-
摘要: 致病微生物气溶胶(PMA)是典型的环境污染物,也是对人类健康的主要威胁之一。为了解决传统的高效颗粒空气过滤器(HEPA)系统只能过滤PMA的主要局限性,该研究开发了一种新的等离子体空气净化系统(PAPS),它可以同时过滤PMA并杀死内部的微生物。本系统采用大面积的针状电晕放电阵列覆盖气流通道,并设计了专有的模块化组件,使得PAPS组件易于清洁和重复使用,以实现长期、低成本的运行。此外,该研究集成了人工神经网络与遗传算法(ANN-GA)来优化PAPS的工作参数。通过在最佳工艺条件下对PMA进行有效捕捉和灭活,验证了ANN-GA模型的可靠性。本研究通过层流场、电场、等离子体场和带电粒子运动的多物理场耦合模拟,研究了PAPS系统的净化机制,并进一步验证了其关键工作参数。最终的实验证明,在最佳工作参数下,PAPS可以有效地拦截和灭活PMA中的所有细菌。Abstract: Pathogenic microbial aerosols (PMAs) are a major threat to human health. They are typically found in environmental pollutants and can cause a variety of health problems, including respiratory infections and pneumonia. In order to solve the main limitation that traditional HEPA system can only filter PMA, we developed a new plasma air purification system (PAPS), which can simultaneously filter PMA and kill internal microorganisms. The PAPS uses a large area needle corona discharge array to fully cover the airflow channel. This design allows for efficient filtration and disinfection of PMAs. The PAPS is also easy to clean and reuse, thanks to its proprietary modular design, and this makes it a low-cost option for long-term operation. In this study, artificial neural network and genetic algorithm (ANN-GA) are integrated to optimize the working parameters of PAPS. The reliability of the ANN-GA model is verified by effectively capturing and inactivating the PMA in the real world under the optimal process conditions. Moreover, the purification mechanism of PAPS system is studied by the multi-field coupled simulation of laminar flow field, electric field, plasma field and charged particle motion. The key working parameters are further verified. Experiments conducted under optimal working parameters show that the PAPS can effectively intercept and inactivate all bacteria in PMAs.
-
Keywords:
- PMA /
- plasma air purification /
- AI optimization /
- corona discharge array /
- plasma
-
0. 引言
气溶胶污染对人类健康、工业生产和经济发展带来了许多问题[1-4]。生物气溶胶与许多人类疾病有关,如肺炎、流感、哮喘、过敏和胃肠道疾病等[5]。近年来,新型冠状病毒(COVID-19)的流行引起了广泛的社会关注,气溶胶传播是SARS-Cov-2和其他呼吸道疾病的重要传播途径。为了防止病原体生物气溶胶的传播,人们通常穿戴个人防护设备以及进行空气过滤[6]。目前,过滤是应用最广泛的去除生物气溶胶的技术,因为此技术经济、直接。例如,基于高效微粒空气(high efficient particular air,HEPA)的空气过滤系统已被广泛应用于室内空气净化。这些系统大大减少了病原体生物气溶胶在开放空间之中的排放量[7]。当空气流经HEPA时,气溶胶通过惯性撞击、拦截、扩散和筛分4种机制被捕获在内部的纤维之间。拦截、惯性压制和筛分过程可以有效去除大的气溶胶,而基于扩散的机制可以去除最小的气溶胶[8]。然而,去除中等大小(100~400 nm)的气溶胶是最具挑战性的。此外,相对较大的流速(几米每秒)也会降低HEPA在典型实际工作环境中的过滤效率[9]。
