CN109524061A - 一种基于传输系数矩阵的放射性核素扩散计算方法 - Google Patents
一种基于传输系数矩阵的放射性核素扩散计算方法 Download PDFInfo
- Publication number
- CN109524061A CN109524061A CN201811239687.9A CN201811239687A CN109524061A CN 109524061 A CN109524061 A CN 109524061A CN 201811239687 A CN201811239687 A CN 201811239687A CN 109524061 A CN109524061 A CN 109524061A
- Authority
- CN
- China
- Prior art keywords
- radionuclide
- coefficient matrix
- transmission coefficient
- spatial
- concentration
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于传输系数矩阵的放射性核素扩散计算方法,其中所述方法包括:利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵;根据源项信息和所述传输系数矩阵得到放射性核素的浓度。本公开实施例能够在源项未知时可以先开始计算,在源项更新时避免不必要的重复计算,有效的提高放射性核素浓度预测的及时性和准确性。
Description
技术领域
本公开实施例涉及核事故应急响应技术领域,具体涉及一种放射性核素扩散计算方法、装置以及存储介质。
背景技术
当前,核电厂(或放射性或其他因素潜在危险较大的某些核设施)可能由于设计缺陷、机械故障、设备制造的潜在原因、运行失误或其他外界因素造成在核设施内部发生意外情况,在这种状态下,放射性物质的释放可能或已经失去应有的控制,达到不可接受的水平,致使工作人员及至公众可能会受到放射性物质的辐射照射。
放射性物质在不可控制的泄漏后经气象场强迫扩散沉积到环境中,其危害过程可大致描述如下:核事故发生后,辐射污染物质逸出核设施进入大气环境,在风场的作用下向下风方向传输,并由于大气湍流的作用而扩散开来。放射性气溶胶,或者在弥散过程中附着在空气尘埃上形成的放射性颗粒物,在重力、降水(雨、雪)等作用下,沉降到土壤、水体和植物等的表面,造成一定范围的辐射污染,进而以烟羽浸没外照射、地面沉积外照射和吸入内照射等方式对人体各个器官造成危害。
为使危害降到最小,需要在核事故发生后特别是事故早期预测辐射污染物质的扩散情况并据此制定应急响应计划,指导民众采取相应的应急措施,如根据辐射污染物质的传输路径、扩散范围和辐射水平采取撤离、服用稳定碘和临时避迁等。因此,及时准确地预测事故早期辐射污染物质的扩散过程和辐射水平是减轻核事故危害的必由之路。
大气污染扩散模式是一种处理污染物在大气中输送、扩散问题的物理和数学模型,通过与不断发展的计算方法和计算机技术结合,目前已成为研究放射性核素在大气中迁移和扩散的主流方法。但在实际的核应急响应过程中,这一方法并没能发挥应有的作用。比如2011年的日本福岛核事故,从3月11日开始发生放射性泄漏,直到3月23日日本的环境应急剂量预测信息系统(SPEEDI)才开始陆续发布预报结果。其主要原因在于,本应提供源项信息的传感器网络遭到严重破坏,无法提供源项信息。
可见,传统的放射性核素扩散模拟方法受到源项制约,源项未知则无法模拟。另外,随着事故中后期监测数据的增多,核事故的源项可能需要重新修正,为得到更新的放射性核素扩散结果,传统的模拟方法需要重新计算。因此,传统的放射性核素扩散模拟方法无法适应源项不确定条件下核应急响应的需求。
发明内容
本发明的一个目的是要提供一种能够提高放射性核素浓度预测的及时性和准确性的放射性核素扩散计算方法、装置以及存储介质。
特别地,本发明提供了一种放射性核素扩散计算方法,其包括:
利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵;
根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
进一步地,所述针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵包括:
针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。
进一步地,所述放射性核素的浓度包括地表沉积浓度。
进一步地,所述根据源项信息和所述传输系数矩阵得到放射性核素的浓度包括:
利用预设公式得到所述放射性核素的浓度,其中所述预设公式的表达式为:
其中,Cjkm表示j采样时刻m核素在第k个网格点上的浓度,Dm为核素m的衰变因子,Qim为核素m在第i个时段的释放率。
进一步地,所述第一预设模式为WRF中尺度天气预报模式。
进一步地,所述拉格朗日粒子扩散模式为FLEXPART-WRF模式。。
另外,本公开还提供了一种放射性核素扩散计算装置,其包括:
降尺度处理模块,其配置为利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
时间段划分模块,其配置为将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
数据处理模块,其配置为针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵,并根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
进一步地,所述数据处理模块进一步配置为针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。
另外,本公开还提供了一种放射性核素扩散计算装置,其包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述实施例中任意一项所述的放射性核素扩散计算方法。
另外,本公开还提供了一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现如上述实施例中任意一项所述的放射性核素扩散计算方法。
根据本公开实施例,可以利用拉格朗日粒子扩散模式的特点并引入传输系数矩阵,从而能够随着核事故的进展实时计算放射性核素在大气中的浓度分布,既解决了没有核事故源项信息不能开展放射性核素扩散计算的难题,又能有效避免源项信息更新后不必要的重复计算,即在源项未知时可以先开始计算,在源项更新时避免不必要的重复计算,从而提高放射性核素浓度预测的及时性和准确性。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本公开实施例的放射性核素扩散计算方法的流程图;
图2是根据本公开实施例的放射性核素计算装置的框图;
图3是根据本公开实施例的一种电子设备的框图。
具体实施方式
图1示出根据本公开实施例的放射性核素扩散计算方法的流程图,其中,本公开实施例可以解决没有核事故源项信息不能开展放射性核素扩散计算的难题,又能有效避免源项信息更新后不必要的重复计算,从而提高放射性核素浓度预测的及时性和准确性。
如图1所示,本公开实施例的放射性核素扩散计算方法可以包括:
S100:利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
S200:将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
S300:针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵;
S400:根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
其中,在本公开实施例中,辐射区域为辐射对象发生扩散性辐射时受到辐射影响的区域,可以将该辐射区域定义成以辐射对象为中心的预设范围内的区域,通过对辐射区域内的气象资料进行分析,可以确定产生核辐射时的放射性核素的浓度,从而可以进一步执行安全防御等操作。其中辐射对象可以包括核电站,或者其他能够释放放射性物质的装置。其中,步骤S100中,可以利用第一预设模式,将辐射区域内的气象资料进行动力降尺度处理,从而得到高时空分辨率气象场。其中,第一预设模式可以包括WRF中尺度天气预报模式。通常情况下,获得的初始气象资料的分辨率通常较低,可以首先确定运行中尺度气象模式所需的参数化方案(如表1),利用各参数运行中尺度气象模式,得到高分辨率气象场。该WRF(Weather Research and Forecasting)是一种中尺度天气预报模式,由美国国家大气研究中心(National Center for Atmospheric Research,NCAR)、预报系统中心(ForecastSystems Laboratory,FSL)、国家环境预测中心(National Centers for EnvironmentalPrediction,NCEP)和奥克拉荷马大学(Oklahoma University)于1997年联合着手开发,重点解决分辨率为几百米到几百公里有限区域的天气预报和模拟问题,得到海洋和大气管理局(the National Oceanic and Atmospheric Administration,NOAA)和美国国家自然科学基金会(National Science Foundation)的共同支持。该模式采用高度模块化和分层设计,分为驱动层、中间层和模式层,模式层中含有可插拔的动力框架和物理过程,集数值天气预报、大气模拟和数据同化于一体,拥有完善的物理过程。中尺度气象软件WRF是现在气象预报及研究领域的主流模式软件,它具有较高的可移植性,维护方便,模拟精度高,上手简单等优点,已经在全世界得到广泛应用。
以福岛核事故放射性核素扩散为例进行计算,步骤S100中福岛核事故放射性核素扩散的计算可以针对福岛第一核电站,采用WRF中尺度天气预报模式,对气象再分析数据进行动力降尺度,相应的WRF中尺度天气预报模式参数化方案如表1所示。
表1
网格中心点 | 141.0329E,37.4206N |
嵌套层数 | 3层嵌套 |
网格水平分辨率 | 9km×9km、3km×3km、1km×1km |
垂直网格 | 40层 |
微物理过程方案 | WSM3 class simple ice Scheme |
长波辐射方案 | RRTM Scheme |
短波辐射方案 | Dudhia Scheme |
边界层方案 | YSU nonlocal diffusion Scheme |
陆地表面方案 | NOAH LSM Scheme |
积云对流方案 | Kain-Fristsch Scheme |
其中,气象资料采用欧洲中期天气预报中心(ECMWF)制作发布的再分析资料ERA-Interim,其空间分辨率为0.125°×0.125°,时间分辨率为6h。利用WRF对其进行动力降尺度以获取福岛核电站周边100km范围内空间分辨率为1km时间分辨率为1h的气象驱动场。模拟时段为2011年3月11日至3月16日,共进行3次前后相接的模拟,每次模拟持续两天。
步骤S200中,可以根据释放放射性物质时的第一时刻,获得多个作为独立释放的时间段,针对每个时间段进行分析得到传输系数矩阵,进而获得核素浓度。本公开实施例可以将辐射对象释放放射性物质的释放时间按预设间隔划分成为多个时间段,并可以将整个事故释放看作是一系列独立释放叠加的效果。其中每个独立释放的持续时间与整个事故相同,但只在一个时间段内发生单位释放(释放率为单位释放率),而在持续时间其它时间段内无释放(释放率为0);所有独立释放实际释放时间段(即单位释放率时间段)互相不重复,但合起来即为整个事故释放时间段。
其中基于上述时间,可以从2011年3月11日18时至2011年3月16日0时,每3小时作为一个时间段,划分为34个时段,将每一时段作为一次独立的释放;对每次独立的释放,设对应时段释放率为单位释放率,之后时段释放率为0。
继而针对每次独立释放,据所述高时空分辨率气象场得到传输系数矩阵。其中,步骤S300还可以包括针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。所述传输系数矩阵中的元素TCMijkm表征第i个时间段释放的核素经传输后在第j个时间段第k个格点上能得到采样数。运行拉格朗日粒子扩散模式可以得到浓度场,以及将所有独立释放的浓度场合并,形成传输系数矩阵。该过程可分为两个过程:一个是利用根据初始的低分辨率气象资料运行中尺度气象模式WRF降尺度得到高分辨率气象场;二是对每个时间段,假设该时间段内释放率为单位释放率其它时间段释放率为0,通过运行拉格朗日粒子扩散模式得到传输系数矩阵。
其中,针对步骤S200中的每次独立释放,利用步骤S100中得到的高时空分辨率气象场驱动拉格朗日粒子扩散模式FLEXPART-WRF,利用表2中的设置,计算得到传输系数矩阵TCM(Transfer Coefficients Matrix)。
表2
放射性核素 | Cs-137 |
释放地点 | 日本福岛第一核电站(141.0329E,37.4206N) |
密度 | 2.5×10<sup>3</sup>kg m<sup>-3</sup> |
粒子平均直径 | 0.6μm |
粒子直径标准偏差 | 0.3μm |
1mm/h降水率的清除系数 | 1.0×10<sup>-4</sup>s<sup>-1</sup> |
降水率依赖因子 | 0.80 |
采样时间 | 180s |
采样平均时间 | 3600s |
空间分辨率 | 1km |
每小时粒子数 | 4200 |
其中,传输系数矩阵的元素为TCMijkm,其中,其中i为释放时间段,j为采样时间段;k为格点编号;m为核素编号。该传输系数矩阵的元素可以表征第i个时间段释放的某核素经传输后在第j个时间段第k个格点上能得到多少采样。
其中,FLEXPART(FLEXible PARTicle)模式由挪威大气研究所(NILU,NorwegianInstitute for Air Research)开发。它通过计算点、线、面或体积源释放的大量粒子的轨迹,来描述示踪物在大气中长距离传输、扩散、干湿沉降和辐射衰减等过程。该模式可以通过时间的前向运算来模拟示踪物由源区向周围的扩散,也可以通过后向运算来确定对于固定站点有影响的潜在源区的分布。FLEXPART模式的核心内容是研究大气污染物的源汇关系:污染排放为“源”,观测站点为“汇”。通过研究污染物的水平输送、扩散、对流、干湿沉降、辐射衰减和一阶化学反应等过程,可以得到随时间序列变化的格点污染浓度。在此需要说明的是,本公开实施例对WRF模式和FLEXPART模式的具体算法并未做出改进,因此,在本公开实施例中并未对上述模式的运算过程进行详细说明,本领域技术人员可以根据现有技术手段利用气象资料执行相应的运算,在此不进行详细说明。步骤S400中,可以根据源项信息和传输系数矩阵获得放射性核素的浓度,其中,上述每次独立释放可以作为事故源项,高分辨率气象场为气象资料。
本公开实施例中,所述根据源项信息和所述传输系数矩阵得到放射性核素的浓度可以包括:
利用预设公式得到所述放射性核素的浓度,其中所述预设公式的表达式为:
其中,Cjkm表示j采样时刻m核素在第k个网格点上的浓度,Dm为核素m的衰变因子,Qim为核素m在第i个时段的释放率,单位为Bq/h,TCMijkm为传输系数矩阵。
综上所述,根据本公开实施例,可以利用拉格朗日粒子扩散模式的特点并引入传输系数矩阵,从而能够随着核事故的进展实时计算放射性核素在大气中的浓度分布,既解决了没有核事故源项信息不能开展放射性核素扩散计算的难题,又能有效避免源项信息更新后不必要的重复计算,从而提高放射性核素浓度预测的及时性和准确性。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了放射性核素扩散计算装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种放射性核素扩散计算方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图2示出根据本公开实施例的放射性核素计算装置的框图,其中可以包括:
降尺度处理模块100,其配置为利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
时间段划分模块200,其配置为将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
数据处理模块300,其配置为针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵,并根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
在本公开实施例中,所述数据处理模块进一步配置为针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。
在本公开实施例中,所述数据处理模块进一步配置为利用预设得到所述放射性核素的浓度,其中所述预设公式的表达式为:
其中,Cjkm表示j采样时刻m核素在第k个网格点上的浓度,Dm为核素m的衰变因子,Qim为核素m在第i个时段的释放率。
图3示出根据本公开实施例的一种电子设备的框图。电子设备可以被提供为终端、服务器或其它形态的设备。电子设备可以包括智能行走设备800。例如,该装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图3,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述实施例所述的行走校正方法,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (10)
1.一种放射性核素扩散计算方法,其包括:
利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵;
根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
2.根据权利要求1所述的方法,其中,所述针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵包括:
针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。
3.根据权利要求1所述的方法,其中,所述放射性核素的浓度包括地表沉积浓度。
4.根据权利要求1所述的方法,其中,所述根据源项信息和所述传输系数矩阵得到放射性核素的浓度包括:
利用预设公式得到所述放射性核素的浓度,其中所述预设公式的表达式为:
其中,Cjkm表示j采样时刻m核素在第k个网格点上的浓度,Dm为核素m的衰变因子,Qim为核素m在第i个时段的释放率。
5.根据权利要求1所述的方法,其中,所述第一预设模式为WRF中尺度天气预报模式。
6.根据权利要求2所述的方法,其中,所述拉格朗日粒子扩散模式为FLEXPART-WRF模式。
7.一种放射性核素扩散计算装置,其包括:
降尺度处理模块,其配置为利用第一预设模式对辐射区域的气象资料进行动力降尺度处理,得到高时空分辨率气象场;
时间段划分模块,其配置为将辐射区域内的辐射对象释放放射性物质时的第一时刻作为起始时刻,基于所述起始时刻按照预设间隔形成多个时间段,每个时间段作为一次独立释放;
数据处理模块,其配置为针对每次独立释放,根据所述高时空分辨率气象场得到传输系数矩阵,并根据源项信息和所述传输系数矩阵得到放射性核素的浓度。
8.根据权利要求7所述的装置,其中,所述数据处理模块进一步配置为针对每次独立释放,根据所述高时空分辨率气象场驱动拉格朗日粒子扩散模式,得到所述传输系数矩阵。
9.一种放射性核素扩散计算装置,其包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1-6中任意一项所述的放射性核素扩散计算方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1-6中任意一项所述的放射性核素扩散计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239687.9A CN109524061A (zh) | 2018-10-23 | 2018-10-23 | 一种基于传输系数矩阵的放射性核素扩散计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811239687.9A CN109524061A (zh) | 2018-10-23 | 2018-10-23 | 一种基于传输系数矩阵的放射性核素扩散计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109524061A true CN109524061A (zh) | 2019-03-26 |
Family
ID=65772335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811239687.9A Pending CN109524061A (zh) | 2018-10-23 | 2018-10-23 | 一种基于传输系数矩阵的放射性核素扩散计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109524061A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899801A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种反应物浓度计算方法、装置、系统及存储介质 |
CN113094643A (zh) * | 2020-01-08 | 2021-07-09 | 清华大学 | 放射性元素释放率的预测方法、装置、设备和介质 |
CN113704991A (zh) * | 2021-08-24 | 2021-11-26 | 清华大学 | 放射性核素云内和云下湿沉降在线耦合预测方法及系统 |
CN117236201A (zh) * | 2023-11-16 | 2023-12-15 | 南京信息工程大学 | 一种基于Diffusion和ViT的降尺度方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145698A (zh) * | 2016-03-01 | 2017-09-08 | 中国辐射防护研究院 | 核与辐射突发事件后果大尺度模拟方法及模拟系统 |
-
2018
- 2018-10-23 CN CN201811239687.9A patent/CN109524061A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145698A (zh) * | 2016-03-01 | 2017-09-08 | 中国辐射防护研究院 | 核与辐射突发事件后果大尺度模拟方法及模拟系统 |
Non-Patent Citations (2)
Title |
---|
DRAXLER R 等: "Evaluation of the TCM approach to model the atmospheric radionuclide air concentrations from Fukushima", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
耿小兵 等: "基于集合四维变分同化的核事故源项反演方法", 《中国核科学技术进展报告》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094643A (zh) * | 2020-01-08 | 2021-07-09 | 清华大学 | 放射性元素释放率的预测方法、装置、设备和介质 |
CN113094643B (zh) * | 2020-01-08 | 2022-05-27 | 清华大学 | 放射性元素释放率的预测方法、装置、设备和介质 |
CN111899801A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种反应物浓度计算方法、装置、系统及存储介质 |
CN111899801B (zh) * | 2020-06-12 | 2023-12-22 | 中国石油天然气股份有限公司 | 一种反应物浓度计算方法、装置、系统及存储介质 |
CN113704991A (zh) * | 2021-08-24 | 2021-11-26 | 清华大学 | 放射性核素云内和云下湿沉降在线耦合预测方法及系统 |
CN113704991B (zh) * | 2021-08-24 | 2024-03-22 | 清华大学 | 放射性核素云内和云下湿沉降在线耦合预测方法及系统 |
CN117236201A (zh) * | 2023-11-16 | 2023-12-15 | 南京信息工程大学 | 一种基于Diffusion和ViT的降尺度方法 |
CN117236201B (zh) * | 2023-11-16 | 2024-02-23 | 南京信息工程大学 | 一种基于Diffusion和ViT的降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524061A (zh) | 一种基于传输系数矩阵的放射性核素扩散计算方法 | |
Qiu et al. | Atmospheric dispersion prediction and source estimation of hazardous gas using artificial neural network, particle swarm optimization and expectation maximization | |
Wang et al. | The Central European limited‐area ensemble forecasting system: ALADIN‐LAEF | |
CN109376969A (zh) | 基于深度学习的城市精细化人口分布动态预测方法及装置 | |
Homola et al. | Cosmic-ray extremely distributed observatory | |
CN109063908A (zh) | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 | |
Li et al. | Exploring historical and future urban climate in the Earth System Modeling framework: 1. Model development and evaluation | |
Sugiyama et al. | Atmospheric dispersion modeling: challenges of the Fukushima Daiichi response | |
Toure et al. | Impact of climate change on groundwater resources in the Klela basin, southern Mali | |
CN112230266B (zh) | 一种辐射监控系统 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
Chang et al. | A case study for the application of an operational two-dimensional real-time flooding forecasting system and smart water level gauges on roads in Tainan City, Taiwan | |
Sharadqah et al. | Nonlinear Rainfall Yearly Prediction based on Autoregressive Artificial Neural Networks Model in Central Jordan using Data Records: 1938-2018 | |
Czachura et al. | Solar performance metrics in urban planning: A review and taxonomy | |
CN106096246A (zh) | 基于pm2.5和pm10的气溶胶光学厚度估计方法 | |
Minea et al. | Urban traffic noise analysis using uav-based array of microphones | |
Vatyukova et al. | The problem of effective evacuation of the population from floodplains under threat of flooding: algorithmic and software support with shortage of resources | |
Terada et al. | Dependency of the source term estimation method for radionuclides released into the atmosphere on the available environmental monitoring data and its applicability to real-time source term estimation | |
CN109522609B (zh) | 一种基于膨胀因子的减小核事故剂量率场评估误差的方法 | |
Kovalets et al. | Calculation of the far range atmospheric transport of radionuclides after the Fukushima accident with the atmospheric dispersion model MATCH of the JRODOS system | |
Huaiyu et al. | Designing Online Monitoring Systems for Green Stormwater Infrastructure | |
Kesler et al. | A low cost shading analyzer and site evaluator design to determine solar power system installation area | |
Gupta et al. | A new hybrid short term solar irradiation forecasting method based on CEEMDAN decomposition approach and BiLSTM deep learning network with grid search algorithm | |
Geng et al. | Deep learning and self-powered sensors enabled edge computing platform for predicting microclimate at urban blocks | |
Zhu et al. | Tropical Cyclones Intensity Prediction in the Western North Pacific Using Gradient Boosted Regression Tree Model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |