道路交通噪声预测模型

2024-10-02

道路交通噪声预测模型（精选8篇）

道路交通噪声预测模型篇1

前言

近年来, 随着国民经济的发展和交通规模的壮大, 六车道、八车道等宽路基的高速公路日益增多，交通噪声污染日益严重。采用合适的噪声预测模型对公路交通噪声进行预测、并在预测结果的基础上进行降噪工程设计已成为公路交通环境保护工作的重点内容。因此, 本文对目前通用的FHWA交通噪声预测模型进行了分析, 提出了公路交通噪声八车道的噪声预测模型, 为公路环境保护工作提供参考。

1 公路交通噪声预测模型简介

我国《环境影响评价技术导则——声环境》 (HJ/T2.4-2009) 推荐使用美国联邦公路局 (FHWA) 开发的噪声预测模型进行公路交通噪声预测[1]。该预测模型如下:

式中：为Leq (h) i第i类车的小时等效声级，dB (A); (L0E) i为第i类车辆在参照点的能量平均辐射声级，dB (A) ;Ni为对应观察时段T在观察点处i类车辆通过的数量，辆;T为观察时段或计算等效声级的时间段(常取为1小时)，h;Vi为第i类车辆的平均车速，km/h;r为行车道中心线至预测点的距离，m;ψ1、ψ2为观测点到有限长路段两端的张角，rad;△S为噪声传播途中建筑物、地形、地物、路堤、路堑等障碍物的附加衰减量，dB (A) 。[2]

一条公路上大、中、小3种车型的总车流在预测点处等效A声级采用下式计算:[1]

若某个预测点受多条线路交通噪声影响，应分别计算每条车道对该预测点的声级后，经叠加后得到贡献值。

2 公路宽路基交通噪声预测模型的选取

噪声预测时采用的是等效行车道，即认为公路上的车辆集中在等效行车道上形成车流。等效行车道的中心线称等效行车线，接收点至等效行车线的距离为距最近行车道中心线的距离r1与距最远行车道中心线的距离r2的几何均值。(见图1、公式3)[3]即：

八车道的路基较宽，路中心线与等效行车线偏差较大，依照以上公式(1)、(2)计算出来的噪声值误差较大。目前普遍的做法是将八车道上行驶的车辆视作两条连续的线声源，根据导则中的噪声级预测模式进行预测后，再将两条线声源的噪声级进行声能量叠加可得八车道的交通噪声级。具体如图2。

利用图2并根据美国 (FHWA) 开发的噪声预测模型进行公路交通噪声预测。公式如(4)、(5)所示：

式中：r为接收点距左半幅的等效行车线的距离r1, m。

一条公路上3种车型的混合车流在预测点处的等效A声级采用下式计算:

同理，根据图2、公式(4)、(5)，只需要把r替换成距右半幅的等效行车线的距离r2，从而计算出Leq2。Leq1、Leq2采用公式(6)计算出接收点的交通噪声值。

3 宽路基采用不同模型产生的差异

为直观比较宽路基采用一个线声源和等效成两个线声源的偏差大小。现根据四车道路基宽度为24.5米的某高速公路、六车道路基宽度为33.5米和八车道路基宽度为42米的某国家高速的某些敏感点相关数据进行绘图，如图3、图4、图5。

由图3～5可见，当路基宽度为24.5米宽时，采用一个线声源和等效成两个线声源预测噪声值相差不大，最大差值为1.3dB (A) 并随着距公路中心线的距离增大，噪声值的偏差减小;当路基宽度为33.5米宽时，采用一个线声源和等效成两个线声源预测噪声值相差较大，最大差值为2.5dB (A) , 并随着距公路中心线的距离增大，噪声值的偏差减小。

当路基宽度为42米宽时，采用一个线声源和等效成两个线声源预测噪声值相差比较大，最大差值为4.1dB (A) , 并随着距公路中心线的距离增大，噪声值的偏差减小。由图3～5可以得出结论，路基宽度为42米的某国家高速噪声预测值将不能简单的采用公式(2)，八车道的路基较宽，路中心线与等效行车线偏差较大，目前普遍的做法是将八车道上行驶的车辆视作两条连续的线声源，以减小噪声预测的误差。

4 宽路基采用不同模型产生的差异分析

4.1 距离衰减项引起的误差

由上图3～5所示，八车道高速公路的噪声预测，噪声敏感点离公路中心线越近，采用不同的预测模型，误差越大。由图5可见，误差最大达到4.1dB (A) 。其原为公式(2)中的第三项距离衰减量的值随着r的改变而变化比较大。当敏感点离公路中心线较近时，如图2, r1>r>r2通过公式(6)计算得出的等效成两个线声源的噪声值比一个线声源的噪声值要偏大。当噪声敏感点离公路中心线越远的时候，采用不同的预测模型，误差越小。其原因为当r越大，公式(2)中的第三项距离衰减量的变化越小，从而计算得出的等效成两个线声源的噪声值与一个线声源的噪声值差别不大。

4.2 等效行车线引起的误差

由图1等效行车线的示意图可以得出结论，当接收点离公路越近，采用一个线声源和等效成两个线声源所采用的等效行车线r的差异越大，计算得出的噪声值误差也大;当接收点离公路越远，采用一个线声源和等效成两个线声源所采用的等效行车线r的差异越小，计算得出的噪声值误差也小。因此，离公路的距离越远，用两种噪声模式计算所得的噪声值差异越小。

5 结语

通过对某八车道的国家高速公路采用不同的模式进行计算得出的结论进行比较后得出等效成两个线声源的噪声计算模型更适合于八车道噪声值的预测这一结论。该模型在八车道宽路基的公路建设项目的环境影响评价、公路竣工环境保护验收和公路营运期的环境管理中均有广泛的适用性, 及预测结果的准确性。

摘要：本文对公路交通噪声预测模型进行了分析, 基于FHWA公路交通噪声预测模型, 提出了公路交通噪声八车道的噪声预测模型, 探讨FHWA的噪声预测模式与八车道噪声预测模式的差异性及影响因素。并得出了等效成两个线声源更适合八车道高速公路噪声预测这一结论。

关键词：交通噪声,预测模型,八车道

参考文献

[1]HJ/T214-2009, 环境影响评价技术导则——声环境[S];33-38

[2]赵剑强。公路交通与环境保护[M]。人民交通出版社, 2002。119-127

[3]张玉芬主编。道路交通环境工程[M]。人民交通出版社, 2001.47-53

道路交通噪声预测模型篇2

交通量预测是道路交通规划与路面设计的.基础,由于影响交通量生成和增长的因素有层次复杂性、关系模糊性、动态变化随机性和指标数据不确定性等,从来导致交通量的预测结果与路面实际运营数量之间有较大差异.利用灰色GM(1,1)模型理论,在公路交通量预测中,通过实例计算分析表明,灰色优化模型GOM比单一灰色模型具有更高的预测精度.

作者：江津津吕丹作者单位：重庆交通大学,重庆,400074 刊名：黑龙江科技信息英文刊名：HEILONGJIANG SCIENCE AND TECHNOLOGY INFORMATION 年，卷(期)：2009 “”(26) 分类号：关键词：交通量灰色预测灰色优化模型

道路交通噪声预测模型篇3

1常用的交通噪声预测模型

国外对于道路交通噪声预测的研究始于上世纪五六十年代,基于当地的实际情况,各国陆续开发出了适用的交通噪声预测模型: 如美国的FHWA模型、英国的CRTN模型、德国的RLS90模型等。

在我国目前的环境影响分析及相关工作中,用得较多的模型包括: FHWA模型、JTGB 03 - 2006《公路建设项目环境影响评价规范》和RLS90模型。 FHWA模型是美国交通部联邦公路管理局所采用的交通噪声预测模型,是我国早期推荐使用的模型; 当前HJ 2. 4 - 2009《环境影响评价技术导则 - 声环境》,亦是以此为基础改进而得。JTGB 03 - 2006《公路建设项目环境影响评价规范》推荐噪声预测模式为交通部推荐的噪声预测模式。RLS90是德国交通部公路建设司发布的噪声预测模型,基于该模型开发的噪声预测软件Cadna /A软件在2001年通过了我国环保部环境工程评估中心的评审认证,在我国当前的环境影响评价以及其他研究工作中有着较为广泛的应用[1,2,3]。

CRTN模型是英国交通部发布的道路交通噪声计算模型,该模型以交通噪声峰值( L10) 为评价量, 目前在中国香港、英国、澳大利亚等地被认可使用[4]。

2法国NMPB交通噪声预测模型

NMPB模型是法国交通部门开发的交通噪声预测模型,该模型的相关参数最早确立于上世纪七十年代。上世纪九十年代开始,相关部门和学者开始对模型相关的参数进行修正,并于2008年出版了新的版本NMPB - Routes - 2008。该模型目前在我国的应用尚较为少见,其主要原理如下[5]:

NMPB模型中,对于每一种车辆类型,单位长度线声源通过单位车流量时,即根据单位车速,其声压级被分解为两个相对独立的部分———滚动( rolling) 噪声和动力( power unit) 噪声两部分进行计算。滚动噪声是指与轮胎和道路本身直接相关的噪声; 而动力噪声则为与车辆本身引擎等机械震源直接相关的噪声。在计算中,考虑车速以及路面铺设情况等因素与前者滚动噪声相关; 而动力噪声则与交通流量( 速度、加速情况) 以及道路倾斜情况相关。具体地,可以表述为式( 1) :

式中: Lp———动力噪声产生的声压级;

Lr———滚动噪声产生的声压级。

除了极少数情况,车辆声源数据是基于大量实验得出的。模型将车辆分为轻型车和重型车两种类型,轻型车为车重小于3. 5 t的车辆,而重型车为车重大于等于3. 5 t的车辆。实验按照不同车型分别进行。

滚动噪声被认为与路面情况相关,模型根据路面铺设情况将其划分为R1、R2和R3三种情况,另外,还考虑了使用时间对于路面情况以及滚动噪声的影响。对于动力噪声,模型考虑的不同情况包括加减速、道路倾斜以及驾驶员的驾驶习惯。

对于声源S在受点R产生的A计权声压级,传播过程中各衰减因素的考虑如式( 2)[5]:

试中: Lw———声源S的声功率级;

Adiv———几何距离引发的衰减;

Aatm———大气吸收衰减;

Abnd———与声速剖面以及边界特性相关的衰减。

3交通噪声预测模型比较分析

将NMPB模型与国内目前应用较多的几个噪声预测模型进行了比较,主要区别可见表1[6]:

各个模型的输入数据类型基本类似,但各有侧重和区别,这主要取决于其基本源强模型以及在传播过程中考虑的因素多少。各模型在噪声传播过程中考虑的因素总体包括: 几何距离衰减、地面吸收、障碍物以及绿化带等的影响。

与其他比较项目的总体类似性不同,各模型的源强模型并不相似。噪声源预测模型的基本原理、考虑的相关因素以及所依托的实验基础,直接决定了模型预测结果最基础的构成部分,对于预测结果的准确性有着最直接和最有力的影响[7,8,9],因此,模型之间最主要的区别还是取决于噪声源预测模型。

从源强模型来看,目前各国的噪声源强预测模型均以实测数据为基础,建立声级与车流量、车速等之间的回归曲线方程式; FHWA和NMPB模型以单车噪声测试数据为基础,而CRTN和RLS90模型则是以车流特性作为声源计算的基础; 各个模型对于声源强度均有所修正,但考虑修正的因素繁简有所不同。

FHWA模型和NMPB模型均是根据不同车型, 分别进行单车噪声测试得到基础数据; 但两个模型的车型划分有较大的区别。两个模型考虑噪声的影响因素较为类似,都是将噪声分解为相对独立的两个部分。FHWA模型考虑的噪声影响因素包括轮胎—地面噪声和发动机—排气噪声; NMPB模型中的滚动噪声和动力噪声也即轮胎—道路相关的噪声以及与车辆引擎等机械震源相关的噪声。

上述几个国外的模型均是基于各国车辆、道路等基本特征的交通噪声数据库而建立,我国在目前缺乏有力数据支撑源强模型的情况下,引用或参照国外的模型尤其是源强模型成为一种应用较为普遍的交通噪声预测方式,目前FHWA和RLS90模型在我国环境影响评价及噪声相关科研工作中应用和研究较多[10,11,12],汪贇等对于CRTN模型在我国的适用性也做出一定探讨。但对于模型验证和修正,往往基于短时的监测数据,缺乏长时间的监测观察和验证; 对于NMPB模型的适用性以及比较,国内尚无相关的实例研究。

4模型计算与实测比较

选取一条典型的城市道路,利用噪声自动连续监测设备,通过长时间监测观察获取的批量数据,对于NMPB模型预测的适用性作一验证并与其他模型进行比较。

4.1实验条件及过程

4.1.1噪声及车流量监测

实验道路为双向四车道城市道路,行车道宽度3. 5 m,路面材质为沥青混凝土,通行车辆以小型载客汽车和公交车为主,道路交通总体较为顺畅。

噪声监测点位于道路一侧相对空旷地带,附近无建筑物、绿化带等遮挡; 离地高度约3. 5 m,距离最近的道路交叉口距离约350 m。

测点的选择主要考虑排除交叉口等情况的干扰,以使行驶车辆车速基本稳定。测点距离道路较近、其间无遮挡,附近无其他明显声源; 测点的声级值主要反应道路本身噪声源强为主,对于传播过程中的衰减,以距离衰减为主。

测试仪器采用杭州爱华仪器有限公司生产的AWA6218J型自动噪声监测仪。车流量监测采用视频摄像头录像,录像点离地高度约4 m,并确保视野范围能够看清该路段所有来往的机动车辆。

小时车流量按照每小时前20 min车流量计算得到,监测期间,剔除大风、下雨等天气,共获得121个小时有效监测数据。

4.1.2模型预测计算

由于在测点选取时,考虑了尽量保证道路车速稳定,故预测车速参考道路限速并结合观察的实际情况,大型车取昼间50 km/h,夜间60 km/h,其余车型取昼间60 km/h,夜间70 km/h。测点距离道路较近且其间无遮挡,预测结果主要体现道路噪声源强以及几何距离衰减的效应。

将车速、监测得到的车流量数据以及其他道路特性相关预测参数代入FHWA模型、RLS90模型、CRTN模型以及NMPB模型预测计算受点的噪声值。

其中,RLS90模型的计算通过德国Cadna /A软件、CRTN和NMPB模型的计算通过丹麦B. K公司的Predictor软件来实现。

4.2结果及讨论

4.2.1模型预测结果与实测相关性分析

各模型预测结果与实测数据相关性分析结果见表2。

由表2可知,各模型预测结果与实际监测值均显著相关,相关性NMPB > RLS90 > CRTN > FHWA。

4.2.2各模型预测与实测差值分布情况

根据各模型预测结果与实测差值分布具体情况 ( 图1) ,FHWA模型的预测值总体偏高的较多, RLS90模型的数据以偏高相对多一些; 而NMPB以及CRTN模型数据整体相对偏低居多一些。

4.2.3NMPB模型预测表现与车流量、车型比的关系

根据不同车流量,将数据分级,计算不同车流量情况下,NMPB模型预测与实测绝对差值的平均值, 得到结果如图2。

根据不同的重车型比,将数据分级,计算不同车流量情况下NMPB模型预测与实测的绝对差值平均值,得到结果如图3。

由图2和图3可知,NMPB模型在重车型比增加时,预测与实测的差值大幅增加; 在车流量下降时,预测与实测的差值也大幅增加,两者表现出相似的变化趋势。进一步分析,道路车流量偏低的情况一般出现在夜间时段,而此时,小型车数量急剧减少,大型车包括大型货车和公交车等,由于其运营的特点和要求,并没有明显的降低,因此,此时重型车比反而相对上升。由此推测: 车流量的降低和重型车比重的上升,具有相关性; 对于NMPB模型,在低车流量和高重型车比的情况下,其预测表现不佳,原因可能是相关的。

对于监测得到的重型车比和车流总量两者作相关性分析,可以得到,两者的Pearson相关性系数为 - 0. 630,在0. 01水平( 双侧) 上显著负相关。由此可确认: 车流量的降低和重型车比重的上升两者负相关; 在低车流量和高重型车比的情况下,模型预测表现不佳,原因是相关的。

具体看车流量较低和重型车比例较高的情况下,NMPB模型各个预测值与实测值差值的分布情况如图4和图5:

由图4,图5可以看出,在重型车比例较高和车流量较小的情况下,NMPB模型几乎所有的预测值都比实测低。由图1可知,NMPB模型的预测值总体与实测值较为吻合,偏高及偏低的情况都有出现, 预测值偏低的情况相对多一些,但并非压倒性的优势。但随着重型车所占比例的增加、车流量减小, NMPB模型所有预测值都呈现出偏低的结果。分析其原因主要有两个:

( 1) 本次实验车流量取值为按照每小时前20 min车流量计算得到; 在车流量较小的情况下 , 20 min车流量作小时平均与实际情况可能存在较大区别,这是预测与实测结果偏差的来源之一。