虽然HEPA可以机械地捕获气溶胶,但不能灭活捕获的生物气溶胶中的病原微生物[10],这将导致病原微生物在HEPA中的富集,成为新的污染源。其次,HEPA过滤器在使用一段时间后会被堵塞,从而大大降低其过滤能力。HEPA过滤元件通常由玻璃纤维制成,不能重复使用,因此需要定期更换,这增加了成本和环境负担[7]。
在本研究中,我们开发了一种新型等离子体空气净化系统,通过整合低温等离子体技术与多孔金属材料来解决空气质量问题。等离子体能够生成高密度的电子、离子、活性物质和电场,对污染物具有物理、化学和生物效应。此外,它能够直接灭活各种细菌、病毒和其他微生物,展现出优良的杀菌和消毒效果[11-12]。同时,等离子体还可对空气中的气溶胶进行充电,借助外部电场引导,有效拦截带电气溶胶。金属泡沫作为一种具有过滤效果的多孔金属材料,可作为外部电场的载体,并在清洗后重复使用。这使得金属泡沫成为等离子体空气净化系统中理想的污染物收集器。
本研究开发了一种等离子体空气净化系统(plasma air purification system, PAPS),其集成了通风管道、针状电晕放电阵列、金属泡沫和网状电极。在此系统中,我们首次开发了大面积的针状电晕放电阵列,可有效覆盖整个通风管道横截面。为了优化PAPS的性能,需要确定5个关键工作参数,包括放电电压、金属泡沫与接地网状电极之间的静电场、风道中的空气速度、电晕放电阵列的针状电极与金属泡沫之间的距离以及金属泡沫的孔密度(PPI)。这些参数直接影响PAPS的空气净化效率。首先,将不同的工作参数与实验中测得的净化效率输入人工神经网络(ANN)模型作为训练数据集。然后,通过遗传算法(GA)调整训练后的工作参数,以获得可靠的ANN模型并找出最佳空气净化效率对应的工作参数。
为深入研究PAPS的工作原理,建立了相应的COMSOL多物理场耦合模型,结合层流模块、电场模块、电荷传输模块和粒子跟踪模块,探讨了气溶胶在PAPS中的充电过程、运动轨迹以及在金属泡沫上的富集情况。进一步分析了放电电压、金属泡沫与接地网电极间的静电场以及气流速度对PAPS净化效率的影响。通过这一分析,我们能够更深入地了解PAPS在实际应用中的性能表现。最后,我们进行了杀菌试验和清洗试验,结果表明PAPS能够有效地杀死富集在金属泡沫上的病原菌,并能在清洗后重新投入使用。
1. 实验设置
图 1展示了PAPS的示意图。该系统由空气管道、初级过滤器、针状电极阵列、金属泡沫、带接地连接的网状电极和臭氧过滤器组成。这些单元采用模块化设计,易于安装和清洁。试验管道由亚克力制成,截面为0.3 m×0.3 m,长度为0.6 m。电晕放电阵列由81个针状电极组成,直径为0.05 mm。使用直流电源(Technix 44-2015)在针状电极上施加的电压在–25 kV至–5 kV之间变化。针状电极阵列与金属泡沫之间的距离从5 cm变化到25 cm。由于O3和NOx可能会产生,且过量可能对健康造成影响,因此使用气体监测仪(佳仪800系列)测量了它们的浓度。空气出口处安装了臭氧过滤器(2020腾尔辉),以吸收大部分过量的臭氧。在实验过程中,环境温度和相对湿度分别保持在(18±2) ℃和(55±5)%。
Fe-Ni金属泡沫(GI电子技术)用于收集带电气溶胶。金属泡沫的每英寸孔数(PPI)为30、60和75。金属泡沫的厚度为5 mm。直流电源(TCM7155)在接地的网状电极和金属泡沫之间产生正电场。金属泡沫与接地网状电极之间的间隙设定为3 cm。使用离子计数器(air ion counter)测量电晕放电源产生的离子密度。使用附加宏观镜头的尼康D90相机拍摄电晕放电图像。而气溶胶谱仪(型号GRIMM 1.109)用于测量气溶胶的粒径分布。
为评估我们系统的微生物杀菌效果,在一个体积为50.4 m3(4.5 m×3.5 m×3.2 m)的办公室中,在设计的等离子体空气净化器(PAP)工作1 h前/后,使用两个6级Andersen采样器(型号FA-2)收集空气中的细菌和真菌。在取样前,首先清洁和消毒PAP,使用紫外线和臭氧处理24 h。采样后,使用180 W的超声波清洗器将金属泡沫和接地网状电极中捕获的细菌气溶胶在20 s内转移到磷酸盐缓冲液(PBS,pH 7.4)中进行细菌分析[13]。然后,我们向培养皿中的每个琼脂糖平板中加入50 μL PBS并均匀涂布,接着在37 ℃下孵育24 h。本文中所有细菌实验均进行了3次重复实验,并在相同的实验条件下获得了一致的结果。
2. ANN模型的数学建模
数学模型是研究系统行为和预测系统对输入参数变化的响应的强大工具。尽管预测线性系统的响应相对容易,但是开发一个数学模型来预测具有非线性行为的系统输出是具有挑战性的。人工智能(AI)的最新发展使得建立模型有效预测非线性行为成为可能。现有众多研究表明,AI建模和大数据分析可以比较准确地预测不同系统的结果。
