VOCs在线监测设备数据识别能力的评估方法及应用

张涛, 王新明, 周炎, 裴成磊, 陈多宏, 区宇波, 陈春贻. VOCs在线监测设备数据识别能力的评估方法及应用[J]. 环境工程学报, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
引用本文: 张涛, 王新明, 周炎, 裴成磊, 陈多宏, 区宇波, 陈春贻. VOCs在线监测设备数据识别能力的评估方法及应用[J]. 环境工程学报, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
ZHANG Tao, WANG Xinming, ZHOU Yan, PEI Chenglei, CHEN Duohong, OU Yubo, CHEN Chunyi. Evaluation method and application of data recognition capability of VOCs online monitoring equipment[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
Citation: ZHANG Tao, WANG Xinming, ZHOU Yan, PEI Chenglei, CHEN Duohong, OU Yubo, CHEN Chunyi. Evaluation method and application of data recognition capability of VOCs online monitoring equipment[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023

VOCs在线监测设备数据识别能力的评估方法及应用

    作者简介: 张涛(1984—),男,博士研究生。研究方向:大气化学与地气交换。E-mail:15920314996@139.com
    通讯作者: 王新明(1969—),男,博士,研究员。研究方向:区域大气环境有机质。E-mail:wangxm@gig.ac.cn
  • 基金项目:
    国家重点研发计划项目(2018YFC0213903);国家自然科学基金资助项目(91743109);广州珠江科技新星专项(201506010079)
  • 中图分类号: X85

Evaluation method and application of data recognition capability of VOCs online monitoring equipment

    Corresponding author: WANG Xinming, wangxm@gig.ac.cn
  • 摘要: 为评估VOCs在线监测设备原始监测数据的准确性,建立了一种VOCs在线监测设备数据识别能力的评估方法。结果表明:8种VOCs在线监测设备在数据识别方面的表现存在一定的差异,原始数据与人工审核数据的平均相对偏差为−100%~56 652%;相较于高碳物种,低碳物种的原始数据与人工审核数据平均相对偏差更大;根据应用案例分析提出“数据识别指数”,对不同VOCs在线监测设备的数据识别能力进行定量区分。该方法可为今后VOCs在线监测设备评估工作提供一种全新的考核指标,还可以科学评判其他在线监测设备的快速分析应用能力。
  • 如果大量含重金属的废水、固废等未经妥善处理直接排入环境,会造成地表水重金属污染[1]。同时,多种重金属复合污染的问题也越来越普遍[2]。重金属进入环境后,会随食物链不断富集,最后通过直接或间接摄入的方式进入人体,引起多种疾病,因而一直受到环保学者的广泛关注[3-4]。重金属不能被降解,只能通过改变其形态或价态的方式来降低其迁移能力和生物有效性。通常,重金属污染水体的治理方法主要有化学沉淀法、氧化还原、生物处理和吸附法[5-7]。随着环保标准越来越严,急切需要更有效的方法来处理重金属复合污染。锌(Zn)、镍(Ni)和铬(Cr)是水体中很常见的重金属污染物。其中,Zn和Ni主要以阳离子的形式存在于水体中,而Cr主要以Cr2O72−、CrO42−等阴离子的形式存在于水体中。对于这些以不同离子形态共存的重金属复合污染水体,其处理难度更大。

    零价铁(Fe0或ZVI)具有来源广泛、价格低廉、生态风险小和中等还原性(E0= -0.44V)的特点,已成为环境污染控制和修复的重要材料之一[8-10]。通过还原反应,Fe0可以处理标准电位比其高的重金属,例如Cr(Ⅵ)、Cu(Ⅱ)、Hg(Ⅱ)、Ag(Ⅰ)、As(Ⅴ)和Se(Ⅵ)等[11-14],但对于标准电位与其非常接近的重金属元素(Ni(Ⅱ)或Zn(Ⅱ)),则主要依靠铁腐蚀产物的吸附和共沉淀作用,处理效果都不够理想[9,15]。不管是通过Fe0的直接还原,还是通过铁腐蚀产物的吸附和共沉淀,都必须保证Fe0腐蚀反应的持续进行,从而不断释放电子并且产生新的腐蚀产物。常规的Fe0体系,由于产生的三价铁腐蚀产物覆盖在Fe0表面,抑制了Fe0腐蚀反应的持续进行,从而容易导致Fe0表面钝化,这是限制Fe0技术被广泛应用的关键瓶颈[16]。为了延缓Fe0表面钝化,很多学者提出了不同的方法,如酸洗[17]、超声处理[18]、弱磁场[19]、双金属体系[20]等。TANG等[21-22]通过直接加入或反应生成Fe3O4,形成复合体系Fe0/Fe3O4,可显著提高Fe0对Se(Ⅵ)的还原速率。由于Fe3O4是半导体,不会阻碍电子传递,从而可以持续保持Fe0的活性。同时,利用Fe3O4的磁性,能实现固-液的快速分离。目前,大多数的研究是直接加入Fe3O4或利用化学反应生成Fe3O4。这样做操作比较麻烦,且难以保证只生成Fe3O4,往往是不同铁氧化物/氢氧化物的混合物。如果能通过简单的方法,在Fe0表面只生成Fe3O4,则在实际应用中将更方便。基于上述研究,本研究通过简便方法,原位制备了Fe0/Fe3O4复合体系,并且考察了该体系同时去除Zn2+、Ni2+和Cr(Ⅵ) 3种重金属的效果和机理;通过批处理实验和连续进出水的流化床反应器考察了不同反应条件对复合体系去除这3种重金属的影响;并借助XRD、SEM和XPS,探讨了对不同金属的去除机理。

    还原铁粉(98%)(100目和400目)、锌标样、镍标样、铬标样、乙酸铵、乙酸、氯化锌(ZnCl2)、氯化镍、重铬酸钾、氯化亚铁、盐酸、硝酸、邻菲罗啉等试剂均为分析纯;溶液配制及材料制备均采用去离子水。

    1)批处理实验。称取0.15 g和0.25 g的铁粉置于20 mL血清瓶中,再加入14 mL去离子水和1 mL FeCl2储备液,此时反应瓶内顶部还有一定体积的空气,再密封后将反应瓶置于360°旋转的木箱中,以30 r·min−1的转速开始反应一定时间。预处理完成后,再用微量注射器加入300 μL的Zn2+、Ni2+和Cr(Ⅵ)的混合储备液,得到10 mg·L−1的Ni2+和Zn2+以及不同浓度的Cr(Ⅵ),再将反应瓶放入旋转箱中反应并开始计时,在预定时间每次取出2个反应瓶作为重复,打开塞子后先测定溶液pH,再经0.45 μm滤膜过滤,收集滤液测定Fe2+和重金属离子的浓度。在Fe2+的样品中加入2滴3 mol·L−1的HCl酸化保存待测。其余滤液加入1滴3 mol·L−1HNO3保存,待测金属离子。采用准一级(式(1))、准二级(式(2))动力学方程拟合各重金属去除情况。

    ln(qeqt)=lnqek1t (1)
    tqt=1k2qe2+1qet (2)

    式中:qe为平衡吸附量,mg·g−1qt为时间t的吸附量,mg·g−1t 为吸附时间,min;k1为准一级动力学方程常数,g·(mg·min)−1k2为准二级动力学方程常数,g·(mg·min)−1

