
Kandidatarbete - Slutrapport

Institutionen för kemi och kemiteknik

KBTX16-23-08

Karakterisering av luftföroreningars inneh̊all

En studie om luftburna partiklar och vad de best̊ar av

Författare

Kajsa Hallin
Gustav Jansson
Hanna Libander
Robin Rydbergh
Linnéa Svärd

Martina Zarowiecki

Handledare

Per Malmberg
Jonas Sjöblom

Examinator

Nikola Markovic

29 maj 2023


Förord

Vi vill tacka v̊ara handledare Per Malmberg och Jonas Sjöblom för det stöd de gett oss under
studien och för den tiden de lagt ner. Vi vill även tacka Mats Josefson för sin expertis i multivariat
dataanalys. Utöver det vill vi även rikta ett tack till Chalmers bibliotek och fackspr̊aksavdelning
som hjälpt oss genom skrivprocessen.

i


Sammandrag

Sjukdomar orsakade av luftföroreningar är idag en av de största hoten mot v̊ar hälsa och orsa-
kar att miljontals människor varje år dör i förtid. Orsaken till luftföroreningar är huvudsakligen
förbränning av fossila bränslen och biomassa, samt föroreningar orsakade av trafik. Syftet med
denna undersökning var att identifiera vilka partikelstorlekar som släpps ut i avgaser fr̊an diesel-
motorer, slitage av bilbromsar samt förbränning av ved. Utöver detta undersöktes även källornas
metallinneh̊all för att se vilken hälsofara partiklarna utgör.

Undersökningen genomfördes i tre delar: en litteraturstudie kring luftburna partiklars och me-
tallers hälsofara, insamling av partiklar samt analys av dessa. Insamlingen av partiklar gjordes
med hjälp av en ELPI+, som delade upp partiklarna i olika storleksintervall. Dieselpartiklarna
insamlades fr̊an en dieselmotor fr̊an Volvo av modell D13 utan katalysator i en testcell. Bromspar-
tiklarna insamlades fr̊an en elbil i en fordonstestrig och partikelinsamlingen för ved utfördes vid
en grill p̊a en allmän grillplats. Partiklarna fr̊an samtliga källor undersöktes sedan med ana-
lysinstrumentet ToF-SIMS, varp̊a datan analyserades med analysprogrammet SIMCA. Därefter
utfördes Kruskal-Wallis envägs variansanalys-test.

Resultatet visade att de olika källorna skilde sig åt i b̊ade storleksfördelning och inneh̊all. Bland
källorna uppvisades det att partiklarna fr̊an dieselmotorn generellt hade en större diameter i
jämförelse med de andra tv̊a partielkällorna där vedpartiklarna generellt hade mindre diameter.
Vid analys av samtliga prover identifierades närvaron av metallerna: litium, magnesium, kalcium,
järn, krom och koppar. Utifr̊an dessa metaller upptäcktes en lägre andel detekterade joner bland
vedproverna i jämförelse med övriga insamlingskällor. Det kunde även utläsas att partiklar med
högre molmassor främst återfanns hos vedpartiklarna och att partiklarnas storlek p̊averkar dess
sammansättning.

Informationen fr̊an vald analysmetodik var begränsad i avseende p̊a kvantifieringsförm̊aga av
metallinneh̊allet. Mängden metaller i partiklarna hade varit en betydande del i att bättre först̊a
hälsoeffekterna av dessa luftburna föroreningar. Fortsatta studier behövs för att vidare undersöka
vilka ytterligare ämnen dessa partiklar inneh̊aller och i vilken mängd de kan anträffas samt dess
potentiella hälsop̊averkan.

ii


Characterization of the content in air pollution

A study regarding airborne particles and what they consist of

Abstract

Diseases caused by air pollution are currently one of the biggest threats to our health, leading to
millions of premature deaths each year. The primary sources of air pollution are the combustion
of fossil fuels and biomass, as well as the pollution caused by traffic. The purpose of this study was
to identify the particle sizes emitted in exhaust gas from diesel engines, the wear of car brakes,
and the combustion of firewood. In addition, the metal content of the sources was investigated
to determine the health risks posed by the particles.

The study was conducted in three parts: a literature study on the health risks of airborne particles
and metals, a gathering of particles, and an analysis of these particles. The gathering of particles
was executed using an ELPI+, which separated the particles into different size ranges. Diesel
particles were collected from a Volvo D13 diesel engine without a catalytic converter in a test
cell. Brake particles were collected from an electric vehicle in a vehicle test rig, and the particles
from firewood were collected from a grill in a public area. The particles from all sources were
then examined using a ToF-SIMS analysis instrument, and the data were analyzed with the
analysis software SIMCA. Subsequently, a Kruskal-Wallis one-way analysis of variance test was
performed.

The results showed that the particles from the different sources varied in both size distribution
and content. Among the sources, it was found that the particles from the diesel engine generally
had a larger diameter compared to the other two sources, where the firewood particles generally
had the smallest diameter. Upon analysis of all samples were the presence of metals such as
lithium, magnesium, calcium, iron, chromium, and copper identified. Based on these metals, a
lower proportion of detected ions was found among the firewood samples compared to the other
particle sources. It was also observed that particles with higher molecular weights were mainly
found in the firewood particles and that the particles’ sizes affected their composition.

The information from the selected analysis methodology was limited in terms of quantifying the
metal content in particles. The quantification of the amount of metal in the particles would have
been a significant factor in the continued investigation of the health effects of these airborne
pollutants. Further studies are needed to investigate which additional substances these particles
contain, the proportion in which they are found, and their potential health impact.

iii


Lista över förekommande akronymer

ToF-SIMS Time of Flight Secondary Ion Mass Spectroscopy

ELPI+ Electrical Low Preassure Impactor

Kaskadimpaktor Ett instrument som sorterar partiklar baserat p̊a dess aerodynamiska diameter

ppb Delar per miljard (10−9)

ppq Delar per biljard (10−15)

PM2,5 Partiklar med diameter lika med eller mindre än 2,5 µm
MVDA Multivariat dataanalys

PCA Principalkomponentanalys

PLS Partiell minstakvadratkompletering

PAH Polycykliska aromatiska kolväten

Counts Antal detekterade joner

iv


Inneh̊all

1 Inledning 1
1.1 Syfte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Fr̊ageställningar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Avgränsningar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Etiska aspekter och miljöaspekter . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Bakgrund 3
2.1 Partikelinneh̊all och partikelstorlekar . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.1.1 Metaller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2 Polycykliska aromatiska kolväten . . . . . . . . . . . . . . . . . . . . . . . 4

2.2 Partiklar i lungvävnad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Insamlings- och analysinstrument . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.3.1 Electrical Low Preassure Impactor . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2 Masspektrometri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3.3 Time-of-Flight Secondary Ion Mass Spectrometer . . . . . . . . . . . . . . 6

2.4 Dataanalys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4.1 Principalkomponentanalys (PCA) och partiell minstakvadratanpassning

(PLS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4.2 Kruskal-Wallis envägs variansanalys . . . . . . . . . . . . . . . . . . . . . 9

3 Metod 10
3.1 Insamling av partiklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Analys av partiklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

4 Resultat 12
4.1 ELPI+ data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4.1.1 Bromspartiklar fr̊an elbil . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1.2 Förbränning av ved . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.1.3 Avgaser fr̊an dieselmotor . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4.2 ToF-SIMS data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.3 Identifiering av ämnen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.4 Statistisk analys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.5 Multivariat dataanalys . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

4.5.1 Alla partikelkällor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.5.2 Bromspartiklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.5.3 Dieselpartiklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.4 Vedpartiklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.5.5 Metallfördelning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

5 Diskussion 25
5.1 Storlek- och massjämförelse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Sammansättning i partiklarna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

5.2.1 Vedpartiklarnas inneh̊all . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.3 SIMCA observationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.4 Hälsoaspekter utifr̊an inneh̊all och storlek . . . . . . . . . . . . . . . . . . . . . . 27
5.5 Felkällor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.6 Fortsatta studier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

v


6 Slutsater 30

Källförteckning 31

A1 Hantering av prover fr̊an ELPI+ I

A2 XVar- plottar V

A3 Python-kod VIII
Shapiro-Wilks test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII
Kruskal Wallis H-test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX

A4 Masspektran och isotopfördelningar XI
Li . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XI
Mg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
Ca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XIX
Cr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXIII
Fe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXVII
Cu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXI
Pb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . XXXV

vi


1 Inledning

Under en minut andas en vuxen människa in och ut ungefär 60 liter luft och vid ansträngning kan
denna siffra öka till 100 liter [1]. Dessutom är lungornas sammanslagna yta hos en vuxen människa
100 m2 och lungbl̊asornas väggar tunnare än en mikrometer. Gränsytan mellan lungorna och
luften är allts̊a stor och därför har luftkvaliteten en ansenlig inverkan p̊a människors hälsa.

Varje år orsakar luftburna partiklar otaliga dödsfall. Vid en ökning av 10 µm3 av PM2,5, allts̊a
partiklar mindre än 2,5 µm i diameter, ökar antalet dödsfall under en m̊anad med 3,25 % [2]. P̊a
grund av detta betraktas nu sjukdomar kopplade till exponering av luftföroreningar som ett av de
största hoten mot v̊ar hälsa [3]. Enligt Världshälsoorganisationen WHO leder luftföroreningarna
bland annat till ökad sjuklighet och död av hjärt-, kärl- och lungsjukdomar.

Den mest drabbade kontinenten av luftföroreningar är Asien [4]. Detta är till följd av naturliga
händelser s̊asom skogsbränder, men även antropogena och ekonomiska faktorer som exempelvis
förbränning av kol och andra bränslen [4]. Ytterligare en källa till ökad luftförorening är den
traditionella jordbruksmetoden svedjebruk som fortfarande används i m̊anga delar av Asien [2].
Metoden innebär att man bränner åkermarken för att förbättra jordkvaliteten vilket i sin tur
bidrar till fler säsongsbetonade luftföroreningsutsläpp. Enligt en studie fr̊an Journal of Develop-
ment Economics åstadkommer tio svedningsbränder inom samma omr̊ade en ökning p̊a 4,79 µm3

av PM2,5, vilket motsvarar en ökning p̊a 1,56 % av dödsfallen i dessa omr̊aden [2].

Fr̊agorna som m̊aste ställas är d̊a; vad är det hos partiklarna som utgör denna stora fara för
människors hälsa? Är det endast partikelns storlek, eller har dess inneh̊all ocks̊a en inverkan i
dess skadlighet? Enligt en studie i International Journal of Envirionmental Science and Tech-
nology har det detekterats höga koncentrationer av metaller i luften i högtrafikerade omr̊aden
[5]. De metaller som upptäcktes i högst koncentrationer fr̊an omr̊adena var zink, mangan, järn,
bly, barium, antimon och koppar. Studien visade även att koncentrationerna av varje metall
skiljde sig mellan l̊ag- och högtraffikerade omr̊aden. Koncentrationsgradienten av metaller var
större mellan hög och l̊agtrafikerade omr̊aden för mindre partiklar än för större, där koncentra-
tionen ans̊ags vara relativt konstant. Det finns fler studier som tyder p̊a att metaller förekommer
p̊a sotpartiklar fr̊an fordon och att dessa partiklar har en annan hälsop̊averkan än de ämnen
som släpps ut vid förbränning av organiska ämnen s̊asom ved [6]. Vid exempelvis upphettning
och ofullständig förbränning av ved bildas istället hälsofarliga polycykliska aromatiska kolväten
(PAH) vars hälsoeffekter anses m̊attliga vid diskontinuerlig exponering men att kontinuerlig ex-
ponering kan vara cancerframkallande [7].

För att hantera luftföroreningarna inom EU finns regler och bestämmelser [8]. Dessa direktiv
gäller dock l̊angt ifr̊an alla ämnen och utsläppskällor. En ökad först̊aelse kring partiklarnas storlek
och inneh̊all är därför väsentligt för att f̊a en uppfattning om till vilken utsträckning partiklarna
är skadliga för oss människor. Baserat p̊a den först̊aelsen kan nya direktiv sättas upp i framtiden.

1


1.1 Syfte

Syftet med studien är att undersöka luftföroreningar fr̊an förbränning av ved, avgaser fr̊an en
dieselmotor och partiklar fr̊an bromsarna hos en elbil med analystekniken ToF-SIMS. Detta för
att utreda hur partiklarnas storlek och inneh̊all skiljer sig beroende p̊a källa. Ett resonemang kring
hälsop̊averkan kommer även att göras baserat p̊a den framtagna informationen om metallinneh̊all
i partikelkällorna.

1.2 Fr̊ageställningar

För att uppn̊a syftet strävar arbetet efter att besvara följande fr̊agor.

• Vilka ämnen, med fokus p̊a metaller, inneh̊aller partiklarna?

• Hur skiljer sig partiklarna fr̊an olika föroreningskällor i avseende p̊a inneh̊all och stor-
leksfördelning?

• Vilka skillnader i sammansättning finns mellan partiklar av olika storlekar?

• Vilka effekter kan partiklar fr̊an olika insamlingskällor ha p̊a människors hälsa?

1.3 Avgränsningar

Projektet avgränsades till analys av totalt tre olika luftföroreningskällor. De luftföroreningar
som valdes att studeras var avgaser fr̊an dieselmotor, förbränning av ved samt partiklar fr̊an
bromsslitage. Det ans̊ags inte relevant att utöka provbredden inom dessa källor i avseende p̊a
typ av dieselmotor, träslag eller typ av bromsar d̊a föroreningskällorna antogs vara representativa
för andra föroreningskällor av samma typ. I projektet avgränsades metoden till användning av
instrumenten ELPI+ och ToF-SIMS för att samla in respektive undersöka proverna. Därefter val-
des analysverktygen SIMCA och Kruskal-Wallis envägs variansanalys-test för ytterligare analys.
I studien har metallerna litium, magnesium, kalcium, krom, järn och koppar valts att undersökas.

1.4 Etiska aspekter och miljöaspekter

Partikelutsläpp av metaller och PM2,5 p̊averkar b̊ade människors hälsa och miljön. Det är därför
relevant att undersöka det kvalitativa inneh̊allet samt partikelstorlekarna i respektive källa. Resul-
tatet fr̊an rapporten kan därmed leda till ökad först̊aelse kring föroreningar och dess hälsoeffekter
p̊a människan. Uppmärksammande av dessa hälsoeffekterna kan resultera i att nya direktiv och
lagar gällande utsläpp av luftburna föroreningar stiftas, vilket i slutändan kan leda till en bättre
folkhälsa och renare miljö. Denna studie har ej involverat människo- eller djurförsök och har inte
haft n̊agon avsevärd p̊averkan p̊a miljön, därför anses denna studie ej vara belastande ur ett
etiskt eller samhällsmässigt perspektiv.

2


2 Bakgrund

Studier visar att mindre partiklar, som PM2,5, kan orsaka större skada för människan jämfört
med partiklar av större diameter [9]. Dessutom kan partiklars metallinneh̊all, allts̊a mängd me-
tall i partiklarna och metalltyp, innebära stor p̊averkan p̊a människors hälsa [9]. Allts̊a har olika
partikelstorlekar och partikelinneh̊all p̊averkan p̊a människan. Tekniska instrument som kan un-
dersöka partiklar spelar därför stor roll för att f̊a först̊aelse för partiklarna och för att kunna
avgöra vilka av dessa som utgör störst fara för människan.

2.1 Partikelinneh̊all och partikelstorlekar

Enligt en studie publicerad i Atmosphere år 2021 uppskattas 6,7 miljoner människor att dö i förtid
varje år till följd av luftföroreningar [9]. Högre koncentrationer av partiklar verkar ha en direkt
koppling till andelen människor som dör i olika typer av lung-, hjärt- och kärlsjukdomar. Studi-
en p̊avisar även att de viktigaste parametrarna kring partikelbeteende i människors och andra
däggdjurs andningsorgan är partiklarnas storlek samt dess sammansättning. Hälsoeffekterna har
bland annat visat sig vara större för partikelstorleken PM2,5 p̊a grund av fyra anledningar [9].
För det första inneh̊aller partiklarna i m̊anga fall högre koncentrationer av giftiga metaller samt
att partiklarna, p̊a grund av deras storlek, lättare kan tränga sig djupt in i lungorna. Ytterligare
en orsak är att lösligheten för metallerna p̊a partiklarna är högre vilket innebär att partiklarna
har lättare att integreras i olika vävnader. Slutligen har människor längre exponeringstid för
dessa metaller d̊a de befinner sig i luften under än längre tid än större partiklar som snabbare
faller till marken. Exakt hur partiklarna åstadkommer dessa effekter är ännu inte fastställt och
kan variera baserat p̊a bland annat sammansättningen i partiklarna.

2.1.1 Metaller

En del partiklar inneh̊aller metaller. I Sverige exponeras människor av metaller främst genom
livsmedel men även via luft och damm [10]. Transporter släpper ifr̊an sig metaller genom avga-
ser samt via slitage av vägar, bromsar och däck [11]. Metaller finns naturligt i miljön s̊asom i
berggrund, jord och vatten. Vissa metaller s̊asom zink, koppar och järn är i sm̊a mängder livsvik-
tiga för levande organismer men kan i stora mängder vara cancerframkallande, ge störningar i
hjärnutvecklingen samt skada inre organ [12]. Metaller kan dessutom inte brytas ner vilket in-
nebär att det kan ta l̊ang tid innan metallhalterna i naturen minskar [10].

Hur mycket människor p̊averkas av metaller beror p̊a vilken metall det är. Krom är ett metalliskt
grundämne som har ett stort användningsomr̊ade inom lädertillverkning samt inom tillverkningen
av rostfritt st̊al [13]. Krom kan i för höga halter vara skadligt för människan där sexvärt krom
anses utgöra störst hälsorisk. Sexvärt krom anses vara cancerframkallande och ha p̊averkan p̊a
fertilitet. Om människohud utsätts för sexvärt krom kan det orsaka eksem och s̊arbildning [13].
Koppar har ocks̊a, i höga halter, negativ p̊averkan p̊a kroppen. Trafiken är största utsläppskällan
för koppar d̊a bilars bromsbelägg inneh̊aller koppar som sprids i miljön varje g̊ang bilen bromsar
[14].

Järn är en metall som är viktig för v̊ar syretransport i blodet [15]. Järn finns bland annat i form
av hemjärn i blodproteinet hemoglobin som behövs för att transportera syre fr̊an lungorna ut
till cellerna. Det finns även i musklerna i form av myoglobin och i en del enzymer. Järnet tas
vanligast in via mat i form av hemjärn eller icke-hemjärn [16]. Hemjärnet, som är bundet till
hemproteiner i till exempel hemoglobin, tas upp betydligt mer effektivt än icke-hemjärn [16].
Järn är skadligt i b̊ade höga och l̊aga koncentrationer. I ett avsnitt av Vetenskapens värld fr̊an

3


2020 nämns det att en stor del av järnpartiklarna fr̊an avgaser är s̊a pass sm̊a att de tar sig
igenom människors nervbuntar och rakt in i hjärnan [17]. Vidare har det hittats ett samband
mellan järnhalter i hjärnan och demens. [17].

Litium används inom flera vardagliga omr̊aden, däribland som läkemedel för bipolär sjukdom, i
städprodukter och till batterier [18]. Metallen är farlig i höga doser och kan orsaka hjärntrötthet,
kraftiga skakningar och koma. Ytterligare en metall är kalcium. Kalcium är en livsnödvändig
metall som behövs vid blodkoagulering och bildande av tänder och skelett [19]. Överdosering av
kalcium kan orsaka njurproblem. För att omsättningen av kalcium ska fungera behövs magnesium
[20]. Magnesium är ocks̊a viktig för muskelfunktion och enzymatiska reaktioner i kroppen [21].
Effekter av för stort intag av magnesium inkluderar gastrointestinala effekter, yrsel och försämrad
njurfunktion. Andra mer allvarliga symptom innefattar medvetslöshet och hjärtrytmrubbningar.
L̊angvarig exponering av luftburet magnesium kan dessutom p̊averka lungorna.

2.1.2 Polycykliska aromatiska kolväten

Polycykliska aromatiska kolväten (PAH) är olika grupper av kolväten som bildas när organiskt
material ofullständigt förbränns eller hettas upp [22]. Det är vanligt att människor utsätts för
PAH fr̊an luftföroreningar orsakade av trafik, vid förtäring av kraftigt grillade livsmedel och vid
användning av snus eller cigaretter. Vissa polycykliska aromatiska kolväten har visat sig vara
cancerogena samt vid mycket höga koncentrationer vara skadliga för levern och immunsystemet
[22].

2.2 Partiklar i lungvävnad

Partiklar som är mindre än 5 µm tar sig l̊angt in i lungorna och ner i lungbl̊asorna medan
partiklar som har större diameter fastnar i svalg, näsa och luftrör [23]. Deponering av partiklar
i lungorna styrs främst av fenomenen impaktion, gravitationsdriven sedimentation och diffusion
genom brownsk rörelse [24].

En studie publicerad i Environmental Research undersökte hur djupt olika typer av partiklar
tränger sig in i lungorna utifr̊an storlek och sammansättning [25]. Dessa faktorer förklaras skilja
sig fr̊an källa till källa, där exempelvis partiklar fr̊an förbränningskällor ofta är mindre med högre
densitet medan partiklar fr̊an damm i naturen är större med lägre densitet. Fr̊an ovannämnd stu-
die framkom det även att grövre partiklar än PM2,5 framförallt hamnar i trakeobronkialregionen
(den inre luftvägsstrukturen best̊aende av luftstrupen som leder ut mot lungorna) men att de
vid l̊ag densitet kan tränga sig djupare in i lungorna. Studien visade allts̊a att grövre partiklar
med l̊ag densitet kan tränga djupare in i lungan än finare partiklar med hög densitet [25]. Detta
innebär att det är möjligt att större partiklar med l̊ag densitet ocks̊a kan utgöra en stor fara för
hälsan.

2.3 Insamlings- och analysinstrument

I denna studie används de analytiska instrumenten ELPI+ och ToF-SIMS vid undersökning av
proverna. ELPI+ används för uppsamling av partiklar där den sorterar partiklar med storlekar
mellan 6 nm till 10 µm, ett intervall som studien utförs inom [26]. ToF-SIMS används för att f̊a
en mer kvalitativ bild av partiklarna d̊a den ger data p̊a vilka ämnen partiklarna inneh̊aller.

4


2.3.1 Electrical Low Preassure Impactor

ELPI (Electrical Low Preassure Impactor) är ett användbart instrument för att studera luft-
kvalitet och föroreningar i luften. Instrumentet separerar ut partiklar fr̊an aerosoler och mäter
sedan hur m̊anga partiklar av olika storlekar som aerosolen inneh̊aller [27]. ELPI best̊ar av en
kaskadimpaktor och en elektrisk detektor. Instrumentet använder en vakuumpump för att suga
in luft till kaskadimpaktorn.

3

Figur 1: Schematisk bild av tv̊a segment i en kaskadimpaktor. Ett segment best̊ar av ett munstycke och
en uppsamlingsplatta markerat med ett streckat omr̊ade. Partiklarna flödar uppifr̊an och ner.

En kaskadimpaktor separerar partiklar i en aerosol baserat p̊a dess storlek. Instrumentet är upp-
byggt av ett antal segment staplade p̊a varandra, där varje segment best̊ar av ett munstycke och
en uppsamlingsplatta, se figur 1 för en skiss av kaskadimpaktorn. I instrumentet färdas aerosolen
genom munstycket p̊a varje segment, vilket ökar aerosolens hastighet. Efter munstycket behöver
flödet ta en skarp sväng för att komma runt uppsamlingsplattan. Instrumentets separationsmeka-
nism bygger p̊a att större partiklar i aerosolen har högre tröghet än mindre partiklar. Partiklarna
i aerosolen med för hög tröghet kommer inte lyckas följa med flödets plötsliga förändring i rikt-
ning och kommer därför att kollidera med uppsamlingsplattan i segmentet [28]. Hastigheten
ökar vid varje segment längs med kaskadimpaktorn. P̊a detta sätt minskar de uppsamlade par-
tiklarnas storlek för varje segment d̊a trögheten ökar med hastigheten. Varje munstycke har ett
mönster och partiklarna som kolliderar med uppsamlingsytan under motsvarande munstycke lan-
dar primärt i samma mönster och bildar fläckar av partiklar, se figur A1 i appendix A1 för bild
p̊a hur partiklarna fördelar sig p̊a uppsamlingsytan. Den elektriska detektorn mäter mängden
partiklar p̊a varje uppsamlingsplatta [27]. Detta är möjligt eftersom partiklarna laddas med en
positiv spänningskälla innan de g̊ar in i impaktorn. Genom att mäta hur m̊anga partiklar som
fastnar p̊a de olika plattorna kan storleksfördelningen av partiklar i aerosolen bestämmas.

I arbetet används en ELPI+ fr̊an företaget DEKATI för att separera partiklar mellan 6 nm och
10 µm. Storleksintervallen för segmenten i kaskadimpaktorn visas i tabell 1 där D50% syftar till
medelvärdet av partikelstorleken för motsvarande segment. Kaskadimpaktorn i detta instrument

5


best̊ar av 14 segment med munstycken och uppsamlingsplattor, se figur A2 och A3 i appendix A1
för bild p̊a ett munstycke respektive en uppsamlingsplatta. Denna ELPI+ har ocks̊a ett segment i
botten utan uppsamlingsplatta (segment 1) samt en övre uppsamlingsplatta (uppsamlingsplatta
15) utan munstycke. Se figur A4 i appendix A1 för bild p̊a hela kaskadimpaktorn.

Tabell 1: Medelvärde för storleken av partiklar för respektive segment i kaskadimpaktorn
[27].

Segment 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1

D50% [µm] 10 5,3 3,6 2,5 1,6 0,94 0,6 0,38 0,25 0,15 0,094 0,054 0,030 0,016 0,006

2.3.2 Masspektrometri

Masspektrometri (MS) är en analytisk metod där ett prov joniseras för att sedan separeras i
en massanalysator under vakuum, där detektorn utläser en jonvikt i slutet av analysatorn [29].
Vid jonisering klyvs molekyler till mindre laddade fragment. Graden av fragmentering beror p̊a
hur h̊art provet joniserats [29]. Massanalysatorn utgörs av ett magnetfält där joner med större
massa färdas l̊angsammare. När joner kolliderar med detektorn mäts jonströmmen och färdtiden
[29]. Baserat p̊a detta kan ett masspektrum bildas. Masspektrumet presenterar den relativa
intensiteten för alla m/z-värden. Ur masspektrumet kan hur vanligt förekommande en jon är
relativt andra uppmätta jonslag i provet utläsas.

2.3.3 Time-of-Flight Secondary Ion Mass Spectrometer

En speciell typ av MS är Time-of-flight Secondry Ion Mass Spectrometry (ToF-SIMS). Figur
2 visar en förenklad bild av hur instrumentet fungerar. Denna form av spektrometri använder
en fokuserad jonstr̊ale som riktas mot en provyta. Jonstr̊alens syfte är att sl̊a loss de översta
partiklarna fr̊an ytan vilka sedan kan analyseras. Här syftar partiklar till fragment som rubbas
fr̊an ytan av de större inf̊angade partiklarna fr̊an föroreningar. Närmast kollisionsplatsen tenderar
de p̊averkade fragmenten att best̊a av joner, medan längre bort fr̊an kollisionsplatsen lossnar
större molekyler fr̊an ytan [30]. Joner som används i jonkanonen kan komma fr̊an bland annat
guld, gallium, cesium och vismut.

6


Figur 2: Schematisk bild över de huvudsakliga delarna som utgör det analytiska instrumentet ToF-SIMS.
Till höger i bilden är en förstoring av interaktionen p̊a ytan av provet vid analys.

Efter att joner fr̊an jonkanonen kolliderar med provytan accelereras de partiklar som lossnar av
ett elektriskt fält av känd styrka. Efter accelerationen förs partiklarna in i en flyg-tub med en
reflektor i motsatt ände som reflekterar jonerna mot detektorn, se figur 2. Det är partiklarnas
massa/laddnings-förh̊allande (m/z) som avgör partikelns hastighet och där igenom hur l̊ang tid
det tar för partikeln att n̊a detektorn. Därför kan partiklarnas massa över laddning bestämmas
genom att mäta hur länge de befinner sig i flyg-tuben, s̊a kallad ”Time-of-flight”[30].

Det som skiljer ToF-SIMS väsentligt fr̊an andra former av masspektrometriska metoder är att
instrumentet kan svepa över en yta och analysera i flera olika punkter p̊a ytan [30]. Med andra ord,
är det möjligt att skapa en bild av provytan där varje pixel i bilden är ett masspektrum av joner
fr̊an isotoper och molekyler. Metoden har en hög känslighet och kan mäta joner i m/z precision
ner till ppm och ppb. Massupplösningen är ca 8000 M/∆M vilket är en hög massupplösning som
ger goda möjligheter att särskilja element med liknande atommassor.

2.4 Dataanalys

Fr̊an ToF-SIMS genereras en stor mängd data med m̊anga dimensioner. Varje provyta analyseras
separat i ToF-SIMS vilket genererar en bild per analyserad yta. Varje bild är uppbyggd av
n×m stycken pixlar, för varje pixel finns det ett masspektrum. Signalen fr̊an varje pixel i bilden
summeras för att bilda ett masspektrum som representerar hela den analyserade ytan. Alla toppar
i detta masspektrum normaliseras sedan. För alla analyserade ytor bildas sedan en matris X där
raderna utgörs av antal bilder, N , och kolonnerna utgörs av antal toppar i masspektrummet, K.

Matris X är ett dataset som med fördel kan analyseras med multivariat dataanalys för att
tolkas, för detta kan programmet SIMCA användas [31]. SIMCA kan bland annat applice-
ra egenvärdesuppdelningsbaserade metoder för dimensionalitetsreduktion av multivariata data
för att ta ett komplext problem och förenkla detta till likheter och skillnader i data. Meto-
der för dimensionalitetsreduktion är bland annat principalkomponentanalys (PCA) och partiell
minstakvadratanpassning (PLS). Fr̊an multivariat dataanalys identifieras relevanta skillnader i
data även de som är subtila [32]. Genom att applicera Kruskal-Wallis envägs variansanalys test

7


kan dessa skillnader bekräftas med statistisk signifikans.

2.4.1 Principalkomponentanalys (PCA) och partiell minstakvadratanpassning
(PLS)

PCA baseras p̊a icke-väggledd klassificering, vilket innebär att modellen byggs upp baserat p̊a in-
data fr̊an datamatris X [33]. PLS utnyttjar vägledd klassificering som byggs upp baserat p̊a b̊ade
indata fr̊an datamatris X och utdata fr̊an responsmatris Y. För b̊ade PCA och PLS reduceras
datamatrisen X med dimensionerna N ×K till A stycken principal komponenter. Detta innebär
en dimensionsreducering fr̊an N till A. Genom att spänna upp ett multidimensionellt rum med
K koordinataxlar kan alla masspektra N plottas i koordinatsystemet [34]. Genom att vrida ko-
ordinataxlarna K och projicera punkterna N p̊a respektive axel, hittas de linjärkombinationer
av punkter N som ger störst variation. De nya axlarna är egenvektorerna och principalkompo-
nenterna som bygger upp loadingsmatrisen L [35] [36]. Projektionerna av datapunkter p̊a de nya
axlarna kallas scores [35] [36]. Principalkomponenter fördelas i en hierarkisk ordning där PC1 är
den principalkomponent med störst varians [35].

Ekvation 1 visar hur datamatrisen X kan beskrivas med scoresmatrisen SN×A, loadingmatrisen
LA×K och residualmatrisen EN×K [36] [37]. Stora residualer i matris E innebär att data inte
passar in i modellen väl [38]. En DModX graf är ett sätt att visualisera E och kan användas för
att avgöra hur väl data passar till modellen.

X = SLT +E (1)

PLS utnyttjar ocks̊a principalkomponenter för att minska antalet dimensioner, men här görs det
b̊ade för datamatrisen X och responsmatrisen Y [39]. I fallet för PLS-DA inneh̊aller responsma-
trisen Y, klasserna som data i X tillhör. Responsmatrisen YN×Q kan p̊a liknande sätt som för
X beskrivas, med scoresmatrisen CN×H , loadingsmatrisen GH×Q och residualmatrisen FN×Q,
se ekvation 2. Målet med PLS är att maximera kovariansen mellan S och C genom att variera
X och Y matrisernas komponenter.

Y = CGT + F (2)

När principalkomponenterna erh̊alls kan scoresscatter-plottar, loadingscatter-plottar och XVar-
plottar tas fram för b̊ade PLS och PCA för vidare analys. En scoresscatter-plot (scoresplott) och
en loadingsscatter-plot (loadingsplott) visar alla scores respektive loadings fr̊an de principalkom-
ponenterna som studeras.

Loadingsplottar och scoresplottar bör läsas av tillsammans eftersom de är kopplade till varandra.
Exempel p̊a det kan illustreras med figur 13 och 14 i resultatet. Proverna för ved i scoresplotten
drar åt vänster, i loadingsplotten kan de m/z-värden till vänster därmed sägas ha en större
betydelse för dessa prover.

Fr̊an en loadingsplot kan vikten av principalkomponenten identifieras, punkter som ansamlas p̊a
samma ställe i grafen har en positiv korrelation och punkter p̊a motsatta sidor av origo har en
negativ korrelation [38]. Scoresplotten visar trender och grupperingar av data [35], en ansamling

8


av data innebär att dessa punkter har en gemensam variation av intensitet för ett eller flera
m/z-värden.

En XVar-plott visar hur stark signalen fr̊an ettm/z-värde är för olika prover. Figur A6 i appendix
A2 visar en XVar-plott med signal för litium fr̊an alla prover. I figuren visar x-axeln alla prover
och y-axeln är den relativa intensiteten uppmätt för litium i proverna. Plotten ger en bild av
förekomsten av ämnet i de olika proverna.

Vid PCA modellering av ToF-SIMS data i SIMCA används ofta pareto-skalning för att balansera
variabler vilket p̊averkar b̊ade scores- och loadingsplottar. Det gör att prover med liknande ska-
lade m/z-värden placeras nära varandra i scoreplotten medan loadingspunkterna blir jämförbara
och reflekterar vikten av varje m/z-värde. Detta underlättar tolkningen av plottarna.

2.4.2 Kruskal-Wallis envägs variansanalys

Kruskal–Wallis envägs variansanalys är ett icke-parametriskt test som används för att jämföra tre
eller flera oberoende gruppers rangordnade medelvärde [40]. Fr̊an Kruskal-Wallis kan man f̊a ett
p-värde som kan användas för att förkasta eller acceptera nollhypotesen. Till skillnad fr̊an klassisk
ANOVA kräver inte denna metoden att data är normalfördelad. Kraven för Kruskal-Wallis test
är att data ska vara oberoende och grupperna ska ha liknande form p̊a deras fördelning [41].

Vid Kruskal-Wallis test har varje datapunkt i gruppen ett tillsatt rangvärde. Vid fallet av mas-
spektrometrisk data tillsätts en rang till det relativa intensitetvärdet. Det minsta intensitetvärdet
f̊ar rang 1 och det näst minsta f̊ar rang 2. Därefter tas medelvärdet av varje grupps rang och
det är detta värde som testas med Kruskal-Wallis. Nollhypotesen, H0, är att medelvärdet av
gruppens rang är samma mellan grupperna. Den alternativa hypotesen, H1, är att åtminstone
ett av gruppernas rangmedelvärde skiljer sig fr̊an resterande.

Variansanalys är att föredra framför t-test i de fall där fler än tv̊a grupper studeras [42]. Detta
eftersom variansanalys har en fast sannolikhet p̊a signifikansniv̊a α att göra typ I-fel, vilket är att
nollhypotesen förkastas när den faktiskt är sann. Vid t-test kan endast tv̊a medelvärden jämföras
åt g̊angen, annars ökar risken för typ I-fel. Vid n utförda t-test kan sannolikheten för typ I-fel
beräknas enligt ekvation 3 [42].

Sannolikhet Typ I-fel = 1− (1− α)n (3)

Kruskal-Wallis test visar om det finns en signifikant skillnad mellan gruppernas rangordning eller
inte. För att identifiera vilka gruppers rangordning som skiljer sig åt utförs Dunns post-hoc-test.
För att använda Dunns post-hoc-test behöver H0 förkastas [43].

9


3 Metod

För att samla in, bearbeta och analysera partiklarna användes ett flertal instrument och analys-
metoder. Metoden utvecklades under projektets g̊ang och handledarna till projektet: Per Malm-
berg och Jonas Sjöblom, har kontinuerligt konsulterats.

3.1 Insamling av partiklar

Uppsamlingen av partiklarna fr̊an föroreningskällorna utfördes med hjälp av instrumentet EL-
PI+. För att samla upp partiklarna placerades runda diskar av aluminiumfolie p̊a uppsamlings-
ytorna. För att partiklarna säkert skulle fastna p̊a aluminiumytorna applicerades även en bit
dubbelhäftande tejp p̊a aluminiumfolien. Tejpen var fri fr̊an silikonoljor, vilket är av stor vikt d̊a
den senare analysen i ToF-SIMS hade störts av dessa. Uppsamlingsplattorna med aluminiumfolie
och tejp placerades sedan i ELPI+.

Den första partikelinsamlingen som utfördes var av bromspartiklar fr̊an en elbil. Denna insamling
av partiklar genomfördes i ett simuleringslaboratorium i ledning av projektets handledare Jonas
Sjöblom. Prov samlades fr̊an en av elbilens bromsdiskar. Mynningen p̊a insamlingsslangen till
ELPI+ placerades ungefär 30 cm fr̊an bromsdiskarna och elbilen styrdes sedan via ett kontroll-
rum. Elbilen kördes i cykler av att gasa upp till 110 km/h för att sedan bromsa till 10 km/h.
Denna cykel upprepades i cirka en timme och partiklar insamlades kontinuerligt under tiden.

Den andra partikelinsamlingen som utfördes var vid förbränning av ved. Denna insamling ge-
nomfördes p̊a en trafikfri öppen grusplan med n̊agra f̊a träd. Ved antändes i en grill och ELPI+
matades med partiklar genom en slang som placerades p̊a 1-2 meters avst̊and fr̊an elden, se
figur A5 i appendix A1 för bild p̊a grillen. Röken fr̊an elden bl̊aste i varierande m̊an mot insam-
lingsslangen. Insamlingen fortgick i tv̊a timmar och till elden lades torr ved och fallna pinnar
under hela eldningen. När elden p̊ag̊att i en timme, grillades korv över elden för att simulera en
korvgrillning.

Den tredje och sista insamlingen av partiklar gjordes p̊a en dieselmotor av modell D13 fr̊an Volvo
utan katalysator. Motorn befann sig i en testcell och styrdes fr̊an ett kontrollrum. Avgaserna
späddes ut med tryckluft för att avgasblandningen skulle n̊a en koncentration av partiklar som
ELPI+ kunde mäta. Instrumentet kan inte mäta om koncentrationen blir för hög. Körningen av
motorn anpassades för att simulera en äldre lastbilsmotor. Detta gjordes genom att sänka trycket
p̊a bränsleinsprutningen s̊a att förbränningen blev mindre effektiv och genererade mer sot och
partiklar. Insamlingen av partiklar startades samtidigt som motorn startades och mätningen
p̊agick i 20 minuter.

Efter varje mätning plockades aluminiumfolierna ut ur ELPI+ och numrerades efter motsvarande
uppsamlingsplatta 2-15. De placerades därefter i en platt l̊ada och täcktes över med aluminium-
folie för att inte p̊averkas av flytt eller förvaring.

3.2 Analys av partiklar

Efter insamling av partiklar fr̊an de tre föroreningskällorna fördes aluminiumfolierna in i en
ToF-SIMS för analys. För varje folie, togs i största möjliga m̊an tre bilder. En utzoomad bild p̊a
en fläck av partiklar där omkringliggande tejp syntes, samt tv̊a inzoomade bilder p̊a tv̊a skilda
fläckar. N̊agra undantag fanns dock. P̊a de folier där inga fläckar kunde ses, med varken blotta
ögat eller genom det inbyggda mikroskopet i ToF-SIMS, togs inga bilder. För bromspartiklarna

10


har generellt tv̊a bilder tagits, en utzoomad bild med tejp och fläck samt en p̊a kanten av fläcken.
De vida bilderna beskärdes i efterhand för att efterlikna de mittenbilder som tagits p̊a de andra
folierna där ingen tejp var med p̊a bilden. Prov 4, 5 och 6 för ved samt prov 6 för diesel hade
utöver svarta fläckar ocks̊a bruna partier. Extra bilder togs p̊a de bruna partierna för dessa
prover.

Efter att samtliga bilder p̊a aluminiumfolierna tagits, kalibrerades dess masspektrum mot samma
3-5 kalibranter. Därefter konstruerades en masslista över alla m/z-värden som hade en gaussisk
topp minst fem g̊anger starkare än signalbruset i n̊agot av proven. Antal uppmätta joner för m/z-
värdena i masslistan normaliserades mot totala antalet joner uppmätta för de olika proverna.
Denna data undersöktes sedan vidare med bland annat SIMCA. Med SIMCA undersöktes det
ifall proverna uppvisade trender som kunde upptäckas med hjälp av multivariat dataanalys.
Egenvärdesuppdelningsbaserade metoder för dimensionalitetsreduktion användes, specifikt PLS-
DA för enskilda insamlingskällor, medan PCA-X användes vid jämförelse mellan partikelkällorna.
Utifr̊an dessa modeller konstruerades scoresscatter-plottar, loadingsscatter-plottar och XVar-
plottar.

För att med statistisk signifikans validera de erh̊allna resultaten utfördes Kruskal-Wallis envägs
variansanalys test. Ett Shapiro-Wilks test utfördes i första hand för att undersöka ifall data var
normalfördelat. Variansanalysen följdes upp med ett Dunns post-hoc-test. Samtliga statistiska
analyser programmerades i Python. Koden som användes återfinns i appendix A3.

11


4 Resultat

I följande avsnitt presenteras de resultat och analyser som gjorts baserat p̊a partiklarnas storlek
och sammansättning utifr̊an de valda källorna: förbränning av ved, avgaser fr̊an en dieselmotor
samt slitage av en bilbroms. Varje föroreningskällas resultat presenteras var för sig.

4.1 ELPI+ data

Genom analys med instrumentet ELPI+ har diagram för partiklarna fr̊an samtliga källor som
undersökts kunnat sammanställas. ELPI+ ger information om partiklarnas storlek, massa och
antal. Partiklarnas storleksfördelning med avseende p̊a antal och massa visualiseras med hjälp
av plottar i följande avsnitt 4.1.1 - 4.1.3.

4.1.1 Bromspartiklar fr̊an elbil

Partiklarna som genererades i bromsinsamlingen visualiseras i figur 3. Figuren visar antalet
detekterade partiklar per kubikcentimeter plottade mot dess partikeldiameter. Av de insamlade
partiklarna hade störst andel partiklar en diameter mellan 0,006 µm och 0,05 µm, som innefattas
i PM2,5 d̊a de har en diameter mindre än 2,5 µm. Storleken med högst koncentration är 0,02 µm
och antal detekterade partiklar vid denna diameter är ungefär 1, 4 · 107 partiklar/cm3.

Figur 3: Antal partiklar av olika storlekar insamlade fr̊an en bromsande elbil. Antal partiklar uppmätta
per kubikcentimeter plottades mot dess partikeldiametern i µm. Skalan för partikeldiameter är logaritmisk.

Figur 4 redogör massfördelningen för broms genom att visa partiklarnas totala massa per volym
plottat mot dess diameter. Genom att plotta partiklarnas sammanlagda massa vid varje steg mot
partikeldiametern tydliggörs att de partiklar med större diameter utgör mer av den totala massan
i aerosolen än de mindre partiklarna som är fler till antalet. Partiklarna för den diameter som
i storleksfördelningsdiagrammet utgör den högsta toppen har en massa p̊a ungefär 0,1 mg/m3.
Intervallet av partiklar med en diameter mellan 0,2 µm till 8 µm utgör största delen av aerosolens
massa. Den högsta toppen i figur 4 tyder p̊a att partiklar med en diameter p̊a 2,5 µm till 5 µm har
tillsammans störst massa av de olika partiklarna i aerosolen. Denna massa ligger runt 4 mg/m3.

12


Figur 4: De insamlade bromspartiklarnas massfördelning. Partiklarnas massa per volym i mg/m3 är
plottad mot dess partikeldiameter i µm. Skalan för partikeldiameter är logaritmisk.

4.1.2 Förbränning av ved

ELPI+ data fr̊an de partiklar som samlades in vid förbränning av ved har sammanställts p̊a
samma sätt som data för bromspartiklarna. I figur 5 nedan har koncentrationen, antal partiklar
per cm3, plottats mot partikeldiametern (µm) p̊a samma sätt som för bromspartiklarna. Ur
figur 5 framg̊ar det att största delen av partiklarna hade en diameter p̊a 0,006 µm till 0,3 µm,
varav flest partiklar hade en diameter p̊a 0,015 µm. Antal partiklar som detekterades vid denna
diameter var ungefär 1, 25 · 107 partiklar/cm3.

Figur 5: Antal partiklar av olika storlekar insamlade vid vedeldning. Antal partiklar uppmätta per kubik-
centimeter plottades mot dess partikeldiametern i µm. Skalan för partikeldiameter är logaritmisk.

För de uppsamlade vedpartiklarna redogör figur 6 massfördelningen. Där massan partiklar per
kubikmeter plottade mot partikeldiameter i logaritmisk skala. Intervallet av partiklar med en
diameter av 0,03 µm till 0,7 µm utgör största delen av aerosolens massa. Den största detekterade
massan inom detta intervall är 0,55 mg/m3. Det finns även ett mindre massbidrag fr̊an n̊agot
större partiklar med en diameter fr̊an 1,5 µm till 3 µm. Diagrammet visar dessutom en liten topp

13


p̊a 0,02 mg/m3 vid diametern 0,015 µm.

Figur 6: De insamlade vedpartiklarnas massfördelning. Partiklarnas massa per volym i mg/m3 är plottad
mot dess partikeldiameter i µm. Skalan för partikeldiameter är logaritmisk.

4.1.3 Avgaser fr̊an dieselmotor

Tredje partikelkällan som analyserades med ELPI+ var dieselmotorn. Den genererade ett stort
antal partiklar inom ett bredare spann av partikelstorlekar än de tidigare föroreningskällorna.
Figur 7 visar koncentrationen partiklar med olika stor diameter. Koncentrationen av partiklar
fr̊an dieselmotorn är hög för partiklar med en diameter mellan 0,007 µm och 0,4 µm. Högst
koncentration har partiklar med diametern 0,08 µm och antal detekterade partiklar vid denna
diameter är ungefär 1, 45 ·106 partiklar/cm3. Diagrammet visar även en lägre topp vid diametern
0,015 µm p̊a ungefär 8, 0 · 105 partiklar/cm3.

Figur 7: Antal partiklar av olika storlekar insamlade fr̊an en dieselmotor. Antal partiklar uppmätta per
kubikcentimeter plottades mot dess partikeldiametern i µm. Skalan för partikeldiameter är logaritmisk.

För de uppsamlade dieselpartiklarna redogör figur 8 massfördelningen där massan partiklar per
kubikmeter plottades mot partikeldiametern i logaritmisk skala. Intervallet av partiklar med
en diameter mellan 0,04 µm till 8 µm utgör största delen av aerosolens massa. Det största
massbidraget kommer fr̊an partiklar med en diameter runt 0,15 µm samt 2,2 µm. Den diameter

14


med störst antal detekterade partiklar (0,08 µm) fr̊an figur 7 visar i figur 8 en partikelmassa p̊a
0,3 mg/m3.

Figur 8: De insamlade dieselpartiklarnas massfördelning. Partiklarnas massa per volym i mg/m3 är
plottad mot dess partikeldiameter i µm. Skalan för partikeldiameter är logaritmisk.

4.2 ToF-SIMS data

ToF-SIMS-instrumentet genererade data i form av bilder. Exempel p̊a bilder som skapades vi-
sas i figurerna 10 och 11. De största partiklarna som detekterades hamnade p̊a platta 15 i
kaskadimpaktorn. Dessa partiklar har en diameter p̊a 10 µm. Figur 9 visar att de insamlade
bromspartiklarna bildar agglomerat med en diameter upp till 200 µm p̊a en yta av dubbelhäftad
tejp.

Figur 9: Figuren visar bromspartiklar med en diameter större än 5, 3 µm. Bilden är tagen med ett optiskt
mikroskop som används vid förhandsgranskning i ToF-SIMS.

Den totala signalen av bromspartiklarna p̊a uppsamlingsplatta 15 vid analys med ToF-SIMS
visas i figur 10. Figuren visar att signal även detekteras fr̊an bakgrunden d̊a tejpens yta inte är
helt täckt av partiklar. Ytan är samma som i figur 9 och best̊ar av partiklar fr̊an broms större
än 5,3 µm. Ljusa omr̊aden i bilden motsvarar starkast jonsignal.

15


Figur 10: Total jonsignal fr̊an en yta som analyserats med ToF-SIMS.

Signalen fr̊an järn- och zinkjoner visas bredvid varandra i figur 11. Signalen kommer endast fr̊an
bromspartiklarna vilket tyder p̊a att det finns b̊ade järn och zink p̊a ytan av partiklarna, samt
att det finns mer järn än zink i detta prov.

Figur 11: Detekterade signaler av järn och zink i samma prov som visas i figur 9 och 10 med bromspar-
tiklar större än 5, 3 µm. Till vänster: signal fr̊an järn, till höger: signal fr̊an zink

Partiklarna som hamnar p̊a uppsamlingsyta 15 har en storlek som g̊ar att se med blotta ögat och
har oregelbunden form. De mindre partikelstorlekarna bildar ett homogent lager över uppsam-
lingsytan vilket gör att enskilda partiklar ej g̊ar att urskilja lika väl med blotta ögat eller med
optiskt mikroskop. För dessa sm̊a provstorlekar ger bildens laterala upplösning inte lika mycket
information. Istället har antal detekterade joner av ett visst slag normaliserats mot det totala

16


antalet detekterade joner. Denna normaliserade data analyseras vidare i kommande avsnitt med
hjälp av multivariat dataanalys.

4.3 Identifiering av ämnen

Genom tolkning av masspektra ur mjukvara för ToF-SIMS samt isotopfördelningar kunde
följande metallers närvaro i proverna bekräftas: litium, magnesium, kalcium, krom, järn och
koppar. Fortsättningsvis kunde inneh̊all av metallerna kadmium, kvicksilver och bly ej p̊avisas i
n̊agot av proverna.

Omgivande masspektra för alla identifierade metaller i de undersökta partikelkällorna finns i
figur A12 till A34 i appendix A4. Dessa masspektran stödjer identifikationen av de aktuella
metallerna. Isotopfördelningar finns ocks̊a som underlag för varje identifierad metall i appendix
A4 fr̊an figur A15 till A35 för att styrka riktigheten av identifieringen av metallerna. Masspektrum
och isotopfördelning för specifikt bly finns i appendix A4 fr̊an figur A36 till A39 för att p̊avisa
att dess närvaro är osannolik.

Ur masspektra för alla vedproverna g̊ar det att observera en upprepning av toppar. Dessa toppar
börjar med en större signal vid cirka m/z = 80 och fortsätter med avtagande intensitet till förbi
m/z = 500. Det g̊ar att delvis sk̊ada detta för vedproverna i figur A36 i appendix. Det är även
observerat att detta fenomen existerar i en längre intensitet för broms- och dieselproverna.

4.4 Statistisk analys

För att undersöka om vissa ämnen förekommer mer i vissa föroreningskällor än andra används
Kruskal-Wallis envägs variansanalys-test. Först testas om populationerna är normalfördelade
med Shapiro-Wilks test för p0 = 0,05, vilket visar att 55 av 668 m/z-värden fr̊an masslistan är
normalfördelade för samtliga föroreningskällor, vilket motsvarar ∼8 %. I och med att en s̊a l̊ag
andel av mätdata är normalfördelad valdes ett icke-parametriskt test för vidare statistisk analys
istället för envägs variansanalys.

Koppar är en av metallerna som identifierades med hjälp av dess isotopsfördelning. Efter ka-
librering visade koppar ett m/z-värde runt 62, 9526. Figur 12 visar ett l̊addiagram över den
normaliserade intensiteten för koppar mot den totala intensiteten fr̊an samtliga prover.

17


Figur 12: L̊addiagram över intensiteten fr̊an koppar för samtliga prover fr̊an de olika föroreningskällorna
samt blankproven. Strecket genom l̊adan visar medianvärdet. L̊adan inneh̊aller 50 % av värdena. Data-
punkterna representeras av cirklar och avvikande datapunkter markeras med stjärnor utanför l̊adornas
min/max-värde.

Med hjälp av Kruskal-Wallis test undersöktes om den detekterade mängden koppar skiljer sig med
en statistisk signifikans mellan de olika källorna. Testet gav p-värdet: 0,0017 vilket för p0 = 0,05
är tillräckligt för att förkasta nollhypotesen. Koden som användes för att utföra testet återfinns i
appendix under avsnitt A3. Eftersom nollhypotesen förkastades genomfördes Dunns post-hoc-test
med p0 = 0,05, fr̊an vilket resultatet listas i tabell 2. Enligt Dunns test förkastas nollhypotesen för
samtliga kombinationer utom diesel - ved. Detta innebär att samtliga föroreningskällor inneh̊aller
signifikant mer koppar än blankprovet, samt att aerosolen fr̊an bromsskivan inneh̊aller signifikant
mer koppar än de andra föroreningskällorna.

Tabell 2: Resultat fr̊an Dunn’s post-hoc test för koppar.

Prov p-värde Nollhypotes förkastas

Blank - Broms 0, 49 · 10−3 Sant

Blank - Diesel 0, 030 Sant

Blank - Ved 0, 013 Sant

Broms - Diesel 4, 5 · 10−3 Sant

Broms - Ved 0, 028 Sant

Diesel - Ved 0, 45 Falskt

4.5 Multivariat dataanalys

De masspektrometriska intensitetsvärdena för de tre olika föroreningskällorna samt blankprover
lades in i SIMCA. Där utfördes multivariat dataanalys med hjälp av olika matematiska modeller
för att först̊a samband och skillnader mellan proverna.

18


4.5.1 Alla partikelkällor

För att bekräfta att partiklarna skiljer sig i inneh̊all gjordes en oviktad analys med en PCA-
X modell och utifr̊an den skapades en scores- och en loadingsplott, se figur 13 respektive figur
14. Detta dataset är ocks̊a logaritmiskt transformerat och pareto-skalat. I dataanpassningen i
figur 13 förklarar den första principialkomponenten (PC1) 58,7 % av variationen och den andra
principialkomponenten (PC2) ytterligare 17,6 % av variationen. Tillsammans förklarar PC1 och
PC2 76,3 % av den totala variationen i datamängden.

Figur 13 visar prickar i olika färger fr̊an de olika källorna och blankproverna. Svarta prickar är
för broms, orange är för diesel, grön är för ved och bl̊a är för blankprover. Nomenklaturen för
utskrivna namn inkluderar en bokstav för varje källa där V är ved, 0 är blankprov med tejp,
B är broms och D är diesel. Efter hänvisningen till partikelkällan visar respektive siffra vilket
segment i ELPI+ provet kommer ifr̊an. Partikelstorleken som provsiffran refererar till återfinns
i tabell 1. Slutligen skrivs bildtypen ut i form av ett M följt av en siffra. Detta betyder att
bilden är tagen i mitten av en partikelfläck, där siffran beskriver vilken fläck i samma provstorlek
bilden togs p̊a. Ovalen i diagrammet är en grafisk representation av en 95 % konfidensregion för
dataanpassningen.

Figur 13: En scoresplott över hur de tre insamlingskällornas partiklar förh̊aller sig till varandra.

I figur 13 g̊ar det att ur scores-diagrammet observera grupperingar av alla de olika källorna
där de bildar egna kluster, vilket indikerar skillnader i källornas kemiska profiler. Klustret för
vedpartiklarna separerar sig mer fr̊an de andra källornas kluster vilket p̊avisar att vedpartiklarna
skiljer sig mest i kemiskt inneh̊all fr̊an resten. Broms- och dieselpartiklarnas kluster är inte lika
separerade fr̊an varandra.

Loadingsplotten i figur 14 inneh̊aller prickar som representerar specifika m/z-värden. Prickarna
är färglagda med en gradient, fr̊an lägre m/z till högre, i en färgskala fr̊an bl̊att till grönt till rött.
Här visas de viktigaste variablerna som bidrar till separationen av provgrupperna i scoresplotten.
De variabler som är i samma region av diagrammet är de variabler som främst karaktäriserar

19


proverna. Utifr̊an en jämförelse mellan figur 13 och 14 kan det observeras att de ämnen med
högre molmassor framförallt befinner sig bland vedpartiklarna.

Figur 14: En loadingsplot som visar fördelningen av partiklarnas molmassa fr̊an de tre insam-
lingskällorna.

4.5.2 Bromspartiklar

Genomförd multivariatanalys med PLS-DA modell för blankprover kombinerat med broms-,
diesel- och vedprover resulterade i tre uppsättningar av scores- och loadingsplottar samman-
ställda i figurerna 15, 16 och 17. Dessa dataset är logaritmiskt transformerade och pareto-skalade.
Datapassningen i figur 15 förklarar den första principialkomponenten (PC1) 51,4 % av variatio-
nen och den andra principialkomponenten (PC2) ytterligare 23,3 % av variationen. Tillsammans
förklarar PC1 och PC2 74,7 % av den totala variationen i datamängden. I figur 15 i scores dia-
grammet g̊ar det att identifiera en linjeformad separation inom klustret för bromsprover. Detta
innebär att bromsproverna skiljer sig fr̊an varandra. Utifr̊an provnamnen som är kopplade till
partikelstorlek, urskiljs en viss trend fr̊an nedre delen av diagrammet till övre.

Genom att jämföra bromsprovernas loadingsplott och scoresplott g̊ar det att konstatera att m/z-
värdena i andra kvadranten är viktiga för att förklara de större partiklarnas kemiska profiler.
Liknande kunde det konstateras att m/z-värden i tredje kvadranten är viktiga för att förklara
de mindre partiklarnas kemiska profiler.

20


Figur 15: En scores scatter plot till vänster och en loadings scatter plot till höger för bromspartiklar av
olika storlek tillsammans med tre blankprover. Se anknytande texter till figur 13 och 14 för tolkningsan-
visning.

4.5.3 Dieselpartiklar

Dataanpassningen i figur 16 förklarar den första principialkomponenten (PC1) 53,1 % av variatio-
nen och den andra principialkomponenten (PC2) ytterligare 14,0 % av variationen. Tillsammans
förklarar PC1 och PC2 67,1 % av den totala variationen i datamängden. I figur 16 g̊ar det att i
scores diagrammet tyda en större separation inom klustret för dieselproverna. Detta innebär att
dieselproverna uppvisar större skillnader sinsemellan, men däremot framträder inte n̊agon trend
utefter partikelstorlek och totalinneh̊all för dieselproverna. I loadingsplotten g̊ar det att utifr̊an
en jämförelse med scoresplotten konstatera att de m/z-värdena i första kvadranten är viktigast
för förklarande av den kemiska profilen för dieselprover.

Figur 16: En score scatter plott till vänster och en loadings scatter plott till höger för dieselpartiklar av
olika storlek tillsammans med tre blankprover. Se anknytande texter till figur 13 och 14 för tolkningsan-
visning.

21


4.5.4 Vedpartiklar

I datapassningen i figur 17 förklarar den första principialkomponenten (PC1) 87,5 % av variatio-
nen och den andra principialkomponenten (PC2) ytterligare 6,4 % av variationen. Tillsammans
förklarar PC1 och PC2 93,9 % av den totala variationen i datamängden. I figur 17 i scores
diagrammet identifierades en linjär separation inom klustret för vedproverna som innebär att
vedproverna skiljer sig fr̊an varandra. Utifr̊an provnamnen som är kopplade till partikelstorle-
karna urskiljs även en trend med större partikelstorlekar i den nedre delen av diagrammet och
mindre i den övre delen.

Genom att jämföra vedprovernas loadingsplott och scoresplott g̊ar det att konstatera att m/z-
värdena i första kvadranten är viktiga för att förklara de mindre partiklarnas kemiska profil.
Liknande kunde det konstateras att m/z-värdena i fjärde kvadranten är viktiga för att förklara
de större partiklarnas kemiska profil. Det finns även en gruppering av m/z-värden p̊a högra
halvplan längs x-axeln med ämnen som gemensamt kännetecknar vedprovernas skillnad fr̊an
blankproverna.

Figur 17: En score scatter plott till vänster och en loadings scatter plott till höger för vedpartiklar av olika
storlek tillsammans med tre blankprover. Se anknytande texter till figur 13 och 14 för tolkningsanvisning.

4.5.5 Metallfördelning

Figurerna 18-20 representerar endast relativ ämnesfördelning baserat p̊a uppmätta signaler fr̊an
ToF-SIMS. Eftersom ToF-SIMS endast analyserar en utvald plats av ytan, ger detta inte en
representativ bild av partikelkällornas faktiska ämnesfördelningar. Det bör även nämnas att
ToF-SIMS kan vara olika känslig för olika ämnen och att andelen counts därför inte ger en
representativ bild av koncentrationen.

Fr̊an figur 18 kan de tv̊a metallerna med högst andel counts hos bromsproverna identifieras som
magnesium och kalcium. Partiklarna som identifieras har en storlek mellan 0,19-7,3 µm. För
magnesium identifieras en upp̊atg̊aende trend med ökande diameter, där den största andelen
counts p̊a 0,48 % är vid partikelstorleken 4,4 µm, innan andelen counts sedan minskar. Kalciums
största utslag p̊a 0,41 % av totala andelen counts ligger vid 3 µm. Övriga undersökta metallers
utslag är nära noll.

22


Figur 18: Andel av den totala mängden uppmätta counts för olika metaller bland bromsproverna plottade
mot dess partikeldiameter.

Vid analys av figur 19 kan de tv̊a metallerna med högst andel counts hos dieselproverna iden-
tifieras som kalcium och järn. Partiklarna som identifieras har en storlek mellan 0,022-2,0 µm.
För kalcium hittas dess största andel counts p̊a 0,28 % respektive 0,29 % av den totala mängden
counts vid tv̊a separata toppar med partikelstorlek 0,071 respektive 0,48 µm. Största andel counts
för järn kunde identifieras först vid en topp p̊a 0,36 % och sedan p̊a 0,57 % vid en diameter p̊a
0,48 µm respektive 2,0 µm. Det g̊ar även att se en ökning av counts hos magnesium mellan
partikelstorlekarna 1,2 - 2,0 µm som avslutas i en topp p̊a 0,34 % med en mindre topp p̊a 0,48
% vid diametern 0,48 µm.

Figur 19: Andel av den totala mängden uppmätta counts för olika metaller bland dieselproverna plottade
mot partikeldiameter.

Vid undersökningen av vedproverna ger koppar störst utslag vid de mindre diametrarna, vilket
g̊ar att se i figur 20, med en topp p̊a 0,028 % counts vid diametern 0,022 µm, som sedan minskar
med ökande partikelstorlek. Partiklarna som identifieras har en storlek mellan 0,022-0,75 µm.
Övriga metaller har ett värde p̊a mindre än 0,01 % counts för samtliga storlekar.

23


Figur 20: Andel av den totala mängden uppmätta counts för olika metaller bland vedproverna plottade
mot dess partikeldiameter.

Utifr̊an de diagram som g̊ar att hitta under rubriken A2 i appendix kan man följa varje enskilt
ämnes andel counts i de olika proverna för att lättare hitta trender specifika för ämnet. För
litium kan man se ett samband mellan ökning i andel counts och ökning i diameter för broms-
och vedpartiklarna medan dieselpartiklarna inte ger n̊agot utslag enligt figur A6. En liknande
ökning kan ses även för magnesium bland b̊ade broms- och dieselpartiklarna där ved ger ett
utslag nära noll enligt figur A7. För kalcium följer bromspartiklarna återigen samma trend med
en ökning av andel counts i samband med en ökning av diameter medan dieselpartiklarna istället
visar flera toppar fördelade mellan de olika storlekarna enligt figur A8. Även här ger inte kal-
cium n̊agot utslag för vedpartiklarna. Krom, som kan ses i figur A9, har en upp̊atg̊aende trend
bland dieselproverna medan utslaget fr̊an övriga källor är nära noll. Järn har en upp̊atg̊aende
kurva för bromspartiklarna och för dieselpartiklarna men ger inget utslag för vedpartiklarna
enligt figur A10. Koppars andel counts ökar ocks̊a med ökande diameter för b̊ade broms- och
dieselpartiklarna, med en ned̊atg̊aende trend för vedproverna enligt figur A11.

24


5 Diskussion

I diskussionen analyseras resultatet fr̊an studien och fr̊ageställningarna besvaras till största
möjliga m̊an. En jämförelse görs mellan de detekterade partiklarna fr̊an de tre insamlingskällorna,
där fokus ligger p̊a storlek, massa och inneh̊all. Baserat p̊a jämförelsen diskuteras eventuella
hälsoeffekter partikelkällorna har p̊a människokroppen.

5.1 Storlek- och massjämförelse

Genom att jämföra data fr̊an ELPI+ ang̊aende partiklarnas storleksfördelningar i figurerna 3, 5
och 7 kunde en topp hittas vid diametern 0,08 µm för diesel. Detta innebär att den partikelstorlek
som dieselmotorn släpper ifr̊an sig störst antal av, 1, 45 · 106 partiklar/cm3, har en diameter p̊a
0,08 µm. För den högsta toppen i storleksdiagrammet för broms detekterades ungefär 1, 40 ·
107 partiklar/cm3 vid en diameter av 0,02 µm. För ved visade den största toppen 1, 25 · 107
partiklar/cm3 för partiklar med diametern 0,015 µm. Ovanst̊aende värden g̊ar ej att jämföra
med varandra p̊a grund av att partikelinsamlingarna fr̊an de tre källorna skedde under olika
förutsättningar s̊asom olika exponeringstid och avst̊and till ELPI+. Hade insamlingen skett under
lika förutsättningar för de tre partikelkällorna hade mängden utsläpp kunnat jämföras mellan
dessa.

I massfördelningsdiagrammet som presenteras i figur 4 för broms syns en topp vid diametern 3,0
µm med en stor total insamlad massa p̊a ungefär 4 mg/m3. Storleksfördelningsdiagrammet i figur
3 visar att antalet partiklar vid denna diameter (3 µm) är liten vilket innebär att broms släpper
ut ett litet antal av dessa stora partiklar. Det g̊ar även att se att massfördelningsdiagrammet
som presenteras i figur 4 har en mycket liten topp vid 0,02 µm. I storleks-fördelningsdiagrammet
i figur 3 visas en hög topp vid samma diameter (0,02 µm) vilket innebär att broms släpper ifr̊an
sig ett stort antal av dessa sm̊a partiklar. Figur 4 visar att den totala massan för partiklarna p̊a
insamlingsytan vid 0,02 µm ungefär är 0,1 mg/m3.

I massfördelningsdiagrammet som presenteras i figur 6 för ved syns en bred topp i ett diameterin-
tervall p̊a ungefär 0,02 µm till 1,0 µm. Toppens högsta punkt ligger p̊a ungefär 0,55 mg/m3. I
storleksfördelningsdiagrammet i figur 5 syns en l̊ag topp i samma diameterintervall vilket visar p̊a
att det finns ett litet antal partiklar med denna massa. Det detekterades allts̊a ett f̊atal stora par-
tiklar fr̊an vedprovet. I figur 6 syns en liten topp vid 0,015 µm. I storleksfördelningsdiagrammet
för ved syns en hög topp vid ungefär 0,015 µm. Det kan allts̊a konstateras att ved inneh̊aller
ett stort antal partiklar med en diameter runt 0,015 µm. Den totala vikten för de insamlade
partiklarna vid denna diameter är ungefär 0,02 mg/m3.

Massfördelningsdiagrammet som presenteras i figur 8 visar att dieselpartiklarna har en hög topp
vid en diameter runt 2,2 µm. Vid jämförelse med figur 7 kan det konstateras att det finns ett litet
antal partiklar med en diameter runt 2,2 µm. Den högsta toppen i figur 7 visar att det största
antalet detekterade partiklar fr̊an dieselmotorn har en diameter runt 0,08 µm. Genom att jämföra
detta med massfördelningsdiagrammet som presenteras i figur 8 syns att den partikelstorlek som
dieselmotorn släpper ifr̊an sig flest av har en total massa p̊a ungefär 0,3 mg/m3.

D̊a partikelinsamlingarna för källorna skedde under olika förutsättningar s̊asom olika expone-
ringstid samt olika avst̊and till ELPI+-maskinen är det sv̊art att dra tillförlitliga slutsatser
kring ovanst̊aende värden. Om man bortser fr̊an felkällor under insamlingen visar värdena
att storleksfördelningen för vedkällan och bromskällan har lika karaktär d̊a diagrammen har
toppar som ligger vid ungefär samma diameter. Tittar man däremot p̊a insamlingskällornas

25


massfördelningsdiagram samt jämför med antalet detekterade partiklar vid denna diameter,
har bromspartiklarna en massa som är större än vedpartiklarnas. Dieselkällans storlek-och
massfördelningsdiagram skiljer sig mycket ifr̊an ved- och bromskällan d̊a topparna ej befinner
sig vid samma diameter. Den partikelstorlek som dieselmotorn släpper ifr̊an sig störst antal
partiklar (1, 45 · 106 partiklar/cm3) har en total massa p̊a 0,3 mg/m3 där varje partikel har en
diameter p̊a ungefär 0,08 µm. Dieselkällan släpper dessutom ifr̊an sig ett lägre antal partiklar
(8, 0 · 105 partiklar/cm3) med en diameter p̊a 3,0 µm och en total massa p̊a 4,0 mg/m3. Den
partikelstorlek som ved släpper ifr̊an sig mest av (1, 25 · 107 partiklar/cm3) har en diameter p̊a
ungefär 0,015 µm och en total massa p̊a 0,02 mg/m3. Den partikeltyp som bilbromsen släpper
ifr̊an sig i störst antal (1, 40 ·107 partiklar/cm3) har en totala massa p̊a 0,1 mg/m3 och diametern
0,02 µm.

5.2 Sammansättning i partiklarna

Samtliga undersökta metaller gav i alla prover ett utslag p̊a < 1 % av andel counts, vilket betyder
att inneh̊allet av dessa metaller i de olika källorna tros vara ganska l̊agt om vi antar att de bilder
vi tog är representativa för hela provet. Det gick att notera att kurvan för kalcium och magnesium
liknade varandra för bromsproverna enligt figur 18. Detta skulle kunna betyda att ämnena slits
fr̊an samma del av bromsen. För ved var andelen counts av samtliga undersökta metaller väldigt
l̊ag, vilket var förväntat. För dieselproverna kunde en ökning i counts ses bland majoriteten av
de undersökta metallerna mellan diametern 1,2 µm och 2,0 µm. Detta skulle kunna betyda att
det är början p̊a en upp̊atg̊aende trend med ökande diameter.

För flera av ämnena gick det att detektera upp̊atg̊aende trender i andel counts i och med en
ökning av partikelstorlek. Detta skulle kunna bero p̊a att metaller binder med en stark bindning,
som jonbindning, och slits därför loss i större partiklar. Detta kan ocks̊a förklara varför b̊ade
broms- och dieselpartiklarna hade ett större andel counts för de undersökta metallerna bland de
större partiklarna än hos de mindre partiklarna. Vedpartiklar däremot, som inte inneh̊aller lika
stora andelar metaller, har en mindre andel counts för de större partiklarna d̊a de troligtvis inte
har denna typ av jonbindning i s̊a stor utsträckning.

5.2.1 Vedpartiklarnas inneh̊all

Fr̊an vedpartiklarna kommer endast svag signal fr̊an de undersökta metallerna. Det är etablerat
att vedpartiklars diameter är liten relativt de andra källorna, vilket innebär att de kommer l̊angt
ner i lungorna.

Som observerats återfinnas upprepade toppar i vedprovernas masspektra under resultat del 4.3.
En hypotes är att dessa toppar härstammar ur närvaron av en mängd kombinationer av kol och
väte i olika molekylfragment eftersom topparna återkommer med ett avst̊and p̊a 1,0 m/z. En
alternativ hypotes är att dessa toppar skulle kunna komma fr̊an delvist pyrolyserade, oxiderade
eller polymeriserade biomolekyler vilka återfinns i ved. I fall att denna hypotes stämmer borde
det g̊a att observera en periodicitet med större intervall än 1,0 m/z, motsvarande en monomers
massa.

Som nämns i bakgrunden kan PAH bildas vid ofullständig förbränning. Vid eldning med ved
borde det därför inte vara omöjligt att PAH bildas. Det behöver vidare studeras och fastställas
ifall PAH återfinns i vedröken.

26


5.3 SIMCA observationer

I resultatet g̊ar det att utläsa ur figur 13 att vedproverna separerar sig fr̊an övriga prover.
Broms och diesel visar mindre tydlig separation och överlappar med varandra i scoresplotten. Att
separationen är mindre mellan diesel- och bromspartiklar kan ha att göra med att deras inneh̊all
sannolikt p̊averkas av liknande ämnen i dess omgivning. B̊ada källorna kan tänkas inneh̊alla sp̊ar
av metaller vilka kommer fr̊an slitage av motor eller bromsen.

En anledning till att klustret för vedpartiklar separerar sig mest fr̊an de andra källorna kan ha att
göra med faktumet att dess inneh̊all är biobaserat. Det är därmed möjligt att sp̊ar fr̊an polymerer
och organiska molekyler ger skilda utslag fr̊an diesel och broms, vilket kan vara en anledning till
separationen som syns i scoresplotten. Vidare studier behövs för att undersöka detta närmare.

Ett fenomen som visas tydligt i scoresplotten i figur 17 för vedproverna är att scores, som mot-
svarar de olika partikelstorlekarna, har spritt sig längst en linje. Dessutom är de ordnade med
avseende p̊a partikelstorlek: fr̊an liten till stor diameter. Vad detta beror p̊a behöver undersökas
vidare för att kunna fastställas. Det uppvisade beteendet skulle kunna bero p̊a att de olika stor-
lekarna av partiklar best̊ar av olika kemiska föreningar, eller att ett antal föreningar förekommer
med större halt i partiklar av vissa storlekar. Det hade varit intressant att närmare undersöka
de loadings i figur 17 som befinner sig längst fr̊an origo i y-led, d̊a dessa enligt modellen har
stor betydelse. Detta för att se om dessa kemiska föreningar förekommer i högre eller lägre grad
i de minsta respektive största partikelstorlekarna fr̊an förbränningen av ved. Även scores för
partiklarna fr̊an bromsen p̊a elbilen har ett liknande linjärt utseende i scoresplotten i figur 15.
För bromsproverna syns dock inte ett lika tydligt beteende som för vedproverna och endast övre
halvan av partikelstorlekarna är ordnade i storleksordning. För dieselavgaserna g̊ar detta linje-
formade beteende inte att observera i scoresplotten, men det g̊ar att utgöra vissa grupperingar
för dieselavgaserna i figur 16.

5.4 Hälsoaspekter utifr̊an inneh̊all och storlek

Som tidigare nämnts i avsnitt 2.1 bidrar partiklar med en diameter 2, 5 µm, (PM2,5), till en
större hälsofara än större partiklar. Fr̊an resultaten i figurerna 3, 5 och 7 ligger alla toppar i de
tre diagrammen i intervallet 0 − 2, 5 µm. Allts̊a är stor del av de insamlade partiklarna inom
intervallet för PM2,5 och kan därför utgöra hälsofara. Hur stor hälsofara partikelkällorna utgör
beror dock inte bara p̊a partiklarnas diameter. Avsnitt 2.2 beskriver hur stora partiklar med hög
densitet har sv̊art att tränga sig djupt ner i lungvävnaden, medan mindre partiklar med hög
densitet har det lättare. Större partiklar med l̊ag densitet har dock visat sig i vissa fall ha det
lättare att ta sig djupare in i lungorna jämfört med sm̊a partiklar med hög densitet. Densitet
spelar allts̊a stor roll för vilken grad partiklarna p̊averkar lungvävnaden. D̊a alla partiklar fr̊an alla
källor antas ha lika stor densitet, 1000 kg/m3, finns inte underlag i denna studien för att vidare
undersöka detta fenomen. Det som däremot kan diskuteras är den storleks- och massfördelning
som insamlats för de olika partikelkällorna.

Storleksfördelningen för vedkällan och bromskällan har lika karaktär d̊a figurerna 5 och 3 har
toppar som ligger vid ungefär samma diameter: 0, 015− 0, 02 µm. Den största andelen partiklar
hittades hos de prover inneh̊allande de mindre partikeldiametrarna. Den mindre diametern hos
dessa partiklar innebär att de kan n̊a l̊angt ner i lungorna och skulle kunna göra skada. Trots
att partiklarna är m̊anga till antal, är deras totala massa inte stor. Mängden partiklar, sett till
massa, som krävs för att ha en betydande p̊averkan p̊a människors hälsa är inte känd. Det skulle
kunna vara s̊a att dessa sm̊a partiklar inte har n̊agon betydande inverkan p̊a lungorna p̊a grund

27


av de totalt utgör en väldigt liten massa, men motsatsen är ocks̊a möjlig. Vidare hade det varit
intressant att undersöka vilken koncentration av dessa sm̊a partiklar som utgör en hälsofara.

För dieselavgaserna skiljer sig storleksfördelningen i figur 7 och massfördelningen i figur 8 mot
motsvarande för ved och broms. Dieselavgaserna best̊ar av ett bredare spann av partikelstorlekar
till skillnad fr̊an ved- och bromspartiklarna där majoriteten av partiklarna finns inom ett smalare
diameterintervall. Detsamma gäller för massfördelningen i figur 8. Där p̊aträffas ett bredare
intervall av diametrar jämfört med ved- och bromspartiklarna för vilka massfördelningarna är
mer koncentrerade till smalare intervall av diametrar.

Det är möjligt att denna breda fördelning av storlek och massa hos dieselpartiklarna gör att de
p̊averkar större delar av lungan än ved- och bromspartiklarna. Detta skulle kunna innebära att
de större partiklarna i dieselavgaserna fastnar i de övre regionerna i lungorna medan de mindre
partiklarna tar sig längre ner.

Vid analys av metallinneh̊allet av partiklarna detekterades m̊anga olika metaller. Dessa metaller
gav däremot svag signal och det finns inte tillräckligt med underlag för att kvantifiera koncent-
rationen av dessa i partiklarna. Det är sv̊art att dra n̊agra slutsatser ang̊aende om hur mycket
partiklarnas metallinneh̊all p̊averkar hälsan. Flera av upptäckterna i denna studie hade varit
intressanta att undersöka vidare med fokus p̊a hur partiklarna p̊averkar hälsan, bland annat hur
stor roll partiklarnas metallinneh̊all spelar för dess hälsop̊averkan.

5.5 Felkällor

Under arbetets g̊ang har felkällor uppkommit som har kunnat p̊averka resultatet. I följande
stycken diskuteras n̊agra av dessa. I de laborativa delarna i studien var exempelvis exponerings-
tiden för ELPI+ olika för de tre källorna. Dessutom var avst̊andet mellan insamlingspunkten och
källan inte standardiserad. Dessa felkällor resulterar i att färre eller fler partiklar kan detekteras
p̊a provytan p̊a grund av olika exponeringstid och avst̊and, vilket p̊averkar antalet partiklar som
samlas in. Detta gör att vi inte kan presentera n̊agra resultat som jämför mängden utsläpp fr̊an
källorna. Om provtagningen upprepas s̊a bör en standardiserad uppsamling tillämpas för att
kunna jämföra vilken källa som bidrar med störst mängd partiklar.

En annan felkälla vid insamlingen av proverna är väderförh̊allanden. Broms och dieselprover-
na insamlades inomhus och p̊averkades inte av yttre väderförh̊allanden. Vedprovet insamlades
utomhus, vilket innebär att även andra partiklar fr̊an utomhusluften kan ha samlats in. Under in-
samlingen av bromspartiklar s̊a blev ELPI+ överbelastad vid tv̊a tillfällen vilket resulterade i tre
uppdelningar av ELPI+ data fr̊an denna insamling. Konsekvensen blev att en liten mängd data
försvann vid de tv̊a tillfällen som ELPI+ blev överbelastad. Detta anses dock inte ha p̊averkat
resultatet nämnvärt. Väl i dataanalysen av proverna antogs densiteten för alla partiklar vara
1000 kg/m3. Detta är ett allmänt antagande som görs i mjukvaran kopplad till ELPI+. För att
komplettera resultatet hade det varit givande att i efterhand kunna bestämma densiteten av
partiklarna av olika storlekar, vilket hade kunnat uppn̊as med en v̊ag.

I rapporten har de tre luftföroreningskällorna som analyserats antagits vara representativa för
partikelkällor av samma typ. Dessa antaganden är bristande för samtliga källor. Den dieselmotorn
som användes är av modell D13 fr̊an Volvo där driftparametrarna hos motorn var modifierade.
Resultatet var att avgaserna inte är representativa för dagens dieselmotorer utan snarare för
20-30 år gamla modeller. Veden som förbrändes var endast av f̊a trädslag och bromsdiskarna som
testades p̊a elbilen kan bara ge information om just den modellen av bromsdisk.

28


Under analysen av proverna i ToF-SIMS användes olika inställningar. De första proverna som
analyserades var broms och här användes olika inställningar för att hitta en anpassning som
fungerade bra för partikelfläckarna. Därefter användes samma inställningar för de bilder som
togs för ved och diesel. Detta innebar att en del av bromsproverna behövde beskäras innan
analysen i SIMCA.

Eftersom olika ämnen joniseras olika i ToF-SIMS kan de grafer som relaterar till metallinneh̊all
vara missvisande. Detta betyder att det inte med säkerhet g̊ar att dra slutsatser kring ämnenas
förekomst. Exempelvis har ToF-SIMS en hög känslighet för natrium och kalium. Dessa tv̊a me-
taller uppmättes p̊a samma sätt som övriga metaller i studien men ans̊ags ickerepresentativa p̊a
grund av ToF-SIMS känslighet för dessa. Natrium och kalium har därmed valts att uteslutas
fr̊an studien.

När multivariat dataanalys utförs utefter en vald modell i SIMCA genereras ett DModX-
diagramsom visualiserar avvikelser mellan enstaka datapunkter och modellen. Vid samtliga
analyser uppvisade minst en datapunkt avvikande beteende fr̊an modellen, vilket innebar att
ingen modell lyckades innefatta alla datapunkter.

5.6 Fortsatta studier

För att öka tillförlitligheten av studiens resultat hade n̊agra förbättringar kunnat göras. ELPI+
visade sig tillsammans med tejpbeklädd aluminiumfolie vara en bra metod för uppsamling av
partiklar. För att öka tillförlitligheten av resultatet hade dock fler och mer standardiserade
insamlingar av partiklarna kunnat appliceras.

Metodiken för att ta bilder med ToF-SIMS hade ocks̊a kunnat vara mer konsekvent. ToF-SIMS
är ett avancerat verktyg men kan inte kopplas till externa databaser för identifieringshjälp och
producerar mer kvalitativ snarare än kvantitativ data. För att vidare först̊a hälsoeffekterna av
luftföroreningar behövs en kombination av flera olika analysinstrument användas för att bättre
identifiera vilka ämnen partiklarna best̊ar av och kvantifiera dessa. Masspektrometri i kom-
bination med vätskekromatografi (LC-MS) har med god provupparbetning möjlighet till att
identifiera och kvantifiera enskilda ämnen. En LC-MS analys kan tänkas kompletteras väl med
Inductively Coupled Plasma Masspektrometri (ICP-MS) i avseende p̊a att metallinneh̊all kan
detekteras och kvantifieras med hög känslighet.

Till en början var denna studie planerad att innefatta försök där en lungcellsmodell skulle ex-
poneras för partiklarna, för att ge vidare insikt av partiklarnas hälsop̊averkan. Detta försök
med lungceller skulle fortfarande vara ytterst intressant att genomföra. Under studiens g̊ang
har, utöver metaller, även andra kemiska föreningar i partiklarna visat sig kunna spela roll för
partiklarnas hälsop̊averkan. En grupp av föreningar som kan undersökas vidare är polycykliska
aromatiska kolväten, d̊a dessa skulle kunna förekomma i partiklarna och kan vara cancerogena.

29


6 Slutsater

Denna studie har undersökt luftburna partiklar fr̊an tre olika föroreningskällor: slitage av broms,
förbränning av ved och avgaser fr̊an en dieselmotor. I studien har följande metaller undersökts
djupare: litium, magnesium, kalcium, järn, koppar och krom. Resultaten som erh̊allits visar att
partiklar fr̊an de studerade föroreningskällor skiljer sig åt i storleks- och massfördelning samt
detekterat inneh̊all. Resultatet visar även att partiklarnas storlek p̊averkar deras sammansättning
samt att metaller förekommer bland de insamlade partiklarna. Analysmetoden har inte genererat
resultat som är tillräcklig för att dra slutsatser kring vilken mängd de olika metallerna förekommer
p̊a partiklarna, eller vilka metaller som är vanligast förekommande. Det kunde dock med MVDA
observeras en tydlig trend för inneh̊all i vedpartiklarna.

Dieselpartiklarnas storleks- och massfördelning visade ett bredare diameterintervall jämfört med
ved- och bromsproverna. P̊a grund av detta finns det en möjlighet att dieselpartiklarna p̊averkar
större delar av lungvävnaden jämfört med ved- och bromsproverna d̊a deras diameterintervall
var smalare. Det är dock sv̊art att dra slutsatser kring vilken föroreningskälla som utgör störst
hälsop̊averkan eftersom insamlingarna för de tre källorna skedde under olika förutsättningar,
s̊asom olika exponeringstid och avst̊and till ELPI+. För att kunna besvara dessa fr̊agor kring
partiklarnas hälsop̊averkan m̊aste ytterligare studier utföras, exempelvis genom att exponera
lungcellsmodeller för de insamlade partiklarna.

30


Källförteckning

[1] Nationalencyklopedin. andning. url: https://www.ne.se/uppslagsverk/encyklopedi/
lC3A5ng/andning.

[2] Guojun He, Tong Liu och Maigeng Zhou. ”Straw burning, PM2.5, and death: Evidence
from China”. I: Journal of Development Economics 145 (juni 2020), s. 102468. doi: 10.
1016/J.JDEVECO.2020.102468.

[3] World Health Organization. WHO global air quality guidlines. 2021. url: https://apps.
who.int/iris/bitstream/handle/10665/345334/9789240034433-eng.pdf.

[4] World Health Organization. One third of global air pollution deaths in Asia Pacific. Maj
2018. url: https://www.who.int/westernpacific/news/item/02-05-2018-one-
third-of-global-air-pollution-deaths-in-asia-pacific.

[5] A. Miazgowicz, K. Krennhuber och C. Lanzerstorfer. ”Metals concentrations in road dust
from high traffic and low traffic area: a size dependent comparison”. I: International Journal
of Environmental Science and Technology 17 (7), s. 3365–3372. doi: 10.1007/S13762-
020-02667-3/FIGURES/4.

[6] Pranay P. Morajkar m. fl. ”Transmission of trace metals from fuels to soot particles: An
ICP-MS and soot nanostructural disorder study using diesel and diesel/Karanja biodiesel
blend”. I: Fuel 280 (nov. 2020), s. 118631. doi: 10.1016/J.FUEL.2020.118631.

[7] Livsmedelsverket. Polycykliska aromatiska kolväten (PAH). Mars 2022. url: https://
www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/

polycykliska-aromatiska-kolvaten-pah.

[8] Översyn av EU:s luftkvalitetsdirektiv Fakta-pm om EU-förslag 2022/23:FPM20 COM(2022)
542 final - Riksdagen. url: https://www.riksdagen.se/sv/dokument-lagar/dokument/
fakta-pm-om-eu-forslag/oversyn-av-eus-luftkvalitetsdirektiv_HA06FPM20.

[9] Polina Maciejczyk, Lung Chi Chen och George Thurston. ”The Role of Fossil Fuel Com-
bustion Metals in PM2.5 Air Pollution Health Associations”. I: Atmosphere 2021, Vol. 12,
Page 1086 12 (9), s. 1086. doi: 10.3390/ATMOS12091086.

[10] Naturv̊ardsverket. Metaller som miljögift. url: https://www.naturvardsverket.se/
amnesomraden/miljofororeningar/metaller/.

[11] Kouji Adachi och Yoshiaki Tainosho. ”Characterization of heavy metal particles embedded
in tire dust”. I: Environment International 30 (8 okt. 2004), s. 1009–1017. doi: 10.1016/
J.ENVINT.2004.04.004.

[12] Livsmedelsverket. Giftiga metaller - provtagning - Kontrollwiki. April 2022. url: https://
kontrollwiki.livsmedelsverket.se/artikel/119/giftiga-metaller-provtagning.

[13] Naturv̊ardsverket. Krom (Cr). url: https://utslappisiffror.naturvardsverket.se/
sv/Amnen/Tungmataller/Krom/.

[14] Naturv̊ardsverket. Fakta om koppar. url: https : / / www . naturvardsverket . se /

amnesomraden/miljofororeningar/metaller/fakta-om-koppar/.

[15] Livsmedelsverket. Järn. url: https://www.livsmedelsverket.se/livsmedel- och-
innehall/naringsamne/salt-och-mineraler1/jarn.

[16] Sveriges lantbruksuniversitet. ”Växter som en källa till järn i maten”. I: (). url: https:
//stud.epsilon.slu.se/6090/7/soderberg_breivik_k_130925.pdf.

31

https://www.ne.se/uppslagsverk/encyklopedi/lC3A5ng/andning
https://www.ne.se/uppslagsverk/encyklopedi/lC3A5ng/andning
https://doi.org/10.1016/J.JDEVECO.2020.102468
https://doi.org/10.1016/J.JDEVECO.2020.102468
https://apps.who.int/iris/bitstream/handle/10665/345334/9789240034433-eng.pdf
https://apps.who.int/iris/bitstream/handle/10665/345334/9789240034433-eng.pdf
https://www.who.int/westernpacific/news/item/02-05-2018-one-third-of-global-air-pollution-deaths-in-asia-pacific
https://www.who.int/westernpacific/news/item/02-05-2018-one-third-of-global-air-pollution-deaths-in-asia-pacific
https://doi.org/10.1007/S13762-020-02667-3/FIGURES/4
https://doi.org/10.1007/S13762-020-02667-3/FIGURES/4
https://doi.org/10.1016/J.FUEL.2020.118631
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.riksdagen.se/sv/dokument-lagar/dokument/fakta-pm-om-eu-forslag/oversyn-av-eus-luftkvalitetsdirektiv_HA06FPM20
https://www.riksdagen.se/sv/dokument-lagar/dokument/fakta-pm-om-eu-forslag/oversyn-av-eus-luftkvalitetsdirektiv_HA06FPM20
https://doi.org/10.3390/ATMOS12091086
https://www.naturvardsverket.se/amnesomraden/miljofororeningar/metaller/
https://www.naturvardsverket.se/amnesomraden/miljofororeningar/metaller/
https://doi.org/10.1016/J.ENVINT.2004.04.004
https://doi.org/10.1016/J.ENVINT.2004.04.004
https://kontrollwiki.livsmedelsverket.se/artikel/119/giftiga-metaller-provtagning
https://kontrollwiki.livsmedelsverket.se/artikel/119/giftiga-metaller-provtagning
https://utslappisiffror.naturvardsverket.se/sv/Amnen/Tungmataller/Krom/
https://utslappisiffror.naturvardsverket.se/sv/Amnen/Tungmataller/Krom/
https://www.naturvardsverket.se/amnesomraden/miljofororeningar/metaller/fakta-om-koppar/
https://www.naturvardsverket.se/amnesomraden/miljofororeningar/metaller/fakta-om-koppar/
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/jarn
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/jarn
https://stud.epsilon.slu.se/6090/7/soderberg_breivik_k_130925.pdf
https://stud.epsilon.slu.se/6090/7/soderberg_breivik_k_130925.pdf


[17] Calle Björned. ”Luftföroreningar kan öka risken för demens:
’
”Hjärnan krymper””.

I: SVT Nyheter (febr. 2020). url: https : / / www . svt . se / nyheter / vetenskap /

luftfororeningar-kan-oka-risken-for-demens-hjarnan-krymper.

[18] PubChem. Lithium. url: https://pubchem.ncbi.nlm.nih.gov/compound/3028194.

[19] Livsmedelsverket. Kalcium. url: https://www.livsmedelsverket.se/livsmedel-och-
innehall/naringsamne/salt-och-mineraler1/kalcium.

[20] Livsmedelsverket. Magnesium. url: https://www.livsmedelsverket.se/livsmedel-
och-innehall/naringsamne/salt-och-mineraler1/magnesium.

[21] PubChem. Magnesium. url: https://pubchem.ncbi.nlm.nih.gov/compound/5462224.

[22] Livsmedelsverket. Polycykliska aromatiska kolväten (PAH). Mars 2022. url: https://
www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/

polycykliska-aromatiska-kolvaten-pah.

[23] Arbetsmiljöverket. Kvarts-damm, damm, rök och dimma. 2021. url: https://www.av.
se/halsa-och-sakerhet/kemiska-risker-och-luftfororeningar/damm-rok-och-

dimma/.

[24] Chantal Darquenne. ”Deposition Mechanisms”. I: Journal of Aerosol Medicine and Pul-
monary Drug Delivery 33 (4 aug. 2020), s. 181–185. doi: 10.1089/JAMP.2020.29029.CD/
ASSET/IMAGES/LARGE/JAMP.2020.29029.CD_FIGURE5.JPEG.

[25] Qihong Deng m. fl. ”Particle deposition in the human lung: Health implications of particu-
late matter from different sources”. I: Environmental Research 169 (febr. 2019), s. 237–245.
doi: 10.1016/J.ENVRES.2018.11.014.

[26] A. Järvinen m. fl. ”Calibration of the new electrical low pressure impactor (ELPI+)”. I:
Journal of Aerosol Science 69 (2014), s. 150–159. doi: 10.1016/J.JAEROSCI.2013.12.006.

[27] Dekati. ELPI+ brochure. 2022. url: https://www.dekati.com/wp-content/uploads/
dekati_elpi_brochure.pdf.

[28] Dekati. ELPI+ User Manual ver. 1.12. Tampere, Finland, 2011.

[29] Nationalencyklopedin. masspektrometri - Uppslagsverk - NE.se. url: https://www.ne.
se/uppslagsverk/encyklopedi/l%C3%A5ng/masspektrometri.

[30] David W. Mogk. Time-of-Flight Secondary Ion Mass Spectrometry (ToF-SIMS). Dec. 2022.
url: https://serc.carleton.edu/207678.

[31] Jialin Liu. ”Process Monitoring Using Bayesian Classification on PCA Subspace”. I: In-
dustrial and Engineering Chemistry Research 43 (24 nov. 2004), s. 7815–7825. doi: 10.
1021/IE0498495.

[32] Takato Ishida m. fl. ”Network Degradation Assessed by Evolved Gas Analysis-Mass
Spectrometry Combined with Principal Component Analysis (EGA-MS-PCA): A Case
of Thermo-Oxidized Epoxy/Amine Network”. I: Macromolecules 56 (3 jan. 2023), s. 883–
891. doi: 10.1021/ACS.MACROMOL.2C02383.

[33] U. Roessner m. fl. ”Metabolomics – The Combination of Analytical Biochemistry, Biology,
and Informatics”. I: Comprehensive Biotechnology, Second Edition 1 (jan. 2011), s. 447–
459. doi: 10.1016/B978-0-08-088504-9.00052-0.

[34] What Is Principal Component Analysis (PCA) and How It Is Used? url: https://www.
sartorius.com/en/knowledge/science-snippets/what-is-principal-component-

analysis-pca-and-how-it-is-used-507186.

32

https://www.svt.se/nyheter/vetenskap/luftfororeningar-kan-oka-risken-for-demens-hjarnan-krymper
https://www.svt.se/nyheter/vetenskap/luftfororeningar-kan-oka-risken-for-demens-hjarnan-krymper
https://pubchem.ncbi.nlm.nih.gov/compound/3028194
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/kalcium
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/kalcium
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/magnesium
https://www.livsmedelsverket.se/livsmedel-och-innehall/naringsamne/salt-och-mineraler1/magnesium
https://pubchem.ncbi.nlm.nih.gov/compound/5462224
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.livsmedelsverket.se/livsmedel-och-innehall/oonskade-amnen/miljogifter/polycykliska-aromatiska-kolvaten-pah
https://www.av.se/halsa-och-sakerhet/kemiska-risker-och-luftfororeningar/damm-rok-och-dimma/
https://www.av.se/halsa-och-sakerhet/kemiska-risker-och-luftfororeningar/damm-rok-och-dimma/
https://www.av.se/halsa-och-sakerhet/kemiska-risker-och-luftfororeningar/damm-rok-och-dimma/
https://doi.org/10.1089/JAMP.2020.29029.CD/ASSET/IMAGES/LARGE/JAMP.2020.29029.CD_FIGURE5.JPEG
https://doi.org/10.1089/JAMP.2020.29029.CD/ASSET/IMAGES/LARGE/JAMP.2020.29029.CD_FIGURE5.JPEG
https://doi.org/10.1016/J.ENVRES.2018.11.014
https://doi.org/10.1016/J.JAEROSCI.2013.12.006
https://www.dekati.com/wp-content/uploads/dekati_elpi_brochure.pdf
https://www.dekati.com/wp-content/uploads/dekati_elpi_brochure.pdf
https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/masspektrometri
https://www.ne.se/uppslagsverk/encyklopedi/l%C3%A5ng/masspektrometri
https://serc.carleton.edu/207678
https://doi.org/10.1021/IE0498495
https://doi.org/10.1021/IE0498495
https://doi.org/10.1021/ACS.MACROMOL.2C02383
https://doi.org/10.1016/B978-0-08-088504-9.00052-0
https://www.sartorius.com/en/knowledge/science-snippets/what-is-principal-component-analysis-pca-and-how-it-is-used-507186
https://www.sartorius.com/en/knowledge/science-snippets/what-is-principal-component-analysis-pca-and-how-it-is-used-507186
https://www.sartorius.com/en/knowledge/science-snippets/what-is-principal-component-analysis-pca-and-how-it-is-used-507186


[35] Li Yang m. fl. ”Data Analysis for the Laboratory and Chemical Plant”. I: Analytical Che-
mistry 77 (14), s. 4654–4661. doi: 10.1021/ac050307m.

[36] Bonnie J. Tyler, Gaurav Rayal och David G. Castner. ”Multivariate analysis strategies for
processing ToF-SIMS images of biomaterials”. I: Biomaterials 28 (15 maj 2007), s. 2412–
2423. issn: 0142-9612. doi: 10.1016/J.BIOMATERIALS.2007.02.002.

[37] Michael Taylor m. fl. ”Partial least squares regression as a powerful tool for investigating
large combinatorial polymer libraries”. I: Surf Interface Anal 41 (2 2009), s. 127–135. doi:
10.1002/sia.2969.

[38] SIMCA 15 User Guide. url: https://www.sartorius.com/download/544940/simca-
15-user-guide-en-b-00076-sartorius-data.pdf.

[39] Piotr S. Gromski m. fl. ”A tutorial review: Metabolomics and partial least squares-
discriminant analysis – a marriage of convenience or a shotgun wedding”. I: Analytica
Chimica Acta 879 (2015), s. 10–23. doi: 10.1016/j.aca.2015.02.012.

[40] Scott E. Lewis. ”An introduction to nonparametric statistics in chemistry education rese-
arch”. I: ACS Symposium Series 1166 (2014), s. 115–133. issn: 19475918. doi: 10.1021/BK-
2014-1166.CH007/ASSET/IMAGES/MEDIUM/BK-2013-00378D_G013.GIF.

[41] StatisticsHowTo. Kruskal Wallis H Test: Definition, Examples, Assumptions, SPSS -
Statistics How To. url: https : / / www . statisticshowto . com / probability - and -

statistics/statistics-definitions/kruskal-wallis/#assumptions.

[42] Tae Kyun Kim. ”Understanding one-way ANOVA using conceptual figures”. I: Korean
Journal of Anesthesiology 70 (2017), s. 22–26. url: http://ekja.org.

[43] StatisticsHowTo. Dunn’s test: Definition. url: https://www.statisticshowto.com/
dunns-test/.

33

https://doi.org/10.1021/ac050307m
https://doi.org/10.1016/J.BIOMATERIALS.2007.02.002
https://doi.org/10.1002/sia.2969
https://www.sartorius.com/download/544940/simca-15-user-guide-en-b-00076-sartorius-data.pdf
https://www.sartorius.com/download/544940/simca-15-user-guide-en-b-00076-sartorius-data.pdf
https://doi.org/10.1016/j.aca.2015.02.012
https://doi.org/10.1021/BK-2014-1166.CH007/ASSET/IMAGES/MEDIUM/BK-2013-00378D_G013.GIF
https://doi.org/10.1021/BK-2014-1166.CH007/ASSET/IMAGES/MEDIUM/BK-2013-00378D_G013.GIF
https://www.statisticshowto.com/probability-and-statistics/statistics-definitions/kruskal-wallis/#assumptions
https://www.statisticshowto.com/probability-and-statistics/statistics-definitions/kruskal-wallis/#assumptions
http://ekja.org
https://www.statisticshowto.com/dunns-test/
https://www.statisticshowto.com/dunns-test/


A1 Hantering av prover fr̊an ELPI+

Nedan följer n̊agra bilder p̊a den utrustning och uppställning som använts för studien. Först, i
figur A1, visas tv̊a av de aluminiumfolier med tejp p̊a som använts som uppsamlingsytor i ELPI+
efter att insamlingen av vedpartiklar skett.

Figur A1: Aluminiumfolie 6 och 7 fr̊an partikelinsamlingen för ved.

De olika mönster som blir p̊a folierna kommer av att munstyckerna ser olika ut för de olika
stegen i kaskadimpakotorn. I figur A2 visas hur munstycke 12 ser ut, samma mönster som är i
munstycket återspeglas allts̊a p̊a uppsamlingsyta 12 under munstycket.

Figur A2: Munstycke 12 fr̊an kaskadimpaktorn i ELPI+.

Den andra delen av segmentet, allts̊a uppsamlingsplattan g̊ar att se i figur A3. I mitten av
uppsamlingsplattan kan även uppsamlingsytan med insamlade partiklar fr̊an dieselmotorn ses.
Figur A3 visar uppsamlingsplatta 4 och 5.

I


Figur A3: Uppsamlingsplatta för prov 4 och 5 fr̊an partikelinsamlingen för diesel.

När samtliga segment staplas p̊a varandra i ordning s̊a är kaskadimpaktorn komplett och ser ut
som i figur A4. Impaktorn placeras sedan i resten av ELPI+ för insamling av partiklar.

II


Figur A4: Kaskadimpaktorn fr̊an ELPI+.

I figur A5 visas hur grillplatsen vid vilken partiklarna fr̊an vedeldningen insamlades. Bakom
grillplatsen kan även vagnen, p̊a vilken ELPI+ var placerad, urskiljas.

III


Figur A5: Upplägg för insamling av partiklar fr̊an vedeldning.

IV


A2 XVar- plottar

Nedan i figur A6- A11 visas grafer där andelen counts för varje undersökt metall är uppmätt för
samtliga prover. Dessa grafer visar ämnets förh̊allandet mellan de olika proverna och inte dess
faktisk koncentration eller n̊agon procentsats för mängd ämne i proven utan endast andel counts.

Figur A6: Litiums andel counts för samtliga prover.

Figur A7: Magnesiums andel counts för samtliga prover.

V


Figur A8: Kalciums andel counts för samtliga prover.

Figur A9: Krom andel counts för samtliga prover.

VI


Figur A10: Järns andel counts för samtliga prover.

Figur A11: Koppars andel counts för samtliga prover.

VII


A3 Python-kod

Shapiro-Wilks test

Nedan följer koden som användes för att undersöka vilka populationer som var normalfördelade
med Shapiro-Wilks test.

import pandas as pd

from scipy.stats import shapiro

#Klass för färger.

class bcolors:

HEADER = '\033[95m'

OKBLUE = '\033[94m'

OKCYAN = '\033[96m'

OKGREEN = '\033[92m'

WARNING = '\033[93m'

FAIL = '\033[91m'

ENDC = '\033[0m'

BOLD = '\033[1m'

UNDERLINE = '\033[4m'

#p0-värde för normalfördelning

alpha = 0.05

print('Laddar data ...')

#Ladda bromsdata.

df_broms = pd.read_excel('broms.xlsx')

#Ladda dieseldata.

df_diesel = pd.read_excel('diesel.xlsx')

#Ladda veddata.

df_ved = pd.read_excel('ved.xlsx')

#Ladda blankdata.

df_blank = pd.read_excel('blank.xlsx')

antalNorm = 0