作为一种发展较为成熟的AI,机器学习教导计算机通过经验学习来模拟人类行为。机器学习算法所使用的计算方法是直接从数据中获取信息,而不依赖预先确定的方程。人工神经网络(ANN)属于监督学习算法类别,在存在不确定模型和数据的情况下,已被证明可以有效地模拟涉及连续输入输出关系的工程过程[14]。在本研究中,采用ANN对改进后的PAPS进行建模,并预测其在5个关键输入过程参数变化下的过滤效率,其中系统表现出强烈的非线性响应。本研究中使用的多层预测(MLP)ANN结构[15]如图 2所示。实验测量提供了明确的输入输出数据对。
2.1 GA参数优化
GA优化与ANN模型的结合已经在许多工程研究中用于优化各种模型。遗传算法(GA)是一种基于标量的优化方法,不需要目标函数的任何特定形式[16]。遗传算法通过引入随时间变化的更新来迭代更新潜在解决方案的种群[17]。ANN-GA混合技术是一种强大的复杂过程建模和优化工具。以下是ANN和GA配合实现参数优化的基本流程:
首先,定义神经网络的结构,包括输入层、隐藏层和输出层的节点数等等。这个结构将作为个体的基因型。使用GA的思想,随机生成一组初始个体(神经网络结构)作为种群。每个个体对应一个神经网络。其次,对于每个个体,使用数据集来评估其在任务上的性能,得到适应度值。适应度值可以根据任务的具体要求来定义。根据适应度值,从种群中选择一部分个体作为父代。再对其进行遗传操作,包括交叉(交换基因信息)和变异(引入新的基因信息),生成新的个体,并将其添加到种群中。之后不断迭代,直到达到预定的迭代次数或满足终止准则(如适应度达到阈值)。在迭代过程中,记录适应度最高的个体,即具有最佳性能的神经网络结构。
通过这样的迭代过程,GA不断优化神经网络的结构和参数,以适应特定的任务。这种ANN和GA的组合可以在参数空间中搜索更好的解,并逐步逼近最优解。因此,ANN和GA的配合实现参数优化是一种更综合的方法,可以同时进行网络结构和权重的优化。
因此,可以通过使用GA来优化PAFS的操作条件,以最大化过滤效率,这在本研究中得到了证明。
2.2 多物理场耦合仿真模型
该模型是使用COMSOL Multiphysics 5.6开发的。模型中包含的所有计算均在HPC集群上运行,集群拥有1.5 TB(24×64 GB)内存、浪潮NF5280M5服务器和英特尔至强金牌6242R 20核,3.1 GHz处理器。
COMSOL模型首先在二维中建模了PAPS的横截面,然后模拟了PAPS的空气抽取、电晕放电、充电和气溶胶颗粒收集过程。图 3(a)显示了PAPS的COMSOL建模基本几何布局,其中通风管长60 cm,宽30 cm,针状电极阵列与金属泡沫之间的距离为6 cm,金属泡沫与接地网状电极之间的距离为4 cm。图 3(b)显示了金属泡沫的二维几何模型,由等效平行束(EPS)[18]表示。
PAPS的通风管道气流通过COMSOL的“层流流动”界面进行建模[19],可以模拟气流的速度和压力。模拟流体速度和压力的方程式为式(1)—式(2)。建立了一个简化的电晕模型来预测PAPS系统中的电晕放电,该简化模型仅考虑电场、气体特性和电极形状,并未包括有关放电的详细物理信息。该模型的区域方程为式(3)。对于粒子的充电过程,采用了扩散充电和电场充电相结合的模型来计算粒子上积累的电荷[20],如式(4)所示。对于粒子的位置,采用牛顿第二定律计算粒子的速度,通过解决粒子所受力来计算粒子的位置[21-22],如式(5)所示。
ρ(u⋅∇)u=∇⋅(−pI+μT(∇u+(∇u)T))+FEHD (1) ρ∇⋅u=0 (2) μ(ρ2qε0−∇V⋅∇ρq)+∇ρq⋅u=0 (3) τcdZ dt=Rd+Rf (4) mpdv dt=Fe+FD=eZE+1τpSmp(u−v) (5) Rd=ve−vsexp(ve−vs)−1 (6) Rf=vs4ε0(1−vevs)2 (7) 其中:ve=Ze24πε0rpkBTi;vs=3weεr,pεr,p+2;we=erp|E|kBTi。
式中:rp是颗粒轨迹半径;kB是玻耳兹曼常数;Ti是离子温度;εr,p是颗粒的相对介电常数。u是流体速度;μT为动力黏度;ρ是流体密度;p是压力;T是流体温度;FEHD是电流体力;μ是迁移率;ρq是空间电荷数密度;V是电势,ε0是真空介电常数;Z是每个粒子上累积的电荷数;τc是特性充电时间;Rd和Rf分别是由扩散和场引起的无量纲充电速率;v是粒子速度;mp是粒子质量;Fe是粒子所受的电力;FD是粒子所受的曳力;e是元电荷;τp是粒子速度响应时间;S是曳力校正系数。
3. 结果和讨论
3.1 气晕放电和气溶胶荷电
将5~7 kV的电压差应用于相邻两行针电极之间,以产生不均匀电场,从而促进针阵列中的均匀稳定的电晕放电。将一个针电极行(两个相邻的电极行)直接连接到负直流电源,另一个针电极行通过电压分压电阻连接到电源,以在81个针电极(0.3 m× 0.3 m)上获得不均匀电场和随后的均匀电晕放电。如图 4所示,如果此针阵列的81个针电极都使用同一个电源进行驱动,保持同一电势的话,则不会产生均匀放电。不同针电极行之间需要产生电势差,才能产生均匀放电,所以我们在行之间接上了分压电阻,来使每一行都处于不同的电位,才能在电极行之间产生电势差。
