1 500 Byte 數據作為實驗樣本，按照上述流程確定施工現場揚塵排放因子，對排放因子數據標準化和歸一化處理，并利用深度學習網絡模型對數據進行綜合分析，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，將收集的施工數據集以月作為時間跨度，將該施工現場未來7 個月內每個月現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據記錄，具體數據如表2所示。

表2 三種方法預測均方根誤差對比表

從表2 中數據可以看出，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場揚塵污染相符。而兩種傳統方法預測結果均方根誤差相對比較大，傳統方法1 均方根誤差10.25～14.16，傳統方法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出明顯的優勢，相比較兩種傳統方法更適用于施工現場揚塵污染預測。

5 結語

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