这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是对该研究的详细介绍：
本研究由Xisheng Lin、Yunfei Fu、Daniel Z. Peng、Chun-Ho Liu、Mengyuan Chu、Zengshun Chen、Fan Yang、Tim K.T. Tse、Cruz Y. Li和Xinxin Feng共同完成。研究团队分别来自香港科技大学土木与环境工程系、香港大学机械工程系、重庆大学土木工程系以及重庆市生态环境局机动车排气污染管理中心。该研究发表于2024年的《Sustainable Cities and Society》期刊，论文编号为105029。
随着城市化进程的加快，空气污染问题日益严重，尤其是在城市环境中，污染物的扩散和分布受到建筑物、街道形态和交通等因素的显著影响。城市居民因此面临更高的呼吸系统疾病风险，如肺癌和气管炎。为了有效控制空气质量，准确模拟和预测城市环境中污染物的扩散至关重要。然而，由于污染物与建筑物等障碍物产生的尾流之间的复杂相互作用，准确模拟城市环境中的污染物扩散具有挑战性。
本研究旨在通过结合计算流体动力学（CFD, Computational Fluid Dynamics）和反向传播神经网络（BPNN, Back-Propagation Neural Network），研究并预测理想化城市环境中的污染物扩散。研究的主要目标包括：（1）利用CFD模拟建筑物阵列中的污染物扩散，量化物理和化学过程，并阐明城市环境中近尾流区域的污染物扩散机制；（2）探讨BPNN模型在预测污染物扩散中的适应性和有效性。
研究流程主要分为以下几个步骤：
CFD模拟设置与参数选择
研究首先构建了一个理想化的建筑物阵列模型，包含81个孤立建筑物，布局为9×9。每个建筑物的尺寸为0.06米×0.06米×0.06米，建筑物之间的中心距离为0.12米。计算域的尺寸为7.65米×3.06米×0.60米。污染物排放源位于标记为红色的孤立建筑物的背风侧，距离背风墙0.03米。排放源面积为12.56×10⁻⁶平方米，NO和NO₂的排放比例为10:1，气体流量为3.6×10⁻⁶立方米/秒。
物理化学耦合与边界条件设置
研究采用了雷诺平均Navier-Stokes（RANS, Reynolds-Averaged Navier-Stokes）模型，并使用了三种涡粘模型：标准k-ε模型（STK）、可实现k-ε模型（RLZ）和重整化群k-ε模型（RNG）。边界条件包括改进的入口边界条件、压力出口条件和对称条件。研究还考虑了NOx-O₃光化学循环的化学反应，通过达姆科勒数（Da, Damköhler Number）量化物理传输与化学反应之间的比率。
BPNN模型构建与训练
BPNN模型用于预测风速和NO浓度场。模型架构包括输入层、隐藏层和输出层，隐藏层神经元数量为6个。研究将输出切片划分为多个段，以管理训练成本，并采用并行化技术提高计算效率。训练数据集由60个CFD模拟生成，涵盖了三种参考流入速度、四种O₃浓度和五种NO & NO₂浓度。
结果验证与分析
研究通过网格敏感性分析和物理验证，确保CFD模拟的准确性。验证结果表明，STK模型在预测风速、湍流动能（TKE, Turbulence Kinetic Energy）和NO浓度方面表现最佳。研究还通过预算分析，评估了湍流扩散、平流和化学反应对污染物扩散的贡献。
风速与湍流动能分布
研究发现，在不同流入速度条件下，建筑物阵列中的风速和湍流动能分布特征相似。建筑物背风侧的低速区域逐渐扩大，导致污染物难以消除。上游建筑物背风侧的湍流动能逐渐减弱，表明环境流与建筑物背风侧的流动逐渐解耦。
污染物扩散与达姆科勒数的影响
研究通过改变达姆科勒数，发现控制Da₀₃可以有效减少污染物对排放源附近、城市街道和建筑物阵列下游区域的影响。当Da₀₃大于1时，污染物扩散到下游建筑物的背风侧和屋顶，高风险区域扩大。相比之下，Daₙₒ的变化对浓度场的影响较小。
BPNN模型的预测准确性
BPNN模型在预测风速和NO浓度方面表现出较高的准确性，数据获取时间仅为几秒钟，远低于CFD模拟所需的18小时。研究还通过随机生成的流入条件进一步验证了BPNN模型的预测能力，结果表明模型能够有效捕捉建筑物背风侧的遮蔽效应和污染物扩散特征。
本研究通过结合CFD和BPNN模型，揭示了城市环境中NOx-O₃光化学循环下污染物扩散的机制，并提出了高效获取流场和浓度场的方法。研究结果表明，控制Da₀₃可以有效减少污染物对城市环境的影响，BPNN模型在预测污染物扩散方面表现出较高的准确性。这些发现为设计有效的污染物控制策略提供了重要参考。
研究还详细探讨了湍流扩散、平流和化学反应对污染物扩散的贡献，并通过预算分析量化了各过程的相对影响。这些分析为进一步理解城市环境中污染物扩散的物理化学机制提供了重要依据。