与图 4(a)的局部放电相比,在图 4(b)中可以观察到每个针电极尖端的明亮电晕放电点。大面积均匀稳定的电晕放电有助于提高PAPS对生物气溶胶的拦截和灭活效率。
根据高压负电气体电晕放电的质谱测量,主要产生的长寿命核心离子是NO3–及其水合团簇NO3–(H2O)n[23]。这与以N2物种为主导的OES测量结果相一致(OES数据见补充文件),因为振动态的N2更容易与O和O3反应生成NO或NO2物种[14, 24-26]。除了NO3–和NO3–(H2O)n之外,还观察到了OH–、NO2–、HNO3–、CO3–、CO4–及其水合团簇。由针电极产生的离子随着气流向金属泡沫移动。由于高压实验的安全规定,离子数密度的测量始于距离针电极13 cm的位置,止于距离针电极23 cm的位置。在这两个位置上,测得的负离子数密度分别为2×107 cm−3和6×104 cm−3。
电晕放电区域内的离子密度为1012~1014 cm−3,在距离电极约1 cm处降至108 cm−3[27]。该区域内的电场约为80 Td(1 Td=10–21 V·m2)[28]。离子数密度比气溶胶粒子数密度高得多,因此气溶胶通过场充电机制带电,理论上,粒子(直径为0.22 μm)的电荷约为15e[29]。
在稍远离电极的区域,离子数密度在距离电极23 cm的位置降至6×104 cm−3。扩散充电机制主要给气溶胶带电,0.1 μm气溶胶的扩散充电通常需要约1 ms时间来实现3e的充电[29]。因为在实验中,管道速度从0.2 m/s变为2 m/s,气溶胶分别停留在管道内1200 ms和120 ms,远远超过了特征1 ms充电时间。因此,气溶胶具有足够的环境和停留时间来带电。基于二维模拟的气溶胶充电过程的细节将在下一节中讨论。
3.2 ANN模型训练结果分析
使用MATLAB建立了一个人工神经网络(ANN)模型,用于预测PAPS的空气净化效率。该模型的输入层包含5个神经元,对应上述5个工作参数。输出层包含一个神经元,对应PAPS的空气净化效率。隐藏层中的神经元数量通过试错法来确定[30]。当隐藏层中的神经元数量设置为8时,ANN模型的均方误差(MSE)最小,为0.006。
人工神经网络模型通过总共55组实验数据进行训练和测试,其中47组实验数据用于模型训练,其余8组数据用于测试训练好的模型。在该模型中,我们将输入和输出数据归一化到–1~1之间,并通过贝叶斯调整算法对离散实验数据进行训练,以获得良好的训练结果。诚然,更多组数据能够使神经网络的精度更高,但是由于此问题并不复杂,只有5个输入层节点和8个隐含层节点,并且此55组数据比较具有代表性,是均匀分布的,这些数据能够捕捉到问题的关键特征和变化,所以55组数据已基本能够训练出有用的模型,能够达到比较优良的预测效果。过拟合等问题并不明显。
图 5(a)显示了ANN模型实验和预测净化效率的分布情况,相关系数达到0.9737。图 5(b)显示了具体实验和预测净化效率之间的差异。可以看出,ANN模型具有有效预测PAPS空气净化效率的能力。
3.3 工作参数优化结果分析
获得能够有效预测PAPS净化效率的ANN模型后,我们将工作参数限制在一定范围内,并使用遗传算法参数优化找到具有最高净化效率的工作参数。具体而言,我们将放电电压限制在–5~–30 kV之间,静电场强度限制在1~5 kV/cm之间,管道风速限制在0.2~2 m/s之间,距离限制在5~25 cm之间,泡沫金属PPI限制在30~75之间。图 6显示了GA参数优化过程。当平均适应度和最佳适应度达到收敛条件(1×10–6)时,迭代停止,遗传代数总数为78代。表 1显示了实现最大过滤效率的最佳工作参数,GA预测的最高过滤效率为92.46%。
表 1 参数最佳值Table 1. Parameter optimum放电电压/kV 风速/(m·s–1) 距离/cm 静电场强度/(kV·cm–1) PPI参数 预测过滤效率/% −25 1.13 6 4.15 30 92.31 此外,针对这些操作参数变化对净化效率的影响权重,我们采用平均影响值(MIV)算法进行评估,具体计算步骤可见参考文献[31]。评估结果显示,PPI参数对净化效率的影响非常小(约为5个工作参数的5%),距离对净化效率的影响排名第2(约为5个工作参数的10%),因为距离通过影响针电晕阵列的放电难度而影响系统的净化效率,这在研究价值上不高。因此,这两个参数没有被包括在基于多物理场耦合的后续原理分析中,它们的值被设置为表 1中的值。
3.4 气溶胶粒子荷电过程分析
图 7显示了针电极周围电荷密度在不同放电电压下的变化。其中白色圆圈为针电极,针电极施加的电压为负电压,图中标记为施加的电压。电极周围的空间电荷密度计算结果与参考文献[32]中的结果一致。随着放电电压的增加,电极周围的空间电荷密度也增加,从而影响气溶胶的电荷量。
