CN107145737A - 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 - Google Patents
一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 Download PDFInfo
- Publication number
- CN107145737A CN107145737A CN201710310111.6A CN201710310111A CN107145737A CN 107145737 A CN107145737 A CN 107145737A CN 201710310111 A CN201710310111 A CN 201710310111A CN 107145737 A CN107145737 A CN 107145737A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pollution sources
- pollutant
- field
- pollution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 29
- 231100000719 pollutant Toxicity 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000007704 transition Effects 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000009792 diffusion process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Feedback Control In General (AREA)
- Ventilation (AREA)
Abstract
本发明公开了一种基于马尔科夫链的非稳态流场下污染源逆向识别算法，属于室内污染物控制技术领域，目的在于解决非稳态流场下多区建筑内污染源识别问题。包括以下步骤：确定污染源位置取值范围；计算非稳态流场下，建筑内污染物转移概率矩阵；通过对转移概率矩阵和潜在污染源矩阵运算得到响应矩阵；正则化方法求逆，得到某个污染源的逐时释放率；针对集合中不同的污染源位置，求解其对应的逐时释放率；为各污染源位置信息分配先验概率；利用转移概率矩阵计算似然函数；利用贝叶斯准则计算后验概率；得到后验概率最大的污染源位置及其释放率。本发明与数值计算相比提高了计算的速度，能够实现非稳态流场下多区建筑内污染源位置和释放率的逆向计算。
Description
(一)技术领域
本发明属于室内污染物控制技术领域，具体涉及一种多区建筑内污染源逆向识别算法，用途在于识别多区建筑内污染源位置和释放率。
(二)背景技术
在室内污染物控制技术领域中，通过对污染源位置和释放率的逆向识别来实现对污染源的控制，是保证良好室内空气品质的重要手段之一，其在安全、消防和疾控领域有着广泛的应用前景。污染源的逆向识别方法，包括释放位置和释放率的识别，通常有正向匹配模型、伴随方法、神经元网络、稳定化方法、矩阵逆算法和概率匹配模型等。Zhai et al.[1]提出一种基于CFD(Computational Fluid Dynamics，计算流体力学)的伴随模型，通过求解伴随方程，可以在已知释放时间的情况下计算动态污染源位置。这种方法需要通过CFD来求解伴随方程，求解速度慢。张腾飞等人[2]利用准可逆模型来确定污染源位置、瞬时释放强度，采用四阶导数项取代逆向控制方程中的二阶扩散项，以此增加解的数值稳定性。这种方法且只能计算瞬时释放的污染源。同样，张腾飞等人[3]将矩阵逆算法和概率匹配模型结合构成正反交错模型，分别逆算污染源的释放率和释放位置、时间。但这种方法只适用于稳态流场下的污染源计算。综上所述，目前的污染物逆向识别模型存在(1)需要结合复杂的数值计算模型，(2)计算速度较慢，(3)无法应用在非稳态流场这三个问题。为了克服以上的缺陷，本发明提出一种基于马尔科夫链的非稳态流场下污染源逆向识别算法，在原有计算方法的基础上，着重对技术路线中的步骤(2)、(3)、(7)进行优化，使其可以在非稳态流场下，快速的对动态污染源释放位置、释放率进行逆算，较好的弥补了现有算法的缺陷。
[1]Zhai Z，Liu X，Wang H，et al.Experimental verification of trackingalgorithm for dynamically-releasing single indoor contaminant[J].BuildingSimulation，2012，5(1)：5-14.
[2]Zhang T，Yin S，Wang S.An inverse method based on CFD to quantifythe temporal release rate of a continuously released pollutant source[J].Atmospheric Environment，2013，77：62-77.
[3]Zhang T，Zhou H，Wang S.Inverse identification of the releaselocation，temporal rates，and sensor alarming time of an airborne pollutantsource[J].Indoor air，2015，25(4)：415-427.
