中国辐射卫生  2023, Vol. 32 Issue (4): 372-379  DOI: 10.13491/j.issn.1004-714X.2023.04.002

引用本文 

王昕然, 严超, 陈凌, 苗世光, 张良. 场区尺度风场和污染物扩散快速预测系统构建及应用[J]. 中国辐射卫生, 2023, 32(4): 372-379. DOI: 10.13491/j.issn.1004-714X.2023.04.002.
WANG Xinran, YAN Chao, CHEN Ling, MIAO Shiguang, ZHANG Liang. Construction and application of a field-scale rapid prediction system for wind field and pollutant dispersion[J]. Chinese Journal of Radiological Health, 2023, 32(4): 372-379. DOI: 10.13491/j.issn.1004-714X.2023.04.002.

通讯作者

严超,E-mail:cyan@ium.cn

文章历史

收稿日期:2023-02-13
场区尺度风场和污染物扩散快速预测系统构建及应用
王昕然 1, 严超 2, 陈凌 1, 苗世光 2, 张良 1     
1. 中国原子能科学研究院,北京 102413;
2. 北京城市气象研究院,北京 100089
摘要目的 构建快速预测系统,提高场区尺度核事故后果评价计算精度和效率。方法 开展场区尺度范围内复杂下垫面周围风场和污染物扩散的快速预测方法研究,采用风场诊断模型和拉格朗日粒子扩散方法,以显式分辨建筑物和植被分布的方式,建立场区尺度快速预测系统;通过数值模拟理想和真实城市场区算例,并与风洞实验测量数据和计算流体力学数值结果进行比较,研究复杂下垫面对局地风场和污染物输运的影响。结果 快速预测系统能在约 5 min时间内清晰的模拟出局地高分辨率风场以及污染物浓度分布信息,建立与地理信息软件的接口,并可以实现与中尺度气象预报模式的耦合;从计算准确性上看,系统对风场模拟效果良好,风速和风向的分数偏差分别为0.33和−0.08,模拟的浓度场的范围受风场影响较大,除个别低浓度点外,模拟和观测的浓度比值在0.05~3.40之间。结论 快速预测系统可以在保证计算精度的基础上,有效模拟出流场分布特征,提高计算效率,为核事故应急响应提供重要参考和依据。
关键词场区尺度    快速应急响应    风场模拟    污染物扩散    
Construction and application of a field-scale rapid prediction system for wind field and pollutant dispersion
WANG Xinran 1, YAN Chao 2, CHEN Ling 1, MIAO Shiguang 2, ZHANG Liang 1     
1. China Institute of Atomic Energy, Beijing 102413 China;
2. Institute of Urban Meteorology, China Meteorological Administration, Beijing 100089 China
Abstract: Objective To construct a rapid prediction system to improve the accuracy and efficiency of evaluation of the consequences of nuclear accidents at a field scale. Methods Base on a diagnostic wind field model and Lagrangian particle diffusion, we established a rapid prediction method for wind field and pollutant dispersion around complex underlying surfaces within a field scale, in a way of visual discrimination of buildings and vegetation distribution. With data simulation and the use of a real urban field example, the simulated results were compared with wind tunnel test measurements and computational fluid dynamics results to study the influence of complex underlying surfaces on wind field and pollutant transport in the region. Results The rapid prediction system could clearly simulate the high-resolution wind field and pollutant concentration distribution of the region in about five minutes. It could interface with geographic information software and couple with a mesoscale weather prediction model. In terms of accuracy, the system performed well in wind field simulation, with the fractional deviations of wind speed and wind direction being 0.33 and −0.08, respectively. Concentration field simulation was greatly affected by the wind field, and the ratios of simulated concentrations to observed concentrations were between 0.05 and 3.4, except for a few low concentration points. Conclusion The rapid prediction system can effectively simulate the distribution characteristics of the flow field and improve calculation efficiency when ensuring calculation accuracy, which provides an important reference for emergency response to nuclear accidents.
Key words: Field scale    Rapid emergency response    Wind field simulation    Pollutant dispersion    