图 8展示了不同放电电压下不同粒径气溶胶的平均累积电荷数。气溶胶的充电机制有扩散充电和电场充电两种。不同粒径气溶胶的主要充电方式不同[33]。对于粒径为0.2 μm及以下的小颗粒,主要充电方式是扩散充电[34];对于粒径大于0.2 μm的颗粒,主要充电方式是电场充电[35]。由于小气溶胶的充电过程主要是扩散充电,所以在图 8中小于0.2 μm粒径的颗粒,增加放电电压对其电荷几乎没有显著影响(与大于0.2 μm粒径的颗粒相比,电压曲线间的差异小于0.2 μm的粒径范围)。对于粒径大于0.2 μm的颗粒,由于充电过程主要受外部电场支配,因此增加放电电压会显著影响这些颗粒的电荷。
3.5 仿真模型实验验证分析
图 9展示了模拟过滤效率的实验验证结果,其中图 9(a)是气溶胶过滤效率与放电电压的图形,电场强度为4 kV/cm,管道风速为1 m/s。图 9(b)是气溶胶过滤效率与电场强度的图形,放电电压为–25 kV,管道风速为1 m/s。图 9(c)是气溶胶过滤效率与管道风速的图形,放电电压为–25 kV,电场强度为4 kV/cm。仿真结果曲线为COMSOL模拟结果。实验结果与模拟结果一致,在图 9中误差在可接受范围内。
图 9(a)显示,随着放电电压的提高,气溶胶颗粒的过滤效率逐渐增加;结合图 8的分析,这是因为放电电压的提高增加了气溶胶的电荷容量,而带电的气溶胶更容易被电场驱动到金属泡沫上,然后被过滤。图 9(a)中的红色圆圈表示,在实验过程中,当放电电压达到–28 kV时,电晕电极与金属泡沫电极之间发生击穿,导致过滤效率意外下降,因此与模拟数据不同,最佳放电电压设定为–25 kV。
图 9(b)显示,当电场在极化区域(金属泡沫和不锈钢网电极之间)从1 kV/cm增加到4 kV/cm时,过滤效率逐渐提高。当粒径为2.5 μm的带电气溶胶在极化区域移动时,阻力的方向指向地面网,电场力的方向指向金属泡沫。图 10(a)显示颗粒物上的电场力始终大于阻力,因此带电气溶胶的合力方向指向金属泡沫。实际上,从粒子所受到的曳力FD的公式来看,曳力与粒子充电量并没有直接的联系。而图 10(a)中表现出随电场强度增加而增加的趋势,是由于电场强度会影响整个流体场的速度,即增加了公式中的u,从而使得曳力增加。图 10(b)显示气溶胶的合力大小(电场力+阻力)。当电场强度从1 kV/cm增加到4 kV/cm时,气溶胶的合力逐渐增加,从0.2×10–10 N增加到0.34×10–10 N,这意味着在此范围内,较大的电场使气溶胶更容易被收集到金属泡沫中。当电场强度继续从4 kV/cm增加到5 kV/cm时,合力仅从0.34×10–10 N增加到0.35×10–10 N,因此最佳电场设置为4 kV/cm。
图 9(c)显示,随着管道风速的增加,过滤效率先增加后减小。这表明,管道风速既不能太低也不能太高,而颗粒的过滤效率在管道风速为0.7~1 m/s的范围内最佳。考虑到处理流量的需求,最高管道风速1 m/s被选择为最佳值。并且Comsol仿真模型中推动颗粒物前进的风应该是均匀且稳定的层流。但是在实际的实验中所采用的风机,是在末尾进行抽风工作,它会在工作过程中产生一定涡流,从而使风速比较不均匀,其中部分风的流速会比设置的值要高。因此与仿真相比会出现一定的误差。
总的来说,该装置最佳工作条件的放电电压为25 kV,静电场强度为4 kV/cm,管道风速为1 m/s,与表 1中给出的预测值一致。在后续的结果分析中,实验数据和COMSOL模拟数据是在最佳工作条件下获得的结果。
3.6 气溶胶轨迹分析
图 11(a)展示了不同粒径带电气溶胶的轨迹和它们的最终位置(其结构和几何尺寸对应于图 3(a))。气溶胶的过滤效率通过颗粒计算得出(图 11(b))。对于粒径在0.04~0.4 μm范围内的气溶胶,PAPS的过滤效率随粒径增加而降低,因为这些粒径较小的气溶胶受到的气流阻力更大于电场力(图 11(c))[36]。对于粒径在0.2~10 μm范围内的气溶胶,过滤效率随粒径增加而增加,这是因为电场力作用于这些粒子上比背景气流阻力更强(图 11(c)),且电场力随粒径增加而增加。具体来说,对于大于0.2 μm的粒子,其主要的充电方式是电场充电[35]。随着气溶胶粒径的增加,气溶胶上的电荷量增加(见图 8),因此电场力的增加使得颗粒向金属泡沫移动,从而提高了金属泡沫对颗粒的截留效率。
图 12(a)展示了PM1、PM2.5和PM10颗粒的运动轨迹图。基于粒子计数器的计算表明,PAPS对PM1、PM2.5和PM10的过滤效率分别为82.63%、85.95%和89.12%。模拟和实验过滤效率之间的误差在2%以内(见图 12(b))。
3.7 截获气溶胶粒子的富集情况分析
图 13展示了PAPS对管道风速的影响。图 13(a)中的红色标签表示富集在金属泡沫上的污染物平均厚度,显示的内容是管道的风速(其结构和几何尺寸对应图 3(a));图 13(b)显示随着富集颗粒的平均厚度增加,管道内的风速呈下降趋势。当富集颗粒的平均厚度低于0.9 mm时,管道风速基本上不受影响;当富集颗粒的平均厚度达到1 mm或以上时,管道风速显著下降;当平均厚度达到1.5~2 mm时,管道风速降至非常低的水平,导致设备无法正常运行。
金属泡沫是一种多孔的金属材料。根据制造商提供的数据,该金属泡沫的梁直径为0.51 mm,孔径为6.4 mm,通孔率达到98%以上,尺寸为250 mm×250 mm×10 mm,表面积体积比为1 mm2:1.17 mm3,总表面积为0.731 m2。上述模拟分析显示,金属泡沫最多可以富集0.8 mm厚的气溶胶颗粒而不影响管道流速。根据参考文献[37]提供的有效气溶胶密度计算,金属泡沫的理论总含尘量可以达到450 g以上。
