隧道车辆排放污染物分布特性实测

隧道车辆排放污染物分布特性实测
曾粤; 冉福霞; 徐进
【期刊名称】《《科学技术与工程》》
【年(卷),期】2019(019)030
【总页数】7页(P324-330)
【关键词】隧道; PM2.5; 挥发性有机化合物; 分布特征; 通风
【作者】曾粤; 冉福霞; 徐进
【作者单位】重庆交通大学交通运输学院重庆400041; 山区复杂道路环境"人-车-路"协同与安全重庆市重点实验室重庆400074
【正文语种】中文
【中图分类】U453.5
隧道是一个相对封闭的空间，隧道内行驶车辆所排放废气不能自由扩散，且隧道内部的污染物具有一定的特征，研究清楚隧道内污染物的分布特征对于开展其他污染物研究具有重要意义[1]。

隧道通风不足会导致隧道内污染物浓度升高[2]。

为了使隧道通风效果显著，隧道建设成本降低，林炎顷等[3]建立了三维数值模型，对隧道空气流动和污染物分布状况进行了详细的定量描述，为公路隧道净化系统的设计和分析提供了有效的指导。

在城市隧道运营环境中，由于隧道过往车辆增多，且排放大量尾气，导致隧道环境受到污染[4]。

夏丰勇等[5]和王亚琼等[6]建立了公路隧道互补式通风计算模型，提出了双U型通风模式、单U型通风模式和全射流纵向
通风模式。

凌继红等[7]和王生昌等[8]通过构搭建相应的数学模型，探究了不同条件下隧道内
污染物浓度分布情况及影响因素。

韩星等[9]通过模拟实验及数值模拟，对隧道群
中毗邻隧道间污染物的相互影响进行了研究。

由于污染物在风流中的运移过程就是隧道的通风过程，范厚彬等[10]通过隧道风流流动和污染物扩散方程对污染物在风流中的4种运移形式进行了详细的研究。

还有一些学者主要对轻型汽油车的排放污染物进行了研究。

Lawrence等[11] 利用隧道测量技术定量分析来自排气源和非排气源的车辆颗粒物PM10排放因子。

Huang等[12]和Liu等[13]根据测功机试验和隧道试验确定轻型汽油车的排放因子。

Pang等[14]研究了轻型汽油车的挥发性有机化合物(volatile organic compounds,VOCs)排放趋势。

目前，前人集中在研究主要是针对公路隧道和平原城市的下穿隧道，但对山地城市隧道排放污染物研究缺乏关注，而山地面积占整个国土面积的60%以上[15]，山
地城市的数量众多，对山地城市隧道污染物分布的实测和分析有重要意义。

重庆是地形起伏山水相间的山地城市，隧道在其城市道路运行体系中占有十分重要的地位。

重庆城市道路为了契合沟谷交错的起伏地形，为自由式路网格局，隧道的建设、汽车的行驶状态与道路线形之间的关系非常密切。

为此，以重庆为研究对象，在重庆市内选取5条典型隧道，对隧道路段的汽车排放污染物浓度进行采集，分析汽车
排放污染物的浓度分布特性，为隧道的通风设计和改善隧道空气质量提供一定参考。

1 实验方案
1.1 实验道路
综合考虑交通量、技术等级、隧道全长和所属区域等因素，在重庆市选取5条典
型隧道作为实验对象，实验隧道名称以及主要信息如表1所示，实验隧道位置如
图1所示。

表1 实验隧道名称以及主要信息Table 1 Test tunnels name and their main information隧道名称隧道长度/m车道数隧道位置南城隧道1 445单向两车道商圈中心南坪隧道1 241单向三车道商圈外围石黄隧道1 016单向两车道商圈外圈嘉华隧道1 370单向两车道商圈外围向黄隧道1 025单向两车道郊区
图1 隧道位置及长度Fig.1 Test tunnels location and their length
1.2 实验设备
实验所用仪器如图2所示，分别为BR—Smart—126 PM2.5检测仪和HT-305激光测距仪。

BR—Smart—126检测仪主要应用于对隧道内颗粒物PM2.5和VOCs 的浓度检测，其测量精度为±0.1 μg/m3。

HT—305激光测距仪用于测距，确定测试点位置，仪器量程为0.2～50 m，其测量精度为±0.002 m。

图2 实验仪器Fig.2 Experiment apparatus
1.3 采集位置
为了得到PM2.5和VOCs值在隧道的分布情况。

由于在隧道不同位置所测得
PM2.5和VOCs可能存在较大差异，因此把隧道分为3个部分进行测量(图3)。

在驶入、驶出方向隧道内200 m测量时，以每40 m为一检测点；在驶入、驶出方向隧道口外100 m处测量时，以每20 m为一检测点；最后隧道内部以每100 m 为一检测点。

