公路设计与交通需求组成对机动车排放影响分析Word文档格式.docx

1、Key words: vehicle emission, highway design, traffic composition, VISSIM, MOVES 引言：多哥位于非洲西部，介于北纬6-11、东经0-2之间，面积56785平方公里。东邻贝宁，西靠加纳，北接布基纳法索，南部濒临几内亚湾。国土南北长600余公里，东西宽50-150公里，呈走廊形。海岸线长54公里。目前该国经济较为落后，公路是其国内主要运输方式，壹号公路是境内唯一一条贯穿南北的等级公路，南起首都洛美，北至与布基纳法索接壤的Cinkasse，穿越5个行政区划，全长近700公里。该公路建成年代较早，但最近10年多数段落委托外国

2、公司进行了改造，路况较好。目前，由我公司设计施工总承包的洛美绕城项目（一级公路）和壹号公路改建项目（二级公路）正在施工建设中，通过与当地政府不断的交流，感受到多哥政府在加快经济发展的同时，也逐渐重视环境保护，这对接下来在公路设计上对环境影响的决策提出了更高的要求。机动车尾气已被认为是城市空气的主要污染源之一。车辆排放会对路边行人和城市居民身体健康造成较大危害1。与城市道路相比，公路的重型货车比例较高，重型柴油车比轻型车会产生的更多的PM2.5和NOx排放2，这些排放毒性大，尤其是PM2.5，已成为首要的大气污染物。因此，量化公路机动车尾气排放很有必要。从交通的角度来说，机动车的尾气排放与道路设

3、计和交通活动有直接关系。道路属性能影响机动车的运行状况，而机动车的交通运行数据是机动车尾气排放模型的关键输入数据之一，排放对于运行的敏感性很高34。现有交通检测和调查虽然可以获得较为准确的运行数据，然而排放建模的数据精度要求和覆盖范围要求越来越高，调查的覆盖范围却是有限的，。此外，由于重型车排放率高，不同地区的公路交通组成数据差异，尤其是重型车比例的变化，可能对道路车辆排放造成很大影响。交通仿真模型可以对真实道路交通情况进行模拟，并输出详细的运行信息。本文将利用VISSIM交通仿真模型和美国环保署开发的新一代MOVES排放模型5进行公路机动车排放评估和影响因子研究。需要注意的是，交通模型最开始

4、并不是评估激动和尾气排放而开发的，VISSIM输出车辆轨迹在加减速特性上与实际情况有所差异，且不能直接考虑道路坡度对于车辆运行和功率的影响。因此，将VISSIM输出数据作为尾气排放模型MOVES的输入数据时，需要首先对数据进行预处理，以避免衔接不匹配的问题。本研究旨在分析不同道路设计（坡度和交叉口密度）与交通组成情况下对公路机动车的排放影响。在进行排放评估建模之前，收集了大量实测流量、车速和道路属性数据，并在VISSIM建模前后分别进行模型参数修正和输出轨迹再处理，使其适用于排放为目的研究。此研究期望为公路设计和交通管理的环境影响评估提供便捷方法。1实地数据收集与处理 本文选取在建的非洲多哥洛

5、美绕城公路（一级公路）和壹号公路（二级公路）作为案例进行排放分析，首先需进行实地数据收集。以车辆排放为研究对象，排放与荷载功率，以及运行工况有关，各段公路的车型组成也有较大差异，因此本研究收集了交叉口密度、坡度、以及交通组成数据进行排放因子分析。两类道路均采用中国公路设计标准，所得结果在国内也有一定借鉴意义。1.1交通需求数据 根据实地调查，整理得出壹号公路分段交通量和车型组成如下表所示。大部分路段的小客和轻卡（小型车）所占比重最大，其次为小型货车，但是在离洛美港较远的路段，如 Kante至 Tandjouare，拖挂车所占的比重均高于小型货车。表 1各段公路车型组成和交通量（辆/日） 路段

