基于深度学习的施工现场扬尘污染预测方法研究

谭广湘

（广东水电二局股份有限公司，广东 广州 511300）

0 引言

绿色工程施工前要对现场扬尘污染预测，确定施工方案，制定施工现场扬尘污染防治方案。但现场扬尘排放因素比较多，有一定预测难度，现行传统方法无法达到预期的预测效果，预测结果均方根误差比较大，已经无法满足实际需求，为此提出基于深度学习的施工现场扬尘污染预测方法。

1 确定施工现场扬尘排放因子

排放因子确定是否合理和准确将直接关系到污染预测精度，将所有可以用来定量估算施工现场扬尘污染排放量平均水平的代表性值定义为排放因子，即单位面积、单位体积或者单位时间内施工现场扬尘污染物排放量。根据建筑工程施工特点，将施工现场扬尘排放操作单元划分为施工机械、施工材料和垃圾装卸以及车辆通行三个单元，在施工机械单元内由于使用机械设备对建筑拆除会产生大量的扬尘污染物，假设建筑机械拆除施工时平均风速为，则施工现场建筑拆除时的固体颗粒物排放因子计算公式为：

式中：G表示施工现场建筑拆除时的扬尘排放因子；w表示固体颗粒物路径系数，通常情况下该系数取值0～1.50；W表示建筑废渣的含水量，默认值为1.15%。在施工材料和垃圾装卸单元内由于土料装卸也会产生大量的扬尘，假设施工现场土方密度为y，则施工现场土料装卸时的固体颗粒物排放因子计算公式为：

式中：D表示施工现场土料装卸时的固体颗粒物排放因子；q表示土料装卸时的高度系数；Y表示施工现场土料的含水量。在车辆通行单元内由于施工现场车辆交通也会产生大量的扬尘，假设施工现场路面粉土含水量为U，则施工现场车辆交通时的固体颗粒物排放因子计算公式为：

式中：R表示施工现场车辆交通时的固体颗粒物排放因子；a表示经验常数，通常情况下该常数取值0.10-0.90；E表示施工现场运输车辆重量。除此之外，在施工过程中受到风力侵蚀影响也会产生扬尘，假设施工现场风速为v，根据美国环保局的经验性统计结果，施工现场风蚀扬尘排放因子计算公式为：

式中：P表示施工现场风蚀扬尘排放因子；s表示施工现场砂石土物料的粉土含量；ε表示一年中降水量大于0.32 mm的天数。通过以上计算可以得到建筑工程各个单元的扬尘排放因子，为后续扬尘污染程度预测奠定基础。

2 数据标准化及归一化

考虑到以上得到的扬尘排放因子单位不同，且量纲也不一致，为了保证后续扬尘污染预测精度，对施工现场扬尘排放因子数据进行归一化和标准化处理，已知施工时间序列排放因子数据样本里的最大值和最小值，采用最小-最大归一化方法对其进行处理：

式中：x（G，D，R，P）表示归一化处理后的扬尘排放因子数据；x表示原始排放因子数据；xmin表示施工时间序列排放因子数据样本里的最小值；xmax表示施工时间序列排放因子数据样本里的最大值。再利用Z-score 标准化方法对数据进行标准化处理，其用公式表示为：

式中：y表示标准化处理后的扬尘排放因子；c表示扬尘排放因子标准差。通过对数据标准化和归一化处理后，将排放因子统一在区间范围0～1内。

3 基于深度学习的扬尘污染程度预测

在上述基础上，利用深度学习技术对施工现场扬尘排放因子综合分析，预测出扬尘污染量。根据实际情况建立深度学习网络模型，由输入层、隐藏层和输出层三个功能层组成，每个层由多个神经元组成。假设每个功能层神经元大小为4×4，神经元节点数量为8，将处理的扬尘排放因子输入到深度学习网络模型，在输入层内将每个扬尘排放因子映射到神经元节点上，再将扬尘排放因子发送到隐藏层，利用激活函数对数据训练，计算出施工现场扬尘排放量，其公式为：

式中：τ（t+1）为在下一时刻或者下一阶段施工现场扬尘排放量；η为学习率；o为冲量系数；α为激活函数。将计算得到的扬尘排放量发送到输出层，在输出层内根据空气扬尘污染分级标准确定等级，如表1所示。

表1 施工现场扬尘污染分级标准表

输出层依据上表生成施工现场扬尘污染报告，并对预测结果输出，以此完成基于深度学习的施工现场扬尘污染预测。

4 实验论证

4.1 实验准备与设计

选择某施工现场为实验环境，该工程项目主要施工内容为一级支流水环境治理，河内2 处村污改造，铺设截污管线53 940 m，泵管9 240 m，泵站15 座，处理设备23 座，清疏24.30万m3，新建闸2 座。该工程施工范围比较大，并且周围居民比较多，为了实现绿色施工，利用设计方法对该工程施工现场扬尘污染进行预测，为了使实验结果与实验数据具有一定的说明性，选择两种传统方法作为对比，设计一组对比实验，两组传统方法分别为基于卷积神经网络的预测方法和基于数据挖掘的预测方法，以下分别用传统方法1与传统方法2表示。实验收集了该工程施工数据共3 500 Byte，将2 000 Byte 数据作为深度学习网络模型训练样本，将剩余1 500 Byte 数据作为实验样本，按照上述流程确定施工现场扬尘排放因子，对排放因子数据标准化和归一化处理，并利用深度学习网络模型对数据进行综合分析，预测出扬尘排放量和污染程度。

4.2 实验结果与讨论

实验以扬尘污染预测结果均方根误差为三种方法预测精度评价指标，以时间为变量，将收集的施工数据集以月作为时间跨度，将该施工现场未来7 个月内每个月现场扬尘污染量与实际污染量进行对比，使用IFOF 软件测算出三种方法均方根误差，使用电子表格对实验数据记录，具体数据如表2所示。

表2 三种方法预测均方根误差对比表

从表2 中数据可以看出，设计方法预测结果最大均方根误差0.18，最小均方根误差0.05，平均0.11，可以将预测均方根误差控制在1 以内，说明设计方法预测结果基本与施工现场扬尘污染相符。而两种传统方法预测结果均方根误差相对比较大，传统方法1 均方根误差10.25～14.16，传统方法2 均方根误差11.02～14.51，两种方法平均误差分别为13.14、14.25。在预测精度方面设计方法表现出明显的优势，相比较两种传统方法更适用于施工现场扬尘污染预测。

5 结语

将深度学习技术应用到施工现场扬尘污染预测中，形成了一个全新的预测方法，有效提高了施工现场扬尘污染预测精度，实现了对传统方法的优化与创新，以及对现有预测理论的补充与完善。