( 2) NMPB模型的源强计算基础都是在国外相关机构进行的多次实验基础上获得的,而我国道路及车辆技术与发达国家相比,在减振降噪上存在不小的差距。从不同车流量和车型比的表现来看,重型车的实际情况可能与该模型建立的基础相差更远一些,即相对于轻型车,重型车排放的噪声源强与国外的差距更大,因此,在重型车比增加的情况下,该模型的预测结果要比平均情况偏低很多———这也与车流量分级分析的结果吻合[14,15]。为此,该模型若要在我国用于车流量较小的夜间时段或重型车比重较大的路段预测时,还需要进一步的修正。

4.3小结

( 1) NMPB模型预测结果与实测值吻合相对较好;

( 2) 在车流量较低、重型车比例高的情况下, NMPB模型预测值与实测值的偏差相对较大。经分析,车流量与重型车比存在显著的负相关关系; 可能相较于轻型车,我国重型车排放的噪声源强要比NMPB模型的实验基础更大,所以在重型车比增加、车流量减少的情况下,上述两个模型的预测结果要比平均情况偏低很多。故在夜间或者重型车较多的道路上,如要使用该模型进行预测,还需要进行适当的修正;

( 3) 由于本次实验仅仅设置了一个点位,主要通过长期观测数据分析模型的准确性,未考虑绿化带、障碍物等影响,对于该模型综合完整的评价,尚有待于多点位实验后进一步的检验。

5结语

本文介绍了法国道路交通噪声预测模型NMPB的预测原理,并就模型本身主要特点与当前国内应用较多的同类模型进行了对比分析: 模型间最主要区别来自于其源强预测模型的不同,NMPB模型是以单车噪声测试数据为基础,对于不同车辆类型,单位长度线声源通过单位车流量时,其声压级被分解为滚动噪声和动力噪声两部分进行计算,最终给出单车在7. 5m处声压级与速度的关系; 在应用范围、车辆分类以及传播模型基础架构方面,NMPB模型与其他模型具有一定的相似性: 可用于城市道路以及高速公路,车辆计算过程中考虑了车型的划分,传播过程考虑了空气吸收、地面吸收、地形、气象、路面情况、障碍物造成的衰减。

道路交通噪声预测模型篇4

1 交通噪声特点

交通噪声指机动车辆在市内交通干线上运行时所产生的噪声。这种噪声是一种综合噪声, 包括发动机壳体的振动噪声、进气声、排气声、喇叭声、制动声以及轮胎与路面之间形成的噪声。交通噪声是一种不稳定的噪声。在交通干线两旁, 噪声级随时间而变化。这种噪声与机动车辆的类型、数目、速度、运行状态、相互距离、是否鸣笛、道路宽度、坡度、干湿状态、路面情况和交叉路口建筑物的层数, 以及风速等因素有关。机动车在低速运行时, 以发动机壳体的振动噪声为主;在高速运行时, 轮胎噪声就上升为主要噪声。测量结果表明, 车速为每小时50~100公里时, 在距离交通干线中心15米处, 拖拉机噪声为85~95d B, 重型卡车为80~90d B, 中型或轻型卡车为70~85d B, 摩托车为75~85d B, 小客车为65~75d B。车速加倍, 交通噪声平均增加7~9d B。

2 高架桥概况

柳州市的这个高架桥, 位于市区东面。桥梁设东引道、主桥、西引道, 东引道全长3.370km, 主桥长360m, 西引道全长0.920km。

主桥桥梁为双塔双索面部分斜拉桥, 结构形式为双塔双索面三跨预应力混凝土部分斜拉桥, 塔、梁固结, 塔梁与墩分离, 墩顶设支座。桥孔布置为100+160+100m。主桥结构设计:主梁采用分离式双主箱断面, 为预应力砼箱型截面, 全截面梁顶宽49米, 主梁宽跨比为1/4.1, 主梁高跨比为33.3。索塔为低塔结构, 高21m, 采用实行矩形断面, 塔根部顺桥向3m, 横向宽1.5m, 桥墩横桥向宽5~7m, 塔上部设有鞍座。斜拉索采用扇形布置, 采用喷涂环氧钢绞线斜拉索体系, 梁上索距4米, 塔上索距0.9米。主墩采用6根Φ200cm钻孔灌注桩。引桥及立交桥结构设计:引桥均为30m跨径, 东引桥及部分西引桥沿江高架主梁采用先简支后连续结构;互通式立交匝道采用设计车速40km/h, 单向匝道路基宽9m (行车道2×4m, 路肩2×0.5m) , 对向匝道路基宽17m (行车道4×4m, 路肩2×0.5m) ;立交桥梁部分采用连续箱结构, 梁高1.6m。墩身采用花瓶式板墩, 每个桥墩基础采用2根Φ150cm桩基。

桥梁道路等级为城市主干道I级, 设计车速50km/h, 设计荷载城—A级, 桥面布置:六条机动车道, 两条非机动车道, 两侧各设人行道。该桥梁预测时段交通量为15768辆/日。

项目过往车辆中以小客车居多, 大型车、中型车、小型车比例分别为25%、25%和50%。因此按此系数进行计算。昼夜间车流量比例结合实际情况分析取值为:昼间车流量占80%, 夜间占20%。最后得出预测时段各类车交通量下表1。

3 项目交通噪声源强分析

交通噪声源强与车型、车流量、车速等有关。首先根据车流量计算平均车速 (该车速是指设计车流量时道路车辆平均行驶速度, 有别于设计车速) , 然后再根据平均车速计算噪声源强。

平均车速按《公路建设项目环境影响评价规范 (试行) 》 (JTJ005-96) 提供的公式进行计算。大桥设计车速为50km/h, 因此《规范》中提供的公式经过折算。折算后平均车速计算公式如下:

小型车平均速度计算公式:

中型车平均速度计算公式:

大型车平均速度按中型车车速的80%计算。式中, Ym——各型车平均车速, km/h

X——预测年各型车交通量, 辆/h。

经计算得出项目预测时段各类车辆平均车速为:小型车47km/h, 中型车43km/h, 大型车35km/h。

《公路建设项目环境影响评价规范》中提出各类型车的平均辐射声级Lw-i计算公式如下:

大型车:Lw.L=77.2+0.18VL (d B) 中型车:Lw.m=62.6+0.32Vm (d B) 小型车:Lw.L=59.3+0.23Vs (d B)

式中:VL、Vm、Vs表示大、中、小型车的车速。

经计算得出项目预测时段各类车辆平均辐射声级为:小型车70d B (A) , 中型车77d B (A) , 大型车83d B (A) 。

4 噪声影响预测分析

4.1 预测模式

采用《环境影响评价技术导则声环境》 (HJ 2.4-2009) 推荐的公路交通运输噪声预测模式, 公式如下:

各类型车辆在预测点的交通噪声值为:

环境噪声预测值 (LAeq) 预为:

式中:Lea (h) i——第i类车辆的小时等效声级 (d B (A) ) ;

——第i类车速度为Vi时车道中心线水平

距离7.5m处的能量平均A声级 (d B (A) ) ;

Ni——第i类车辆昼间或夜间的平均小时交通量 (辆/h) ;

Vi——第i类车辆的平均行驶速度 (km/h) ;

T——计算等效声级的时间 (1h) ;

i——大、中、小型车辆;

ψ1、ψ2——预测点到有限长路段两端的张角, 弧度;

△L——其他因素引起的修正量 (d B (A) ) , 可按下式计算

△L1——线路因素引起的修正量 (d B (A) ) ;

△L坡度——公路纵坡修正量 (d B (A) ) ;

△L路面——公路路面材料引起的修正量 (d B (A) ) ;

△L2——声波传播途径中引起的衰减量 (d B (A) ) ;

△L3——由反射等引起的衰减量 (d B (A) ) ;

(LAeq) 交——各类型车辆在预测点的交通噪声值 (d B (A) ) ;

(LAeq) 预——预测点环境噪声预测值 (d B (A) ) ;

(LAeq) 监——预测点环境背景噪声监测值 (d B (A) ) 。

4.2 声环境影响预测与评价

(1) 典型路段交通噪声对不同楼层的影响预测

结合项目横断面图的情况及各个路段特点, 我们将该高架桥分为A段 (西引道地面路基) 、B段 (西引桥高架路基) 、C段 (东引桥高架路基) 、D段 (东引道地面路基) 四个横断面路段的不同情况, 分别预测交通噪声对不同楼层的影响。预测结果如下:

为更直观地看出交通噪声的空间分布, 分别划出上述路段的横截面交通噪声等声级线图[1], 见以下各图1、2、3、4。筑物1楼影响声级最大, 其中1楼昼间交通噪声比7楼高1.2d B (A) 左右, 夜间高1.2d B (A) 左右;B路段:交通噪声对项目外10m处建筑物6楼影响声级最大, 其中6楼昼间交通噪声比1楼高20.2d B (A) 左右, 夜间高19.7d B (A) 左右;C路段:交通噪声对项目外10m处建筑物6楼影响声级最大, 其中6楼昼间交通噪声比1楼高20.2d B (A) 左右, 夜间高19.7d B (A) 左右;D路段:交通噪声对项目外10m处建筑物1楼影响声级最大, 其中1楼昼间交通噪声比7楼高1.3 d B (A) 左右, 夜间高1.2d B (A) 左右。

从表中分析可知, A路段:交通噪声对项目外10m处建不同路基段交通噪声等级线的特点为: (1) 地面路基:代表该路段的70d B (A) 的等声级线主要受距离衰减影响所致, 65d B (A) 、60d B (A) 、55d B (A) 的等声级线下部的斜坡主要受路肩的屏蔽影响所致;上部的竖向斜线主要受距离衰减所致, 且因为这里距声源已经较远, 不同高度的声级差已经不明显。 (2) 高架路基:代表该路段的70d B (A) 、65d B (A) 的等声级线主要受距离衰减影响所致, 60d B (A) 、55d B (A) 的等声级线下部的斜坡主要受路肩的屏蔽影响所致;上部的竖向斜线主要受距离衰减所致, 其中60d B (A) 、55d B (A) 的等声级线的下部坡度较大, 这是因为高架道路对侧下方的屏蔽效果强, 引起不同高度的声级变化较剧烈。[2]

(2) 沿线敏感点交通噪声环境影响预测

该高架桥眼线敏感点情况见表6。

结合表2至表5分析可知: (1) 昼间, ML村位于项目A段南侧40m, 不同楼层的噪声值65.1~65.9d B (A) 范围内 (全部超过GB3096-2008《声环境质量标准》2类标准) ;SMJ林场宿舍位于项目A段北侧30m, 不同楼层的噪声值在66.7~67.9d B (A) 范围内 (全部达到4a类标准) ;X村位于项目C段西侧20m, 不同楼层的噪声值在50.7~65.9d B (A) 范围内 (全部达到4a类标准) ;DL村位于项目C段南侧40m, 不同楼层的噪声值在50.7~65.9d B (A) 范围内 (部分楼层超过2类标准) ;MT村位于项目D段东侧40m, 不同楼层的噪声值在72.2~72.4d B (A) 范围内 (全部超过2类标准) 。 (2) 夜间, ML村不同楼层的噪声值60.0~60.7d B (A) 范围内 (全部超2类标准) ;SMJ林场宿舍不同楼层的噪声值在61.5~62.7d B (A) 范围内 (全部超4a类标准) ;X村不同楼层的噪声值在46.7~60.7d B (A) 范围内 (除6、7楼超4a类标准外, 其余各楼达标) ;DL村不同楼层的噪声值在46.7~60.7d B (A) 范围内 (除6、7楼超2类标准外, 其余各楼均达标) ;MT村不同楼层的噪声值在62.3~62.8d B (A) 范围内 (全部超2类标准) 。综上分析, 项目噪声对沿线敏感点影响较大, 特别是夜间。

5 结语

从该高架桥不同路基预测结果看, 交通噪声在不同路基形成了不同的噪声等级线。平面路基由于无路肩等遮挡, 两侧敏感点处于声照区, 近处受影响程度较大;高架路基由于有路肩等遮挡, 临路低矮敏感点处于声影区, 而较远处或临路高层敏感点处于声照区, 表现为:远处受影响程度比近处的大, 临路高层受影响程度比低层的大。[3]因此, 为了减轻道路交通噪声带来的负面影响, 需要结合实际情况, 具体问题具体分析, 切忌依葫芦画瓢、有样学样。

摘要：以一高架桥为例, 选择特征年分析其交通噪声源强, 采用线性模式分路段预测交通噪声对道路两侧的空间分布, 以此来探讨高架桥交通噪声传播特点以及对周围环境影响的程度。

关键词：交通噪声,预测,环境影响

参考文献

[1]吴耀建.城市高架桥交通噪声分析与预测[J].福建环境, 1999, (04) .

[2]赵琴, 张勐, 魏显威, 王彦琴.城市高架桥-地面复合型交通噪声特征实测分析[J].公路交通科技 (应用技术版) , 2010, (3) .

道路交通噪声预测模型篇5

风能是一种干净的可再生能源,近年来风电产业发展越来越迅猛。根据全球风能理事会(GWEC)公布的数据,2008年我国新增风电机组5 130台,装机容量624.6万k W,新增装机增长率为89%[1]。2009年新增1 200万k W风电装机容量,增速接近100%。截至2009年底,我国风电并网总量累计达到1 613万k Wh,中国已经成为全球发展速度最快的风力发电市场,并将成为全球第三大风电国家。

通过对风电场发电量进行短期的准确预测,可以大幅降低电网旋转备用容量,从而有效降低风力发电系统成本,并且为电网运行调度提供可靠的依据,这就导致目前风力发电预测方面的研究非常活跃。主要研究方法有基于混沌属性和相空间重构的人工神经网络法(ANN)[2]、卡尔曼滤波法(Kalman Filtering Method)[3]、时间序列法(Time Series Method)[4,5]等。其中时间序列分析方法表现的非常成熟,尤其是其中的ARMA模型应用相当广泛,无论是参数估计还是定阶方法都已具有很好的统计特性。但是在有噪声的场合,普通的ARMA模型的估计质量会大大降低[6]。

在实际中,由于各种自然的和人为的原因,检测到的信号测量值ty与真值tx往往有一定的误差。如果噪声干扰小,就可以近似地认为所得信号没有受到噪声干扰,用普通的方法进行建模。如果噪声干扰达到不可忽略时,应考虑用带有干扰噪声的时序模型来建模。因为这时在噪声干扰下,获得的并非真实信号,普通方法对这种情况就不再适用了,从而导致普通模型的预测质量大大降低[7]。针对该问题,本文提出了应用长自回归法建立带有干扰噪声的ARMA模型的预测方法。将这一方法用于我国富锦风电场的实际功率预测中,取得了优于普通ARMA模型的预测效果。

1 噪声场合下的ARMA模型建模

1.1 AR模型和ARMA模型

AR模型数学表达式记为AR(p),模型形式为

ARMA模型数学表达式记为ARMA(p,q),模型形式为

式(1)和式(2)中:p为自回归阶数;q为滑动平均阶数;ϕi为自回归系数;θj为滑动平均系数;ςt为随机干扰值[8]。

1.2 长自回归模型法

基于观测时序建立起来的AR模型、ARMA模型,均是等价系统的数学模型。因而,虽然由这些模型确定的等价系统在形式上不同,但传递函数应该相等。这样,可先估计出AR模型参数,再根据传递函数相等的关系估计出ARMA模型的ϕi和θj[8]。

1.3 噪声场合下的ARMA模型

首先建立AR模型,带有干扰噪声的AR模型为

其中,xt是AR(p)序列,即xt满足式(1)。

依据带有干扰噪声的数据y1,⋅⋅⋅,yT,对真实信号xt建立AR可按如下三个步骤进行[7]。

步骤1:由观测样本y1,⋅⋅⋅,yT,计算

步骤2:AR模型定阶,由于受到噪声序列的污染,利用偏自相关函数、AIC准则或BIC准则定阶[9],其准确性自然会受到影响。下面介绍的HOYW定阶方法来解决AR模型的定阶问题[7]。记

令

则Hk为实对称矩阵,设λ12(Hk)≥λ22(Hk)≥⋅⋅⋅≥λk2(Hk)是Hk2的k个特征值,令

其中:pT=O((logT)a),a>1;tr(A)表示矩阵A的迹。

那么就可以将

作为AR模型的阶数p的估计[7]。

步骤3:解线性方程组

AR模型建立后即可应用长自回归模型法构建噪声场合下的ARMA模型。

2 对实际风电场发电容量建模及预测

2.1 建模

对富锦风电场11号风电机组2008年9月的发电容量序列进行建模预测,样本数据为每小时总发电容量组成的时间序列。针对此时间序列,应用HOYW方法将带有噪声的AR模型阶数定为2阶,即建立了AR(2)模型。然后应用长自回归模型法建立带有噪声的ARMA模型为ARMA(1,1)模型。

2.2 模型适用性检验

应用Q_准则[8,9]对模型的适用性进行检验:计算Q统计量:

