"INTRODUCCIÓN Antecedentes Desde la aprobación de la Ley de Aire Limpio @ la Agencia de Protección Ambiental (EPA) ha utilizado numerosos modelos de calidad del aire que relacionan las emisiones de la fuente y los datos meteorológicos con la calidad del aire esperada. La EPA se ha basado en la capacidad predictiva de los modelos de calidad del aire. identificar los niveles de control requeridos para resolver problemas de contaminación del aire industrial y urbano. Los modelos son representaciones matemáticas de los complejos procesos físicos y químicos involucrados en la dispersión@ transformación y deposición de contaminantes. Sin embargo@ la complejidad y las propiedades estocásticas turbulentas de la atmósfera limitan la capacidad de predicción incluso de los mejores modelos. Las incertidumbres en gran parte de los datos de entrada limitan aún más la capacidad de predicción. A través de una serie de documentos de directrices @ 1@2@3, la EPA ha intentado estandarizar los enfoques de modelización para aplicaciones regulatorias. El deseo de coherencia en La aplicación de modelos ha llevado a la EPA a recomendar un modelo particular para cada una de una serie de aplicaciones generales dependiendo del tipo de fuente @ uso de la tierra @ topografía @ contaminantes y los tiempos promedio de interés. La mayoría de los modelos seleccionados por la EPA se basan en las fórmulas gaussianas de fuente puntual de estado estacionario desarrolladas en la década de 1940 con numerosas mejoras para la transformación@deposición@decaimiento@acumulación@agotamiento@ y múltiples configuraciones de fuente y receptor. Estos modelos gaussianos utilizan parámetros empíricos derivados de experimentos de campo para predecir el comportamiento de la dispersión en función de las condiciones meteorológicas. Para estimar estos parámetros de dispersión se utilizaron varios programas de dispersión de trazadores realizados durante las décadas de 1950 y 1960. Los datos de estos experimentos con trazadores se analizaron antes del uso a gran escala de computadoras y de rutinas avanzadas de análisis numérico. Al desarrollar parámetros empíricos de dispersión se reconoció y toleró una incertidumbre sustancial. En 1979, TRC Environmental Consultants Inc. (TRC) llevó a cabo un estudio para el Instituto Americano del Petróleo (API) para evaluar el desempeño de los modelos actuales de calidad del aire utilizando datos de programas de dispersión de trazadores. Este estudio encontró frecuentes grandes discrepancias entre las concentraciones de trazadores observadas y previstas. Lloyd Hellums de Phillips Petroleum concluyó que se podrían mejorar los parámetros de dispersión si se reanálisis de estos datos del trazador con técnicas modernas de ajuste matemático. Por lo tanto, desarrolló una serie de programas informáticos para analizar experimentos con trazadores utilizando una rutina de optimización de mínimos cuadrados no lineal propiedad de Phillips Petroleum. El método se denomina método de transferencia de masa de fuente única (SSMT). Hellums ahora ha analizado datos de doce programas de trazadores para estimar los coeficientes de dispersión para cada experimento de trazador individual. API contrató a TRC para comparar los resultados obtenidos por Hellums con estimaciones anteriores de parámetros de dispersión y evaluar el potencial de utilizar estos resultados para desarrollar modelos mejorados de calidad del aire. Objetivos y enfoque Los dos objetivos principales del proyecto son estimar las incertidumbres inherentes a las predicciones del modelo gaussiano y evaluar la viabilidad de mejorar el rendimiento del modelo mediante el uso de parámetros de dispersión revisados. El SSMT utiliza una técnica de optimización de mínimos cuadrados no lineal para derivar estimaciones de mejor ajuste de los parámetros de dispersión. Los parámetros se eligen para minimizar las diferencias entre las concentraciones de trazadores observadas y las predicciones del modelo gaussiano. Las diferencias (a menudo denominadas "residuales") que quedan @ después de la optimización @ generalmente corresponden a valores de concentración observados que no siguen una distribución gaussiana. Estos valores residuales establecen un límite inferior a la incertidumbre del modelo: no se puede esperar que un modelo gaussiano de calidad del aire en estado estacionario "perfecto" proporcione una mejor coincidencia con las concentraciones observadas que la solución optimizada para cada experimento. Además de las distribuciones no gaussianas, deben abordarse varios otros problemas para evaluar la viabilidad de mejorar los modelos de calidad del aire mediante este enfoque de optimización. Estos incluyen el grado de diferencia entre los parámetros de dispersión actuales y propuestos, la magnitud de las incertidumbres inherentes y la relación entre la dispersión observada y las condiciones meteorológicas. Para (su estudio), el criterio principal utilizado en la investigación del potencial de mejora del modelo fue que los parámetros de dispersión SSMT deberían proporcionar valores de concentración predichos que coincidan consistentemente con los valores observados. El método de optimización opera para minimizar los valores residuales y rutinariamente proporciona "bondad de ajuste". "medidas para cada solución SSMT. Hellums incorporó tres esquemas de ajuste alternativos en los programas SSMT y comparó los resultados de cada esquema. TRC también evaluó los méritos relativos de estas tres alternativas. De estas evaluaciones@ se seleccionó una opción SSMT para un análisis más detallado. Desde un punto de vista práctico, los parámetros de dispersión de experimentos con trazadores individuales no se pueden utilizar para predecir la dispersión a menos que se incorporen dentro de un marco de modelo adaptado a las condiciones meteorológicas del sitio y de la fuente. El enfoque general de desarrollo del modelo intenta combinar estimaciones de dispersión de experimentos con tipos similares. de condiciones clave a través de una "clase de estabilidad atmosférica" que define un índice de turbulencia atmosférica. Actualmente, la comunidad técnica y reguladora utiliza varios esquemas de clasificación de estabilidad. Los esquemas de predicción en los modelos de calidad del aire existentes utilizan la clase de estabilidad atmosférica para seleccionar parámetros de dispersión empíricos apropiados para un evento particular. Los pasos adicionales para evaluar los resultados del SSMT como base para modelos mejorados incluyeron una comparación con estimaciones anteriores de los parámetros de dispersión y un examen de los coeficientes de dispersión del SSMT en función de varios esquemas de clasificación estándar. Durante el curso de un estudio anterior para API@4 TRC desarrolló estimaciones de dispersión para una serie de experimentos con trazadores. Se utilizó un esquema de cálculo relativamente simple, similar a las técnicas de las cuales se derivaron los parámetros del modelo actual. Los resultados del SSMT se compararon con estas estimaciones simples y con los algoritmos de dispersión generalizados empleados en los modelos existentes. Una comparación de SSMT Los coeficientes de dispersión en función de la clase de estabilidad se llevaron a cabo para determinar si los métodos actuales de clasificación de estabilidad son adecuados. En las siguientes secciones de este informe se presenta nuestra evaluación del método SSMT. La Sección 2 define el método SSMT y describe los tres esquemas de optimización alternativos. En la Sección 3@ se proporciona una descripción de la base de datos del experimento del trazador. En la Sección 4@ se presentan los resultados de varios experimentos seleccionados para ilustrar el método. Las Secciones 5 y 6 presentan resúmenes estadísticos que comparan los resultados del SSMT con los valores de concentración observados y con otras estimaciones de parámetros de dispersión. Sección 7 examina los parámetros de dispersión del SSMT en función de la clase de estabilidad atmosférica. Los hallazgos y conclusiones del proyecto se presentan en la Sección 8".
API PUBL 4376-1983 Historia
1983API PUBL 4376-1983 Desarrollo de estimaciones de dispersión mejoradas en experimentos con trazadores