CN110059355B - 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 - Google Patents
基于浓度时间序列的泄漏源定位方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110059355B CN110059355B CN201910203231.5A CN201910203231A CN110059355B CN 110059355 B CN110059355 B CN 110059355B CN 201910203231 A CN201910203231 A CN 201910203231A CN 110059355 B CN110059355 B CN 110059355B
- Authority
- CN
- China
- Prior art keywords
- concentration
- model
- sequence
- objective function
- gas
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请涉及一种基于浓度时间序列的泄漏源定位方法、装置和计算机设备。包括:根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;监测当前气体的浓度信息,根据所述当前气体的浓度信息和所述大气扩散模型,得到所述大气扩散模型计算浓度序列;根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值;根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置。上述方法能够根据目标函数模型计算值获得泄漏源强度和泄漏源位置,实现对危化气体泄漏源进行精确定位。
Description
技术领域
本申请涉及定位技术领域,特别涉及一种基于浓度时间序列的泄漏源定位方法、装置和计算机设备。
背景技术
危险化学品往往具有扩散性和毒害性,一旦发生泄漏,将造成严重的财产损失和人员伤亡。在危化品泄漏事故发生后,第一时间对危化品泄漏源进行定位,是事故应急处置、应急救援以及评估事故潜在危害的基础。危化品泄漏事故发生后,可以根据危化品泄漏事故中的气体泄漏情况来定位危化品泄漏源。
传统的危化气体泄漏源定位方法是根据区域内危化气体的浓度梯度和扩散方向对危化气体泄漏源进行定位,常常会理想化泄漏事故现场环境。然而,危化品泄漏事故中往往伴随着爆炸、燃烧和复杂气流的发生,这些爆炸、燃烧和复杂气流的发生使得现场环境多数情况下并不理想化,非理想化的现场环境致使对危化气体泄漏源无法进行精确定位。
发明内容
基于此,有必要针对上述技术问题,提供一种基于浓度时间序列的泄漏源定位方法、装置和计算机设备。
一种基于浓度时间序列的泄漏源定位方法,所述方法包括:
根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
监测当前气体的浓度信息,根据所述当前气体的浓度信息和所述大气扩散模型,得到所述大气扩散模型计算浓度序列;
根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值;
根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置。
在其中一个实施例中,所述当前气体的浓度信息包括监测时间和与所述监测时间对应的气体浓度位置;
所述监测当前气体的浓度信息,根据所述当前气体的浓度信息和所述大气扩散模型,得到所述大气扩散模型计算浓度序列,包括:
将获取到的与所述大气扩散模型相关的模型参数、所述监测时间和与所述监测时间对应的气体浓度位置输入所述大气扩散模型,得到所述大气扩散模型计算浓度序列。
在其中一个实施例中,所述将获取到的与所述大气扩散模型相关的模型参数、所述监测时间和与所述监测时间对应的气体浓度位置输入所述大气扩散模型,得到所述大气扩散模型计算浓度序列,之前还包括:
根据所述当前气体在水平方向、竖直方向的扩散系数以及与所述监测时间对应的风速信息,得到与所述大气扩散模型相关的模型参数。
在其中一个实施例中,所述当前气体的浓度信息包括监测时间、与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置;
所述根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值,包括:
根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,所述第一目标函数适应度序列同与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置存在第一对应关系;
对所述第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;
对所述第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,所述中间种群适应度序列与所述第二目标函数适应度序列存在第二对应关系;
对所述中间种群适应度序列进行局部寻优,得到最优中间种群适应度;
根据所述第一对应关系、所述第二对应关系、所述最优中间种群适应度和所述目标函数模型,得到所述目标函数模型计算值。
在其中一个实施例中,所述根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到第一目标函数适应度序列,包括:
根据与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;
根据所述初始泄漏源强度集和所述大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;
根据所述初始泄漏源强度集、所述初始泄漏源位置集、所述当前气体的浓度信息和所述初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
在其中一个实施例中,所述根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置,包括:
若所述目标函数模型计算值小于或等于预设阈值,则将与所述目标函数模型计算值对应的气体浓度大小确定为所述泄漏源强度,将与所述目标函数模型计算值对应的气体浓度位置确定为所述泄漏源位置。
在其中一个实施例中,所述方法还包括:
若所述目标函数模型计算值大于所述预设阈值,则返回执行所述监测当前气体的浓度信息的步骤。
一种基于浓度时间序列的泄漏源定位装置,所述装置包括:
构建模块,用于根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
第一确定模块,用于监测当前气体的浓度信息,根据所述当前气体的浓度信息和所述大气扩散模型,得到所述大气扩散模型计算浓度序列;
第二确定模块,用于根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值;
定位模块,用于根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
上述基于浓度时间序列的泄漏源定位方法、装置和计算机设备,通过根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型,监测当前气体的浓度信息,并根据监测到的当前气体的浓度信息和预设的大气扩散模型获得大气扩散模型计算浓度序列,并根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值,进一步根据目标函数模型计算值实现对泄漏源强度和泄漏源位置的定位。上述方法能够根据目标函数模型计算值获得泄漏源强度和泄漏源位置,实现对危化气体泄漏源进行精确定位。
附图说明
图1为一个实施例中基于浓度时间序列的泄漏源定位方法的流程示意图;
图2为一个实施例中目标函数模型计算值获取方法流程示意图;
图3为一个实施例中第一目标函数适应度序列获取方法流程示意图;
图4为一个实施例中基于浓度时间序列的泄漏源定位装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解本申请中所使用的术语“第一”、“第二”等可在本文中用于描述各种序列关系及对应关系,但这些序列关系及对应关系不受这些术语限制。这些术语仅用于将一个序列关系及对应关系与另一个序列关系及对应关系区分开来。
在一个实施例中,如图1所示,提供了一种基于浓度时间序列的泄漏源定位方法,包括以下步骤:
步骤S101,根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型。
在本发明实施例中,大气扩散模型是一种计算模拟实际情况下的气体扩散迁移状况的数学模型。其中,大气扩散模型可以根据泄漏源所处的环境状态进行选择,例如,针对特殊气象条件和地形的扩散模型、封闭型扩散模型、熏烟型扩散模型、山区大气扩散模型和沿海大气扩散模式型,在此不做具体限定。
其中,气体浓度信息指危化品泄漏源处释放出的气体在泄漏源周围空间中的浓度信息,此处的气体浓度信息是一种标识符号,不是实测的数据。
步骤S102,监测当前气体的浓度信息,根据当前气体的浓度信息和大气扩散模型,得到大气扩散模型计算浓度序列。
在本发明实施例中,当前气体的浓度信息为监测到的当前时刻的监测时间、与当前时刻的监测时间对应的气体浓度大小和与当前时刻的监测时间对应的气体浓度位置。其中,当前时刻的监测时间、与当前时刻的监测时间对应的气体浓度大小和与当前时刻的监测时间对应的气体浓度位置存在着一一对应关系。可选地,与监测时间对应的气体浓度大小是由离子迁移谱仪监测到的,与监测时间对应的气体浓度位置是由定位装置定位到的。
在本发明实施例中,将当前气体的浓度信息输入大气扩散模型,可以得到大气扩散模型计算浓度序列。
步骤S103,根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值。
在本发明实施例中,将监测到的当前气体的浓度信息和大气扩散模型计算浓度序列输入目标函数模型,得到的是一个包含若干函数模型计算值的序列,对该序列进行排序和搜索,可以得到一个最优的函数模型计算值,将这个最优的函数模型计算值作为上述目标函数模型计算值。
步骤S104,根据目标函数模型计算值,确定泄漏源强度和泄漏源位置。
具体地,可以根据最终确定的目标函数计算值反推得到一个与目标函数计算值对应的气体浓度大小和气体浓度位置,并将这个对应的气体浓度大小和气体浓度位置作为该方法最终确定的泄漏源强度和泄漏源位置。
上述实施例中,目标函数模型可表示为:
其中,L0表示待求的泄漏源位置,Q0表示待求的气体泄漏源强度,ti表示第i个时刻,Li表示时间为ti时监测点的位置Li=(xi,yi),CMol(Li,ti)表示在时间ti时、位置(xi,yi)处的大气扩散模型计算浓度,CIMS(Li,ti)表示在时间ti时、位置(xi,yi)处离子迁移谱仪监测到的气体浓度大小。可选地,采用全球定位系统(Global Position System,GPS)定位时(xi,yi)表示监测点在全球坐标系下的经度和纬度。
上述基于浓度时间序列的泄漏源定位方法,通过根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型,监测当前气体的浓度信息,并根据监测到的当前气体的浓度信息和预设的大气扩散模型获得大气扩散模型计算浓度序列,并根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值,进一步根据目标函数模型计算值实现对泄漏源强度和泄漏源位置的定位。上述方法能够根据目标函数模型计算值获得泄漏源强度和泄漏源位置,实现对危化气体泄漏源进行精确定位。
在其中一个实施例中,当前气体的浓度信息包括监测时间和与监测时间对应的气体浓度位置;步骤S102,监测当前气体的浓度信息,根据当前气体的浓度信息和大气扩散模型,得到大气扩散模型计算浓度序列,包括:
将获取到的与大气扩散模型相关的模型参数、监测时间和与监测时间对应的气体浓度位置输入大气扩散模型,得到大气扩散模型计算浓度序列。
可选地,大气扩散模型可以为高斯烟团模型。高斯烟团模型可表示为:
其中,C(x,y,t)表示时间为t时位置(x,y)处的大气模型计算浓度,υ为风速,σx、σy、和σz分别为气体在x(水平轴)、y(水平轴)、z(竖直方向)方向的扩散系数。其中风速v包含风的速度和方向等信息,由超声波风速仪测得。
上述实施例中,选取高斯烟团模型作为实施对象,将与高斯烟团模型相关的模型参数(例如,气体在水平方向、竖直方向的扩散系数以及与监测时间对应的风速信息等)、监测时间和与监测时间对应的气体浓度位置输入高斯烟团模型,得到高斯烟团模型计算浓度序列,此时的高斯烟团模型计算浓度序列中仅包含Q0一个未知参量,其中,将仅包含未知参量Q0的高斯烟团模型计算浓度序列作为大气扩散模型计算浓度序列,将大气扩散模型计算浓度序列作为确定目标函数中的泄漏源强度和泄漏源位置的基础。
在其中一个实施例中,将获取到的与大气扩散模型相关的模型参数、监测时间和与监测时间对应的气体浓度位置输入大气扩散模型,之前还包括:
根据当前气体在水平方向、竖直方向的扩散系数以及与监测时间对应的风速信息,得到与大气扩散模型相关的模型参数。
其中,与监测时间对应的风速信息是指在当前监测时间下,与监测时间对应的气体浓度位置处的风的速度和方向。
上述实施例中,大气扩散模型与当前气体在水平方向和竖直方向的扩散成都相关,并且与监测点当时的风向和风速相关,因此,在计算过程中,需要先获取与大气扩散模型相关的模型参数。
在其中一个实施例中,如图2所示,当前气体的浓度信息包括监测时间、与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置;步骤S103,根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值,包括:
步骤S1031,根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到第一目标函数适应度序列。
其中,第一目标函数适应度序列同与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置存在第一对应关系。
具体地,将监测到的当前气体的浓度信息和大气扩散模型计算浓度序列输入目标函数模型,可以得到第一目标函数适应度序列,因此第一目标函数适应度序列同当前气体的浓度信息(监测时间、与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置)之间存在着一个一一对应的关系,可以把这个一一对应的关系称作第一对应关系。例如,当前气体的浓度信息序列可以表示为Aa1、Aa2……Aan,第一目标函数适应度序列可以表示为Tt1、Tt2……Ttn,其中,an等于tn,Aa1与Tt1对应,Aa2与Tt2对应,Aan与Ttn对应。
步骤S1032,对第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列。
将第一目标函数适应度序列进行排序,剔除极值后,得到第二目标函数适应度序列,此时的第二目标函数适应度序列与第一目标函数适应度序列中的元素相对应。因此,第二目标函数适应度序列同当前气体的浓度信息(监测时间、与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置)之间也存在着一个对应的关系。例如,得到的第二目标函数适应度序列可以表示为Ttt1、Ttt2……Tttn,其中,ttn小于等于tn,Ttt1、Ttt2……Tttn中的每一元素均与第一目标函数适应度序列Tt1、Tt2……Ttn中的唯一一个元素相对应,而第一目标函数适应度序列Tt1、Tt2……Ttn中的每个元素也与当前气体的浓度信息序列Aa1、Aa2……Aan中的唯一一个元素相对应,因此,Ttt1、Ttt2……Tttn中的每一元素均与当前气体的浓度信息序列Aa1、Aa2……Aan中的唯一一个元素相对应。
步骤S1033,对第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列。
其中,中间种群适应度序列与第二目标函数适应度序列存在第二对应关系。
可选地,在本步骤中当执行了60代遗传算法迭代后,得到一个中间种群,在实际操作中对执行遗传算法的预设次数并不做具体限定。其中,得到的中间种群适应度序列与第二目标函数适应度序列中的元素相对应,也存在着一个对应的关系,而第二目标函数适应度序列与第一目标函数适应度序列中的元素相对应,第一目标函数适应度序列与当前气体的浓度信息(监测时间、与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置)之间也存在着一个对应的关系。因此,中间种群适应度与当前气体的浓度信息也存在着一个一一对应的关系。例如,得到的中间种群适应度序列可以表示为Mm1、Mm2……Mmn,其中mn小于等于ttn,ttn小于等于tn,Mm1、Mm2……Mmn中的每一元素均与第二目标函数适应度序列Ttt1、Ttt2……Tttn中的唯一一个元素相对应,Ttt1、Ttt2……Tttn中的每一元素均与第一目标函数适应度序列Tt1、Tt2……Ttn中的唯一一个元素相对应,也与当前气体的浓度信息序列Aa1、Aa2……Aan中的唯一一个元素相对应,因此,Mm1、Mm2……Mmn中的每一元素均与当前气体的浓度信息序列Aa1、Aa2……Aan中的唯一一个元素相对应。
步骤S1034,对中间种群适应度序列进行局部寻优,得到最优中间种群适应度。
本发明实施例中,对中间种群适应度序列进行排序,选取中间种群适应度处于预设比例的个体执行模式搜索算法进行局部寻优,得到最优的中间种群适应度,由步骤S1033中的解释可知,此时的最优中间种群适应度与当前气体的浓度信息序列Aa1、Aa2……Aan中的唯一一个元素相对应,即对应唯一一组与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置。可选地,中间种群适应度处于预设比例的个体可以根据具体实施情况设定,可以为处于前20%的中间种群适应度。
步骤S1035,根据第一对应关系、第二对应关系、最优中间种群适应度和目标函数模型,得到目标函数模型计算值。
其中,步骤S1034得到最优中间种群适应度后,因为最优中间种群适应度包含于中间种群适应度序列中,且中间种群适应度序列与第二目标函数适应度序列存在第二对应关系,则根据第二对应关系可以从第二目标函数适应度序列中查找出与最优中间种群适应度对应的第二目标函数适应度中的元素(其中,为了便于后续描述,将第二目标函数适应度序列中与最优中间种群适应度对应的第二目标函数适应度中的元素统称为第二目标元素),进一步地,因为第二目标函数适应度序列与第一目标函数适应度序列中的元素相对应,则可以从第一目标函数适应度序列中查找出与第一目标函数适应度中的元素(其中,为了便于后续描述,将第一目标函数适应度序列中与第一目标元素对应的元素统称为第一目标元素),进一步地,因为第一目标函数适应度序列同与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置之间存在第一对应关系,则根据第一对应关系,可以确定与第一目标元素对应的当前气体的浓度信息(监测时间、与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置),将与第一目标元素对应的当前气体的浓度信息输入目标函数模型,得到确定的目标函数模型计算值。
上述实施例中,根据目标函数模型、气体的浓度大小和大气扩散模型计算浓度序列,得到第一目标函数适应度序列,并对第一目标函数适应度序列进行预处理后执行预设次数的遗传算法,得到中间种群适应度序列,进一步,运用局部寻优得到最优中间种群适应度。根据第一对应关系、第二对应关系、最优中间种群适应度和目标函数模型得到特定的与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置对应的目标函数模型计算值。
在其中一个实施例中,如图3所示,步骤S1031,根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到第一目标函数适应度序列,包括:
步骤S1036,根据与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集。
其中,对泄漏源位置L=(x,y)和泄漏源强度Q0进行实数编码,并进行随机初始化,可以得到初始泄漏源强度集和初始泄漏源位置集。可选地,对泄漏源位置L=(x,y)和泄漏源强度Q0进行实数编码和随机初始化这一步骤,是根据与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置进行实数编码和随机初始化的,此时与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置是指监测到当前气体的浓度信息后,与任意监测时间对应的气体浓度大小和与任意监测时间对应的气体浓度位置。
步骤S1037,根据初始泄漏源强度集和大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集。
其中,大气扩散模型计算浓度序列仅包含未知参量泄漏源强度Q0,步骤S102中对泄漏源强度Q0进行了初始化,将初始化后的Q0输入大气扩散模型计算浓度序列,能够得到不含未知参量的初始大气扩散模型计算浓度集。
步骤S1038,根据初始泄漏源强度集、初始泄漏源位置集、当前气体的浓度信息和初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
将泄漏源强度集、初始泄漏源位置集、当前气体的浓度信息和初始大气扩散模型计算浓度集输入目标函数模型式(1)中,得到第一目标函数适应度序列。
上述实施例中,得到第一目标函数适应度序列为确定目标函数中的泄漏源强度和泄漏源位置提供基础。
在其中一个实施例中,步骤S104,根据目标函数模型计算值确定泄漏源强度和泄漏源位置,包括:
若目标函数模型计算值小于或等于预设阈值,则将与目标函数模型计算值对应的气体浓度大小确定为泄漏源强度,将与目标函数模型计算值对应的气体浓度位置确定为泄漏源位置。
其中,目标函数模型计算值小于或等于预设阈值为预设收敛条件,表示大气扩散模型计算浓度CMol(Li,ti)与离子迁移谱仪监测浓度CIMS(Li,ti)差的平方和小于或等于设定的误差限,平方和小于或等于误差限表明反推结果非常接近真实泄漏源的实际信息,则将满足该收敛条件所对应的气体浓度大小确定为泄漏源强度,将满足该收敛条件所对应的气体浓度位置确定为泄漏源位置。
可选地,目标函数模型计算值大于预设阈值,则返回执行监测当前气体的浓度信息的步骤。
其中,返回执行监测当前气体的浓度信息的步骤,包括更新当前气体的浓度信息,更新当前气体的浓度信息是指重新采集或者更新用于计算的当前气体的浓度信息的采集时间和位置,并将新的当前气体的浓度信息输入预设大气扩散模型,得到更新后的大气扩散模型计算浓度序列,并将更新后的当前气体的浓度信息和更新后的大气扩散模型计算浓度序列输入目标函数模型,得到更新后的目标函数模型计算值。比较更新后的目标函数模型计算值与预设阈值的大小关系,直到更新后的目标函数模型计算值小于或等于预设阈值,则将与目标函数模型计算值对应的气体浓度大小确定为泄漏源强度,将与目标函数模型计算值对应的气体浓度位置确定为泄漏源位置。
上述实施例中,能够根据目标函数模型计算值和预设收敛条件获得泄漏源强度和泄漏源位置,并在目标函数模型计算值不满足预设收敛条件的情况下不断修正定位方法中涉及模型的参数,获得泄漏源强度和泄漏源位置,实现对危化气体泄漏源进行精确定位。
在一个实施例中,如图4所示,提供了一种基于浓度时间序列的泄漏源定位装置,包括:构建模块401、第一确定模块402、第二确定模块403和定位模块404,其中:
构建模块401,用于根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
第一确定模块402,用于监测当前气体的浓度信息,根据当前气体的浓度信息和大气扩散模型,得到大气扩散模型计算浓度序列;
第二确定模块403,用于根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值;
定位模块404,用于根据目标函数模型计算值,确定泄漏源强度和泄漏源位置。
在其中一个实施例中,第一确定模块402还用于执行将获取到的与大气扩散模型相关的模型参数、监测时间和与监测时间对应的气体浓度位置输入大气扩散模型,得到大气扩散模型计算浓度序列。
在其中一个实施例中,第一确定模块402还用于执行根据当前气体在水平方向、竖直方向的扩散系数以及与监测时间对应的风速信息,得到与大气扩散模型相关的模型参数。
在其中一个实施例中,第二确定模块403还用于执行根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,第一目标函数适应度序列同与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置存在第一对应关系;对第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;对第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,中间种群适应度序列与第二目标函数适应度序列存在第二对应关系;对中间种群适应度序列进行局部寻优,得到最优中间种群适应度;根据第一对应关系、第二对应关系、最优中间种群适应度和目标函数模型,得到目标函数模型计算值。
在其中一个实施例中,第二确定模块403还用于执行根据与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;根据初始泄漏源强度集和大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;根据初始泄漏源强度集、初始泄漏源位置集、当前气体的浓度信息和初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
在其中一个实施例中,定位模块404还用于执行若目标函数模型计算值小于或等于预设阈值,则将与目标函数模型计算值对应的气体浓度大小确定为泄漏源强度,将与目标函数模型计算值对应的气体浓度位置确定为泄漏源位置。
在其中一个实施例中,定位模块404还用于执行若目标函数模型计算值大于预设阈值,则返回执行监测当前气体的浓度信息的步骤。
关于基于浓度时间序列的泄漏源定位装置的具体限定可以参见上文中对于基于浓度时间序列的泄漏源定位方法的限定,在此不再赘述。上述基于浓度时间序列的泄漏源定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储泄漏源定位数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于浓度时间序列的泄漏源定位方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
监测当前气体的浓度信息,根据当前气体的浓度信息和大气扩散模型,得到大气扩散模型计算浓度序列;
根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值;
根据目标函数模型计算值,确定泄漏源强度和泄漏源位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:将获取到的与大气扩散模型相关的模型参数、监测时间和与监测时间对应的气体浓度位置输入大气扩散模型,得到大气扩散模型计算浓度序列。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据当前气体在水平方向、竖直方向的扩散系数以及与监测时间对应的风速信息,得到与大气扩散模型相关的模型参数。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,第一目标函数适应度序列同与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置存在第一对应关系;对第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;对第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,中间种群适应度序列与第二目标函数适应度序列存在第二对应关系;对中间种群适应度序列进行局部寻优,得到最优中间种群适应度;根据第一对应关系、第二对应关系、最优中间种群适应度和目标函数模型,得到目标函数模型计算值。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;根据初始泄漏源强度集和大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;根据初始泄漏源强度集、初始泄漏源位置集、当前气体的浓度信息和初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:若目标函数模型计算值小于或等于预设阈值,则将与目标函数模型计算值对应的气体浓度大小确定为泄漏源强度,将与目标函数模型计算值对应的气体浓度位置确定为泄漏源位置。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:若目标函数模型计算值大于预设阈值,则返回执行监测当前气体的浓度信息的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
监测当前气体的浓度信息,根据当前气体的浓度信息和大气扩散模型,得到大气扩散模型计算浓度序列;
根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到目标函数模型计算值;
根据目标函数模型计算值,确定泄漏源强度和泄漏源位置。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:将获取到的与大气扩散模型相关的模型参数、监测时间和与监测时间对应的气体浓度位置输入大气扩散模型,得到大气扩散模型计算浓度序列。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据当前气体在水平方向、竖直方向的扩散系数以及与监测时间对应的风速信息,得到与大气扩散模型相关的模型参数。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据目标函数模型、当前气体的浓度信息和大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,第一目标函数适应度序列同与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置存在第一对应关系;对第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;对第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,中间种群适应度序列与第二目标函数适应度序列存在第二对应关系;对中间种群适应度序列进行局部寻优,得到最优中间种群适应度;根据第一对应关系、第二对应关系、最优中间种群适应度和目标函数模型,得到目标函数模型计算值。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据与监测时间对应的气体浓度大小和与监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;根据初始泄漏源强度集和大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;根据初始泄漏源强度集、初始泄漏源位置集、当前气体的浓度信息和初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:若目标函数模型计算值小于或等于预设阈值,则将与目标函数模型计算值对应的气体浓度大小确定为泄漏源强度,将与目标函数模型计算值对应的气体浓度位置确定为泄漏源位置。
在其中一个实施例中,计算机程序被处理器执行时还实现以下步骤:若目标函数模型计算值大于预设阈值,则返回执行监测当前气体的浓度信息的步骤。
为实现危化品泄漏源的定位,需要采集足够的监测数据,利用基于监测数据与危化品大气扩散模型构成的目标函数模型计算出泄漏源位置。在采集危化品监测信息方面,本申请利用离子迁移谱仪作为监测手段,能对极低浓度的危化品气体进行移动监测,利用离子迁移谱测得的当前气体的浓度信息作为目标函数模型的输入数据。在基于浓度时间序列的泄漏源定位方法方面,以某一时刻在某一位置处离子迁移谱仪测得的危化品浓度与危化品大气扩散模型计算浓度的匹配度作为目标函数,建立基于离子迁移谱仪监测的泄漏源定位模型,利用基于遗传算法和模式搜索混合优化算法不断修正定位模型的参数,得到的最优泄漏源参数即为所估计的泄漏源强度和泄漏源位置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于浓度时间序列的泄漏源定位方法,其特征在于,所述方法包括:
根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
监测当前气体的浓度信息,所述当前气体的浓度信息包括监测时间和与所述监测时间对应的气体浓度位置;
根据所述当前气体在水平方向、竖直方向的扩散系数以及与所述监测时间对应的风速信息,得到与所述大气扩散模型相关的模型参数;其中,所述风速信息由超声波风速仪测得;
根据所述当前气体的浓度信息、与所述大气扩散模型相关的模型参数和所述大气扩散模型,得到所述大气扩散模型计算浓度序列,包括:将所述与所述大气扩散模型相关的模型参数、所述监测时间和与所述监测时间对应的气体浓度位置输入所述大气扩散模型,得到所述大气扩散模型计算浓度序列;
根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值;
根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置。
2.根据权利要求1所述的方法,其特征在于,所述当前气体的浓度信息包括监测时间、与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置;
所述根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值,包括:
根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,所述第一目标函数适应度序列同与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置存在第一对应关系;
对所述第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;
对所述第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,所述中间种群适应度序列与所述第二目标函数适应度序列存在第二对应关系;
对所述中间种群适应度序列进行局部寻优,得到最优中间种群适应度;
根据所述第一对应关系、所述第二对应关系、所述最优中间种群适应度和所述目标函数模型,得到所述目标函数模型计算值。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到第一目标函数适应度序列,包括:
根据与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;
根据所述初始泄漏源强度集和所述大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;
根据所述初始泄漏源强度集、所述初始泄漏源位置集、所述当前气体的浓度信息和所述初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置,包括:
若所述目标函数模型计算值小于或等于预设阈值,则将与所述目标函数模型计算值对应的气体浓度大小确定为所述泄漏源强度,将与所述目标函数模型计算值对应的气体浓度位置确定为所述泄漏源位置。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述目标函数模型计算值大于所述预设阈值,则返回执行所述监测当前气体的浓度信息的步骤。
6.一种基于浓度时间序列的泄漏源定位装置,其特征在于,所述装置包括:
构建模块,用于根据预设的大气扩散模型构建与气体浓度信息关联的目标函数模型;
监测模块,用于监测当前气体的浓度信息,所述当前气体的浓度信息包括监测时间和与所述监测时间对应的气体浓度位置;
模型参数确定模块,用于根据所述当前气体在水平方向、竖直方向的扩散系数以及与所述监测时间对应的风速信息,得到与所述大气扩散模型相关的模型参数;其中,所述风速信息由超声波风速仪测得;
第一确定模块,用于根据所述当前气体的浓度信息、与所述大气扩散模型相关的模型参数和所述大气扩散模型,得到所述大气扩散模型计算浓度序列,包括:将所述与所述大气扩散模型相关的模型参数、所述监测时间和与所述监测时间对应的气体浓度位置输入所述大气扩散模型,得到所述大气扩散模型计算浓度序列;
第二确定模块,用于根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到目标函数模型计算值;
定位模块,用于根据所述目标函数模型计算值,确定泄漏源强度和泄漏源位置。
7.根据权利要求6所述的装置,其特征在于,所述当前气体的浓度信息包括监测时间、与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置;所述第二确定模块还用于:
根据所述目标函数模型、所述当前气体的浓度信息和所述大气扩散模型计算浓度序列,得到第一目标函数适应度序列;其中,所述第一目标函数适应度序列同与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置存在第一对应关系;
对所述第一目标函数适应度序列进行排序及筛选,得到第二目标函数适应度序列;
对所述第二目标函数适应度序列执行预设次数遗传算法,得到中间种群适应度序列;其中,所述中间种群适应度序列与所述第二目标函数适应度序列存在第二对应关系;
对所述中间种群适应度序列进行局部寻优,得到最优中间种群适应度;
根据所述第一对应关系、所述第二对应关系、所述最优中间种群适应度和所述目标函数模型,得到所述目标函数模型计算值。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块还用于:
根据与所述监测时间对应的气体浓度大小和与所述监测时间对应的气体浓度位置,确定初始泄漏源强度集和初始泄漏源位置集;
根据所述初始泄漏源强度集和所述大气扩散模型计算浓度序列,得到初始大气扩散模型计算浓度集;
根据所述初始泄漏源强度集、所述初始泄漏源位置集、所述当前气体的浓度信息和所述初始大气扩散模型计算浓度集,得到第一目标函数适应度序列。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910203231.5A CN110059355B (zh) | 2019-03-18 | 2019-03-18 | 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910203231.5A CN110059355B (zh) | 2019-03-18 | 2019-03-18 | 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059355A CN110059355A (zh) | 2019-07-26 |
CN110059355B true CN110059355B (zh) | 2021-06-01 |
Family
ID=67316914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910203231.5A Active CN110059355B (zh) | 2019-03-18 | 2019-03-18 | 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059355B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114321740A (zh) * | 2021-12-24 | 2022-04-12 | 华荣科技股份有限公司 | 一种可燃气体泄漏点定位方法、系统及可读存储模块 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157680B (zh) * | 2019-12-31 | 2021-10-26 | 北京辰安科技股份有限公司 | 室内挥发性物质的泄漏溯源方法及装置 |
CN112308430A (zh) * | 2020-11-03 | 2021-02-02 | 集美大学 | 一种海上船舶溢油事故多物资应急调度方法 |
CN112651186B (zh) * | 2020-11-09 | 2023-11-10 | 北京辰安科技股份有限公司 | 室外挥发性物质的泄漏溯源方法及装置 |
CN114777030B (zh) * | 2022-05-23 | 2023-09-05 | 中用科技有限公司 | 一种基于nb-iot技术的危化气体监测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633148A (zh) * | 2017-10-16 | 2018-01-26 | 核工业北京地质研究院 | 一种用于核设施废气扩散的数值模拟方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9599597B1 (en) * | 2012-12-22 | 2017-03-21 | Picarro, Inc. | Systems and methods for likelihood-based detection of gas leaks using mobile survey equipment |
CN104280789A (zh) * | 2014-10-29 | 2015-01-14 | 清华大学 | 化学品泄漏源定位方法、定位装置、处理装置及系统 |
CN107239592B (zh) * | 2017-04-24 | 2019-11-29 | 清华大学 | 一种空气污染监测数据的时间序列增长分析方法及系统 |
CN107607671A (zh) * | 2017-08-24 | 2018-01-19 | 慧感(上海)物联网科技有限公司 | 一种气体泄漏源定位方法 |
-
2019
- 2019-03-18 CN CN201910203231.5A patent/CN110059355B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633148A (zh) * | 2017-10-16 | 2018-01-26 | 核工业北京地质研究院 | 一种用于核设施废气扩散的数值模拟方法 |
Non-Patent Citations (1)
Title |
---|
Reconstructing source terms from atmospheric concentration measurements: Optimality analysis of an inversion technique;Gregory Turbelin;《Journal of Advances in Modeling Earth Systems》;20141231;第6卷(第4期);1244-1255 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114321740A (zh) * | 2021-12-24 | 2022-04-12 | 华荣科技股份有限公司 | 一种可燃气体泄漏点定位方法、系统及可读存储模块 |
Also Published As
Publication number | Publication date |
---|---|
CN110059355A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059355B (zh) | 基于浓度时间序列的泄漏源定位方法、装置和计算机设备 | |
CN103914622B (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
CN110110276B (zh) | 基于变步长递推轨迹的泄漏源定位方法和装置 | |
Senocak et al. | Stochastic event reconstruction of atmospheric contaminant dispersion using Bayesian inference | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
EP4195091A1 (en) | Target available model-based environment prediction method and apparatus, program, and electronic device | |
CN114019110B (zh) | 一种基于大数据的作业场所气体探测器端云一体化平台 | |
Ma et al. | Location of contaminant emission source in atmosphere based on optimal correlated matching of concentration distribution | |
CN113159362A (zh) | 一种森林火灾等级的预测方法及装置 | |
CN113944888A (zh) | 燃气管道泄漏检测方法、装置、设备和存储介质 | |
Jha et al. | Linked simulation-optimization based dedicated monitoring network design for unknown pollutant source identification using dynamic time warping distance | |
CN111307194A (zh) | 基于北斗的环境设备检测方法、装置、设备及存储介质 | |
Borysiewicz et al. | Stochastic algorithm for estimation of the model's unknown parameters via Bayesian inference | |
CN114487300B (zh) | 基于车载测量系统的零散点源碳排放强度监测方法及系统 | |
CN110083862B (zh) | 基于定位周期的泄漏源定位方法、装置和计算机设备 | |
Kopka et al. | Application of the Approximate Bayesian Computation methods in the stochastic estimation of atmospheric contamination parameters for mobile sources | |
CN111477012B (zh) | 基于路况状态预测模型的溯源方法、装置和计算机设备 | |
CN112710623A (zh) | 遥感监测有毒有害气体扩散范围和浓度的方法和设备 | |
CN110502836B (zh) | 一种气体传感器的部署方法及系统 | |
CN112377177B (zh) | 油藏采收率预测方法及装置 | |
CN114460232A (zh) | 基于车载测量系统的多点源碳氮比监测方法及系统 | |
Brink et al. | Plume tracking with a mobile sensor based on incomplete and imprecise information | |
Haslbeck et al. | Uncertainty assessment for the Bayesian updating process of concrete strength properties | |
Macha et al. | Development of a methodology to predict atmospheric corrosion severity using corrosion sensor technologies | |
Libre et al. | Source determination in congested environment through Bayesian inference |
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 |