其中:T是样本长度;是样本相关函数;m主观给定,一般在15~20之间。H0:{ςt}是白噪声过程,当零假设成立时,统计量Q服从χ2(m-p-q)分布。如果Q大于临界值,拒绝H0,则不是白噪声过程,需要修改模型;如果Q小于临界值,接受H0,人为残差是白噪声过程。取m=20,Q统计量的计算结果为12.580 0。取m-p-q=18,置信度水平为95%时,临界值约为28.87,于是可以认为模型残差是白噪声,即可断定噪声场合下的ARMA模型对风力发电容量时间序列是适用的。图1为模型残差的自相关系数ρk,很明显地可以看到ρ0=1,ρj=0,j≠0,符合白噪声特性[9]。

2.3 模型预测

应用此模型对11号风电机组2008年10月的发电容量序列进行预测,预测结果如图2所示。为了清晰,只显示了551~650之间100个点的预测结果。图2中实线为实际观测值,虚线为预测值。

从图2中可以看出,预测结果基本反映了风力发电功率的变化规律。

3 与普通的ARMA模型对比

根据偏自相关函数定阶法则,利用长自回归模型法对上述时间序列建立的普通ARMA模型为ARMA(2,1)模型[10]。为了说明噪声场合下ARMA模型的优越性,将这两种模型在预测精度方面进行对比。

分别应用两种模型进行预测,图3为两种模型的预测曲线。

表1为应用两种模型预测时产生的归一化平均绝对误差(NMEA)[10]对比。

由图3和表1可以很清楚地看到噪声场合下的ARMA模型进行预测时预测效果优于普通的ARMA模型。为了增强对比,将两种模型的模型参数及预测误差列于表2中。

4 结论

本文在简要介绍带有干扰噪声的ARMA建模方法之后,依据富锦风电场风力发电量时间序列先后建立了带有干扰噪声的ARMA模型和普通的ARMA模型。对两者的模型残差进行了分析,利用Q_准则验证了残差的白噪声特性及模型的适用性。并将两种不同模型在预测精度方面进行了对比,结果表明:由于实际应用中,检测到的信号测量值与真值误差的存在,使得噪声场合下的ARMA模型与普通ARMA模型相比有着更优越的预测性能。

参考文献

[1]2008全球可再生能源发展现状分析及前景展望[EB/OL].http://www.chinapower.com.cn.Analysis and prospects of global renewable energy development situation in2008[EB/OL].Available:http://www.chinapower.com.cn.

[2]Dong Lei,Wang Lijie,Hu Shi,et al.Prediction of wind power generation based on chaotic phase space reconstruction models[C].//IEEE 7th International Conference on PEDS.Bangkok(Thailand):2007:744-748.

[3]潘迪夫,刘辉,李飞燕.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术,2008,32(7):83-86.PAN Di-fu,LIU Hui,LI Fei-yan.A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm[J].Power System Technology,2008,32(7):83-86.

[4]Billinton R,Chen H,Ghajar R.Time-series models for reliability evaluation of power systems including wind energy[J].Microelectronics and Reliability,1996,36(9).

[5]蒋金良,林广明.基于ARIMA模型的自动站风速预测[J].控制理论与应用,2008,25(2):374-376.JIANG Jin-liang,LIN Guang-ming.Automatic station wind speed forecasting based on ARIMA model[J].Control Theory&Applications,2008,25(2):374-376.

[6]姜礼平.有噪声场合自回归模型的参数估计及定阶[J].应用数学,2001,14(2):64-68.JIANG Li-ping.Estimation of parameters and order of autoregressive model with additive noise[J].Mathematica Applicata,2001,14(2):64-68.

[7]常学将,陈敏,王明生.时间序列分析[M].北京:高等教育出版社,1993:119-196.CHANG Xue-jiang,CHEN Min,WANG Ming-sheng.Time series analysis[M].Beijing:Higher Education Press,1993:119-196.

[8]杨叔子,吴雅,轩建平,等.时间序列分析的工程应用(上)[M].武汉:华中科技大学出版社,2007:175-280.YANG Shu-zi,WU Ya,XUAN Jian-ping,et al.Time series analysis in engineering application[M].Wuhan:Huazhong University of Science and Technology Press,2007:175-280.

[9]潘红宇.时间序列分析[M].北京:对外经济贸易大学出版社,2006:39-122.PAN Hong-yu.Time series analysis[M].Beijing:Foreign Economic and Trade University Press,2006:39-122.

道路交通噪声预测模型篇6

我国现行环境标准体系中推荐的公路交通噪声预测模型包括环境保护部发布的《环境影响评价技术导则声环境》 (HJ2.4—2009) 附录A2公路 (道路) 交通运输噪声预测模式 (以下简称“HJ2.4—2009模式”) 和交通运输部发布的《公路建设项目环境影响评价规范》 (JTG B03—2006) 附录C公路交通噪声预测模式 (以下简称“JTG B03—2006模式”) 2种。

模式的准确性指模式预测结果与实际情况的趋近程度, 预测值与实际值越接近, 模式的准确性就越高。对于两种模式的准确性优劣问题存在争论, 康玉春[1]、王英伟等[2]从模式的数学表述和参数定义方面分析认为HJ2.4—2009模式更准确;谢江等[3]在四川省部分公路噪声实测数据的基础上分析认为HJ2.4—2009模式更准确;范东平[4]在广东省部分公路噪声实测数据的基础上分析认为JTG B03—2006模式更准确;徐令伦[5]在四川省部分公路噪声实测数据的基础上分析认为两种模式的准确性在不同的路况条件下各不相同。

HJ2.4—2009与JTG B03—2009两种模式的数学表述和参数定义不尽相同。在环评实践中发现, 在相同输入条件下, 在公路两侧200 m评价范围内两者的预测结果差值最大可达7 d B (A) 。上述差值对评价结论、降噪措施以及环保投资具有决定性影响。因此, 选择准确性高的预测模式是环评结论可信、环保措施可行的前提条件。

1 两种模式的理论对比

根据规范HJ2.4—2009模式和JTG B03—2006模式的公式结构基本相同, 声级预测值都是辐射声级项、交通量修正项、距离衰减修正项、常数项以及其他若干与公路特性和环境因素有关的修正项等各分项的加和, 只是各分项的计算方法不同。两种模式各分项计算方法的不同对照见表1。

根据表1, HJ2.4—2009和JTG B03—2006两种模式存在的差异分别为:辐射声级项、距离衰减修正项、纵坡修正项、树林修正项、空气吸收修正项、反射修正项。

在辐射声级项上, HJ2.4—2009未提供具体的辐射声级计算公式, 这成为该模式的缺陷。环评实践中一般采用JTG B03—2006的计算方法。可以认为HJ2.4—2009模式是一个不包括辐射声级计算, 只反映公路交通噪声扩散传播规律的不完整的预测模式。而JTG B03—2006提供了具体的计算公式和参数, 可以利用设计车速、车道数、预测交通量等基本输入参数计算各型车的辐射声级。因此, 由于HJ2.4—2009辐射声级项计算方法的缺失, 比较HJ2.4—2009和JTG B03—2006两种模式的准确性, 即是也仅能比较两者除辐射声级项之外的其余各项的准确性。

对于一般高等级公路, 基本为公路平直、两侧无郁密林带和高大密集建筑物、远离交叉口的情况, 纵坡修正项、树林修正项、反射修正项3项可以不予考虑。

空气吸收修正项的贡献很小。按公路交通噪声等效频率500 Hz处大气衰减系数3.1 d B/km计, 两种模式在公路两侧200 m范围内此项修正量的最大差值为0.6 d B (A) 。

对于距离衰减修正项, 当交通量小于300辆/h, 两种模式在公路两侧200 m范围内此项修正量的最大差值为7.1 d B (A) 。

综上所述, 在采用相同的辐射声级计算公式的情况下, HJ2.4—2009和JTG B03—2006 2种模式的最大差别在于距离衰减修正项的不同。因此, 两种模式的准确性优劣是由其距离衰减修正项的准确性决定的。

HJ2.4—2009模式将公路噪声源作为严格的线声源考虑, 其距离衰减修正项符合线声源的几何发散规律。JTG B03—2006模式在交通量大于300辆/h时将公路噪声源作为严格的线声源考虑其几何发散, 与HJ2.4—2009相同;在交通量小于300辆/h时, 将公路噪声源作为介于线声源和点声源之间的情况考虑, 其几何发散规律也采用介于线声源和点声源之间的折中方案, 具体表现在距离衰减项前的系数由10变为15。

公路噪声源的线声源特性是由公路上行驶的车流形成的。线声源特性的强弱与车流量的大小有关。当预测点与公路的距离r远大于公路上行驶车辆的车间距d时, 即公路车流量很大, d很小, 公路噪声源相当于严格的线声源, 其几何发散规律为:

式中:Lr、Lo分别为距离公路为r和ro处的声压级, ro为参考距离。

当r远小于d时, 即公路车流量很小, d很大, 可以近似认为公路上只有一辆汽车行驶, 相当于严格的点声源, 其几何发散规律为:

而当r与d的关系在上述两种情况之间时, 公路噪声源是一种介于线声源和点声源之间的状态, 表征其几何发散规律的对数项前的系数也应处于10~20。

JTG B03—2006模式在距离衰减项系数上的设置考虑了小交通量情况下公路噪声源由线声源向点声源的转化, 在一定程度上反映了不同交通量条件下公路噪声几何发散的客观规律, 而HJ2.4—2009模式没有上述考虑。因此, JTG B03—2006模式的距离衰减修正项比HJ2.4—2009模式更接近实际情况, 即从模式的数学表述的理论层面分析, 在采用相同的辐射声级计算公式的情况下, JTG B03—2006模式比HJ2.4—2009模式更准确。

2 两种模式的实证对比

2.1 实证对比方法

实证对比的方法如下:

(1) 选择若干已运营的公路进行交通噪声衰减断面监测, 同步记录交通量数据。

(2) 将公路、监测点基本参数和记录的交通量输入不同的公路交通噪声预测模式中, 得到不同模式的预测值。

(3) 将不同模式的预测值与实际监测的噪声值进行对比, 预测值与实际监测值越接近的模式准确性越高。

2.2 公路概况与输入参数

实证对比的数据来自广东省1条和江苏省3条已运营的高速公路、一级公路或城市快速路等高等级公路的5个监测断面共计8组昼间、8组夜间监测的交通量和76个噪声数据样本, 见表2。

上述监测断面均选择在公路平直、低路堤、两侧空旷、远离交叉口、无明显其他噪声源、公路两侧地面为草地的路段。监测点高度距离地面1.2 m。测量仪器及监测期间的气象条件符合《声环境质量标准》 (GB3096—2008) 的规定。实测数据样本的监测条件与2.3节的预测条件近似, 实测数据与模式计算值具有可比性。

2.3 预测条件

公路噪声源高度按1 m、预测点高度按1.2 m计。路面为沥青混凝土路面, 不计路面修正量。监测点处为平直路段, 不计纵坡修正量和线路因素修正量。监测点所在路段两侧空旷、远离交叉口, 不计建筑物遮挡修正、声影区修正、树林修正、反射修正。监测点与公路之间为草地, 考虑地面效应修正。HJ2.4—2009模式考虑空气吸收修正, 按气温10℃、相对湿度70%、公路交通噪声等效频率500Hz处大气吸收衰减系数2.8 d B/km计;JTG B03—2006模式无空气吸收修正。两种模式的辐射声级均采用JTG B03—2006的辐射声级公式。

2.4 预测结果与对比分析

HJ2.4—2009、JTG B03—2006两种模式的预测值与已运营公路交通噪声实测值的对比见图1~图7。

当至少有某型车的交通量小于300辆/h且其占总交通量的比例不太低 (>40%) 时 (除绕城公路以外的所有夜间样本) , JTG B03—2006模式的预测值比HJ2.4—2009模式明显更接近实测值, 显示这种情况下JTG B03—2006模式更准确。这是JTG B03—2006模式的距离衰减修正项较客观反映小交通量条件下公路噪声几何发散规律的实际体现。

当各型车交通量均大于300辆/h或小于300辆/h的车型占总交通量的比例很低 (<20%) 时 (所有昼间样本及绕城公路夜间样本) , HJ2.4—2009模式的预测值略小于JTG B03—2006模式, 两者的差别来源于前者空气吸收修正项的应用, 这种差值最大为0.6 d B (A) 。但对于大多数样本, 此时两种模式的预测值与实测值的差值大于3 d B (A) , 最大超过10 d B (A) 。上述结果说明, 此时2种模式的预测值基本相同且与实测值存在显著偏差, 准确性均较低。这种情况下JTG B03—2006模式的距离衰减修正项已不能较客观地反映公路噪声的几何发散规律, 这是JTG B03—2006模式在交通量大于300辆/h情况下的不足之处, 需进一步研究改进。

3 模式预测值与实测值的差异

根据图1~图7, 模式预测值与实测值之间存在差异。设JTG B03—2006模式预测值与实测值之间的差异X服从正态分布N (μ, σ2) 。

当至少有某型车的交通量小于300辆/h且其占总交通量的比例不太低 (>40%) 时 (除绕城公路以外的所有夜间样本, 样本容量28) , μ的置信度为0.95的置信区间为 (-0.1, 1.3) 。即认为JTG B03—2006模式预测值与实测值的吻合度较好, 模式预测值可以直接对照声环境质量标准评价。

当各型车交通量均大于300辆/h或小于300辆/h的车型占总交通量的比例很低 (<20%) 时 (所有昼间样本及绕城公路夜间样本, 样本容量48) , μ的置信度为0.95的置信区间为 (4.7, 6.5) 。即认为JTG B03—2006模式预测值明显大于实测值, 模式预测值需削减5 d B (A) 后再对照声环境质量标准评价。

4 结论

对比HJ2.4—2009和JTG B03—2006两种模式的数学表述形式发现, 在采用相同的辐射声级计算公式的情况下, 两种模式的最大差别在于距离衰减修正项的不同。JTG B03—2006模式在距离衰减项系数上的设置考虑了小交通量情况下公路噪声源由线声源向点声源的转化, 在一定程度上反映了不同交通量条件下公路噪声几何发散的客观规律, 而HJ2.4—2009模式没有上述考虑。因此, 从理论层面分析, JTG B03—2006模式比HJ2.4—2009模式更接近实际情况。

运用江苏省和广东省4条已运营公路的实测交通量和交通噪声数据验证2种模式的准确性发现, 在至少有某型车的交通量小于300辆/h且其占总交通量的比例不太低 (>40%) 时, JTG B03—2006模式的预测值比HJ2.4—2009模式明显更接近实测值, 这与两种模式的理论对比结论一致。但当交通量大于300辆/h时, 两种模式的预测结果基本相同且显著偏离实测值, 准确性不足。

综上所述, 当各型车交通量小于300辆/h时, JTG B03—2006模式的准确性明显优于HJ2.4—2009模式;当各型车交通量大于300辆/h时, 两种模式的准确性均不足。

在公路建设项目环评实践中, 建议在小交通量情况下可以直接采用JTG B03—2006模式进行公路交通噪声预测与评价;在大交通量情况下对JTG B03—2006模式预测值削减5 d B (A) 后再对照声环境质量标准评价, 或当JTG B03—2006模式预测值超过标准限值5 d B (A) 以内时, 可以考虑暂不采取工程降噪措施并加强运营期噪声监测, 根据实际监测结果再确定工程降噪措施的交通噪声污染防治思路。

参考文献

[1]康春玉.对常用的几种公路交通噪声预测模式的探讨[J].能源与环境, 2010 (3) :53-55.

[2]王英伟, 王兆波, 张海军, 等.对几种公路交通噪声预测模式的差异分析[J].环境科学与管理, 2012, 37 (7) :188-191.

[3]谢江, 张建强, 李启彬, 等.几种常用公路交通噪声预测模式准确性分析[J].公路, 2012 (1) :172-176.

[4]范东平.道路交通噪声预测模型分析及实证研究[D].广东:广东工业大学, 2012.

[5]徐令伦.高速公路交通噪声预测模式应用及源强的探究[D].成都:西南交通大学, 2011.

[6]谱尼测试有限公司.东莞市东部快速路 (企石至桥头段) 完善改造工程环境影响报告书[R].2011.

[7]南京市环境监测中心站.南京绕城公路 (柳塘至刘村段) 城市化改造工程环境影响报告书[R].2010.

[8]苏州市环境监测中心站.苏虞张公路改扩建工程环境影响报告书[R].2012.

道路交通噪声预测模型篇7

1 拟建大桥概况

某拟建大桥是江苏苏北某市横跨京杭运河的一座公路桥, 双向四车道城市Ⅰ级主干路设计, 桥面总宽度为33m, 设计时速60km/h。主桥728m, 南北引桥462m, 其他道路长约1.5km。通行净高 (主干路、次干路) ≥4.5m。主要建设内容为道路、桥梁工程、雨水及污水管道工程, 另外还有绿化、路灯、边坡护理等辅助工程。道路全部采用沥青混凝土路面。项目附近声环境保护目标 (敏感点) 包括:项目东侧约10m的A小区, 人口约600人;项目穿越的B村庄, 人口约100人。

2 道路交通噪声影响预测及评价

2.1 环境噪声预测模式的确定

根据《环境影响评价技术导则·声环境》 (HJ2.4-2009) , 环境噪声预测值包括:将环境噪声现状背景值和大桥道路交通噪声预测贡献值进行叠加计算, 得到拟建大桥建成投入使用后的环境噪声预测值。

2.1.1 道路交通噪声级预测模式

根据设计, 拟建大桥工程交通量较大。公路上行驶的车辆可视作连续的线声源。根据噪声级预测道路交通噪声在预测点的贡献值采用的模式如下:

式中:Leqi-第i种车型的车流在观测点处的等效声级, d B (A) ;

Loi-第i种车型在参照点处, 车速Vi时辐射的平均辐射噪声级, d B (A) ;

T-计算等效声级的时间, 取1h;

Ni-第i种车型的小时车流量, 辆/h;

i-第i种车型的平均行驶速度, km/h;

α-与地面覆盖物吸收特性有关的衰减因子, 农村地区软地面, 取α=0.5;硬地面取α=0;

△S-噪声传播中建筑物、地形、路堤、路堑等障碍物的附加衰减量, d B (A) ;

△L1-公路弯曲或有限长路段引起的交通噪声修正量, d B (A) 。

式中各参数计算公式如下:

第一, 车辆辐射平均噪声级

各型车在公路上行驶的辐射声级按下列公式计算:

小型车:Lw, s=59.3+0.23vs

中型车:Lw, m=62.6+0.32vm

大型车:Lw, l=77.2+0.18vl

第二, 距离衰减量△L距离

ro-行车道中心线至参照点的距离, ro=7.5m;

r-行车道中心线至接受点的距离, m;

α-与地面覆盖物吸收特性有关的衰减因子, 农村地区软地面, 取α=0.5;硬地面取α=0。

第三, 障碍物对噪声传播的附加衰减量

A.林带引起的附加衰减量△L树林

△L树林按表1取值。

B.房屋的附加衰减量△L房屋

房屋建筑的噪声附加衰减量按表2估算。

C.声影区的附加衰减量△L声影区

预测点在高路堤或低路堑两侧的声影区内引起的附加衰减量△L声影区决定于声程差, 声程差由图1计算:即=a+b-c

最后, 由菲涅尔系数与噪声衰减量 (△L) 关系曲线图 (此处从略) 查得声影区的噪声附加衰减量。

第四, 道路纵坡引起的噪声修正量△L纵坡的计算式:

小型车:△L纵坡=50×β, d B

中型车:△L纵坡=73×β, d B

大型车:△L纵坡=98×β, d B

式中:β-公路的纵坡度, %

第五, 公路弯曲或有限长路段引起的交通噪声修正量△L1

2.1.2 环境噪声预测模式

该拟建大桥建成投运后, 预测点的噪声值采用的预测模式如下:

2.2 预测模式中参数的确定

2.2.1 车速 (Vi)

拟建大桥道路上的车辆可认为是匀速行驶, 根据该项目建设技术指标, 大、中、小3种车型的平均行车速度见表3。

2.2.2 车辆辐射平均噪声级 (Loi)

车辆行驶辐射噪声级与车速、车辆类型及路面特性 (路面材料构造、粗糙度及坡度等) 有关, 车辆行驶辐射平均噪声级与车速关系式进行计算 (见表3) 。

2.2.3 小时车流量 (Ni)

拟建大桥交通量的预测采用三阶段法, 基准年为2010年, 特征年为2015、2020、2025等3个年份。

大桥预测交通量由趋势交通量、诱增型交通量和转移型交通量三部分组成。

交通量分配过程中充分考虑了区域路网的规划道路因素。各特征年交通量预测结果见表4。

昼夜小时交通量比为8∶2。经计算, 大桥营运期主评价年的昼夜小时车流量分别列于表5。

2.3 环境噪声预测结果及评价

2.3.1 道路交通噪声预测结果

根据该路段评价年昼夜交通量, 按平路堤、无限长、无纵坡、路边地面类型为软地面情况下预测不同评价年的交通噪声值列于表6。表中的交通噪声预测值直观的反映了拟建大桥交通噪声级在道路两侧的分布, 可供地方建筑规划参考。

由表6预测结果可知:

第一, 随着离大桥中心线距离的增加, 声环境质量均变好。

第二, 随着交通量的增加, 项目沿线声环境质量变差, 营运近期声环境质量较好, 中期次之, 远期最差。

第三, 不同时期各路段昼间噪声预测情况优于夜间。

2.3.2 道路交通噪声评价

拟建大桥声环境执行《声环境质量标准》 (GB3096-2008) , 道路两侧距征地红线35m以内区域执行4a类, 35m以外执行2类标准, 居民区和学校执行2类标准。

根据平路基预测结果, 可对大桥营运期噪声达标距离进行预测, 该路段营运期噪声达标距离预测表如表7所示。

由表7对交通噪声分析如下:

营运近期 (2015年) :距道路中心线22m以外均符合4a类环境噪声标准, 距路中心线48m以外均达到2类标准;营运中期 (2020年) :距路中心线外23m符合4a类环境噪声标准, 77m以外均符合2类标准;营运远期 (2025年) :距路中心线27m以外符合4a类环境噪声标准, 90m以外均符合2类标准。

2.4 营运期交通噪声对沿线敏感点环境影响预测及评价

2.4.1 敏感点环境噪声预测值

根据路段交通量, 道路结构、敏感点背景噪声情况, 计算得大桥营运期沿线敏感点环境噪声预测值见表8。

注:离道路中心线的距离指敏感点第一排建筑物离公路中心线的距离。

拟建大桥穿越A小区、B村庄路段交通噪声等声级线图见图2。

2.4.2 敏感点噪声环境影响评价

评价根据《声环境质量标准》, 道路两侧距征地红线35m以内区域执行4类, 35m以外执行2类标准。

营运近期 (2015年) :A小区夜间超标0.9 d B (A) ;其他保护目标昼间和夜间公路沿线村庄噪声均无超标点。

营运中期 (2020年) :A小区昼间超标2.9 d B (A) , 夜间超标4.6 d B (A) ;其他保护目标昼间和夜间公路沿线村庄噪声均无超标点。

营运远期 (2025) :A小区昼间超标3.3d B (A) , 夜间超标5.1 d B (A) ;B村庄昼间超标1.7 d B (A) , 夜间超标3.6 d B (A) 。

2.5交通噪声污染防治措施

对于以上预测结果, 通过采取一定的噪声治理措施后, 可减弱或消除大桥营运期对周边声环境的影响。建设大桥可以采用低噪声路面技术, 通过在大桥两侧加装隔声屏, 加强道路交通管理, 有效地控制交通噪声污染;限制性能差或超载车辆进入道路, 经常维持道路路面的平整度, 在重要敏感点附近路段两端设置限速、禁鸣标志;在邻近道路的住宅建筑中, 进行功能置换, 合理布局, 把交通噪声对敏感点的影响降到最低。

参考文献

[1]韦艺娴, 陈娜.高架桥梁交通噪声环境影响预测分析[J].大众科技, 2012, (09) :52-55.

[2]国家环境保护部.HJ2.4-2009, 环境影响评价技术导则·声环境[S].北京:中国环境科学出版社, 2010.

道路交通噪声预测模型篇8

城市交通问题由来已久,为确保城市交通正常运行,就需要城市交通的路网容量、路线及布局与城市居民的生活相适应,一味通过挖掘城市地下道路,建设高架桥等扩展城市交通容量的方式远远不能满足城市快速发展的需求,同时造成大量的人力、物力的损耗,不利于城市实现又好又快的发展目标。只有通过科学的规划设计,在深入研究城市发展规模、城市土地利用形态以及城市居民需求等的基础上,预测城市交通分布、城市特定位置交通量以及交通路网的容量等与城市规划设计有关的因素,由此来设计合理的交通建设方案,以完善我国城市交通网络体系。

1 交通需求预测模型的定义

交通需求预测模型是指在交通规划中,综合运用数学、图表、运筹学、统计学等多种学科领域的知识对交通系统做简单描述,通过对影响交通需求的多种因素进行综合分析,得出科学的预测结果,以此来指导城市交通规划建设。

交通需求预测模型一般以人口、就业岗位的分布和交通网络作为基本元素,分析城市交通规划建设与城市土地利用之间的关系,从而合理安排城市交通分布和交通用地,从而促进城市发展水平的提升,有利于节省城市可利用土地资源。

2 交通需求预测方法

交通需求预测理论发展至今,普遍被人们采用的主要是四阶段交通需求预测法,包括交通生成、交通分布、交通方式划分以及交通分配四个内容。

2.1 交通生成预测

交通生成预测包括交通产生量和吸引量预测两个方面的内容,交通生成阶段作为其他阶段交通预测的基础,对交通预测的结果有很大的影响。通过对城市特定地区的经济发展规模、人口及人流量和土地利用类型等与交通相关的因素进行综合分析,预测该地区未来的交通产生量和吸引人流量。