(三)发明内容
解决的技术问题
针对现有技术的不足，本发明提出了一种基于马尔科夫链的非稳态流场下污染源逆向识别算法，快速高效的实现了非稳态流场下多区建筑内污染源位置和释放率的计算。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
(1).根据污染物释放位置的可能性，建立集合S；
(2).计算多区建筑内的非稳态流场，得到持续时间间隔建筑内污染物的转移概率矩阵
(3).根据某个潜在污染源和监测点的位置，通过公式其中为潜在污染源的脉冲矩阵，(monitor)指取矩阵中对应监测点位置的值，得到非稳态流场下的响应矩阵
(4).通过响应矩阵构成线性系统其中为监测点的浓度响应矩阵，为逐时释放率，利用正则化方法，求解线性方程得到
(5).针对集合S中不同的污染物释放位置，重复步骤(3)、(4)，得到对应的逐时释放率
(6).为集合S中各污染源位置信息分配先验概率p(Sk)；
(7).通过污染物的转移概率矩阵计算污染源位于Sk时，监测点观测到实测值的可能性，即似然函数L(M|Sk)的值；
(8).通过贝叶斯准则计算测控点数值为M时，污染源位置为Sk的后验概率P(Sk|M)，后验概率最大的值为所求的污染源位置，同时通过步骤(4)求得的为所求的污染物逐时释放率。所述步骤(2)中，根据马尔科夫链原理建立转移概率矩阵。马尔可夫过程是一类有重要应用意义的随机过程，其“将来”所处的状态仅与“现在”所处的状态有关，转移概率矩阵则表示第i个Δt内，污染物在不同区域内的转移概率，可由不同区域之间的通风量根据质量守恒方程求得。
所述步骤(3)中，通过污染源脉冲矩阵(代表某污染源瞬时释放污染物)和转移概率矩阵乘积的形式，得到在零时刻释放的污染物，tn之后监测点处的浓度响应由不同时刻的浓度响应构成响应矩阵
所述步骤(7)中，转移概率矩阵和污染源矩阵卷积的计算，可以快速求得已知污染源下监测点处的理论计算浓度。假设监测点处的浓度是以理论值为期望的正态分布，则可以求得监测点处监测到实测值的概率，即似然函数的值。
有益效果
本发明利用马尔科夫链转移概率矩阵来计算非稳态流场下监测值对应污染源的响应矩阵，克服了原有算法无法计算非稳态流场的缺陷，与传统CFD方法相比，提高了计算和迭代的速度；本发明能够有效的识别在非稳态流场下，多区建筑内部污染源的位置和释放率，实现预警和快速控制。
(四)附图说明
图1为本发明实施方式中所述基于马尔科夫链的非稳态流场下污染源逆向识别方法流程示意图。
图2为用于对发明实施方式作进一步详细描述的典型多区建筑实例。
(五)具体实施方式
下面结合附图和实例，对本发明的具体实施方式作进一步详细描述，以下实例用于说明本发明，但不用来限制本发明的范围。在阅读了本发明讲授的内容之后，本领域的技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图2所示，为典型的多区建筑实例，包括三个室内分区和一个室外区，逆向寻源的步骤如下：
(1).定义4个区域内污染物数量向量为：经过Δt时间之后的浓度数量向量为在Δt时间内的污染物转移概率矩阵为4阶方阵： 为转移概率矩阵，其中每一项为在Δt时间步长内，污染物由区域i转移到区域j的概率，由下式(1)、(2)求得：
Qi，nb的值包括每个区域向相邻区域的通风量，λdep为颗粒的沉降率。在连续源稳态流场下，nΔt时刻的浓度数量向量则可以通过卷积的方式表达，如下式(3)所示：
为污染源所在空间所形成源向量；
(2).根据某个潜在污染源和监测点的位置，通过公式其中为潜在污染源的源矩阵，(monitor)指取矩阵中对应监测点位置的值，得到响应因子它表示在某一时刻污染源释放的污染物，tn之后在监测点处的浓度响应。响应因子则构成响应矩阵 针对不同的污染物可能的释放位置，求得其对应的响应矩阵
(3).通过响应矩阵构成线性系统其中为监测点的浓度响应矩阵 为逐时释放率则有下式：
由于是病态矩阵，即无法通过直接求逆求得故利用Tikhonov正则化方法增强矩阵运算的稳定性。Tikhonov正则化方法将线性方程转化为求下式(5)的最小值目标函数的问题，
式中||·||2为矩阵二范数，为正则化矩阵，λ为正则化参数，将对求导可得到使式(5)取局部最小值的逐时释放率根据对应的二阶导数矩阵选取，λ利用L-Curve方法进行选取；
(4).针对集合S中不同的污染物释放位置，重复步骤(3)，得到对应的逐时释放率
(5).为集合S中各污染源位置信息分配先验概率p(Sk)，认为污染源在不同区域内的概率相等，则p(Sk)＝1/3；
(6).污染源位于Sk时，监测点观测到实测值的可能性，即似然函数L(M|Sk)的值，L(M|Sk)符合正态分布函数：
CM表示监测点的污染物浓度实测值，表示污染源Sk在对应的逐时释放率下，监测点的浓度预测值，σ为数据标准差，可以通过转移概率矩阵与源向量卷积的方式求得，如式(3)所示；
(7).通过贝叶斯准则计算测控点数值为M时，污染源位置为Sk的后验概率P(Sk|M)，后验概率最大的值为所求的污染源位置，同时通过步骤(3)、(4)求得的为所求的污染物逐时释放率。
Claims (4)
1.一种基于马尔科夫链的非稳态流场下污染源逆向识别方法，其特征在于，包含以下步骤：
(1).根据污染物释放位置的可能性，建立集合S；
(2).计算多区建筑内的非稳态流场，得到持续时间间隔建筑内污染物的转移概率矩阵
