< Terug naar vorige pagina

Project

Lagrangiaanse dispersiemodellering in een horizontaal homogene meteorologie voor efficiënt data-assimilatieontwerp

Atmosferische dispersiemodellen zijn een standaard onderdeel geworden van noodplanning- en noodresponssystemen die de impact op gezondheid en omgeving van een schadelijke pluim in de atmosfeer beoordelen. Vooral in de nabije veldomgeving is de evolutie van een pluim uitdagend om te voorspellen door een ingewikkelde geometrie van de lozingsplaats. Een breed scala aan dispersiemodellen bestaat, van eenvoudige Gaussische modellen tot de meer complexe modellen op basis van computationele vloeistofdynamica. De modellen verschillen vooral in de mate van detail waarmee terreinconfiguraties (gebouwen, vegetatie, enz.) en meteorologie (windveld, turbulente diffusiviteit, enz.) voorgesteld worden. Eerste orde Lagrangiaanse stochastische (LS) dispersiemodellen bieden een goed evenwicht tussen verbeterde fysische beschrijvingen en computationele complexiteit, in het bijzonder in de nabije veldomgeving. Deze modeleigenschap is wenselijk voor gebruik in noodresponssystemen, wat het kader is waartoe het huidige werk wenst bij te dragen. De focus ligt daarom op het Langevinmodel, een veelgebruikt eerste orde LS model. Modelinversie is een onmisbaar instrument in noodsituaties aangezien het toelaat om gevoelige modelparameters te schatten uit detectiemetingen als geen andere data beschikbaar zijn. In geval van een Langevinmodel vereist dit echter het in rekening nemen van een zesdimensionale faseruimte wat computationeel belastend is. Een efficiënte data-assimilatiemethode voor modelinversie van het Langevinmodel in horizontaal homogene meteorologische omstandigheden wordt voorgesteld. Bovendien worden de dispersiemodellen, die gekoppeld zijn aan een ambient gammadosistempomodel, gevalideerd in de nabije veldomgeving met routine Ar-41-lozingen van een nucleaire onderzoeksreactor, wat in het bijzonder van belang is voor radiologische noodsituaties.

Eén van de voornaamste onzekerheden in dispersiesimulaties in de nabije veldomgeving is de voorstelling van terreineffecten. Het eerste deel van het huidige werk focust op het kwantificeren van dit type onzekerheid voor dosistempovoorspellingen over een homogene bosbegroeiing. Ambiente gammadosistempodata van routine Ar-41-lozingen aan de Belgische reactor BR1, die gesitueerd is in een bosomgeving, zijn beschikbaar in de eerste 300 m van het lozingspunt. Een bosparameterisatie wordt ontwikkeld die voldoet aan de specifieke noden van deze plaats en het wordt geïntegreerd in verschillende dispersiemodellen. Drie types dispersiemodellen worden vergeleken door gebruik te maken van de verschillende parameterisaties voor terreinruwheid: een Langevinmodel, een advectie – diffusiemodel en een Gausisch pluimmodel als een speciaal geval van de vorige. Alle modellen zijn vertekend bevonden tot op een factor vier, deels door de onzekere bronsterkte. De onzekerheid op het dosistempo tussen de modellen onderling is een factor 2.2 voor een schouwlozing en een factor 14 voor een grondlozing.

In het tweede deel van het huidige werk wordt een data-assimilatiemethode, die ingebed is in een Bayesiaans inferentiekader, ontwikkeld voor modelinversie van het Langevinmodel in horizontaal homogene meteorologische omstandigheden. Eerst wordt een kerndichtheidsschatter voor het concentratieveld gepresenteerd die een variatie is op de klassieke kernel smoother. Bovendien wordt deze schatter rigoreus afgeleid van de Langevinvergelijking door gebruik te maken van padintegraaltheorie. Het bestaat eenvoudigweg uit het product tussen een Gaussische kern en een 1D kernel smoother. De bijzondere eigenschap van deze schatter op basis van padintegralen (PI) is dat een 3D-concentratieveld geschat wordt met de hogere convergentiesnelheid van een 1D kernel smoother t.t.z. 4/5 in plaats van 4/7 die van toepassing is op een 3D kernel smoother. Zijn numerieke convergentiesnelheid en efficiëntie worden vergeleken met die van een 3D kernel smoother. De convergentiestudie toont dat de PI-schatter een superieure convergentiesnelheid heeft met een efficiëntie die, in termen van de gemiddeld geïntegreerde kwadratische fout, vergelijkbaar is met diegene van de optimale 3D-Epanechnikovkern. Ten tweede wordt het aangetoond dat de PI-schatter een gemakkelijke afleiding van kernschatters toelaat voor de sensitiviteiten van eerste en tweede orde van het concentratieveld. Behalve dat deze schatters de verbeterde convergentiesnelheid van 4/5 overnemen, is slechts een enkele voorwaarste simulatie van het dispersiemodel vereist om alle sensitiviteiten te evalueren. De keuze van de controlevariabelen is echter beperkt tot de parameters die dispersie beschrijven in de horizontale richtingen en de bronterm. Het voordeel van de PI-schatter over een 3D kernel smoother is dat meer modelparameters verkiesbaar zijn als controlevariabele met de voorgestelde methodologie. Het wordt aangetoond dat de data-assimilatiemethode in staat is om de invoerparameters van voorwaarste simulaties met hoge nauwkeurigheid terug te vinden, wat de goede werking van de methode aantoont. Tot slot wordt de data-assimilatiemethode gedemonstreerd op de datacollectie van het welgekende Project Prairie Grass.

Datum:1 okt 2016 →  25 feb 2022
Trefwoorden:computational fluid dynamics
Disciplines:Productietechnieken, Veiligheidsingenieurswetenschappen, Mechanica, Mechatronica en robotica, Thermodynamica, Elektrische energietechniek, Energieopwekkings-, conversie- en opslagtechniek
Project type:PhD project