2.2 交通分布预测

交通分布预测是指通过对城市特定地区的经济发展程度以及城市特定地区居民日常生活的轨迹进行综合分析,了解城市特定地区的居民对交通的实际需求,然后由交通需求指引城市交通干线和支线的分布,规划设计交通网络分布,以使交通设计与居民的需要相一致,同时有利于把握交通流向,使路网的布局沿主要交通运输需求流向布置,同时注重交通网络的容量配置[1]。

2.3 交通方式划分预测

交通方式划分预测是指对城市特定地区未来的交通使用类型及情况所做出的预测,通过对城市特定地区经济活动、人流量以及交通适用类型进行综合分析,得出未来城市特定区域的交通类型的配置情况,这有利于城市未来交通类型配置的合理性,减轻交通压力,从而为该地区未来交通方式的选择和配置提供科学合理的参考。目前我国城市交通类型主要有公共汽车、地铁、出租车、小轿车、步行这几种方式,并且在城市经济活动频繁、人流量大的地区通常综合分布着几种交通类型,比如武汉的光谷步行街附近,既分布有地铁、公交等公共交通类型,又有步行、小汽车、自行车等综合交通方式。

2.4 交通量分配预测

交通量分配预测是指根据城市特定地区的经济发展规模和经济活动以及该地区的日常平均人流量来推测未来该地区的交通流量以及道路交通网络的分配情况,以得出未来该地区的交通压力情况,从而为交通网络的分布提供正确的参考依据。根据我国目前经济发展水平和人均拥有私家车的量来看,我国无疑是进入机动车行驶占主要地位的阶段,小轿车的增多严重加剧了我国原本供给不足的道路交通压力,城市交通堵塞的现象比比皆是,利用科学的交通量分配预测对城市交通网络进行科学的分布,对我国城市的可持续发展至关重要。

3 交通需求预测模型

3.1 交通生成预测模型

对交通生成预测的方法有很多,常见的主要有回归模型、增长率以及交叉分类模型法,本文主要介绍交叉分类模型法。

1)交叉分类模型原理方法为将家庭按照人口结构、家庭收入和汽车的拥有量等要素的不同,加以分类,再依据居民出行O-D调查统计的各种类型家庭平均出行率和家庭总户数来计算出总出行量[2]。如公式(1):

式中Gi—交通小区i的出行量;

n—划分家庭类别总数;

Fik—交通小区i中第k类家庭的总户数。

交叉分类模型的优点是可比性强,直观反映了用地与交通生成的关系,其缺点是计算分类较繁琐,分类的代表性影响其预测精度,需大规模的居民出行调查数据支持[3]。

交通生成预测包括交通产生量和吸引量预测两个方面的内容,上文介绍了交通生成量的预测模型,下面介绍交通吸引量的预测模型。对交通吸引量的预测分析是很复杂的,因为交通吸引量受特定地区的人流量、居民出行类型、居民返程以及特定地区经济活动、商业、文体、旅游等的影响,很难用一种模型就将所有的因素之间的函数关系表达出来,通常是按照居民出行目的比如上班、上学、返程等来建立模型,建模方法有回归法、吸引率法、时间序列法等。

2)交通吸引预测与交通生成预测类似,居民出行吸引受到特定交通地区的区位因素影响,根据特定区位土地利用类型、面积的不同以及不同类型区域的出行吸引系数,建立不同交通区域的吸引模型[4]。如公式(2):

式中Ai—特定交通区域的出行吸引量;

Wi1———特定交通区域的办公用地的吸引权;

Wi2———特定交通区域的工业仓库用地吸引权;

Wi3———特定交通区域的教育机构用地吸引权;

Wi4———特定交通区域的商业用地吸引权;

B1、B2、B3、B4—出行吸引率;

Li1—特定交通区域办公用地面积;

LI2—特定交通区域工业仓库用地面积;

LI3—特定交通区域教育机构用地面积;

LI4—特定交通区域商业用地面积。

3.2 交通分布预测模型

交通分布预测是指根据特定地区的人流量、经济发展程度来预测该地区的交通产生量和吸引量,同时确定特定地区不同类型交通区的出行量和吸引量,按照交通出行的流向和吸引返程的流向预测未来该区域的交通分布,以使该区域的人流量与交通分布相适应,从而减缓交通堵塞现象和交通压力。同时对交通分布预测的方法有很多,主要有增长系数法、介入机会模型法以及重力模型法,本文主要介绍重力模型法。

重力模型法是一种借鉴万有引力定律的空间互动关系模拟分析模型,通常情况下,城市的交通区域分为几个不同区位来进行综合管理,每个区位在同一时间段内的交通流量不同,有的区域交通出现堵塞现象,有的交通区域交通比较顺畅,在这种情况下交通堵塞区域的人流量会下降,同时会往交通顺畅的区域分流,而重力模型也就是研究人流量与交通区位分布之间的关系。重力模型使用基础是特定区域交通分布量与交通出行量和交通吸引量成正比,与特定区域交通阻抗成反比,根据交通约束情况的不同分为无约束、单约束、双约束、三约束等不同的类型。其中双约束关系如下:

式中T1j—从交通区i到交通区j之间的出行量;

P1—交通区i的出行总量;

Aj—交通区j的出行总量;

f(dy)—交通区i到交通区j的出行阻抗;

ai、bj—出行分布矩阵行与列的平衡系数,并且满足:

将(4-3),(4-4)带入(4-5)式中得到:

可以看出,式(4-5)是一个无法用代数方法直接求解的公式,只能采用迭代的方式求近似解,同时需要对迭代的次数以及误差值做限定,不然计算程序会陷入死循环。重力模型的特点是对交通分布量的影响因素考虑较全面,能够敏感地反映出交通阻抗与交通分布量之间的关系变化,不足之处是对居民在较小交通区域内的出行距离计算值过大,所以重力模型比较适合交通区域面积偏大的地区。同时,也要根据实际情况采用数据,因为当某一个交通区域的阻抗接近零时,通过重力模型分析该区域的交通分布量值会趋于无穷大,这种情况就不适合采用重力模型分析。

3.3 交通方式划分模型

交通方式划分预测是指对城市居民在出行过程中会选择何种交通工具的预测,根据居民出行方式选择、居民个人习惯、出行目的地的特点以及出行区域的交通设施水平等影响居民交通方式的因素来预测未来该地区的交通类型分布,通过交通方式划分预测可以把握未来该交通区域的主要交通类型、人流量以及交通压力,从而在城市交通规划设计中对交通运输类型以及负荷量有一个很好的掌控。

当前主要的交通方式划分预测方法主要有固定份额法、交叉分类法、回归分析法、Logit模型法等。本文主要介绍交叉分类法。

交叉分类法根据出行者的出行方式的特性比如出行时间、出行距离、出行费用等要素以及出行者所在的区域类型比如商业区、居民区、郊区等综合分析比较相似的几组,预测该区域的交通分担量,为该区域的交通类型分布提供可参考的数据。

采用交叉分类法分析特定交通区域的交通分担量时,要从每一相似的出行组别中选取最有代表性的出行份额或是平均出行份额,这个出行份额既可以来自居民出行交通调查,也可以通过其他数学模型预测分析得出。如公式(5):

式中Pik—分区i的第k方式交通产生量;

asm·k—全市第s类家庭第k类方式的出行率;

Nsi—分区i第s类家庭的数目,取规划年的预测值。

交叉分类法在实际应用中会出现信息不对称的情况,主要是因为居民出行特性相似的群体难以确定,在不同的交通区域、不同的交通时间阶段内群体内部的出行特性差异较大,对此作出明确的界定很难。

3.4 交通分类模型

交通分类模型分为均衡模型和非均衡模型两种形式,如果交通线路上的交通时间与交通费用随交通流量的大小而变化,则为均衡模型,反之则为非均衡模型。本文主要介绍均衡分配模型。

通常某一交通路线的阻抗和拥挤程度是由出行者集体选择该路线造成的,同时,该路线的拥挤程度与阻抗会反作用于出行者的路线选择,两者之间由此形成一个均衡状态。根据这种相互作用原理,外国专家提出交通量均衡分配原则。

交通量均衡分配原理主要有:1交通价格影响人们出行方式的选择;2两点之间直线距离最短,根据这一数学原理,专家提出当有多种交通路线供出行者选择时,他们往往会选择最短的出行路线,那么最短的路线的交通流量会随之增加,增加至这条路线出现饱和状态即堵塞现象时,人们就会绕道而行,选择其他出行路径代替该路线。

交通分类模型根据交通量均衡分配原理来构建模要素,采用非线性数学规划方法和Frank—Wolfe算法求解。