目前,我国核事故后果评价方法在大中尺度范围内(十公里量级以上)已拥有较为成熟的技术手段[1-4],但在小尺度(公里量级以下)场区范围内的评价技术方法还不太成熟。特别在反核恐应急、军工核设施应急等场景下,由于事故(事件)影响范围小,在进行污染物扩散评估时,风场和污染物浓度场受地表建筑物和植被等复杂下垫面的影响剧烈,此时,以参数化方法表征下垫面特性的大中尺度模型在此场景下已不再适用,常用的小尺度计算流体力学(CFD)方法[5-6]对计算资源要求高且对于瞬态流动的计算周期长(往往需要数小时至数天时间不等),不能满足时效性需求,因此急需开展精准快速的小尺度精细化模型研究。

本文在Röckle[7]提出的建筑物风场模型的基础上,针对复杂场区植被丰富,下垫面情况复杂的实际,以显式分辨建筑物和植被分布的方式,考虑大气稳定度变化,开展适合于场区尺度复杂下垫面条件的风场和污染物扩散快速预测方法研究,建立场区尺度快速预测系统;并通过与实际场区观测结果的比对,验证数学模型和数值方法的准确性,为核事故应急响应提供重要参考和依据。

1 材料与方法 1.1 系统框架 1.1.1 风场快速分析模块

风场快速分析模块主要通过经验模型和质量守恒定律计算复杂下垫面周围风场分布。根据背景风场以及建筑物的长宽高和间距,对不同建筑和植被分布情形冠层内外各区域进行初始风场计算,并通过对初始风场进行质量守恒修正,计算出较为合理的三维风场分布。

背景风场以风场垂直廓线的方式表达,可以由当地观测数据读入,也可由中尺度模式模拟获得。建筑物周边风场参数化,参考Röckle[7]和Singh等[8]建立并优化的模型建立,将建筑周围不同区域划分为迎风面位移区、迎风面空腔区、屋顶回流区、背风面空腔区和尾流区(图1),采用风场参数化算法确定建筑周围不同区域初始风场分布;同时根据建筑物的密度与形态参数的关系,确定出街区流场。

图 1 孤立建筑物周围风场分布示意图 Figure 1 Diagram of wind field distribution around an isolated building

由于在场区内部,植被占有大量的比例且植被对风场有一定的拖曳作用,在此重点考虑了植被对于微环境风场的影响,采用Nelson等[9]的参数化算法,根据植被与建筑相对分布形式的不同,分为开放区域和建筑周围区域,从而计算出植被冠层内的风场大小。

通过以上方法获得的初始风场U0还需对其进行质量守恒的调整,使调整后的风场U既满足连续性方程,又与初始风场U0尽可能的接近。

1.1.2 污染物扩散模块

本模块采用随机游走方法模拟大气扩散过程。基于美国NARACA的LODI模型开发,考虑了平流和湍流的扩散、重力沉降、干湿沉积、衰变耗减以及地面及建筑物的反射作用。

粒子轨迹方程如下:

$ \begin{array}{l} \mathrm{x}(t + d t)=x(t) + d x=x(t) + \bar{u} d t + (2 K x)^{1 / 2} d W x \\ \mathrm{y}(t + d t)=y(t) + d y=y(t) + \bar{v} d t + (2 K y)^{1 / 2} d W y \\ \mathrm{z}(t + d t)=z(t) + d z=z(t) + \left(\bar{w} + \dfrac{\partial K z}{\partial z}\right) d t + (2 K z)^{1 / 2} d W z \end{array} $

这里假设水平湍流扩散系数的空间变化为0,垂直湍流参数化方法基于不同大气稳定度进行分析获得。

1.2 物理模型设置

为验证系统有效性,考察植被对场区风场和污染物扩散规律的影响,本文以德国卡尔斯鲁厄理工学院CODASC 风洞实验测量结果为对象,初步验证模拟结果。计算区域由 2 排平行分布排列的建筑组成,街区峡谷内地表位置有四条线污染源沿峡谷轴线方向对称分布,该实验在中性层结条件下进行。模拟区域范围是 144 m × 252 m × 60 m,网格分辨率为 1 m。

1.3 实际场区场地实验设置

为验证实际场区条件下系统的有效性,本文采用美国Oklahoma市中心商务区场地实验Joint Urban 2003(JU03),验证模拟结果。该实验是美国俄克拉荷市中心开展的以六氟化硫 (SF6) 为泄露气体的扩散实验,本文选取JU03实验第三次集中观测时间(IOP3)的第 5 次释放实验(IOP3-R5)作为参考案例。IOP3-R5 实验持续释放六氟化硫30 min,平均风向为西南风 207°。图2为模拟区域俯视图和现场实验测点分布,图中不同的符号和原点表示观测点的位置。区域植被和建筑物地理坐标信息根据JU03历史数据,由ArcGIS获取。

