https://www.peren-revues.fr/pollutionatmospherique/876 Entrées d’index fr 0 https://www.peren-revues.fr/pollutionatmospherique/7049 La législation environnementale impose aux grandes installations industrielles de déclarer leurs émissions rejetées dans l'atmosphère. La mesure de ces émissions étant onéreuse et techniquement difficile, plusieurs méthodes d'estimation de ces émissions sont acceptées comme alternatives à la mesure directe, l'une d'entre elles étant celle de corrélation. La méthode de corrélation nécessite une campagne spéciale de mesure de ces émissions, à partir de laquelle on établit un modèle empirique par rapport aux variables caractérisant le fonctionnement de l'installation. Cette étude est consacrée au développement d'une méthode de corrélation basée sur un modèle linéaire (régression multiple) ou non linéaire, de type réseaux de neurones, pour estimer les émissions de CO2 et NO2 d'un four de réchauffage d'un laminoir de l'industrie sidérurgique. Les résultats obtenus sont très satisfaisants, de l'ordre de grandeur de l'erreur de mesure pour les deux polluants en utilisant les réseaux de neurones, et assez satisfaisants pour le CO2 dans le cas du modèle linéaire. Les résultats intégrés sont comparés à la valeur globale obtenue en utilisant la méthode du facteur d'émission de l'installation. Environmental legislation requires air pollutant monitoring of large industrial installations emissions. Most of the available measurement techniques being expensive and technically difficult, some other estimation methods are accepted, alternatively, one of them being the correlation one. The correlation method requires a special monitoring campaign of the emissions, which are further used to build an empirical model, in relation with the main process variables. This study is devoted to the development of a correlation method based on a linear model (multiple regression) or a non linear one, e.g. artificial neural networks, in order to estimate the CO2 and NO2 emissions of a re-heating furnace used in the steel industry. The performance of the neural networks is very good for both types of emissions, being comparable to the measurement error. For the CO2 emissions, the linear model gives satisfactory results, too. The results are compared to the global value obtained using the emission factor method. mar., 07 mai 2024 09:20:02 +0200 mar., 07 mai 2024 09:20:08 +0200 https://www.peren-revues.fr/pollutionatmospherique/7049 https://www.peren-revues.fr/pollutionatmospherique/873 Cet article propose un état de l'art sur la modélisation inverse basée sur l'utilisation des méthodes statistiques pour la prévision des concentrations des particules dans l'air. Ces outils mathématiques sont applicables aux séries temporelles de mesures fournies par les capteurs des réseaux de surveillance de la qualité de l'air pour faire des prévisions et envisager des éventuelles mesures d'urgence ; dans le domaine de l'air intérieur, leur utilisation sera d'autant plus précieuse que peu de modèles déterministes sont applicables à l'heure actuelle. Cet état d'art inclut d'abord les modèles linéaires, en mettant l'accent sur les modèles autorégressifs ; parmi les modèles non linéaires, les réseaux de neurones ont été beaucoup utilisés, et on trouve un nombre non négligeable d'applications différentes dans la littérature. On citera également l'utilisation plus originale des systèmes dynamiques basés sur la théorie du chaos ou du filtre de Kalman. Des résultats plus performants ont été obtenus par des modèles hybrides (en combinant plusieurs modèles) ou en appliquant un prétraitement aux données d'entrée. This paper is a review of the main mathematical methods applied for an inverse modelling of particulate matter concentrations. These mathematical tools can be applied to time series data provided by the air pollution monitoring networks in order to forecast the air pollutant concentration and help to take urgent decisions; indoor air quality forecast based on statistical modelling is a very important topic because there are very few applications in this field.The following models are reviewed: linear ones, and in particular autoregressive models, but also non linear models, especially the artificial neural networks, extensively applied in the literature. Some models originally applied for particulate matter concentrations forecast are the dynamic systems based on the chaos theory and the Kalman filter. Many authors concluded that best performance is obtained by hybrid modelling (combining several models) or applying a specific pre-processing to input data. mar., 09 avril 2013 13:33:21 +0200 lun., 22 mai 2017 15:10:17 +0200 https://www.peren-revues.fr/pollutionatmospherique/873