    2)流化床反应器实验。使用纯水配制50 mmol·L−1FeCl2和30 mmol·L−1HCl混合液,进水中Zn、Ni和Cr的质量浓度均为10 mg·L−1。4个流化床反应器的操作条件见表1,流化床反应器的示意图见图1。通过可调式电子机械搅拌器搅动溶液,使铁粉悬浮于溶液中,防止铁粉沉积到反应器底部。反应器的有效体积为11.5 L。与批处理实验类似,流化床反应器也需经过预处理,先制备Fe0/Fe3O4复合体系。预处理过程中,只添加不同的氧化剂,反应2~3 d完成预处理,后再通入重金属模拟废水。模拟废水用自来水配置,为防止重金属沉淀,先用HCl将溶液pH调为7.0,再加入重金属试剂,采用连续进出水的方式运行。在反应区反应后,通过溢流口排出,固体会自动下沉流入反应区,从而保证出水所含悬浮物少,减少铁粉的流失。

    表 1  不同流化床反应器的操作参数
    Table 1.  Operation parameters of different fluidized bed reactors
    条件反应器铁粉粒径/目铁粉浓度/(g·L−1)预处理氧化剂预处理氧化剂浓度/(mg·L−1)水力停留时间/h搅拌器转速/(r·min−1)
    A40050K2Cr2O7205700
    B40070K2Cr2O7205700
    C40050DO(曝气)/5700
    D40050KNO3205700
     | Show Table
    DownLoad: CSV
    图 1  流化床反应器示意图.
    Figure 1.  A schematic of fluidized bed reactor.

    采用原子吸收光谱(PerkinElmer 900T)测定滤液中的Zn2+、Ni2+和总Cr;采用二苯碳酰二肼分光光度法测定Cr(Ⅵ);采用邻菲啰啉分光光度法(紫外可见光度计,TU-1810,北京普析)在波长510 nm测定Fe2+浓度。文中的结果均为2个平行样。

    在制备SEM样品时,按照批处理实验的条件,反应后分离固液,将固体在高纯氮气保护下干燥,再用SEM(日本电子,JSM-7500F)分析。在制备XPS样品时,为了增大待测元素的含量,所加入的各重金属浓度比实验高1倍,其它反应物均相应提高1倍。反应一定时间后,通过超声处理将铁腐蚀物从铁粉表面剥落下来,再过滤分离腐蚀物,通过连续吹入高纯氮气风干样品用于XPS(日本岛津,AXIS Supra)分析。XPS采用单色铝Kα X射线(hv=1 486.6 eV),管电压15 kV,管电流12 mA,功率180 W,步长为0.05 eV,分析Ni和Cr反应前后的价态变化,以C1s 284.5 eV校正结合能,采用XPSPEAK4.1软件分析结果。在制备XRD样品时,与批处理反应条件完全一样,而且反应后,无需任何处理,直接将铁粉分离,然后在高纯氮气气流下干燥,用于XRD分析(日本理学,Ultima IV)。

    图2可看出,复合体系的谱图与Fe3O4标样完全一致。这与SU等[23]制成的纳米Fe3O4峰形一致,表明预处理后,在铁表面形成了晶型完好且纯度很高的Fe3O4,没有其它晶态铁氧化物或氢氧化物峰。这说明,该预处理方法可以在Fe0表面生成了一层晶相单一的Fe3O4,形成了Fe0/Fe3O4复合体系。由图3可看出,反应前的铁粉表面光滑,铁粉颗粒不规则(图3(a))。这与前人的研究观察现象一致[24]。在厌氧条件下反应后,铁表面由于发生反应而变得粗糙,而且有一些白色的小点,可能是沉淀的重金属离子。由于没有强氧化剂的参与,铁腐蚀反应很慢,产生的腐蚀产物也很少(图3(b))。如图3(c)所示,在预处理后复合体系中铁腐蚀产物的表面有很多颗粒状和片状的晶体。这些晶体的形貌与Fe3O4(图3(d))的晶体形态非常相似[21]。WU等[25]经过酸预处理,反应后的铁腐蚀物主要是棒状和片状。这也再次证明腐蚀产物主要是Fe3O4,与图2中的XRD的结果吻合。由此可见,通过预处理可在Fe0表面形成一层晶型完好的Fe3O4

    图 2  预处理后,零价铁复合体系和四氧化三铁标样的XRD谱图
    Figure 2.  XRD pattern of hybrid system after pretreatment and magnetite standard.
    图 3  不同体系中铁粉表面和腐蚀产物的SEM图。
    Figure 3.  SEM images of Fe0 surface and corrosion products in different systems.

    1)不同铁粉用量和不同铁粉粒径的影响。为了评估Fe0/Fe3O4的活性,对Fe0/Fe3O4与Fe0处理Zn2+和Ni2+的效果进行了比较,结果见图4。显然,Fe0/Fe3O4的活性远高于Fe0。在相同铁粉用量下,反应24 h后,Fe0对Zn2+和Ni2+的去除率分别只有31%和20%;而Fe0/Fe3O4对Zn2+和Ni2+的去除率分别为93%和62%。因此,后续的实验只考察Fe0/Fe3O4在不同条件下对复合重金属离子的去除效果。

    图 4  铁粉用量和粒径对不同体系去除复合重金属的影响。
    Figure 4.  Effects of Fe0 dosage and particle size on the removal of multiple heavy metals in different systems.

    通常,铁粉粒径越小或铁粉用量越大,均会促进Fe0对污染物的去除[26]。由图4可以看出,随着铁粉粒径减小或铁粉用量的增加,Fe0/Fe3O4去除Ni2+和Zn2+的效率均升高。当加入0.15 g 100目的铁粉时,反应24 h以后,Zn2+的去除率为93%,而Ni2+去除率为62%。当铁粉用量增加到0.25 g或铁粉用量不变而粒径减小为400目时,Zn2+的去除率分别提高到95%和98%,而Ni2+去除率均约为70%。增加铁粉用量或减小铁粉粒径均可增加铁粉表面活性位点[24],从而提高反应速率。在相同条件下,Zn2+的去除率明显高于Ni2+,说明Zn2+更容易被吸附。由于Zn的标准电位(-0.76 V)比Fe(-0.44 V)低,Fe0不可能将Zn2+还原,只能通过铁腐蚀产物的吸附和共沉淀来去除。前人在研究微米或纳米Fe0处理Zn2+的过程中,也认为吸附和共沉淀是其去除机理[27-28]。由于Fe3O4的导电性,不会钝化铁表面,从而使铁腐蚀反应能够持续进行,不断产生新的铁腐蚀产物,从而能够持续地去除Ni2+和Zn2+

    2)预处理时,不同Fe2+浓度对重金属去除的影响。在Fe0预处理的时候,利用反应瓶溶液中的溶解氧(来自瓶中顶部空气中的氧气)作为氧化剂,借助溶液中的Fe2+,通过一系列化学反应在铁表面形成一层Fe3O4膜,从而得到Fe0/Fe3O4复合体系。因此,在预处理的时候,氧气和Fe2+的量都可能改变复合体系中Fe3O4的量,从而改变后续的反应速率。同时,Fe2+与Zn2+和Ni2+的价态一样、离子半径也相似,可能会对其吸附产生抑制作用。因此,预处理的时候,分别加入0.5、1.0和2.0 mmol·L−1Fe2+,考察其对不同重金属去除的影响。由图5(a)可知,预处理以后,溶液中还保留了大量的溶解态Fe2+。起始加入0.5、1.0和2.0 mmol·L−1 Fe2+,预处理后,分别检测到0.37、0.71和1.8 mmol·L−1溶解态的Fe2+。这表明在预处理阶段,只要少量的Fe2+就可以完成预处理。与重金属混合液反应后,Fe2+浓度逐渐升高,在前2 h内增加最快,随后逐渐减慢并趋于稳定。这说明,在反应过程中,伴随重金属的去除,可以释放出Fe2+。其中,Zn2+不可能与Fe0发生置换反应,只有Ni2+有可能被Fe0还原,释放等量的Fe2+[29-30]。但也有研究认为,当Zn2+吸附到铁腐蚀产物表面后,会通过水解过程释放等量的H+,这些H+再与Fe0反应,释放出与Zn2+等量的Fe2+[31]。由图5(b)、图5(c)可知,体系中过多的Fe2+会抑制Fe0/Fe3O4对Zn2+和Ni2+的去除,尤其对Ni2+的去除抑制作用更明显。当Fe2+起始浓度为0.5 mmol·L−1和1.0 mmol·L−1时,对Zn2+的去除影响不大,反应24 h以后,去除率均在90%左右;但当Fe2+起始浓度增加到2.0 mmol·L−1,在反应前8 h内,Zn2+去除速率最慢,但在24 h以后,去除率与其它Fe2+浓度的相当。这说明Fe2+对Zn2+去除的影响比较小,对于低浓度的Fe2+(≤2.0 mmol·L−1),可以忽略其影响。但对于Ni2+的去除,Fe2+的抑制作用非常明显,随着其浓度的增加,其抑制作用则增强。当预处理Fe2+为0.5 mmol·L−1时,Ni2+的去除效果最高,可以达到77%;但当Fe2+初始浓度分别为1.0 mmol·L−1和2.0 mmol·L−1时,Ni2+去除率分别只有65.48%和48.85%。这可能归因于以下2点:一是由于过多的Fe2+会抑制Fe0与Ni2+的置换反应(Fe0 + Ni2+→ Fe2+ + Ni0),从而不利于Ni2+的去除;二是由于Ni2+在铁氧化物表面的吸附能力比Zn2+和Fe2+差。

    图 5  预处理过程中,不同初始亚铁浓度对复合重金属去除的影响
    Figure 5.  Effect of different initial ferrous concentration on the removal of complex heavy metals during pretreatment.

    3)不同Cr(Ⅵ)浓度对Zn2+和Ni2+去除的影响。Cr(Ⅵ)是环境中很常见的重金属污染物,常与Zn2+和Ni2+等重金属共存于污染水体中。Cr(Ⅵ)的水溶性好,迁移能力很强,容易被生物利用。图6是不同浓度的Cr(Ⅵ)对Zn2+和Ni2+去除的影响。相比于不加Cr(Ⅵ)的体系,低浓度(10 mg·L−1)的Cr(Ⅵ)会显著促进Ni2+和Zn2+的去除,反应24 h后,Zn2+的去除率达到92%,Ni2+的去除率达到67.5%。但随Cr(Ⅵ)浓度的升高,其促进作用不明显,甚至在反应开始后的最初几个小时,反而抑制了Ni2+和Zn2+的去除,直到24 h后,Cr(Ⅵ)对Ni2+和Zn2+的去除最终表现为促进作用,且促进作用较小。Cr(Ⅵ)影响Zn2+和Ni2+去除的原因主要有2点:一是由于Cr(Ⅵ)的还原也会消耗Fe2+,从而减少了Fe2+的竞争吸附作用,有助于Zn2+和Ni2+的去除;二是由于Cr(Ⅵ)被还原为Cr(Ⅲ)后,与Fe(Ⅲ)形成共沉淀FexCr1-x(OH)3,附在Fe0表面,抑制了电子传递和Fe0的腐蚀反应,从而不利于Ni2+和Zn2+的去除[32-33]。相比于Zn2+和Ni2+,Cr(Ⅵ)在很短的时间内就被快速去除(图6(c))。这说明Fe0/Fe3O4可以快速去除Cr(Ⅵ)。对于相对低浓度的Cr(Ⅵ)与Zn2+和Ni2+共存时,Fe0/Fe3O4可以同时快速地去除3种重金属,但当Cr(Ⅵ)浓度过高时,只能有效地去除Cr(Ⅵ),而对Zn2+和Ni2+的去除效果并不理想。

    图 6  不同Cr(VI)浓度对复合重金属去除的影响
    Figure 6.  Effects of Cr(VI) concentration on the removal of multiple heavy metals.

    4)不同Fe2+预处理及其与Cr(Ⅵ)共存时对重金属去除的影响。根据以上结果,在预处理中,过高浓度的Fe2+不利于后续对Zn2+和Ni2+的去除。而低浓度的Cr(Ⅵ)会显著促进对Zn2+和Ni2+的去除。因此,单独考察了在预处理过程中加入不同初始浓度的Fe2+以及同时加入Fe2+和Cr(Ⅵ)对Fe0/Fe3O4去除Zn2+和Ni2+的影响。如图7所示,不加Cr(Ⅵ)时,预处理Fe2+浓度升高,不利于后续Zn2+和Ni2+的去除。这与前面的结果一致。在相同条件下,加入10 mg·L−1Cr(Ⅵ)后, Zn2+的去除率由74%提高到94%。Fe2+增加不利于Ni2+的去除,但在加入Cr(Ⅵ)后,Ni2+的去除率由26%提高到65%。加入Cr(Ⅵ)会消耗部分Fe2+,这也是其促进作用的原因之一。此外,有研究[34]表明,Fe(Ⅲ)与Cr(Ⅵ)还原产生的Cr(Ⅲ)形成CrxFe1-x(OH)3,该产物具有很好的混凝沉淀效果,能够吸附去除重金属离子。但是,产生的CrxFe1-x(OH)3覆盖在铁表面,由于其导电性差,不利于后续铁腐蚀反应的进行,因而对Ni2+和Zn2+的去除产生不利的影响。因此,Cr(Ⅵ)对Ni2+和Zn2+去除会受到Cr(Ⅵ)浓度变化的影响。

    图 7  不同起始Fe2+浓度和Cr(VI)对复合体系去除复合重金属的影响
    Figure 7.  Effects of different initial Fe2+ and Cr(VI) on multiple heavy metals removal in hybrid systems

    对所获得的实验结果分别用准一级动力学和准二级动力学模型进行了拟合。由图8可看出,不论哪种粒径的铁粉,对于Zn2+的去除,反应前10 min均非常迅速,很快就达到平衡。如图9所示,Ni2+的去除速率在反应初期慢很多,平衡吸附量也比Zn2+低。这说明Fe0对Zn2+的吸附性能要明显优于Ni2+。由表2可见,准二级动力学模型的可决系数R2要稍微优于准一级动力学模型,说明Fe0/Fe3O4对Zn2+和Ni2+的吸附更符合准二级动力学模型。这也表明在整个吸附过程中,化学吸附占主导地位。这与Fe0去除Zn2+和Ni2+的结论一致[35- 36]