图3 测量点的选择Fig.3 The selection of test points
1.4 观测时间
实验的时间为2017年4月中旬。

由于雨水对空气中的细粒污染物有净化作用，为减少雨天对实验的影响，选取晴天或多云天气进行实验。

考虑到高峰时段和平峰时段通过隧道的交通量不同，所测得的PM2.5和VOCs值也不同。

因此分别选取高峰时段和平峰时段进行测量，选取的高峰时段为11:40～12:42、17:30～18:40，平峰时段为15:30～17:10、10:48～11:48(表2)。

为保证样本变量的多样性，选
取不同时间段对隧道进行测量，以研究不同情况下所测得的实验结果的变化规律并证明实验结果的通用性。

表2 测量时间Table 2 Time of measure隧道名称测量日期星期天气测量时间段南城隧道2017.04.14周五晴16:00～17:1018:10～18:40南坪隧道2017.04.15周六多云15:30～16:3017:30～18:10嘉华隧道2017.04.17周一多云10:53～11:3312:10～12:42石黄隧道2017.04.18周二晴10:48～11:1511:40～12:05向黄隧道2017.04.19周三晴11:20～11:48
2 PM2.5与VOCs分布特征
2.1 PM2.5连续分布特征
如图4所示，嘉华隧道高峰时期、石黄隧道和南城隧道平峰时段的颗粒物浓度在洞口附近呈先下降后上升的变化，这是由于洞口收窄的端口效应，风压作用加强，带走了隧道入口处的颗粒物，因此PM2.5浓度先下降，随后因污染物的积累而上升。

图4(c)中南城隧道在进入洞口前40 m处，因有一定坡度，发动机轻微制动，车速变缓，故PM2.5浓度稍有增加。

至隧道口时，浓度快速上升，达到峰值，是由于驾驶员考虑暗适应，采取减速措施，易在此处造成堵塞，故浓度快速增加。

图4 隧道PM2.5浓度分布Fig.4 The concentration distribution of PM2.5 in tunnels
隧道内空气在车辆的带动下会被推动流向车流前进的方向，由此形成活塞流。

在接近隧道出洞口处，由于活塞风射流作用，使得出洞口附近的PM2.5浓度维持在隧道内部上升的趋势，接近出洞口时易形成一个小峰值。

由图4(c)可知，南城隧道从1 390 m处开始至隧道口，高峰时段PM2.5浓度呈下降趋势，这是由于车辆在接近隧道口时，车速开始降低，且隧道口顺接弯道，导致车距变大，尾气排放浓度降低。

出隧道后浓度先增加后下降，是由于出洞后驾驶员产生明适应现象，先降低车速再逐渐开始提速，并且该处有合流路段，易导致车辆堵塞，因此PM2.5浓度
先上升，但是由于南城隧道出口处靠近长江，空气流速大通风性好，导致PM2.5浓度先上升，在几十米后就快速下降。

隧道从入口至出口路段出现了几个峰值，是由于受到隧道内设置了排风扇的缘故，导致颗粒物浓度分布在隧道内呈现波动状态。

PM2.5浓度在接近隧道中部达到高峰，其原因可能是随着活塞风和汽车排放的扰动，导致PM2.5浓度逐渐增加，且隧道中后部较不通风。

2.2 VOCs连续分布特征
由图5可知，当汽车从洞外进入隧道内时，VOCs浓度均呈下降趋势。

这是由于驾驶员在邻近隧道口处采取减速措施，发动机转速变小，燃油消耗量减少，相应的燃油挥发量也变少，且愈接近洞口，交通风变大，尾气向四周吹散，浓度降低。

隧道前部路段浓度有所增加，但增加范围很小，是由于该路段有暗适应，汽车车速较低或处于怠速状态，加之车流量较大，有一定拥堵情况，又因为交通风的影响，故浓度虽有增加，幅度却不大。

车辆进入隧道，往往有一个加速过程，随着发动机转速提高，燃油消耗增加，温度上升，挥发性有机物增加，VOCs浓度提高，并一直保持上升趋势。

在设置了通风扇的路段，VOCs浓度波动频繁。

由于隧道内通风情况差，在图5(b)中，石黄隧道平峰时期的VOCs排放量在进入隧道前100 m，污染物浓度先上升后下降。

在前40 m浓度上升，是由于该路段有弯道，车辆减速，发动机温度升高，燃油挥发增强，后60 m浓度降低，是由于道路有弯道变成平直路段，速度再次增加。

图5 隧道VOCs浓度分布Fig.5 The concentration distribution of VOCs in tunnels
2.3 隧道污染物分布的整体特征
由图6可知，与其他隧道样本相比，南坪隧道PM2.5整体浓度值偏高，且其隧道
中部的PM2.5浓度最高，为142.33 μg/m3。

石黄隧道PM2.5整体浓度偏低，且其隧道前部的浓度最低，为56.17 μg/m3。

从整体来看，PM2.5浓度分布值在隧道前和隧道后浓度较低，在隧道内部较高。

在隧道洞口处由于污染物累积导致颗粒物浓度上升，越接近隧道内部，隧道通风条件越差，PM2.5浓度值越高。

隧道内部环境封闭，PM2.5在洞内不易扩散，使得隧道内PM2.5的含量仍保持在一定的范围内，并在隧道内部到达峰值。

与其他隧道相比，南坪隧道VOCs整体浓度值偏高，且其隧道内部的VOCs浓度均值最高，为133 mg/m3。

嘉华隧道VOCs浓度均值在隧道前部最低，为79.5 mg/m3。

由图6(b)可知，从整体来看，隧道内部VOCs浓度明显高于隧道前和隧道后的VOCs浓度，与PM2.5浓度分布类似。

这主要是由于隧道内通风不良，污染物积聚而造成。

PM2.5和VOCs浓度分布值在进洞前和出洞后较隧道内部低，分析其原因是由于隧道外环境开阔，尾气容易扩散，并且由于周围干净空气的稀释，使得PM2.5浓度和VOCs浓度在隧道口周围较低。

3 不同时段排放污染物浓度的差异
为研究不同时段的污染物浓度分布规律，在高峰时段和平峰时段分别采集隧道污染物浓度数据，并对采集的实验隧道数据进行整体分析。

图7所示为两个时段的PM2.5和VOCs浓度分布图。

图6 隧道排放污染物的浓度分布Fig.6 Concentration distribution of pollutants discharged in tunnels
图7 不同时段PM2.5和VOCs的浓度分布Fig.7 The concentration distribution of PM2.5 and VOCs in different period
图7(a)中，嘉华隧道的PM2.5浓度在平峰与高峰时相差约9 μg/m3，石黄隧道的PM2.5浓度在平峰与高峰时相差约1 μg/m3，南城隧道的PM2.5浓度在平峰与
高峰时相差约3 μg/m3，南坪隧道的PM2.5浓度在平峰与高峰时相差约10
μg/m3，总体来说，隧道的PM2.5浓度在平峰和高峰时相差不大，相差在1～10 μg/m3，高峰时期的PM2.5浓度略大于平峰时期的PM2.5浓度。

如图7(b)所示，嘉华隧道的VOCs浓度在平峰与高峰时相差约35 μg/m3，石黄隧道的VOCs浓度在平峰与高峰时相差约15 μg/m3，南城隧道的VOCs浓度在平峰与高峰时相差约22 μg/m3，南坪隧道的VOCs浓度在平峰与高峰时相差约15 μg/m3，总体来说，隧道的VOCs浓度相差在15～35 μg/m3，高峰时期的VOCs浓度大于平峰时期的VOCs浓度。

由此可见，高峰时段的排放污染物浓度要高于平峰时段的排放污染物浓度，这是由于高峰时段的车流量比平峰时段的车流量大的缘故，即单位时间内通过的车流量越大，隧道内污染物的浓度越高。

4 土地开发强度对污染物的影响
为研究土地开发强度的汽车尾气与污染物浓度分布规律，将采集的实验隧道数据按区域划分进行整体分析。

在天气情况大致相似的情况下对南坪隧道、嘉华隧道和向黄隧道实测PM2.5和VOCs浓度变化趋势，其中南坪隧道位于商圈中心，嘉华隧道位于商圈外围，向黄隧道位于郊区，图8所示为3个不同区域的实测PM2.5和VOCs浓度变化趋势图。

由图8可知，商圈中心隧道的PM2.5浓度处于110～160 μg/m3，商圈外围隧道的PM2.5浓度处于30～150 μg/m3，郊区隧道的PM2.5浓度处于40～70
μg/m3。

商圈中心隧道的VOCs浓度处于90～160 μg/m3，商圈外围隧道的VOCs浓度处于40～120 μg/m3，郊区隧道的VOCs浓度处于40～60 μg/m3。

图8 不同区域PM2.5和VOCs浓度分布Fig.8 The concentration distribution of PM2.5 and VOCs of different regions
通过对比，可知商圈中心的PM2.5和VOCs浓度在这三个区域都是最高的。

针对
三个区域数据分析可知，在同一个城市的不同区域间，隧道空气中的PM2.5和VOCs浓度的含量存在较大差异。

造成区域间污染物排放的主要差异为地理位置和交通的原因。

商圈中心隧道比郊区机动车多，而机动车尾气排放是PM2.5和VOCs的重要来源。

在较为繁忙的隧道路段，机动车混合气体的燃烧速度减慢，引起不完全燃烧，尾气排放增加，且隧道内部通风性能较差，从而导致污染物排放量增加。

5 通风效果评价
目前按PM2.5划分空气质量等级的标准如表3所示。

南坪隧道空气质量处于中度污染状态，其他试验隧道的空气质量均处于轻度污染水平。

PM2.5浓度在各个隧道内都处于波动状态，并且测量到的PM2.5浓度的最高值都在隧道内部，即隧道内部空气质量较差。

但距离洞口越近，PM2.5浓度越低，空气质量越好。

表3 空气质量等级划分标准Table 3 Classification criterion of air quality空气质量指数(AQI)PM2.5日均值空气质量等级0～500～35优51～10035～75良101～15075～115轻度污染151～200115～150中度污染201～300150～250重度污染>300>250严重污染
隧道内部颗粒物的净化效率φ计算公式如式(1)所示：
(1)
式(1)中：为隧道内部颗粒物浓度均值，μg/m3；ρ1为隧道入口外环境颗粒物浓度均值，μg/m3；ρ2为隧道出口外环境颗粒物浓度均值，μg/m3。

按式(1)计算各条隧道的净化效率，结果如表4所示。

表4 隧道PM2.5净化效率Table 4 PM2.5 cleaning efficiency in tunnels隧道PM2.5净化效率/%高峰平峰南城隧道-13.16.6南坪隧道-12.5-3.2嘉华隧道-11.7-33.4石黄隧道-22.8-10.5向黄隧道--0.1
6 结论
在重庆选取5条代表山地城市特殊地貌的隧道作为实验隧道，采集不同时段的隧
道PM2.5和VOCs值，得出如下结论。

(1)单位时间内通过的车流量越大，隧道内污染物的浓度越高。

通过分析隧道内
PM2.5、VOCs的浓度可知，高峰时段隧道污染物浓度在高于平峰时段隧道污染物浓度，商圈中心隧道污染物浓度高于商圈外围隧道和郊区隧道污染物浓度，商圈外围隧道污染物浓度高于郊区隧道污染物浓度。

(2)弯道使PM2.5浓度降低，VOCs浓度增高。

这是由于在弯道路段，汽车减速，汽车耗油量较少，尾气减少，故PM2.5浓度降低；同时发动机温度增加，燃油挥发性增强，故VOCs浓度增高。

(3)通风装置有利于改善通风条件，使污染物浓度降低。

实验结果表明，5条隧道
样本的通风效果均不理想，相比之下，向黄隧道、南城隧道的通风效果表现较好，南坪隧道、石黄隧道的通风效果表现较差，嘉华隧道的通风效果表现最差。