图 2 快速预测系统模拟Oklahoma中心城区俯视图及现场观测点位置分布。蓝色圆点、绿色方块、A、B分别表示不同的风场观测点 Figure 2 The top view of the central urban area of Oklahoma in rapid prediction system simulation and the location distribution of field observation points. The blue dots, green squares, A, and B represent different wind field observation points
1.4 中尺度数值预报模式WRF与快速预测系统系统的耦合

WRF中尺度数值预报模式模式为快速预测系统运行提供初始气象参数。本文采用WRF-V3.8.1版本模式模拟了2003 年7月7日0时(世界时)至7月8日0时美国俄克拉荷马市天气过程,主要参数见表1,模拟区域采用五重网格嵌套,计算域中心位于俄克拉荷马市中心商务区,最内层网格分辨率为500 m,最内层计算结果作为模型的初始风场。

表 1 WRF主要参数化方案设置 Table 1 The main parameterization scheme settings in WRF

快速预测系统模拟区域x、y、z方向的范围是1800 m × 1700 m × 300 m,水平和垂直方向的网格分辨率分别是5 m和1 m。由于Lundquist 和 Chow[10]通过CFD方法对此区域的模拟认为大气稳定性对该区域的湍流强度和羽流扩散影响不大,因此本次模拟假定大气处于中性稳定状态。

1.5 CFD模型介绍

为验证快速预测系统的准确性,我们采用CFD模型——Fluidyn-PANACHE与系统进行结果比较。Fluidyn-PANACHE是一个用于模拟与污染和危险相关大气过程的数值计算模型,对边界层内流场特征有所考虑;模型中气体扩散通过求解组分浓度输运的完全守恒型方程来模拟。该模型的计算区域、分辨率设置与快速预测系统一致。

1.6 相关统计量

为定量评估模型准确性,在此选取7种统计指标进行分析,它们分别为:分数偏差FB,几何平均偏差 MG ,均方根误差 NMSE ,几何方差 VG ,倍差预测分数 FACxSSA,计算公式如下:

$ \mathrm{FB}=\frac{\left(\bar{c}_{o}-{\bar c_{p}}\right)}{05\left(\bar{c}_{o} + {\bar c_{p}}\right)} $
$ {\rm{MG}}= \exp \left(\overline{\ln \left(C_{o}\right)}-\overline{\ln \left(C_{p}\right)}\right) $
$ {\rm{NMSE}}=\frac{\overline{\left(C_{o}-C_{g}\right)^{2}}}{\overline {C_{q}} * \overline {C_{p}}} $
$ \mathrm{VG}=\exp \overline{\left(\left(\ln \left(C_{o}\right)-\ln \left(C_{p}\right)\right)^{2}\right)} $

FACx表示 满足1/x=<Cp/Co<=x范围的数据所占的比例

$ {\rm{SSA}}= \frac{{\displaystyle\sum {\left| {{V_i}} \right|} \left| {{\varPhi _i}} \right|}}{{\displaystyle\sum {\left| {{V_i}} \right|} }}$

其中,Co表示观测值,Cp表示模拟值,SAA仅用于风向的验证,其中 $ \varPhi_i$ 是角度偏差的绝对值, $ V_{i} $ 是模拟风速的绝对值。模拟值与观测值越接近,表明模型可靠性越好。

2 结 果 2.1 物理模型评估 2.1.1 风场预测

依据1.2的模型设置,系统计算了靠近峡谷中心 y/H = 0.5 平面内无量纲垂向速度w+ = w Uref 分布(图3)。从中可看出模拟结果与风洞实验激光多普勒测速仪(LDV)测量结果(参见Gromke等[11])定性和定量上均符合较好,实验测量和数值模拟均检测到空气沿峡谷背风面向上运动而在峡谷迎风面向下流动。

图 3 y/H = 0.5平面内风洞实验测量(左)和系统模拟(右)的无量纲垂向速度w + Figure 3 Dimensionless vertical velocity w+ measured on the plane y/H = 0.5 by wind tunnel test (left) and simulated by the system (right)
2.1.2 污染物浓度预测

图4 所示为林荫路峡谷背风面和迎风面不同位置处无量纲浓度垂直廓线。在这里,污染物浓度 c根据 $ {c^ + } = \dfrac{{c{u_{{\text{ref}}}}H}}{q} $ 无量纲化,其中,q为单位强度污染源强,值为 7.6 mm2s−1。从图4可以看出,模拟结果与实验测量值符合较好,尤其是在迎风面,快速预测系统的模拟结果与测量值更为接近,系统在此处模拟效果优于大涡模拟(LES)[12]。考虑到快速预测系统计算的高效性,相比于计算开销较大的 LES,快速预测模拟仍然取得了与实验较为符合的结果,因此可以作为应急响应的可行方案。

图 4 林荫路峡谷背风面(上)和峡谷迎风面(下)沿峡谷轴线方向不同位置处 $ {c^ + } $ 的垂直廓线 Figure 4 Vertical profiles of c+ at different locations along the street valley axis on the leeward (above) and windward (below) sides
2.2 实际场区风场和污染物预测

本节在理论验证的基础上,以实际场区为例,通过耦合WRF模式并建立与地理信息软件 ArcGIS 的接口,建立了快速预测系统,从而进一步验证系统准确性。

2.2.1 风场预测

图5(右)为快速预测系统模拟的z = 8 m 高度处平均风矢量结果。由图可知,模拟的平均风速大小和风向均与测量结果相一致。对比各项统计数据(表2)发现,系统对风场的模拟效果表现良好,各分析指标与参考值十分接近。

图 5 z = 8 m处CFD模型(左)和快速预测系统(右)模拟的风矢量图 Figure 5 Wind vector plots simulated by the CFD model (left) and the rapid prediction system (right) at z = 8 m 注:黑色箭头:z = 8 m处的观测结果;彩色箭头:模拟结果。

表 2 快速预测系统与CFD模式模拟的风场统计分析 Table 2 Statistics of wind field simulation by rapid prediction system and CFD model

将快速预测系统和CFD模型比较发现,两个模型都可以清晰的模拟出建筑物附近的绕流和建筑物间的加速流动的特征,区别在于CFD模型对建筑物附近的涡旋区模拟更加清晰,二者在不同的区域风速模拟结果存在差异,比如在百老汇大道上,CFD模型的模拟风速值小于快速预测系统。

将二者模拟结果与观测值比较发现,两个模型都较好的模拟出场区建筑周围复杂流场的整体特征,CFD模型在谢丽丹大道和百老汇大道上的风向模拟与观测值更加接近,但是在罗宾逊大道上,快速预测系统风向和风速的模拟结果与观测值更加接近。从统计数据可以看出(表2),二者对风向的模拟效果相当,模拟结果理想,对风速的模拟,快速预测系统模拟结果稍好。

但从计算效率上来看,相同配置的计算机下,CFD方法计算时长接近24 h,而快速预测系统仅需2~3 min。因此后者更加适用于应急情况下风场的预测,且模拟效果较为理想。

2.2.2 污染物浓度预测

图6所示为快速预测系统和CFD模型计算得到的实际场区标量浓度场。从图6左可以看出,由于建筑的遮挡效应,快速预测系统模拟的污染物污染物自污染源释放后后分别沿罗宾逊大道和谢里丹大道向下游迁移,在罗宾逊大道污染物迁移距离较远,这是因为罗宾逊大道平均风速大于谢里丹大道(图5)。从统计数据发现,除了个别浓度较小的点外,模拟和观测的浓度比值在0.05~3.4之间(表3),约57%的点落在FAC5的范围内(图7),且远场观测点的浓度模拟值偏低,这主要与模型模拟的羽流宽度有关。

图 6 z = 1 m高度处快速预测系统(左)和CFD方法(右)模拟的污染物浓度分布 Figure 6 Pollutant concentration distribution simulated by the rapid prediction system (left) and CFD method (right) at z = 1 m 注:其中,方框表示LLNL浓度观测点,色标和填色图一致。

表 3 观测和模拟浓度(点的位置参考图6、按照从上至下从左至右的顺序读取) Table 3 Observed and simulated concentrations (refer to Figure 6 for point locations in the order of top to bottom and left to right)

图 7 (左)快速预测系统和(右)CFD方法模拟和观测15 min平均浓度时空分布散点图 Figure 7 Spatiotemporal distribution scatter plots of 15-minute average simulated and observed concentrations by rapid prediction system (left) and CFD method (right)

CFD模型计算得到的污染物传输路径与上述模拟结果一致,但是与观测数据比对发现,污染物在罗宾逊大道汇集浓度高于观测值,在主街上模拟浓度低于观测值,这主要是由于风向的模拟误差导致,从统计数据发现,CFD模型模拟和观测的浓度比值在0.05~3.8之间(表3),约78%的点落在FAC5的范围内(图7)。

这其中,快速预测系统预测得到的污染物羽流宽度小于CFD结果的原因主要是湍流场的影响,快速预测系统基于近地层相似理论得到的湍流强度不能充分反应城市复杂建筑周围风剪切失稳所引起的湍流脉动,进而未能捕捉到污染物浓度在展向的传输和湍流扩散。

因此,从模型对污染物扩散模拟的真实性来看,两种方法都可以近似捕捉到建筑物附近污染物的扩散范围和浓度变化,虽然快速预测系统模拟羽流宽度偏低,但也可以模拟出流场的流动趋势。从计算效率上看,CFD方法资源消耗大,计算时间从几小时到几天不等,快速预测系统能在约 5 min时间内提供局地高分辨率风场以及污染物浓度分布信息,更适用于应急条件下的评价计算。

3 讨 论

本文通过显式分辨建筑物和植被分布,发展和建立了场区尺度风场和污染物扩散的快速预测系统,实现了与中尺度气象模式的耦合以及与地理信息软件ArcGIS的接口匹配。

不同于计算流体力学模拟方式[13],本系统采用经验参数化方法模拟流场,在保证计算精度的同时,大大缩短了计算时长;同时,系统显示识别下垫面植被和建筑物以模拟风场变化,而非传统的以减小风速、增大湍流脉动强度的半经验化方式体现[14],因此所得的流场更加贴合实际。在对模拟结果的验证过程中发现,系统对于风场的模拟准确性较高,风速的模拟准确性要高于风向,但这其中也会存在一定的误差,可能的误差原因包括风场诊断模型自身的误差,中尺度预报模式模拟结果的偏差,以及地表非均匀下垫面分辨不足等。

系统对于浓度场的模拟效果与CFD模型相当,虽然准确性没有达到风场的准确程度,且污染物羽流迁移和传播的方向受平均风向影响较大,但对于流动的整体趋势还是有所把握。这在反核恐应急、军工核设施应急等应急场景,是有一定的辅助作用的。因为在应急撤离的决策过程中,总指挥正是需要对污染物扩散的趋势有所把握,方可安排人员撤离等行动事项,因此定性的模拟准确对于应急响应而言,也是十分必要的。

但是由于目前的研究还处于起步阶段,系统对污染物浓度的扩散范围和精度的刻画还需进一步加强。因此,下一步计划在本文工作的基础上,考虑结合现场观测数据,开展数据同化的技术研究,以监测数据修正模拟结果,从而掌握事故后场区内放射性物质浓度场的精准评估方法,并适时开展核设施场区内的成果应用。

参考文献
[1]
朱好, 熊章辉, 刘新建, 等. 核电厂正常运行和事故条件下大气扩散模式的适用性分析[C]//中国核科学技术进展报告(第四卷)——中国核学会2015年学术年会论文集第5册(核材料分卷、辐射防护分卷). 北京: 中国原子能出版社, 2015: 515-524.
Zhu H, Xiong ZH, Liu XJ, et al. Analysis of the suitability of atmospheric dispersion models used under normal operational and accident conditions of NNPs[C]//China Nuclear Science and Technology Progress Report (Volume IV)——Proceedings of the 2015 Annual Conference of the Chinese Nuclear Society, Volume 5 (Nuclear Materials and Radiation Protection). Beijing: China Atomic Energy Press, 2015: 515-524.
[2]
王汉青, 刘镇铭, 张斌, 等. 大中尺度大气污染物扩散数值模拟研究进展[J]. 科学技术与工程, 2023, 23(9): 3605-3617.
Wang HQ, Liu ZM, Zhang B, et al. Progress of numerical simulation of large and medium-scale atmospheric pollutant diffusion[J]. Sci Technol Eng, 2023, 23(9): 3605-3617. DOI:10.7498/aps.53.671
[3]
程穆阳. 高斯模型在中小城市多点源大气扩散模拟中的应用研究—以绥化市为例[D]. 哈尔滨: 哈尔滨师范大学, 2020.
Cheng MY. Research on the application of Gauss model in multi-point atmospheric diffusion simulation of small and medium-sized cities-a case study of Suihua City[D]. Harbin: Harbin Normal University, 2020.
[4]
张良, 宋卫杰. 放射性释放源项反演模型的初步研究[J]. 中国辐射卫生, 2021, 30(1): 63-68.
Zhang L, Song WJ. Preliminary study on inversion model of radioactive release source terms[J]. Chin J Radiol Health, 2021, 30(1): 63-68. DOI:10.13491/j.issn.1004-714X.2021.01.014
[5]
郑金阁, 程卫亚, 王晨潇, 等. 应用CFD方法研究结构对管道内气体混合均匀性影响[J]. 中国辐射卫生, 2022, 31(2): 172-180.
Zheng JG, Cheng WY, Wang CX, et al. Computational fluid dynamics analysis of influence of different pipe structures on gas mixing uniformity[J]. Chin J Radiol Health, 2022, 31(2): 172-180. DOI:10.13491/j.issn.1004-714X.2022.02.008
[6]
邓景成, 刘思伟, 张冬阳. 大风条件下的交通污染物扩散路径模拟研究[J]. 环境科学与管理, 2023, 48(4): 39-44.
Deng JC, Liu SW, Zhang DY. Simulation study on diffusion path of traffic pollutants under strong wind[J]. Environ Sci Manag, 2023, 48(4): 39-44. DOI:10.3969/j.issn.1673-1212.2023.04.010
[7]
Röckle R. Bestimmung der Strömungsverhaltnisse im Bereich komplexer Bebauungsstrukturen[D]. Germany: Vom Fachbereich Mechanik, der Technischen Hochschule Darmstadt, 1990.
[8]
Singh B, Hansen BS, Brown MJ, et al. Evaluation of the QUIC-URB fast response urban wind model for a cubical building array and wide building street canyon[J]. Environ Fluid Mech, 2008, 8(4): 281-312. DOI:10.1007/s10652-008-9084-5
[9]
Nelson MA, Williams MD, Zajic D, et al. Evaluation of an urban vegetative canopy scheme and impact on plume dispersion[C]//8th Symposium on the Urban Environment. Phoenix: American Meteorological Society, 2009.
[10]
Lundquist JK, Chow FK, Mirocha JD, et al. An improved WRF for urban-scale and complex-terrain applications[C]//7th Symposium on the Urban Environment. San Diego: American Meteorological Society, 2007.
[11]
Gromke C, Buccolieri R, Di Sabatino S, et al. Dispersion study in a street canyon with tree planting by means of wind tunnel and numerical investigations–evaluation of CFD data with experimental data[J]. Atmos Environ, 2008, 42(37): 8640-8650. DOI:10.1016/j.atmosenv.2008.08.019
[12]
Moonen P, Gromke C, Dorer V. Performance assessment of Large Eddy Simulation (LES) for modeling dispersion in an urban street canyon with tree planting[J]. Atmos Environ, 2013, 75: 66-76. DOI:10.1016/j.atmosenv.2013.04.016
[13]
严磊, 李妍, 何旭辉, 等. 高山峡谷桥址处风场特性的大涡模拟研究[J]. 中南大学学报(自然科学版), 2023, 54(1): 137-145.
Yan L, Li Y, He XH, et al. Large-eddy simulation study of wind characteristics at bridge sites in high mountain canyons[J]. J Central South Univ (Sci Technol), 2023, 54(1): 137-145. DOI:10.11817/j.issn.1672-7207.2023.01.013
[14]
高杨, 王占朝. 应用AERMOD模型预测大气污染物浓度的影响因素分析[J]. 环境影响评价, 2021, 43(3): 55-60.
Gao Y, Wang ZC. Analysis of the influencing factors of applying AERMOD model to predict the concentration of air pollutants[J]. Environ Impact Assess, 2021, 43(3): 55-60. DOI:10.14068/j.ceia.2021.03.012