Onzekerheden bij geurberekeningen. 24 september, Nederlandse Stichting Luchtverontreiniging Hans Erbrink

Maat: px

Weergave met pagina beginnen:

Download "Onzekerheden bij geurberekeningen. 24 september, Nederlandse Stichting Luchtverontreiniging Hans Erbrink"

Thijs de Kooker
5 jaren geleden
Aantal bezoeken:

1 Onzekerheden bij geurberekeningen 24 september, Nederlandse Stichting Luchtverontreiniging Hans Erbrink

2 Stankoverlast: waar? 2

3 Stankoverlast: waarvan? 3

4 Hoge percentielen Ontstaan in 70-er jaren Hogere concentraties groter effect dan gemiddelden (denk aan PM10, NO 2, geur) LTFD geïntroduceerd (Lange Termijn Frequentie Distributies) Vaste relatie jaargemiddelde : hoge percentielen (die is er alleen in statistische zin, niet per bron) Nu berekend met verdelingsvrije methode (NNM), Uur-voor-uur

5 uurgemiddelde concentratie (oue/m3) Geur: Percentielen uurgemiddelde gemidelde P P april - mei 2010

6 Onzekerheid, waarin? 6

7 De emissies Bepaald uit: Bemonstering bij de bron: olfactometrie Door snuffelploegen toepassing korte termijn model lokale meteo Bekende stof emissie geureenheden (bv benzeen) Vaak onbekende emissie fluctuatie Dan noodzaak tot statistisch verantwoord aantal monsters 7

8 OUE/uur Case studie: gemeten geur emissies 1.00E E+10 totale emissie totale emissie, gewogen met uren 1.00E E E E+06 24nov09 16jun10 31aug10 12nov10 25jan11 4apr11 7jul11 meting no

9 Case studie: gemeten geur emissies analyse: bepaal gemiddelde emissie bepaal 90% BI in het gemiddelde bepaal spreiding in de stdv simuleer dan 10 berekeningen. Resultaat: in percentielwaarden grote onzekerheid (factor 10) - het gemiddelde is slecht bekend Conclusie hier: normoverschrijding niet vast te stellen en vergunning dus niet handhaafbaar.

10 Emissie bepaling via snuffelploeg Toepassen bij onduidelijke/diffuse emissiebronnen Extra onzekerheid vanwege: Methode vaststellen 1 se/m 3 (pluim meandering): locatie van deze geurgrens lastig vast te stellen Plaatselijke meteo als invoer: incomplete meteo: geen goede windmeting Model toepassing: reverse modelling emissie Plus onzekerheid vorige punt (statistiek)

11 Emissie concentraties Toepassing model Invoerparameters: ruwheid gebouweffect warmte emissie geur: inert?? Model zelf (immers: model is vereenvoudiging v/d werkelijkheid) 11

12 Concentraties blootstelling hinder Wat bepaalt hinder? Kwaliteit v.d. geur Gewenning Moment van emissie (zomer/winter, dag/nacht) Beleving (geur is indicator voor voedsel, bederf, gif,...) Imago van het bedrijf TLO: vraagstelling relevant beleving * beleving (mede) bepaald door calamiteiten (onvoorspelde emissies) 12

13 Toetsings grootheid Welk percentiel? 98-percentiel 99,9-p 99,99-p Uurgemiddelden Momentane concentraties Nadeel: slechts 1 punt in de verdeling (Odour-hours) 13

14 var coef Bron 15m hoog, 1000 uur per jaar variabele emissie (+/- 50%) 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 15 m bron, 1000 uur/jr een variabele emissie percentiel

15 var coef Bron 50m hoog, 1000 uur per jaar variabele emissie (+/- 50%) 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 50 m hoge bron, 1000 uur/jr variabele emissie, 0 MW percentiel

16 var coef Bron 50m hoog, 1000 uur per jaar variabele emissie (+/- 50%) met warmte emissie (5 MW) 90% 80% 70% 50 m hoge bron, 1000 uur/jr variabele emissie (+ of - 50%), 5 MW warmte 60% 50% 40% 30% 20% 10% 0% percentiel

17 99,99-p lijkt nog gunstig, maar Model houdt ons voor de gek Hoogste concentraties bij lage windsnelheden Model slaat die situaties plat (vereenvoudigt) Dè worst-case situatie komt in het model niet voor. Ergo: NNM is principieel niet goed in staat om 99,99-p vast te stellen

18 Over-all onzekerheid Vele onzekerheden Emissie bepaling lijkt grootst Andere onzekerheidsbronnen ook significant Vergunningen op basis van percentielen: lastige materie. 18

19 Over-all onzekerheid Onzekerheid in emissie bepaling lijkt grootst, andere bronnen van onzekerheid zijn ook significant. Hinderbeleving ook door: incidenten (onvoorspelde emissies) Dit doorkruist vooral hoge percentielwaarde in hindermonitoring 19

Conclusies Onzekerheid is groot in hinderbepaling met modellen Onzekerheid vooral in emissiebepaling Maar andere stappen in keten zijn ook

20 Conclusies Onzekerheid is groot in hinderbepaling met modellen Onzekerheid vooral in emissiebepaling Maar andere stappen in keten zijn ook significant Een goed protocol om met onzekerheid om te gaan, is gewenst Meer focus op emissie bepaling Vergunning beter baseren op emissies? 20

21 vragen / discussie Hans Erbrink ( ) hans.erbrink@dnvkema.com

Vergelijkbare documenten

Kansen voor Geurradar GTL congres, 8 november Luc Verhees

Kansen voor Geurradar GTL congres, 8 november 2016 Luc Verhees Stank: een hardnekkig probleem Overlast, hinder, moeilijk meetbaar Gezondheidsproblemen (VGO studie juli 2016) Kippen en varkens: intensieve