针对传统过滤器在气溶胶颗粒富集后潜在的致病微生物污染源和需要更换滤网的缺点[38],本文的等离子体过滤系统可以对富集在金属泡沫上的污染物进行消毒。同时,模块化设计允许了更为方便地清洗金属泡沫收集板。
3.8 系统杀菌清洗再利用效果
该研究测试了PAPS在一个体积为50.4 m3的办公室中灭活病原细菌气溶胶的能力。图 14(a)显示,背景空气中的细菌和真菌浓度分别为(750±90) CFU/m3和(560±70) CFU/m3,其中CFU为菌落形成单位,指单位体积中的细菌、霉菌、酵母等微生物的群落总数。在PAPS运行1 h后,它们的浓度都降至零(在数据误差范围内)。随后对用于超声波清洗金属泡沫和地面网的缓冲液进行培养,发现当关闭放电(气溶胶仅被静电场拦截,气溶胶拦截效率降至25%)时,清洗缓冲液中的细菌浓度达到140 CFU/mL,真菌浓度达到100 CFU/mL。当开启放电时,用于清洗的缓冲液无法生长细菌和真菌(图 14(b))。图 14表明,在关闭放电的情况下,金属泡沫和地面网上所残留的细菌真菌大部分仍然存活。如果开启放电,虽然金属泡沫和地面网上残留的细菌真菌会比关闭放电的情况更多,但是其中绝大部分已经死亡。以上结果表明,PAPS能够拦截和消毒病原微生物气溶胶。
图 15显示了在PAPS清洗和干燥之前和之后对PM1、PM2.5和PM10的净化。在清洗和重复使用PAPS内部针电极阵列、金属泡沫和金属网收集板20次后,PM1的净化效率仅从90.34%降至89.63%,PM2.5的净化效率仅从90.97%降至89.93%,PM10的净化效率仅从91.05%降至89.86%。这表明清洗重复使用不会影响PAPS的过滤效率,解决了传统空气净化器在一段时间使用后需要更换HEPA滤芯的问题。
4. 结论
1)文中研究开发了一种新型等离子体空气净化系统,使用MATLAB建立相关的ANN-GA模型以预测系统的空气净化效率并找到最佳工作参数,还使用COMSOL软件对系统进行了多物理耦合模拟,并详细分析了其工作原理。通过实验和模拟的结合,确定了PAPS系统在最佳工作条件下的相关参数,并分析了设备中气溶胶颗粒的充电过程和运动轨迹,以及它们在收集板上富集后的情况。验证了PAPS可以截留并杀死病原微生物气溶胶的能力。
2)在ANN-GA模型确定针电极与金属泡沫之间的距离为6 cm,金属泡沫的PPI为30的基础上,ANN-GA模型和COMSOL模型的结合表明,PAPS在高放电电压(–25 kV),高静电场强度(4 kV/cm)和适度的管道风速(1 m/s)条件下工作效果最佳。这是因为电极之间的距离过大会使针阵列的放电极度困难,PPI更高的金属泡沫价格更高,对净化效率的影响较小,过高的放电电压会导致系统闪络漏电,过高的静电场不会进一步显著提高净化效率,过高或过低的风速会导致净化效率降低。
气溶胶颗粒的充电包括扩散充电和电场充电。对于粒径小于0.2 μm的小气溶胶,主要充电方式为扩散充电,提高放电电压的影响较小。对于粒径大于0.2 μm的大气溶胶,主要充电方式为电场充电,电晕电极放电电压增加的影响更显著。当气溶胶通过设备时,它们大多被收集在金属泡沫收集板上。PAPS对PM1、PM2.5和PM10的过滤效率分别为90.34%、90.97%和91.05%。
PAPS可清洗和重复使用多次,消毒实验表明PAPS具有截留和消毒PMA的能力,并且与传统的空气过滤材料不同,等离子体可以完全灭活截获在电极上的细菌和真菌气溶胶,避免二次污染的发生。
-
表 1 参数最佳值
Table 1 Parameter optimum
放电电压/kV 风速/(m·s–1) 距离/cm 静电场强度/(kV·cm–1) PPI参数 预测过滤效率/% −25 1.13 6 4.15 30 92.31 -
[1] POPE III C A, BURNETT R T, THUN M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution[J]. JAMA, 2002, 287(9): 1132-1141.
[2] CHEN S C, CHANG D Q, PEI C X, et al. Removal efficiency of bimodal PM2.5 and PM10 by electret respirators and mechanical engine intake filters[J]. Aerosol and Air Quality Research, 2016, 16(7): 1722-1729.
[3] LI H W, WU C Y, TEPPER F, et al. Removal and retention of viral aerosols by a novel alumina nanofiber filter[J]. Journal of Aerosol Science, 2009, 40(1): 65-71.
[4] YANG J, SIRI J G, REMAIS J V, et al. The Tsinghua–Lancet commission on healthy cities in China: unlocking the power of cities for a healthy China[J]. The Lancet, 2018, 391(10135): 2140-2184.
[5] KIM K H, KABIR E, JAHAN S A. Airborne bioaerosols and their impact on human health[J]. Journal of Environmental Sciences, 2018, 67: 23-35.
[6] TELLIER R. COVID-19: the case for aerosol transmission[J]. Interface Focus, 2022, 12(2): 20210072.
[7] LOWTHER S D, DENG W, FANG Z, et al. How efficiently can HEPA purifiers remove priority fine and ultrafine particles from indoor air?[J]. Environment International, 2020, 144: 106001.
[8] YANG C F. Aerosol filtration application using fibrous media—an industrial perspective[J]. Chinese Journal of Chemical Engineering, 2012, 20(1): 1-9.
[9] ADHIKARI A, CLARK S. Disinfection of microbial aerosols[M]. HURST C J. Modeling the Transmission and Prevention of Infectious Disease. Cham, Switzerland: Springer, 2017: 55-71.
[10] DEE S A, DEEN J, CANO J P, et al. Further evaluation of alternative air-filtration systems for reducing the transmission of Porcine reproductive and respiratory syndrome virus by aerosol[J]. Canadian Journal of Veterinary Research, 2006, 70(3): 168-175.
[11] 吴穷, 王豪, 张丽阳, 等. 等离子体产物溶液中扩散与大肠杆菌杀灭[J]. 高电压技术, 2021, 47(3): 826-831. WU Qiong, WANG Hao, ZHANG Liyang, et al. Plasma reactive species diffusion and the inactivation of bacteria[J]. High Voltage Engineering, 2021, 47(3): 826-831.
[12] 赵航, 孙宇豪, 张波, 等. 空气等离子体射流特性及其活化水灭菌效果[J]. 高电压技术, 2023, 49(12): 5270-5281. ZHAO Hang, SUN Yuhao, ZHANG Bo, et al. Characteristics of air plasma jet and inactivation efficacy of plasma activated water[J]. High Voltage Engineering, 2023, 49(12): 5270-5281.
[13] LIU D W, SZILI E J, OSTRIKOV K. Plasma medicine: opportunities for nanotechnology in a digital age[J]. Plasma Processes and Polymers, 2020, 17(10): 2000097.
[14] ZOU X Y, XU M Y, PAN S H, et al. Plasma activated oil: fast production, reactivity, stability, and wound healing application[J]. ACS Biomaterials Science & Engineering, 2019, 5(3): 1611-1622.
[15] LU X P, REUTER S, LAROUSSI M, et al. Nonequilibrium atmospheric pressure plasma jets: fundamentals, diagnostics, and medical applications[M]. Boca Raton, USA: CRC Press, 2019.
[16] GIBSON L J. Mechanical behavior of metallic foams[J]. Annual Review of Materials Science, 2000, 30: 191-227.
[17] BANHART J. Manufacture, characterisation and application of cellular metals and metal foams[J]. Progress in Materials Science, 2001, 46(6): 559-632.
[18] BENARDOS P G, VOSNIAKOS G C. Optimizing feedforward artificial neural network architecture[J]. Engineering Applications of Artificial Intelligence, 2007, 20(3): 365-382.
[19] ISTADI I, AMIN N A S. Modelling and optimization of catalytic-dielectric barrier discharge plasma reactor for methane and carbon dioxide conversion using hybrid artificial neural network—genetic algorithm technique[J]. Chemical Engineering Science, 2007, 62(23): 6568-6581.
[20] ALLAWI M F, JAAFAR O, HAMZAH F M, et al. Novel reservoir system simulation procedure for gap minimization between water supply and demand[J]. Journal of Cleaner Production, 2019, 206: 928-943.
[21] DUKHAN N. Equivalent parallel strands modeling of highly-porous media for two-dimensional heat transfer: application to metal foam[J]. Energies, 2021, 14(19): 6308.
[22] ARIF S, BRANKEN D J, EVERSON R C, et al. CFD modeling of particle charging and collection in electrostatic precipitators[J]. Journal of Electrostatics, 2016, 84: 10-22.
[23] BENZIADA M A, BOUBAKEUR A, MEKHALDI A. Numerical simulation of the barrier effect on the electric field distribution in point-plane air gaps using COMSOL multiphysics[C]//2017 5th International Conference on Electrical Engineering - Boumerdes (ICEE-B). Boumerdes, Algeria: IEEE, 2017: 1-6.
[24] GAO H T, WANG G L, CHEN B H, et al. Atmospheric-pressure non-equilibrium plasmas for effective abatement of pathogenic biological aerosols[J]. Plasma Sources Science and Technology, 2021, 30(5): 053001.
[25] GARCÍA PÉREZ M, VAKKILAINEN E, HYPPÄNEN T. A brief overview of the drag laws used in the lagrangian tracking of ash trajectories for boiler fouling CFD models[C]//26th International Conference on Impacts of Fuel Quality on Power Production. Prague, Czech Republik: [s. n], 2016.
[26] DASCALESCU L, MIHAILESCU M. Mathematical modelling of conductive particle movement in d. c. corona fields[J]. Journal of Electrostatics, 1993, 30: 297-306.
[27] SEKIMOTO K, TAKAYAMA M. Influence of needle voltage on the formation of negative core ions using atmospheric pressure corona discharge in air[J]. International Journal of Mass Spectrometry, 2007, 261(1): 38-44.
[28] CHU P K, LU X P. Low temperature plasma technology: methods and applications[M]. Boca Raton, USA: CRC Press, 2013.
[29] LIU D W, ZHANG Y Z, XU M Y, et al. Cold atmospheric pressure plasmas in dermatology: sources, reactive agents, and therapeutic effects[J]. Plasma Processes and Polymers, 2020, 17(4): 1900218.
[30] MA S X, CHENG H, LI J C, et al. Large-scale ion generation for precipitation of atmospheric aerosols[J]. Atmospheric Chemistry and Physics, 2020, 20(20): 11717-11727.
[31] CHEN J H, DAVIDSON J H. Model of the negative DC corona plasma: comparison to the positive DC corona plasma[J]. Plasma Chemistry and Plasma Processing, 2003, 23(1): 83-102.
[32] BORRA J P. Nucleation and aerosol processing in atmospheric pressure electrical discharges: powders production, coatings and filtration[J]. Journal of Physics D: Applied Physics, 2006, 39(2): R19-R54.
[33] BANDYOPADHYAY G, CHATTOPADHYAY S. Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone[J]. International Journal of Environmental Science & Technology, 2007, 4(1): 141-149.
[34] TAN X, JI Z, ZHANG Y D. Non-invasive continuous blood pressure measurement based on mean impact value method, BP neural network, and genetic algorithm[J]. Technology and Health Care, 2018, 26(Supplement1): 87-101.
[35] KASDI A, ZEBBOUDJ Y, YALA H. Simulation of corona discharge in DC electrostatic precipitator[J]. Journal of Electrical Systems, 2015, 11(4): 384-396.
[36] LIU B Y H, KAPADIA A. Combined field and diffusion charging of aerosol particles in the continuum regime[J]. Journal of Aerosol Science, 1978, 9(3): 227-242.
[37] LIU B Y H, YEH H C. On the theory of charging of aerosol particles in an electric field[J]. Journal of Applied Physics, 1968, 39(3): 1396-1402.
[38] PAUTHENIER M, MOREAU-HANOT M. La charge des particules sphériques dans un champ ionisé[J]. Journal de Physique et le Radium, 1932, 3(12): 590-613.