    图 8  不同粒径的铁粉吸附Zn2+的动力学模型
    Figure 8.  Kinetic model of Zn2+ adsorption by different iron particles
    图 9  不同粒径的铁粉吸附Ni2+的动力学模型
    Figure 9.  Kinetic model of Ni2+ adsorption by different iron particles
    表 2  吸附动力学拟合参数
    Table 2.  Adsorption kinetics fitting parameters
    重金属铁粉粒径/目准一级动力学准二级动力学
    qe/(mg·g−1)K1/(min−1)R2qe/(mg·g−1)K2/(mg·(g·min)−1)R2
    Zn1000.7840.0310.9510.8170.0670.989
    4000.7590.0610.9440.7940.0980.986
    Ni1000.5700.0020.9590.6730.0040.978
    4000.6940.0020.9620.8070.0040.975
     | Show Table
    DownLoad: CSV

    1)不同铁粉浓度对复合重金属去除的影响。从前面的批处理实验结果可知,Fe0/Fe3O4是一个高活性的系统,可以持续有效地去除Zn2+、Ni2+。由图10可见,以K2Cr2O7作为预处理剂,当铁粉质量浓度从50 g·L−1提升到70 g·L−1时,Zn2+和Ni2+的去除率随之升高。当铁粉质量浓度70 g·L−1时,在22 d的运行时间内,Zn2+的去除率基本维持在90%左右,而Ni2+的去除率虽然波动较大,仍可维持在68%左右。但当铁粉质量浓度降到50 g·L−1时,在前7 d,Zn2+的去除率在80%~90%,然后逐渐降低,15 d以后,维持在62%;在第6~9天,Ni2+的去除率保持在70%左右,随后快速降低到30%左右,并一直保持到第22天。增加铁粉用量,单位体积内有更多的铁表面活性点位吸附Ni2+和Zn2+,其去除效果更好。这也与前面的批处理实验结果一致。对于50 g·L−1的铁粉用量,在起始阶段,其去除率就比70 g·L−1的铁粉用量下低,虽然随后差距缩小,但十几天以后,去除率远低于70 g·L−1。这可能是由于:在初始阶段,铁粉腐蚀产物的不断增加,减小了低浓度铁粉带来的影响;但是随着铁粉的不断消耗,产生的腐蚀产物越来越少,其处理效率也很快降低,但由于Zn2+和Ni2+的浓度不高(10 mg·L−1),因而依然可以保持相对稳定的去除效果。这说明50 g·L−1的铁粉用量过少,难以维持持续、有效的处理效果,最好要保持70 g·L−1或更高的铁粉质量浓度。对于Cr(Ⅵ)的处理效果,与前面批处理的结果一致,很快就被去除完全,因此,这里没有给出其结果。

    图 10  不同铁粉浓度对流化床反应器去除复合重金属去除的影响。
    Figure 10.  Effects of different dosage of iron powder on multiple heavy metals removal in fluidized bed reactor.

    2)不同氧化剂对复合重金属去除的影响。在预处理阶段,加入氧化剂才能生成复合体系。因此,比较了不同氧化剂(氧气、硝酸盐和重铬酸钾)对复合体系活性的影响,结果如图11所示。以氧气(空气)预处理制备的复合体系对Zn2+和Ni2+的去除率最高。连续运行22 d,Zn2+的去除效果一直可以保持在90%以上,而Ni2+的去除率在前18 d可稳定在在80%左右,随后去除率逐渐降低,到第22天的时候,只有50%。以重铬酸钾预处理时,在第一周内,Zn2+和Ni2+的去除效果持续升高,最高分别达到91%和72%,但随后又不断下降,尤其是Ni2+,在第10天的时候,去除率快速下降到~30%。以硝酸钾作为预处理剂,Ni2+和Zn2+的处理效果最差。在前10 d,对Zn2+的去除效果保持在90%左右,随后去除效果快速降低,而且不稳定。而对于Ni2+的去除,从一开始就持续下降,12 d以后,几乎没有去除。从3种体系中的pH来看,并没有明显差别(图11(c))。在3种氧化剂预处理体系中,Fe2+的浓度差别较大(图11(d))。在氧气体系中,Ni2+和Zn2+的去除效果最好,所以Fe2+的浓度一直最高;而另外2个反应器中的Fe2+最低,尤其是硝酸钾预处理的反应器,出水中的Fe2+仅有5 mg·L−1左右。与批处理实验的结果相似,出水中都没有检测到溶解态的Cr(Ⅵ)。这说明复合体系对Cr(Ⅵ)的处理效果有保障。总体而言,以氧气作为预处理剂的效果最好,其次是用重铬酸钾和硝酸钾的预处理。

    图 11  不同氧化剂预处理对流化床反应器去除复合重金属的影响。
    Figure 11.  Effects of different oxidants pretreatment on multiple heavy metals removal in fluidized bed reactor.

    3)4个反应器去除复合重金属的效果比较。图12展示了4个流化床反应器对Zn2+和Ni2+的处理效果。各流化床反应器的操作条件见表1。其中,由于4个反应器的出水中都未检测到溶解态的Cr(Ⅵ),故未提供其数据。由图12可看出,反应器C对Zn2+和Ni2+的处理效果最好,Zn2+的去除率都维持在90%以上;Ni2+在前17 d的去除率一直保持在80%左右,随后不断下降,到第22天,去除率降到50%。其次是反应器B,对Zn2+的去除效果基本保持在90%左右,尽管Ni2+的去除率在开始阶段波动很大,但运行7 d后也可稳定在68%左右。C反应器出水中的Fe2+浓度最高,这说明在Zn2+和Ni2+去除的同时释放出Fe2+,与前文的实验结果一致。尽管C反应器(50 g·L−1)的铁粉质量浓度比B反应器(70 g·L−1)低,但C反应器的处理效果最好,这说明以氧气作为预处理剂制备的复合体系活性最强。A反应器在前9 d对Ni2+和Zn2+的去除率较高,但随后快速下降,Fe2+浓度的变化趋势类似。D反应器的处理效果最差,不管是Zn2+还是Ni2+,去除率很快下降。综上所述,复合体系对Zn2+的去除效果要远远好于Ni2+,这与批处理实验的结果一致。4个反应器的Fe2+出水浓度与Ni2+和Zn2+的变化趋势一致。出水中的Fe2+浓度越高,Ni2+和Zn2+的去除效果也越好。这说明Ni2+和Zn2+的去除过程中,会直接或间接影响产生Fe2+

    图 12  4个流化床反应器去除复合重金属的情况
    Figure 12.  Removal of multiple heavy metals in the four fluidized bed reactors.

    4)重金属去除机理分析。批处理和流化床实验的结果均说明Fe0/Fe3O4具有很强的活性,可以持续地去除Cr(Ⅵ)、Zn2+和Ni2+。对三者的处理速率为Cr(Ⅵ)>Zn2+>Ni2+。在很短的时间内Cr(Ⅵ)就可以被快速去除。根据3种重金属和Fe0的标准电位,可以从理论上判断不同重金属的去除机理。根据Zn和Ni的标准电位,Fe0不可能还原Zn2+,只能通过铁腐蚀产物的吸附和共沉淀去除。Ni2+的标准电位稍微高于Fe0,其氧化还原反应的驱动力很小,还原反应的速率很慢,也可能不会发生氧化还原反应。Cr(Ⅵ)的标准电位为1.33V,远高于Fe0,因此,很容易被Fe2+和Fe0还原。为确定Cr(Ⅵ)和Ni2+的去除机理,通过XPS对反应前后Cr和Ni的价态进行了分析,结果如图13所示。反应前,Ni2+的2p3/2结合能在856.5 eV(图13(a)),反应后在852.6 eV处出现1个尖峰,归属于单质镍,856.5 eV处的峰变弱。这说明部分Ni2+被还原为Ni0,部分Ni(Ⅱ)可能是被吸附或共沉淀。在纳米Fe0去除Ni2+的过程中,也存在部分还原和部分吸附的现象[37-38]。由图13(b)可见,反应后Cr(Ⅵ)的2p1/2峰(579.2 eV)消失,而在577.1 eV处出现1个几乎相同的峰,可归于Cr(Ⅲ),说明Cr(Ⅵ)全部被还原为Cr(Ⅲ)。已有的研究[39-40]也表明Fe0可以有效地还原Cr(Ⅵ)为Cr(Ⅲ)。

    图 13  Ni、Cr反应前后的XPS高分辨率谱图
    Figure 13.  High resolution of XPS spectra of Ni and Cr before and after reaction.