6、小客 轻卡 重卡 托挂 公交 Kante-Tandjouare 41% 14% 13% 31% 1.20% Kara-Kante 38% 18% 8% 35% 1.00% Notse-Atakpame 35% 27% 14% 22% 1.80% Tsevie-Notse 25% 39% 20% 15% 1.00% Atakpame-Blitta 46% 22% 10% 20% 1.80% Lome-Tsevie 38% 41% 10% 10% 0.50% 1.2道路属性数据 公路坡度和平面交叉口密度来自道路施工设计资料。洛美绕城的一级公路的上坡设计坡度在0-3%，壹号二级公路在0-6%范围。本

7、文在两条公路中选取10个500米左右的区段，坡度从0-6%不等。此外，还选取了10个交叉口密度不同的区段（1km-2km不等，交叉口间距300m-1500m不等），这些分别用于公路坡度和交叉口密度的排放分析案例。 1.3车速实测 排放对机动车运行速度的变化非常敏感，本文利用皮尺和秒表，以车辆经过固定距离记录行程时间的方法，对平坦道路下各类车型的期望车速，以及不同坡度下的车速信息分别进行收集。根据车型性能差异，分两类车型（轻型车：包括小客和轻卡；重型车：包括重卡、拖挂和公交）。1）期望车速 期望车速是指在自由流的交通情况下，驾驶员根据自己习惯所达到的最大、最舒适的车速。由于研究区域为一二级公路，

8、交通需求不大，长期处于通常状态，因此可以很方便的检测各类车型的期望车速。研究共收集了轻型和重型车各100辆的期望车速，按车速从小到大的累计分布如图所示，其中轻型车的期望车速跨度较大（65-110km/h），且呈现正态分布特征。图 1 两类车型的期望车速 2）坡度与车速的关系拟合 和平坦条件相比，车辆在公路上坡段做功更多，加上研究区域重型车比例较高，普遍超载，车辆爬坡车速明显低于平坦道路，会对应更高的排放。本研究运用秒表法实地检测了不同路段坡度对应各类车型的车速。如图2所示，由于车辆荷载和爬坡能力的差异，坡度对于重型车车速的影响大于轻型车。图 2 公路上坡坡度与实测车速的关系 2排放平台介绍和建

9、模操作 本研究以排放模型MOVES和交通仿真模型VISSIM的结合作为排放平台，将实测数据输入平台进行尾气量化评估。MOVES是2010年美国环保署正式推出的新一代车辆排放模型，该模型集宏观、中观和微观层面为一体。与以往排放模型相比，MOVES最大的特点是储存有各类车型在各车速、比功率下的排放清单，并使用“Binning Approach”将排放清单和输入的车辆运行数据进行匹配，可以充分考虑实地路况和车况，使得排放建模的普适性更强。在MOVES微观层面，可输入逐秒车速、坡度、油品、车队等数据，并进行排放计算。然而，MOVES需要非常详细的输入数据，尤其是逐秒车辆运行数据难以获取。对此，本研究选

10、用普及率很高的VISSIM微观交通仿真模型，通过路况建模，导出所研究道路的逐秒车速，再导入MOVES进行排放评估。图 3 基于VISSIM和MOVES的排放建模流程 首先，根据在建公路的实际情况，本文选取了不同坡度、交叉口密度和交通需求组成的路段进行VISSIM建模。在VISSIM建模的过程中，交通需求组成数据见表1，公路的轻型车和重型车期望车速数据见图1，不同道路坡度的对应车速见图2所示。本文一共选26条路段进行VISSIM建模，如表所示，每一个角度排放分析所选的路段，其他的属性是基本相似的。表 2 VISSIM建模的26条路段分布 路段数 长度（m） 分析角度 取值范围 6 500-100

11、0 交通组成 轻车55%-80% 10 500-1000 坡度 坡度0-10% 10 2000-5000 交叉口密度 间距500-3000m 由于VISSIM交通仿真模型内核为Wiedemann生理-心理驾驶行为模型，并没有考虑该模型其用于排放的作用。有研究表明，从排放的研究角度，VISSIM仿真的加减速特性与真实情况不太相符6，因此选用Akcelik和Biggs提出的多项式加速模型7，对VISSIM导出的逐秒车速运行轨迹进行加速重建，模型公式为：其中，a（t）为在时刻t的加速度（t=0时，车速为0，准备加速），单位km/h/s；am为加速过程的加速度最大值，单位km/h/s；为时刻比例t/T

12、a；ta为整段加速的持续时间，单位s；m和r为待定参数。多项式加速模型从数学结构决定了其有两点符合车辆加速实情：a）在启动初始阶段（时间t=0），车辆加速度a=0；b）在启动初始阶段（时间t=0），车辆扭力为0，即da/dt=0。将VISSIM车速数据准备好后，以车型、每秒车速和所在路段坡度，分别计算比功率（VSP），最后MOVES根据车型、比功率和车速值分配一个排放率。将一辆车运行的每秒排放率加和，就方便得到该辆车在特定运行情况下的排放总量和排放因子。比功率的计算公式如下：其中M表示车重；V逐秒车速；a为瞬时加速度；g为重力加速度，取为9.8g/s2；Sin为坡度斜率。3公路机动车排放影响因

13、子分析 依据以上的排放建模方法，选取CO，NOx和PM2.5三种排放物，分别将VISSIM仿真输出并处理的数据和其他实地参数输入MOVES计算排放，进行不同交通组成、道路坡度和交叉口密度对于排放的影响。3.1交通需求组成 在VISSIM仿真中，针对每一种车型，选取了各类车速水平的车辆轨迹（500m），计算从10km/h-120km/h的排放因子（下图4）。有图可知，各车型的CO排放差距不大，NOx和PM2.5差距较大。图 4各车型的CO、NOx和PM2.5排放因子水平 基于图4的排放因子，本研究计算了代表表1的6条路段的综合排放因子（g/km），以及每种车型的排放分担率，如图5所示。可知CO对

14、车型的变化并不敏感，而由于重型柴油车的NOx和PM2.5排放量较大，导致如路段2和路段6因为23%的车型组成差异，产生了220-240%的NOx和PM2.5排放差异。尤其对于占比例10%-30%的拖挂车，其NOx和PM2.5贡献率可达到60%-80%，。此外，重型车比例上升，也会导致整体公路车速下降，从而排放上升。以上结果进一步证明了公路货运排放研究的必要性。图 5各交通组成下的道路综合排放因子 3.2公路坡度 对爬坡场景进行排放计算，可得图6的排放于坡度的关系。由于所选场景均为交通畅通状态，不存在车辆相互之间的干扰，因此各场景排放差别主要反应了坡度的影响。为方便比较，将坡度为0的场景排放因子

15、（g/km）设为100%，其他场景的排放数值为坡度为0的倍数关系，结果如下图6所示。图 6公路坡度（%）对车辆排放的影响 由图6可知，各车型排放均随坡度的增大而上升，且在坡度超过4%时排放上升更快；另外，重型车由于载荷重，爬坡能力不足，其排放对于坡度的敏感性比轻型车要高。各类排放物对坡度的敏感性也不一样，CO随坡度增加的上升速度最快，这是由于坡度增大，除了降低车速，增大车辆比功率，从而导致排放上升以外，车辆在加速和爬坡过程中，发动机容易处于贫燃状态，而贫燃条件下会产生较多的CO7。这一结果为公路坡度设计对周围环境影响提供量化参考。3.3交叉口密度 交叉口密度（路段交叉口平均间距）对机动车车速造

16、成显著影响，本研究按照交叉口间距不同，选取的10条路段（间距500-3000不等）分别进行VISSIM场景建模和排放计算，所选场景的坡度均为-3%-3%，以减少坡度对于排放的影响。根据实地调查，交叉口间距小于1000m时，平均车速急剧下降，间距越大，车速越高，当间距大于1000m时，平均车速上升程度有明显减缓。为方便比较，将交叉口间距为的场景排放设为100%，其他场景的排放因子数值为坡度为0的倍数关系，结果如下图6所示。由于结果显示，CO和PM2.5随交叉口密度变化趋势很接近，限于篇幅，这里只列出CO和NOx两类排放物排放因子的变化趋势。图 7交叉口间距对车辆排放的影响 根据图7，CO排放因子

17、随交叉口间距的增大单调递减，当间距大于1000m时，排放因子上升程度有明显减缓，这与平均车速随间距大增的变化趋势有较好的对应，且轻型车和重型车的变化趋势相似。相比之下，NOx排放虽然在交叉口间距500-1000m场景下减少，但在之后的排放变化波动较大，尤其对于轻型车的NOx排放，与平均车速的拟合关系不如CO好。在其他文献的研究中也有相似的结论8。今后的排放研究，有必要对NOx的排放机理进行深入分析。 4结束语 以两条公路为例，收集了公路设计属性、流量和车速等信息，利用VISSIM和新一代MOVES排放模型，分析不同坡度、交叉口密度、以及车型组成条件对公路机动车整体排放的影响，所得结论如下：1）

18、CO对车型的变化并不敏感，而由于重型柴油车的NOx和PM2.5排放量较大，导致例如场景中路段高出23%的重型车，产生了高出220-240%的NOx和PM2.5排放。尤其对于占比例10%-30%的拖挂车，其NOx和PM2.5贡献率可达到道路整体60%-80%，这进一步证明了公路货运排放研究的必要性。同时也可为车辆限行的管理措施提供环境影响的依据。2）各车型排放均随坡度的增大而上升，且在坡度超过4%时排放上升更快；重型车排放对于坡度的敏感性比轻型车要高；相比替他排放物，CO随坡度增加的上升速度最快，这是由于爬坡过程中，发动机容易处于贫燃状态，会产生较多的CO。交叉口密度对于车速影响很大，因此也显著

19、影响了车辆排放，排放因子随交叉口间距的增大单调递减，当间距大于1000m时，排放因子上升程度有明显减缓；NOx随着交叉口间距变化，产生的排放变化波动较大；交叉口间距和坡度对于排放的影响分析，为公路坡度选取、接入口设置等道路设计对周围环境影响提供量化参考。参考文献 US EPA. National Air Quality and Emissions Trends ReportR. EPA454-R-01-004, Office of Air Quality Planning and Standards, U.S. Enviromental Protection Agency, 2010. CHE

20、N, C, HUANG, C. etc. On-road emission characteristics of heavy-duty diesel vehicles in ShanghaiJ. Atmospheric Environment 41. 2007, pp:5334-5344. Tamsanya, N. and Chungpaibulpatana, S. Influence of driving cycles on exhaust emissions and fuel consumption of gasoline passenger car in BangkokJ. Journa

21、l of Environmental Sciences 21, 2009, pp: 604-611. Holmean, B.A. and Niemeier, D.A. Characterizing The Effects of Driver Variability on Real-World Vehicle EmissionsJ. Transportation Research Part D,6, （2001） pp: 325-345. User Guide for MOVES2010R. EPA-420-B-10-036, U.S. Environmental Protection Agen

22、cy, Aug., 2010. Song, G., Yu, L. and Zhang, Y. Applicability of Traffic Micro-Simulation Models In Vehicle Emission Estimations: A Case Study of VISSIM. C In TRB 91th Annual Meeting Compendium of Papers. （CD-ROM）. Transportation Research Board of the National Academies, Washington, D.C. Akcelik, R.

23、Progress in Fuel Consumption Modeling for Urban Traffic Management. Australian Road Research BoardR. ARR No. 124. 1983. Liu H., Wang, Y., Chen, X., etc. Vehicle emission and near-road air quality modeling in Shanghai, China, based on Taxi GPS data and revised MOVES emission inventoryC. In TRB 92th Annual Meeting Compendium of Papers. （CD-ROM）. Transportation Research Board of the National Academies, 2013, Washington, D.C.-最新【精品】范文