因此需进一步加大优化隧道内部的通风设施，同时在优化隧道内部的通风设计时，应结合隧道内部车辆排放污染物的分布情况进行考虑，提高隧道内部的通风效果。

(4)隧道两端污染物浓度低于中间路段污染物浓度。

因为隧道两端更接近外部空间，通风条件较好，故而浓度两端污染物浓度较低。

参考文献
【相关文献】
1 张梦成, 谭洪卫, 胡婷莛, 等. 基于移动监测的隧道内部PM2.5与PM10质量浓度分布研究[J]. 环
境工程, 2017, 35(6): 122-129
Zhang Mengcheng, Tan Hongwei, Hu Tingting, et al. Study on PM2.5 and PM10 mass
concentration distribution in tunnel based on mobile monitoring[J]. Environmental Engineering, 2017, 35(6): 122-129
2 Brousse B, Vidal B, Ponticq X, et al. Pollution dispersion at an urban motorway tunnel portal： comparison of the small-scale predictive study with the actual conditions measured on the site[J]. Atmospheric Environment, 2018, 39(13): 2459-2473
3 林炎顷, 南硕, 常军, 等. 整条公路隧道通风与净化的三维数值模拟[J]. 隧道建设, 2018, 38(2): 232-239
Lin Yanqing, Nan Shuo, Chang Jun, et al. 3D numerical simulation of ventilation and purification of whole highway tunnel[J]. Tunnel Construction, 2018, 38(2): 232-239
4 孙薇莉, 林婷莹. 城市轨道交通隧道事故通风网络动力匹配方法[J]. 科学技术与工程, 2014, 14(24): 281-286
Sun Weili, Lin Tingying. Matching network power in city track traffic tunnel accident in the ventilation[J]. Science Technology and Engineering, 2014, 14(24): 281-28
5 夏丰勇, 谢永利, 王亚琼, 等. 特长公路隧道互补式通风模式[J]. 交通运输工程学报, 2014, 14(6): 27-34
Xia Fengyong, Xie Yongli, Wang Yaqiong, et al. Complementary ventilation modes of extralong highway tunnel[J]. Journal of Traffic and Transportation Engineering, 2014, 14(6): 27-34
6 王亚琼, 夏丰勇, 谢永利, 等. 特长公路隧道双洞互补式通风物理模型试验[J]. 中国公路学报, 2014, 27(6): 84-90
Wang Yaqiong, Xia Fengyong, Xie Yongli, et al. Physical model experiment on complementary ventilation of extra-long highway tunnel[J]. China Journal of Highway and Transport, 2014, 27(6): 84-90
7 凌继红, 李放, 李建兴, 等. 自然开口及射流风机位置对公路隧道CO浓度分布的影响[J]. 公路交通科技, 2014, 31(8): 151-158
Ling Jihong, Li Fang, Li Jianxing, et al. Influence of position of natural openings and jet fans on CO concentration distribution in urban tunnel[J]. Journal of Highway and Transportation Research and Development, 2014, 31(8): 151-158
8 王生昌, 李百川. 公路隧道汽车污染物基准排放量[J]. 长安大学学报(自然科学版), 2005, 25(1):
77-81
Wang Shengchang, Li Baichuan. Criterion emission amount of automotive pollution in highway tunnel[J]. Journal of Chang′an University (Natural Science Edition), 2005, 25(1):
77-81
9 韩星, 杨洁, 张翛. 毗邻隧道上游污染物对下游影响的研究[J]. 地下空间与工程学报, 2015, 11(3): 81-87
Han Xing, Yang Jie, Zhang Xiao. Study of the secondary pollution in adjacent tunnel from upstream to downstream[J]. Chinese Journal of Underground Space and Engineering,
2015, 11(3): 781-787
10 范厚彬, 樊志华, 董明刚. 公路长隧道污染物的运移机理及一维解析分析[J]. 交通运输工程学报, 2002, 2(3): 57-59
Fan Houbin, Fan Zhihua, Dong Minggang. Mechanism of pollutant movement in a long highway tunnel and one-dimensional analysis[J]. Journal of Traffic and Transportation Engineering, 2002, 2(3): 57-59
11 Lawrence S, Sokhi R, Ravihdra K. Quantification of vehicle fleet PM10 particulate matter emission factors from exhaust and non-exhaust sources using tunnel measurement techniques[J]. Environmental Pollution, 2016(210): 219-228
12 Huang C, Tao S, Lou S, etc. Evaluation of emission factors for light-duty gasoline vehicles based on chassis dynamometer and tunnel studies in Shanghai, China[J]. Atmospheric Environment, 2017(169): 193-203
13 Liu Y, Wang S, Lohmann R, et al. Source apportionment of gaseous and particulate PAHs from traffic emission using tunnel measurements in Shanghai, China[J]. Atmospheric Environment, 2015(107): 129-136
14 Pang Y, Fuentes M, Rieger P. Trends in the emissions of Volatile Organic Compounds(VOCs) from light-duty gasoline vehicles tested on chassis dynamometers in Southern California[J]. Atmospheric Environment, 2014(83): 127-135
15 胡静, 蔡静波, 刑雪, 等. 山地城市长上坡路段PM2.5浓度分布特性实测[J]. 科学技术与工程, 2018, 18(11): 318-325
Hu Jing, Cai Jingbo, Xing Xue, et al. Field measurement of PM2.5 concentration distribution in long uphill section of mountain city[J]. Science Technology and Engineering, 2018, 18(11): 318-325。