    1)经过预处理后,在Fe0表面生成一层晶型完好、晶相单一的Fe3O4。复合体系的活性远高于单独的Fe0,显著提高其对Zn2+、Ni2+和Cr(Ⅵ)的去除率。

    2)增加铁粉用量或减小铁粉粒径均可提高对Zn2+和Ni2+的去除效果。Fe2+浓度升高对Fe0/Fe3O4去除Zn2+的影响不大,但会明显抑制对Ni2+的去除。10 mg·L−1Cr(Ⅵ)会促进Fe0/Fe3O4对Zn2+和Ni2+的去除,但过多的Cr(Ⅵ)由于与Fe(Ⅲ)共沉淀覆盖在Fe0表面,不利于铁腐蚀反应的进行,从而大大降低其促进作用。无论是改变铁粉用量、铁粉粒径、Fe2+或Cr(Ⅵ)浓度,还是预处理氧化剂的不同,对Cr(Ⅵ)的处理效果最好,其次是Zn2+和Ni2+

    3)在流化床反应器中,Fe0/Fe3O4可有效去除Zn2+、Ni2+和Cr(Ⅵ),增加铁粉用量可提高Zn2+和Ni2+的去除效果。相比于重铬酸钾和硝酸钾,以空气作为预处理辅助剂,制备的复合体系活性最强,能持续、有效地去除Zn2+和Ni2+

    4)在Fe0/Fe3O4中,Ni2+的去除机理为部分还原为单质镍、部分吸附或共沉淀,而Cr(Ⅵ)全部被还原为Cr(Ⅲ)。

  • 图 1  实验地点

    Figure 1.  Experimental location

    图 2  网络拓扑图

    Figure 2.  Network topology

    图 3  8种VOCs在线监测设备原始数据与人工审核数据的平均相对偏差

    Figure 3.  Average relative deviation between raw data and manual audit data of 8 VOCs online monitoring devices

    表 1  采集指标

    Table 1.  Gathering indicators

    序号名称序号名称序号名称
    1乙烯202-甲基戊烷39间/对二甲苯
    2乙炔213-甲基戊烷40乙苯
    3乙烷221-己烯41正壬烷
    4丙烯23正己烷42苯乙烯
    5丙烷242,4-二甲基戊烷43邻二甲苯
    6异丁烷25甲基环戊烷44异丙苯
    7正丁烯2645正丙苯
    8正丁烷27环己烷461-乙基-2-甲基苯
    9顺-2-丁烯282-甲基己烷471-乙基-3-甲基苯
    10反-2-丁烯292,3-二甲基戊烷481,3,5-三甲苯
    11异戊烷303-甲基己烷49对乙基甲苯
    121-戊烯312,2,4-三甲基戊烷50癸烷
    13正戊烷32正庚烷511,2,4-三甲苯
    14反-2-戊烯33甲基环己烷521,2,3-三甲苯
    152-甲基-1,3-丁二烯342,3,4-三甲基戊烷531,3-二乙基苯
    16顺-2-戊烯352-甲基庚烷54对二乙苯
    172,2-二甲基丁烷36甲苯55十一烷
    18环戊烷373-甲基庚烷56十二烷
    192,3-二甲基丁烷38正辛烷
    序号名称序号名称序号名称
    1乙烯202-甲基戊烷39间/对二甲苯
    2乙炔213-甲基戊烷40乙苯
    3乙烷221-己烯41正壬烷
    4丙烯23正己烷42苯乙烯
    5丙烷242,4-二甲基戊烷43邻二甲苯
    6异丁烷25甲基环戊烷44异丙苯
    7正丁烯2645正丙苯
    8正丁烷27环己烷461-乙基-2-甲基苯
    9顺-2-丁烯282-甲基己烷471-乙基-3-甲基苯
    10反-2-丁烯292,3-二甲基戊烷481,3,5-三甲苯
    11异戊烷303-甲基己烷49对乙基甲苯
    121-戊烯312,2,4-三甲基戊烷50癸烷
    13正戊烷32正庚烷511,2,4-三甲苯
    14反-2-戊烯33甲基环己烷521,2,3-三甲苯
    152-甲基-1,3-丁二烯342,3,4-三甲基戊烷531,3-二乙基苯
    16顺-2-戊烯352-甲基庚烷54对二乙苯
    172,2-二甲基丁烷36甲苯55十一烷
    18环戊烷373-甲基庚烷56十二烷
    192,3-二甲基丁烷38正辛烷
    下载: 导出CSV

    表 2  实验期间有效数据组统计表

    Table 2.  Statistical table of valid data group during the experiment

    设备开始日期开始时刻结束日期结束时刻有效数据组数量/组平均相对偏差/%
    A2019-06-0102:002019-07-1023:00848−100~1 799
    B2019-06-0101:002019-07-1022:00810−42~11 539
    C2019-06-0519:002019-07-1023:00781−98~24 078
    D2019-06-0503:002019-07-1023:00702−100~1 627
    E2019-06-1016:002019-07-1023:007010~3 443
    F2019-06-0215:002019-07-1023:00793−60~16 057
    G2019-06-0600:002019-07-1023:00661−50~1 814
    H2019-06-1015:002019-07-1023:00606−100~56 652
    设备开始日期开始时刻结束日期结束时刻有效数据组数量/组平均相对偏差/%
    A2019-06-0102:002019-07-1023:00848−100~1 799
    B2019-06-0101:002019-07-1022:00810−42~11 539
    C2019-06-0519:002019-07-1023:00781−98~24 078
    D2019-06-0503:002019-07-1023:00702−100~1 627
    E2019-06-1016:002019-07-1023:007010~3 443
    F2019-06-0215:002019-07-1023:00793−60~16 057
    G2019-06-0600:002019-07-1023:00661−50~1 814
    H2019-06-1015:002019-07-1023:00606−100~56 652
    下载: 导出CSV

    表 3  每台设备可识别的物种数量和DRI

    Table 3.  Number of species identified by each device and DRI of each device

    评价物种设备S80%/种S60%/种S40%/种S20%/种S0/种DRI
    56种VOCs(C2~C12)A14348270.49
    B00211430.25
    C261152120.73
    D06812300.36
    E00215390.27
    F5210030.95
    G3096470.78
    H0001550.20
    低碳VOCs(C2~C5)A2000150.29
    B0024110.29
    C1122020.84
    D054350.51
    E0001160.21
    F1310030.85
    G522350.59
    H0000170.20
    高碳VOCs(C6~C12)A12348120.57
    B0007320.24
    C15932100.69
    D0149250.30
    E00214230.29
    F3900001.00
    G2574120.87
    H0001380.21
      注:S80%指有效数据获取率在80%以上可识别的物种数量;S60%指有效数据获取率为60%~80%可识别的物种数量;S40%指有效数据获取率为40%~60%可识别的物种数量;S20%指有效数据获取率为20%~40%可识别的物种数量;S0指有效数据获取率在20%以下可识别的物种数量。
    评价物种设备S80%/种S60%/种S40%/种S20%/种S0/种DRI
    56种VOCs(C2~C12)A14348270.49
    B00211430.25
    C261152120.73
    D06812300.36
    E00215390.27
    F5210030.95
    G3096470.78
    H0001550.20
    低碳VOCs(C2~C5)A2000150.29
    B0024110.29
    C1122020.84
    D054350.51
    E0001160.21
    F1310030.85
    G522350.59
    H0000170.20
    高碳VOCs(C6~C12)A12348120.57
    B0007320.24
    C15932100.69
    D0149250.30
    E00214230.29
    F3900001.00
    G2574120.87
    H0001380.21
      注:S80%指有效数据获取率在80%以上可识别的物种数量;S60%指有效数据获取率为60%~80%可识别的物种数量;S40%指有效数据获取率为40%~60%可识别的物种数量;S20%指有效数据获取率为20%~40%可识别的物种数量;S0指有效数据获取率在20%以下可识别的物种数量。
    下载: 导出CSV
  • [1] 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. 北京: 高等教育出版社, 2006.
    [2] WANG T, XUE L K, BRIMBLECOMBE P, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2016, 575: 1582-1596.
    [3] Guangdong Provincial Environmental Monitoring Centre, Environmental Protection Department-Hong Kong SARG, Environmental Protection Bureau-Macao SARG, et al. Guangdong-Hong Kong-Macao Pearl River Delta regional air quality monitoring network: A report of monitoring Results in 2017[EB/OL]. [2019-12-20]. http://gdee.gd.gov.cn/protect/P0201806/P020180620/P020180620631772750308.pdf.
    [4] WANG T, WEI X L, DING A J, et al. Increasing surface ozone concentrations in the background atmosphere of Southern China, 1994-2007[J]. Atmospheric Chemistry and Physics, 2009, 9(2): 6217-6227.
    [5] 师耀龙, 柴文轩, 李成, 等. 美国光化学污染监测的经验与启示[J]. 中国环境监测, 2017, 33(5): 49-56.
    [6] 韦方洋, 丁银, 黄欢, 等. 空气中挥发性有机物在线监测技术研究进展[J]. 中国资源综合利用, 2019, 37(2): 108-110.
    [7] 刘兴隆, 曾立民, 陆思华, 等. 大气中挥发性有机物在线监测系统[J]. 环境科学学报, 2009, 29(12): 2471-2477. doi: 10.3321/j.issn:0253-2468.2009.12.002
    [8] U. S. Environmental Protection Agency. Gas chromatograph (GC) evaluation study field deployment evaluation report[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/targetlist.pdf.
    [9] U. S. Environmental Protection Agency. Gas chromatograph (GC) evaluation study laboratory evaluation phase report[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/labevalreport.pdf.
    [10] U. S. Environmental Protection Agency. Review of EPA’s photochemical assessment monitoring stations (PAMS) network re-engineering project[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/casacunsignedfinal.pdf.
    [11] 上海市环境监测中心, 清洁空气创新中心, 深圳市环境科学研究院. 大气VOCs在线监测系统评估工作指南[EB/OL]. [2019-12-20]. http://www.cleanairchina.org/file/loadFile/186.html.
    [12] 生态环境部. 环境空气挥发性有机物气相色谱连续监测系统技术及检测方法: HJ 1010-2018[S]. 北京: 中国环境科学出版社, 2018.
    [13] 杨印蹼, 范军, 黄涛宏. GC-FID/MS中心切割法全在线监测环境空气中108种污染物[J]. 环境化学, 2018, 37(8): 1876-1879.
    [14] FORTIN T J, HOWARD B J, PARRISH D D, et al. Temporal changes in U. S. benzene emissions inferred from atmospheric measurements[J]. Environmental Science & Technology, 2005, 39(6): 1403-1408.
    [15] WEI W, CHENG S Y, LI G H, et al. Characteristics of volatile organic compounds (VOCs) emitted from a petroleum refinery in Beijing, China[J]. Atmospheric Environment, 2014, 89: 358-366. doi: 10.1016/j.atmosenv.2014.01.038
  • 加载中
    Created with Highcharts 5.0.7访问量Chart context menu近一年内文章摘要浏览量、全文浏览量、PDF下载量统计信息摘要浏览量全文浏览量PDF下载量2024-052024-062024-072024-082024-092024-102024-112024-122025-012025-022025-032025-040Highcharts.com
    Created with Highcharts 5.0.7Chart context menu访问类别分布DOWNLOAD: 11.3 %DOWNLOAD: 11.3 %HTML全文: 53.7 %HTML全文: 53.7 %摘要: 35.0 %摘要: 35.0 %DOWNLOADHTML全文摘要Highcharts.com
    Created with Highcharts 5.0.7Chart context menu访问地区分布其他: 84.7 %其他: 84.7 %Beijing: 2.3 %Beijing: 2.3 %Chang'an: 0.6 %Chang'an: 0.6 %Dalian: 0.6 %Dalian: 0.6 %Fremont: 0.6 %Fremont: 0.6 %Guangzhou: 0.6 %Guangzhou: 0.6 %Hangzhou: 0.6 %Hangzhou: 0.6 %Qinnan: 1.7 %Qinnan: 1.7 %Shenyang: 0.6 %Shenyang: 0.6 %Suzhou: 0.6 %Suzhou: 0.6 %Xintai: 0.6 %Xintai: 0.6 %XX: 5.6 %XX: 5.6 %内网IP: 0.6 %内网IP: 0.6 %泰州: 0.6 %泰州: 0.6 %其他BeijingChang'anDalianFremontGuangzhouHangzhouQinnanShenyangSuzhouXintaiXX内网IP泰州Highcharts.com
图( 3) 表( 3)
计量
  • 文章访问数:  5189
  • HTML全文浏览数:  5189
  • PDF下载数:  95
  • 施引文献:  0
出版历程
  • 收稿日期:  2020-03-04
  • 录用日期:  2020-06-24
  • 刊出日期:  2021-01-10
张涛, 王新明, 周炎, 裴成磊, 陈多宏, 区宇波, 陈春贻. VOCs在线监测设备数据识别能力的评估方法及应用[J]. 环境工程学报, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
引用本文: 张涛, 王新明, 周炎, 裴成磊, 陈多宏, 区宇波, 陈春贻. VOCs在线监测设备数据识别能力的评估方法及应用[J]. 环境工程学报, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
ZHANG Tao, WANG Xinming, ZHOU Yan, PEI Chenglei, CHEN Duohong, OU Yubo, CHEN Chunyi. Evaluation method and application of data recognition capability of VOCs online monitoring equipment[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023
Citation: ZHANG Tao, WANG Xinming, ZHOU Yan, PEI Chenglei, CHEN Duohong, OU Yubo, CHEN Chunyi. Evaluation method and application of data recognition capability of VOCs online monitoring equipment[J]. Chinese Journal of Environmental Engineering, 2021, 15(1): 298-306. doi: 10.12030/j.cjee.202003023

VOCs在线监测设备数据识别能力的评估方法及应用

    通讯作者: 王新明(1969—),男,博士,研究员。研究方向:区域大气环境有机质。E-mail:wangxm@gig.ac.cn
    作者简介: 张涛(1984—),男,博士研究生。研究方向:大气化学与地气交换。E-mail:15920314996@139.com
  • 1. 中国科学院广州地球化学研究所,有机地球化学国家重点实验室,广州 510640
  • 2. 中国科学院大学,北京 100049
  • 3. 广东省环境监测中心,国家环境保护区域空气质量监测重点实验室,广州 510308
  • 4. 广州市环境监测中心站,广州 510006
基金项目:
国家重点研发计划项目(2018YFC0213903);国家自然科学基金资助项目(91743109);广州珠江科技新星专项(201506010079)

摘要: 为评估VOCs在线监测设备原始监测数据的准确性,建立了一种VOCs在线监测设备数据识别能力的评估方法。结果表明:8种VOCs在线监测设备在数据识别方面的表现存在一定的差异,原始数据与人工审核数据的平均相对偏差为−100%~56 652%;相较于高碳物种,低碳物种的原始数据与人工审核数据平均相对偏差更大;根据应用案例分析提出“数据识别指数”,对不同VOCs在线监测设备的数据识别能力进行定量区分。该方法可为今后VOCs在线监测设备评估工作提供一种全新的考核指标,还可以科学评判其他在线监测设备的快速分析应用能力。

English Abstract

  • 挥发性有机物(volatile organic compounds,VOCs)是大气对流层中非常重要的痕量组分,以多种重要角色参与大气化学反应过程,是一些区域环境问题、尤其是光化学污染的关键前体物与驱动者。因此,VOCs亦是大气复合污染的重要成因之一,对臭氧污染起到至关重要的影响[1]。近几年,我国臭氧污染问题日渐突出[2-4],对VOCs的监测工作也越来越重视。有学者指出,中国应尽快建立国家层面的光化学监测网络,完善光化学监测的技术体系与质量管理体系,为重点地区光化学污染防治工作提供监测数据支持[5]。2018年,生态环境部在包括京津冀及周边、长三角、珠三角、成渝、关中地区、辽宁中南部、武汉及周边城市的部分地区开展环境空气VOCs监测工作。监测方式包括手工监测与自动监测,直辖市、省会城市及计划单列市必须开展VOCs在线监测。2019年,生态环境部进一步扩大监测范围,并鼓励有能力的城市开展在线监测。至此,VOCs在线监测已经成为环境空气中VOCs监测的重要手段。

    随着国家和地方对VOCs在线监测的重视程度不断提高,市面上涌现出众多VOCs在线监测设备。国外VOCs在线监测设备品牌有Chromatotec、Synspec、Perkin Elmer、Baseline、Markers、Agilent、Thermo等;国内品牌有武汉天虹、广州禾信、北京博赛德、杭州谱育、上海磐合、河北先河、北京鹏宇昌亚等;设备用到的检测方法包括GC-FID、GC-FID/MS及GC-PID/FID等[6-7]。国内外多个监测机构对种类繁多的VOCs在线监测设备开展了一系列比对评估实验:美国环境保护署(United States Environmental Protection Agency,USEPA)针对VOCs在线监测设备开展了实验室测试与现场测试相结合的比对实验,较全面地分析了参比设备的各项性能指标[8-10];上海市环境监测中心则初步确定评价指标权重方法,并提出了系统建设、设备运行技术、设备维护方法和人员培训等相关要求[11];中国环境监测总站于2018年发布了《环境空气挥发性有机物气相色谱连续监测系统技术及检测方法》(HJ 1010-2018)用以规范VOCs在线监测设备的性能和质量[12]

    由于VOCs属于痕量组分,且物种复杂[13],其监测数据受预浓缩和检测方法等因素的影响,所以市面上绝大多数设备都需要在原始图谱上进行人工审核(重积分),才能获得准确浓度结果。然而,对人工审核工作的依赖,极大降低了在线监测数据产生的效率,导致VOCs在线监测的原始数据很难直接快速分析应用,难以支撑日新月异的精细化环境管理工作。USEPA[8-10]和上海市境监测中心[11]等近年来针对大气VOCs在线监测设备的评估工作也未对输出的原始数据质量进行考量。为快速、准确获得VOCs在线监测设备的原始数据,本研究基于8台VOCs在线监测设备的比对实验,分析比较VOCs原始监测数据与经过重积分的人工审核数据,提出VOCs在线监测设备数据识别能力的评估方法,并明确了“数据识别指数(data recognition index,DRI)”计算方法。该方法为今后VOCs在线监测设备,甚至其他大型复杂在线监测设备的评估工作提供了一种全新的考核指标,也可对其他在线监测设备的快速分析及应用能力进行科学评判。

  • 实验地点在广州市环境监测中心站二楼(113.4055°E,23.0518°N),海拔高6 m,位于广州市番禺区大学城,实验地点见图1。该区域属于大学城综合发展区,周边无明显污染源。

    实验时间为2019年6月1日—7月10日。

  • 选择市面上常见的8种VOCs在线监测设备开展研究:天虹TH-300B、博赛德BCT-7800A、禾信AC-GCMS 1000、磐合CIA+GCMS、鹏宇昌亚ZF-PKU-VOC1007、谱育EXPEC 2000、Thermo 5800 GM、先河XHVOC 6000。这些设备的检测方法均为GC-FID/MS。由于本研究目的为确定VOCs在线监测设备数据识别能力评估方法,为维护品牌利益,下文中仅用字母A~H代表以上设备,排名不分先后。

    为确保研究期间仪器输出数据的稳定性及连贯性,8台VOCs在线监测设备的定期校准和维护、维修工作均由各厂家技术人员负责。

  • 由于研究点位网络为单位内部网络,不能通过外部网络进行远程访问。为将各仪器设备接入外网,提前用4G无线路由器的方式,将设备接入外网。为实现对所有在线监测设备原始数据的采集,本研究通过双网卡组网,以文件共享方式进行采集。其网络拓扑图详见图2,具体操作步骤如下。

    1)给各台VOCs在线监测设备加装一个USB无线网卡,并且现场安装一台无线路由器,将所有拟联网设备接入此无线网络。同时,将数据采集系统也接入此网络,从而组成一个内部局域网。

    2)将每台仪器设备产出的文件设置为共享状态,默认只分配读取权限,可保证每台设备文件数据的安全。

    3)数据采集系统可通过访问每台设备的主机名,查看每台设备共享出来的文件,从而进行数据的采集,然后再通过4G路由器连接的网络,将数据报送到联网平台。

    这种安装方式具有以下优点:部署简单,无需另行布线;局域网文件共享方式,不消耗带宽,不会对原来的网络传输造成影响;不改变原设备工控机的系统环境,不会对仪器的软件造成影响;各网络相互独立,出现故障时不会相互影响。

  • 原始数据的采集由数据采集软件通过共享文件的方式获取,其采集指标主要包括USEPA光化学污染监控网络(photochemical assessment monitoring station,PAMS)原56种VOCs监测结果等[14-15],采集指标见表1,数据采集单位为nL·L−1,保留小数点后3位。

  • 研究期间共收集8台设备原始监测数据与人工审核数据相匹配的有效数据组5 902组(见表2)。由于设备联网时间有前有后,所以有效数据组的数量也有所不同。将获取的每个物种每个原始监测数据与人工审核数据进行比较,求二者的相对标准偏差,即可得到每个物种每次监测的相对偏差。根据每个物种每次监测的相对偏差,可求出此台设备该物种原始监测数据与人工审核数据的平均相对偏差。再将每台设备的所有物种进行归类,则可得到该设备原始监测数据与人工审核数据的平均相对偏差。

    根据图3数据,8种VOCs在线监测设备表现存在一定的差异,原始数据与人工审核数据的平均相对偏差为−100%~56 652%(1-戊烯,设备H)。其中,平均相对偏差为−100%,则说明该设备并未能从原始数据图谱直接析出该物种,导致该物种的原始监测数据一直为0。相较于高碳物种,低碳物种的原始数据与人工审核数据平均相对偏差更大。然而,这种方法只能大致说明不同设备之间的表现有所差异,并不能用来定量评估每台设备在数据识别能力方面的优劣性。为科学评估VOCs在线监测设备的数据识别能力,有效提高原始监测数据的分析应用效率,建立一种定量区分VOCs在线监测设备数据识别能力的评估方法显得尤为重要。

  • 针对以上问题,提出一种具有可操作性的VOCs在线监测设备数据识别能力的评估方法。

    1)为评判不同VOCs在线监测设备的数据识别能力,首先将某一时刻的原始监测数据与人工审核数据进行比较,计算相对偏差,详见式(1)。

    式中:i为VOCs某一物种;j为某一VOCs在线监测设备;xi,jj设备i物种的原始监测数据;yi,jj设备i物种的人工审核数据;σi,j为某一时刻j设备i物种原始监测数据与人工审核数据的相对偏差。

    2)假定|σi,j|≤某一特定值(如初始设定为10%,即原始监测数据与人工审核数据的相对偏差在±10%以内,该指标可根据实际需要进行自定义调整),则认为该时刻这一物种的原始监测数据满足分析应用要求。由于VOCs在线监测设备是连续运行的,根据以上内容,即可获得观测期间不同物种在相对偏差范围内的有效原始数据个数。根据式(2)得出连续运行时段内j设备i物种的有效数据获取率Υi,j

    式中:Υi,jj设备i物种的有效数据获取率,ni,j是指j设备i物种的相对偏差在某一设定范围的有效原始数据个数;Ni,j为应有数据个数(扣除停电等不可抗力所造成的无效数据个数)。

    3)将连续运行时段内某物种有效数据获取率按abc···进行分类,可计算得出该设备连续运行时段内在不同有效数据获取率的可识别物种数量Sj,详见式(3)。

    式中:abc等分别为拟定的有效数据获取率区间范围,如90%、80%、70%等,该区间范围可根据实际需要进行自定义调整;Sa,j为连续运行期间j设备在无人为干预的情况下有效获取率达到a的物种数量;Sb,jSc,j则为j设备在不同有效数据获取率区间可识别的物种数量;Sj为该总的可识别物种数量。

    4)随后通过式(4)计算该设备的DRI值。

    式中:ADRI为数据识别指数;a为小于1的数字;b为小于a的数字,以此类推。

    根据DRI的大小,即可对不同设备原始监测数据的识别能力进行评判。DRI越接近1,则表明该台设备的原始监测结果越接近人工审核结果,其监测结果的准确性越好,更能支撑后续的快速分析应用,其分析结果也更真实;DRI越小,则表示此台设备的原始监测结果越需要人工进行干预,原始监测数据越难以快速分析应用。

  • 以本次VOCs在线监测设备比对结果为例,假定原始监测数据与人工审核数据的相对偏差阈值为10%(|σi,j|≤10%),即认定该时刻这一物种原始监测数据满足分析应用要求。为了区分VOCs在线监测设备对56种VOCs(C2~C12)、低碳VOCs(C2~C5)和高碳VOCs(C6~C12)物种的数据识别能力,根据实验获得的有效原始监测数据量和式(2)可分别计算得出56种VOCs(C2~C12)、低碳VOCs(C2~C5)和高碳VOCs(C6~C12)物种的有效数据获取率Υi,j。然后,再根据有效数据获取率分别按80%以上、60%~80%、40%~60%、20%~40%、20%以下等5个区间进行分类,确定不同级别可识别的物种数量。最后,根据式(4)计算得出每台VOCs在线监测设备对不同评价物种的DRI(见表3)。

    表3可知,针对56种VOCs(C2~C12),A设备原始监测数据与人工审核数据相对偏差在±10%以内,有效数据获取率达到80%以上可识别的物种数为14种,有效数据获取率为60%~80%的物种数为3种,有效数据获取率为40%~60%的物种数为4种,有效数据获取率为20%~40%的物种数为8种,有效数据获取率在20%以下的物种数为27种,A设备的DRI为0.49。根据指数的大小,可以很明显的发现设备F的DRI最高,其原始监测结果最接近人工审核数据,可快速分析应用。各设备的数据识别能力由高到低依次为F、G、C、A、D、E、B和H,这也证明了本方法可对各台VOCs在线监测设备的数据识别能力进行定量区分。

    表3中数据还表明,对高碳VOCs物种的数据识别能力最强的前3名设备分别是F、G和C,与56种VOCs(C2~C12)物种的表现相同;而对低碳VOCs(C2~C5)物种的数据识别能力最强的前3名则分别是设备F、C和G,这表明C设备低碳VOCs(C2~C5)物种的原始数据比G设备更加可靠,相反G设备高碳VOCs(C6~C12)物种的原始数据比C设备更加可靠。另外,设备A、E、F、G和H对高碳VOCs(C6~C12)物种的DRI大于低碳VOCs(C2~C5)物种的DRI,而设备B、C和D则恰恰相反。这说明不同VOCs在线监测设备对低碳VOCs(C2~C5)、高碳VOCs(C6~C12)物种的数据识别能力也有所区别。

    在相同实验条件下,各台VOCs在线监测设备的DRI不同,反映出这些设备在数据识别能力方面的表现有所差异。这种差异的产生除与设备本身的预浓缩和检测方法不同有关,还与设备的日常运行维护情况、分析单元搭载的数采软件自动积分配置情况等有紧密联系。因此,在实际应用中,应注意这些因素对VOCs在线监测设备原始数据质量的影响,以提升设备的快速应用分析能力。

    综上所述,本研究提出的DRI可定量反映VOCs在线监测设备的数据识别能力,特别是对本地排放量较大、臭氧生成潜势较高的VOCs物种的数据识别能力表征,会更有意义。同样,DRI对于大气颗粒物水溶性离子监测设备、重金属监测设备、有机碳/元素碳分析仪等其他在线监测设备也具有参考价值。

  • 1) 8种VOCs在线监测设备在数据识别能力方面的表现存在一定的差异。原始数据与人工审核数据的平均相对偏差为−100%~56 652%。相较于高碳物种,低碳物种的原始监测数据与人工审核数据平均相对偏差更大。

    2)为区分不同VOCs在线监测设备原始数据的准确性,评估每台设备的数据识别能力,本研究提出了DRI的计算方法。该指数的计算过程简单,结果显而易见,便于后期应用开发。

    3)根据应用案例分析可知,DRI可对VOCs在线监测设备的数据识别能力进行定量区分。该评估方法不仅为VOCs在线监测设备的评估工作提供了一种全新的考核指标,而且对其他在线监测设备也具有一定的参考价值。

参考文献 (15)

返回顶部

目录

/

返回文章
返回