(3).根据某个潜在污染源和监控点的位置，通过公式其中为潜在污染源的脉冲矩阵，(monitor)指取矩阵中对应监测点位置的值，得到非稳态流场下的响应矩阵
(4).通过响应矩阵构成线性系统其中为监控点的浓度响应矩阵，为逐时释放率，利用正则化方法，求解线性方程得到
(5).针对集合S中不同的污染物释放位置，重复步骤(3)、(4)，得到对应的逐时释放率
(6).为集合S中各污染源位置信息分配先验概率p(Sk)；
(7).通过污染物的转移概率矩阵计算污染源位于Sk时，监控点观测到实测值的可能性，即似然函数L(M|Sk)的值；
(8).通过贝叶斯准则计算测控点数值为M时，污染源位置为Sk的后验概率P(Sk|M)，后验概率最大的值为所求的污染源位置，同时通过步骤(4)求得的为所求的污染物逐时释放率。
2.如权利要求所述的基于马尔科夫链的非稳态流场下污染源逆向识别方法，其特征在于，所述步骤(2)中，根据马尔科夫链原理建立转移概率矩阵，马尔可夫过程是一类有重要应用意义的随机过程，其“将来”所处的状态仅与“现在”所处的状态有关，转移概率矩阵则表示第i个Δt内，污染物在不同区域内的转移概率，可由不同区域之间的通风量根据质量守恒方程求得。
3.如权利要求所述的基于马尔科夫链的非稳态流场下污染源逆向识别方法，其特征在于，所述步骤(3)中，通过污染源脉冲矩阵(代表某污染源瞬时释放污染物)和转移概率矩阵乘积的形式，得到在零时刻释放的污染物，tn之后监测点处的浓度响应由不同时刻的浓度响应构成响应矩阵
4.如权利要求所述的基于马尔科夫链的非稳态流场下污染源逆向识别方法，其特征在于，所述步骤(7)中，转移概率矩阵和污染源矩阵卷积的计算，可以快速求得已知污染源下监测点处的理论计算浓度，假设监测点处的浓度是以理论值为期望的正态分布，则可以求得监测点处监测到实测值的概率，即似然函数的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710310111.6A CN107145737B (zh) | 2017-04-28 | 2017-04-28 | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710310111.6A CN107145737B (zh) | 2017-04-28 | 2017-04-28 | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107145737A true CN107145737A (zh) | 2017-09-08 |
| CN107145737B CN107145737B (zh) | 2020-09-08 |
Family
ID=59774083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710310111.6A Active CN107145737B (zh) | 2017-04-28 | 2017-04-28 | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107145737B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257519A (zh) * | 2020-03-18 | 2020-06-09 | 南京工业大学 | 基于传感器阵列与脉冲响应原理的建筑空间中泄漏源识别装置及方法 |
| CN111256043A (zh) * | 2020-03-18 | 2020-06-09 | 南京工业大学 | 基于脉冲响应法与传感器阵列的综合管廊燃气泄漏源识别方法 |
| CN111339500A (zh) * | 2020-05-20 | 2020-06-26 | 中兴仪器（深圳）有限公司 | 空气污染溯源方法、装置、计算机设备和存储介质 |
| CN111650339A (zh) * | 2020-06-13 | 2020-09-11 | 桂林电子科技大学 | 一种建筑室内多个污染源释放强度的逆向辨识方法 |
| CN111797579A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市环境科学研究院 | 一种追溯水体环境污染源的后向概率模型 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1267189B1 (en) * | 2001-06-12 | 2009-11-18 | Borealis Technology Oy | Optical cable with improved tracking resistance |
| CN105528753A (zh) * | 2015-12-14 | 2016-04-27 | 北京邮电大学 | 一种基于网络病毒传播模型的空气污染溯源方法 |
| CN106529410A (zh) * | 2016-10-11 | 2017-03-22 | 北京师范大学 | 一种基于监控视频的灰霾扩散路径绘制与来源确定方法 |
| CN106599557A (zh) * | 2016-12-02 | 2017-04-26 | 武汉大学 | 一种面向过程的空气污染事件建模方法 |
-
2017
- 2017-04-28 CN CN201710310111.6A patent/CN107145737B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1267189B1 (en) * | 2001-06-12 | 2009-11-18 | Borealis Technology Oy | Optical cable with improved tracking resistance |
| CN105528753A (zh) * | 2015-12-14 | 2016-04-27 | 北京邮电大学 | 一种基于网络病毒传播模型的空气污染溯源方法 |
| CN106529410A (zh) * | 2016-10-11 | 2017-03-22 | 北京师范大学 | 一种基于监控视频的灰霾扩散路径绘制与来源确定方法 |
| CN106599557A (zh) * | 2016-12-02 | 2017-04-26 | 武汉大学 | 一种面向过程的空气污染事件建模方法 |
Non-Patent Citations (5)
| Title |
|---|
| HIYAMA K等: "Integration of three-dimensional CFD results into energy simulations utilizing an advection-diffusion response factor", 《ENERGY AND BUILDINGS》 * |
| T.ZHANG 等: "Inverse identification of the release location, temporal tates, and sensor alarming time of an airbore pollutant source", 《INDOOR AIR》 * |
| TENGFEI ZHANG等: "An inverse method based on CFD to quantify the temporal release rate of a continuously released pollutant source", 《ATMOSPHERIC ENVIRONMENT》 * |
| ZHIQIANG ZHAI等: "Experimental verification of tracking algorithm for dynamically-releasing single indoor contaminant", 《BUILDING SIMULATION》 * |
| 孙维等: "CALPUFF 模型在合肥地区SO2 大气环境容量测算中的应用", 《南京信息工程大学学报：自然科学版》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111257519A (zh) * | 2020-03-18 | 2020-06-09 | 南京工业大学 | 基于传感器阵列与脉冲响应原理的建筑空间中泄漏源识别装置及方法 |
| CN111256043A (zh) * | 2020-03-18 | 2020-06-09 | 南京工业大学 | 基于脉冲响应法与传感器阵列的综合管廊燃气泄漏源识别方法 |
| CN111339500A (zh) * | 2020-05-20 | 2020-06-26 | 中兴仪器（深圳）有限公司 | 空气污染溯源方法、装置、计算机设备和存储介质 |
| CN111339500B (zh) * | 2020-05-20 | 2020-08-25 | 中兴仪器（深圳）有限公司 | 空气污染溯源方法、装置、计算机设备和存储介质 |
| CN111650339A (zh) * | 2020-06-13 | 2020-09-11 | 桂林电子科技大学 | 一种建筑室内多个污染源释放强度的逆向辨识方法 |
| CN111797579A (zh) * | 2020-07-08 | 2020-10-20 | 深圳市环境科学研究院 | 一种追溯水体环境污染源的后向概率模型 |
| CN111797579B (zh) * | 2020-07-08 | 2023-10-13 | 深圳市环境科学研究院 | 一种追溯水体环境污染源的后向概率模型方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107145737B (zh) | 2020-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145737A (zh) | 一种基于马尔科夫链的非稳态流场下污染源逆向识别算法 | |
| Madan et al. | Air quality prediction using machine learning algorithms–a review | |
| Atia et al. | Analysis and design of greenhouse temperature control using adaptive neuro-fuzzy inference system | |
| Tan et al. | Artificial neural network modelling of the thermal performance of a compact heat exchanger | |
| Esen et al. | Performance prediction of a ground-coupled heat pump system using artificial neural networks | |
| Esen et al. | Modeling a ground-coupled heat pump system by a support vector machine | |
| Han et al. | Occupancy estimation based on CO2 concentration using dynamic neural network model | |
| Ertunc et al. | Comparative analysis of an evaporative condenser using artificial neural network and adaptive neuro-fuzzy inference system | |
| Chen et al. | Experimental research of the cross walls effect on the thermal performance of wet cooling towers under crosswind conditions | |
| CN101025424B (zh) | 大型voc检测用高精度动态检测用气候室及其检测设备 | |
| Lenka et al. | Gradient descent with momentum based neural network pattern classification for the prediction of soil moisture content in precision agriculture | |
| Qi et al. | Performance prediction of a shower cooling tower using wavelet neural network | |
| Akbari et al. | Application of neural networks to predict the steady state performance of a run-around membrane energy exchanger | |
| Min et al. | Characteristics of primary air condensation in indirect evaporative cooler: Theoretical analysis and visualized validation | |
| Wu et al. | Two-stage regression model of thermal comfort in office buildings | |
| CN108733893A (zh) | 耦合深度学习方法的公共建筑突发污染的溯源 | |
| Górnicki et al. | Evaluation of models for the dew point temperature determination | |
| CN116070676B (zh) | 基于注意力机制和自编码器的高速公路路面温度预报方法 | |
| Li et al. | A proactive 2-stage indoor CO2-based demand-controlled ventilation method considering control performance and energy efficiency | |
| He et al. | Inverse estimation of the spheroidal particle size distribution using Ant Colony Optimization algorithms in multispectral extinction technique | |
| CN206223233U (zh) | 一种用于大型客舱环境舒适度评价的模拟实验系统 | |
| Haque et al. | Ensemble-based efficient anomaly detection for smart building control systems | |
| Lu et al. | Prediction of water evaporation rate for indoor swimming hall using neural networks | |
| Mohammad et al. | Artificial neural network analysis of liquid desiccant regenerator performance in a solar hybrid air-conditioning system | |
| Pu et al. | Effects of different inlet vent positions on the uniformity of humidity inside a building chamber |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |