CN110096794B - 一种倒u型槽最佳安全高度的获取方法 - Google Patents
一种倒u型槽最佳安全高度的获取方法 Download PDFInfo
- Publication number
- CN110096794B CN110096794B CN201910354651.3A CN201910354651A CN110096794B CN 110096794 B CN110096794 B CN 110096794B CN 201910354651 A CN201910354651 A CN 201910354651A CN 110096794 B CN110096794 B CN 110096794B
- Authority
- CN
- China
- Prior art keywords
- inverted
- shaped groove
- alarm
- optimal
- population
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Examining Or Testing Airtightness (AREA)
- Fire Alarms (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种倒U型槽最佳安全高度的获取方法,首先基于影响天然气泄漏过程的关键因素进行取值,构建倒U型槽安全高度的样本空间;建立倒U型槽中天然气管道泄漏扩散模拟的三维数学模型,得到样本空间设计点的报警器报警时间;将样本空间作为支持向量机SVM的输入,将报警器报警时间作为输出,对支持向量机进行训练,建立报警器报警时间的预测模型;以倒U型槽发生泄漏时引发报警器报警的最短时间为目标函数,以上述因素为设计变量,建立倒U型槽最佳安全高度的优化模型;采用差分进化算法对优化模型进行求解,获得目标函数的最优解。上述方法能快速准确地得到倒U型槽的最佳安全高度,从而为倒U型槽结构设计提供准确定量化的指导。
Description
技术领域
本发明涉及消防设备技术领域,尤其涉及一种倒U型槽最佳安全高度的获取方法。
背景技术
天然气是一种绿色环保的清洁能源,具有储量大、高效、优质等优点,被广泛用于商业体餐饮中。由于开发商对商业体室外建筑美观性具有较高的要求,一般将燃气管道安装在商业体内的走廊或商铺顶部,这些地方一方面无直接对外的门窗,另一方面开发商和业主多数会做天花吊顶,从而出现将燃气管道包藏在天花吊顶内的情况。由于管道敷设种类较多,天花吊顶内属于密闭空间,本身的材质又属于可燃烧性质,会给燃气管道的安全运行带来较大隐患。因此,商业燃气户的天然气管道一般会安装在倒U型槽中,在天然气管道的运营过程中,腐蚀穿孔、系统连接件之间密封缺陷和人为管理不善等因素可能引发天然气管道的泄漏。天然气是易燃易爆气体,其泄漏后会与空气混合形成可燃气体,遇明火很可能发生火灾甚至爆炸。
为了预防和控制此类事故的发生,一般在倒U型槽的顶部安装泄漏报警装置,当倒U型槽内可燃气体达到报警浓度时,泄漏气体会触发报警装置并自动切断气源,但是如果U型槽尺寸不合理,当天然气管道泄漏时导致不能及时触发报警器,延误补救时间,极易引发火灾、爆炸、中毒和伤亡等恶性事故,将对人的生命和财产造成很大的威胁。因此必须采取有效地方法优化商业体户内倒U型槽的结构设计,这对保障商业用户的人身和财产安全具有重要的意义。但由于倒U型槽在实际工程的应用还较少,对其结构尺寸的研究更是罕见,现有技术中一般根据经验来确定,缺乏定量获取倒U型槽安全高度的解决方案。
发明内容
本发明的目的是提供一种倒U型槽最佳安全高度的获取方法,该方法能快速准确地得到倒U型槽的最佳安全高度,从而为倒U型槽结构设计提供准确定量化的指导。
本发明的目的是通过以下技术方案实现的:
一种倒U型槽最佳安全高度的获取方法,所述方法包括:
步骤1、对影响天然气泄漏过程的关键因素进行取值,并基于关键因素采用正交试验法构建倒U型槽安全高度的样本空间;
步骤2、建立倒U型槽中天然气管道泄漏扩散模拟的三维数学模型,模拟天然气在倒U型槽中的扩散过程,得到所述样本空间设计点的报警器报警时间;
步骤3、将步骤1所获得的样本空间作为支持向量机SVM的输入,将步骤2所获得的报警器报警时间作为所述支持向量机的输出,对所述支持向量机进行训练,建立倒U型槽发生泄漏时报警器报警时间的预测模型;
步骤4、以倒U型槽发生泄漏时引发报警器报警的最短时间为目标函数,以影响天然气泄漏过程的关键因素为设计变量,建立倒U型槽最佳安全高度的优化模型;
步骤5、采用差分进化算法对所建立的优化模型进行求解,获得目标函数的最优解,即倒U型槽发生泄漏时引发报警器报警的最短时间,对应的倒U型槽高度即为最佳安全高度。
由上述本发明提供的技术方案可以看出,上述方法能快速准确地得到倒U型槽的最佳安全高度,为倒U型槽结构设计提供准确定量化的指导。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的倒U型槽最佳安全高度的获取方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供的倒U型槽最佳安全高度的获取方法流程示意图,所述方法包括:
步骤1、对影响天然气泄漏过程的关键因素进行取值,并基于这些因素采用正交设计法构建倒U型槽安全高度的样本空间;
具体实现中,上述影响天然气泄漏过程的关键因素可以包括管径、泄漏口孔径和泄漏速度等。
步骤2、建立倒U型槽中天然气管道泄漏扩散模拟的三维数学模型,模拟天然气在倒U型槽中的扩散过程,得到所述样本空间设计点的报警器报警时间;
该步骤中,首先对倒U型槽的结构进行简化,建立倒U型槽的物理模型;
再建立倒U型槽中天然气泄漏扩散模拟的三维数学模型,涉及的控制方程包括雷诺平均方法的质量、动量、能量和物质浓度守恒方程,湍流模型采用标准k-ε模型;
然后采用六面体网格对倒U型槽的区域进行网格划分,在泄漏口处进行网格加密,模拟天然气在倒U型槽中的扩散过程;
最后在倒U型槽顶部的中间位置设置检测点,当检测到天然气浓度达到危险浓度时会引发报警器,此时的时间为报警器报警时间。
步骤3、将步骤1所获得的样本空间作为支持向量机SVM的输入,将步骤2所获得的报警器报警时间作为所述支持向量机的输出,对所述支持向量机进行训练,建立倒U型槽发生泄漏时报警器报警时间的预测模型;
该步骤中,首先将支持向量机SVM的训练集样本设为{xi,yi},i=1,2,…,I,xi∈RI为系统输入向量,yi∈RI为系统输出向量;
在多维线性空间中,设线性回归函数为:
f(x)=wΓ(x)+b
其中,Γ(x)表示非线性映射函数,此函数用于将输入向量xi映射到多维空间中;w表示超平面法线;b为偏置常量;
对w和b进行归一化处理,令样本点指向分类超平面的间距为ε=|wxi+b|=1,
将约束优化问题转化为:
引入Largrange方程解决该优化问题,将上式转换为对偶问题:
其中,α为拉格朗日乘子;
对上式进行求解,得到所述支持向量机SVM最终的回归函数为:
其中,分别为α、b的最优值;K(xi,x)为核函数;
上式即为倒U型槽发生泄漏时报警器报警时间的预测模型。
步骤4、以倒U型槽发生泄漏时引发报警器报警的最短时间为目标函数,以影响天然气泄漏过程的关键因素为设计变量,建立倒U型槽最佳安全高度的优化模型;
该步骤中,所建立的倒U型槽最佳安全高度的优化模型为:
目标函数:minF(X)
其中,F(X)表示报警器报警时间;X={xk},k=1,2,…,G,X表示设计变量,具体为影响天然气泄漏过程的关键因素;所述关键因素指泄漏口管径、泄漏口孔径和泄漏速度;
且约束条件为:
其中,gk(X)表示非线性约束;hk(X)表示线性约束;w′和b′为系数。
步骤5、采用差分进化算法对所建立的优化模型进行求解,获得目标函数的最优解,即倒U型槽发生泄漏时引发报警器报警的最短时间,对应的倒U型槽高度即为最佳安全高度。
该步骤中,采用差分进化算法对所建立的优化模型进行求解的过程具体为:
首先定义种群:
其中,Numt指代种群;tmax指最大的迭代次数;M指种群数量,种群数量大于4;指种群中的一个个体在第t代的候选解,即报警器的报警时间;D指总维数;
将种群初始化为:xm,n=xn,min+rndm,n[0,1](xn,max-xn,min);
其中,xn,max和xn,min是第n维的最大解和最小解,rnd是范围[0,1]的随机数;
采用实数编码法对关键因素进行编码,随机生成M个个体作为差分进化算法的初始群体,由上述关键因素组成的初始群体矩阵如下式所示:
其中,所述群体矩阵的前三列分别对应的是关键因素;
然后计算每一个个体的适应值,即报警器的报警时间,求出最优的适应值和最优的个体;
再判断是否符合迭代次数要求,符合则退出,不符合则进行下一步求解,包括变异操作、交叉操作和选择操作,具体过程为:
所述变异操作是选择3个个体,其中2个做差,得到差分向量,然后与另外一个随机选择的个体相加得到一个变异个体:
种群中的每一个个体都由下式产生:
其中,下标中的m,m1,m2,m3为4个互不相同的整数;
所述交叉操作能提高种群的多样性,通过对种群中的候选解与变异个体/>按照规定的交叉概率进行交叉,进而又生成一个新的个体:
具体操作方式如下式所示:
其中,Pcr是交叉概率,取值范围为[0,1];
所述选择操作是采取一对一式的贪婪选择方式,从候选解与试验个体/>进行竞争,当试验个体/>优于候选解/>时,则试验个体/>将会进入下一代种群中;
选择操作的具体过程如下:
然后令迭代次数t=t+1,重复以上操作,直至得到最优的适应值,即最短的报警器报警时间,对应的倒U型槽高度即为最佳安全高度。
下面以具体实例对本发明实施例所提供的倒U型槽安全高度获取方法进行详细描述:
步骤1、考虑管径、泄漏口孔径和泄漏速度这三个因素为关键因素,对其进行取值,基于这三个因素采用正交试验法构建所述倒U型槽安全高度的样本空间;
这里,每个变量有5个取值,选用正交设计中的3因素5水平正交表来构建样本空间,各因素水平取值如表1所示:
表1倒U型槽安全高度的取样空间
步骤2、建立倒U型槽中天然气管道泄漏扩散模拟的三维数学模型,模拟天然气在倒U型槽中的扩散过程,得到所述样本空间设计点的报警器报警时间;
在该步骤中,采用数值模拟法得到所述样本空间设计点的倒U型槽报警器的报警时间,最终得到的3因素5水平正交表如表2所示:
表2 3因素5水平正交表
步骤3、将步骤1所述的样本空间作为支持向量机SVM的输入,将步骤2所获得的报警器报警时间作为输出,对所述支持向量机进行训练,建立倒U型槽发生泄漏时报警器报警时间的预测模型;
该模型建立过程见上述方法实施例所述。
步骤4、以倒U型槽发生泄漏时引发报警器报警的最短时间为目标函数,以管径、泄漏口孔径和泄漏速度这三个关键因素为设计变量,建立商业体户内倒U型槽的优化模型;
该优化模型的建立过程见上述方法实施例所述。
步骤5、采用差分进化算法对所建立的优化模型进行求解,获得最优解,即倒U型槽发生泄漏时引发报警器报警的最短时间,对应的倒U型槽高度即为最佳安全高度。
该步骤中,差分进化算法的具体实施流程如下:
1)初始化种群规模N,交叉概率Pcr,比例因子F,迭代最大的次数tmax。具体参数取值如表3所示:
表3优化倒U型槽安全高度时参数设置
2)计算每一个个体的适应值(报警器的报警时间),求出最优的适应值和最优的个体。
3)判断是否符合迭代次数要求,符合则退出,不符合则进行下一步求解。
4)随机选择3个个体,其中2个做差,得到差分向量,与前面得到的差分向量进行加权,然后与另外一个随机选择的个体相加得到了一个新的变异个体。
5)交叉操作生成了试验个体V。
6)选择操作得到新个体将种群中现有的个体与新得到的个体之间相互竞争,选择报警器的报警时间较小的个体进入下一代种群。
7)令迭代次数t=t+1,返回步骤2,重复以上操作,直至得到最优的适应值,即最短的报警器报警时间,对应的倒U型槽高度即为最佳安全高度。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述,本发明实施例所述方法以最短报警器报警时间为目标函数进行倒U型槽最佳安全高度的确定,通过数值模拟、支持向量机预测以及优化模型找到最优解,即倒U型槽的最短报警时间,对应的倒U型槽的高度即为最佳安全高度。该方法可以优化倒U型槽的结构设计,在商业燃气管道发生泄漏时保障商业用户的人身和财产安全。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (1)
1.一种倒U型槽最佳安全高度的获取方法,其特征在于,所述方法包括:
步骤1、对影响天然气泄漏过程的关键因素进行取值,并基于关键因素采用正交试验法构建倒U型槽安全高度的样本空间;
步骤2、建立倒U型槽中天然气管道泄漏扩散模拟的三维数学模型,模拟天然气在倒U型槽中的扩散过程,得到所述样本空间设计点的报警器报警时间;
步骤3、将步骤1所获得的样本空间作为支持向量机SVM的输入,将步骤2所获得的报警器报警时间作为所述支持向量机的输出,对所述支持向量机进行训练,建立倒U型槽发生泄漏时报警器报警时间的预测模型;
所述步骤3的过程具体为:
将支持向量机SVM的训练集样本设为{xi,yi},i=1,2,…,I,xi∈RI为系统输入向量,yi∈RI为系统输出向量;
在多维线性空间中,设线性回归函数为:
f(x)=wΓ(x)+b
其中,Γ(x)表示非线性映射函数,此函数用于将输入向量xi映射到多维空间中;w表示超平面法线;b为偏置常量;
对w和b进行归一化处理,令样本点指向分类超平面的间距为ε=|wxi+b|=1,
将约束优化问题转化为:
引入Largrange方程解决该优化问题,将上式转换为对偶问题:
其中,α为拉格朗日乘子;
对上式进行求解,得到所述支持向量机SVM最终的线性回归函数为:
分别为α、b的最优值;K(xi,x)为核函数;
上式即为倒U型槽发生泄漏时报警器报警时间的预测模型;
步骤4、以倒U型槽发生泄漏时引发报警器报警的最短时间为目标函数,以影响天然气泄漏过程的关键因素为设计变量,建立倒U型槽最佳安全高度的优化模型;
在步骤4中,所建立的倒U型槽最佳安全高度的优化模型为:
目标函数:min F(X)
其中,F(X)表示报警器报警时间;X={xk},k=1,2,…,G,X表示设计变量,具体为影响天然气泄漏过程的关键因素;所述关键因素指泄漏口管径、泄漏口孔径和泄漏速度;
且约束条件为:
其中,gk(X)表示非线性约束;hk(X)表示线性约束;w′和b′为系数;
步骤5、采用差分进化算法对所建立的优化模型进行求解,获得目标函数的最优解,即倒U型槽发生泄漏时引发报警器报警的最短时间,对应的倒U型槽高度即为最佳安全高度;
在步骤5中,采用差分进化算法对所建立的优化模型进行求解的过程具体为:
首先定义种群:
其中,Numt指代种群;tmax指最大的迭代次数;M指种群数量,种群数量大于4;指种群中的一个个体在第t代的候选解,即报警器的报警时间;D指总维数;
将种群初始化为:xm,n=xn,min+rndm,n[0,1](xn,max-xn,min);
其中,xn,max和xn,min是第n维的最大解和最小解,rnd是范围[0,1]的随机数;
采用实数编码法对影响天然气泄漏过程的关键因素进行编码,随机生成M个个体作为差分进化算法的初始群体,由上述关键因素组成的初始群体矩阵如下式所示:
其中,所述群体矩阵的前三列分别对应的是关键因素;
然后计算每一个个体的适应值,即报警器的报警时间,求出最优的适应值和最优的个体;
再判断是否符合迭代次数要求,符合则退出,不符合则进行下一步求解,包括变异操作、交叉操作和选择操作,具体过程为:
所述变异操作是选择3个个体,其中2个做差,得到差分向量,然后与另外一个随机选择的个体相加得到一个变异个体:
种群中的每一个个体都由下式产生:
其中,下标中的m,m1,m2,m3为4个互不相同的整数;
所述交叉操作能提高种群的多样性,通过对种群中的候选解与变异个体/>按照规定的交叉概率进行交叉,进而又生成一个新的个体:
具体操作方式如下式所示:
其中,Pcr是交叉概率,取值范围为[0,1];
所述选择操作是采取一对一式的贪婪选择方式,从候选解与试验个体/>进行竞争,当试验个体/>优于候选解/>时,则试验个体/>将会进入下一代种群中;
选择操作的具体过程如下:
然后令迭代次数t=t+1,重复以上操作,直至得到最优的适应值,即最短的报警器报警时间,对应的倒U型槽高度即为最佳安全高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354651.3A CN110096794B (zh) | 2019-04-29 | 2019-04-29 | 一种倒u型槽最佳安全高度的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910354651.3A CN110096794B (zh) | 2019-04-29 | 2019-04-29 | 一种倒u型槽最佳安全高度的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096794A CN110096794A (zh) | 2019-08-06 |
CN110096794B true CN110096794B (zh) | 2023-07-25 |
Family
ID=67446335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910354651.3A Active CN110096794B (zh) | 2019-04-29 | 2019-04-29 | 一种倒u型槽最佳安全高度的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096794B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112413640A (zh) * | 2020-11-23 | 2021-02-26 | 上海轻叶能源股份有限公司 | 一种智能燃气燃烧器点火系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976661A (zh) * | 2017-11-13 | 2018-05-01 | 浙江大学 | 一种基于差分进化入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
CN109543759A (zh) * | 2018-11-27 | 2019-03-29 | 北京石油化工学院 | 一种直流式气液旋流分离器分离性能的预测方法 |
-
2019
- 2019-04-29 CN CN201910354651.3A patent/CN110096794B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107976661A (zh) * | 2017-11-13 | 2018-05-01 | 浙江大学 | 一种基于差分进化入侵杂草优化算法的智能雷达海杂波预报系统及方法 |
CN109543759A (zh) * | 2018-11-27 | 2019-03-29 | 北京石油化工学院 | 一种直流式气液旋流分离器分离性能的预测方法 |
Non-Patent Citations (3)
Title |
---|
Numerical simulation on;DENG Y J,et al;《Heat Transfer Engineering》;20181231;全文 * |
倒U型槽中天然气管道泄漏扩散模拟;张琳等;《应急管理研究》;20190531;第38卷(第5期);全文 * |
楼宇地下式分布能源站远程散热设备布置结构设计探析;蒙雪俏;《科技创新导报》;20141221(第36期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110096794A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pasman et al. | Risk assessment: What is it worth? Shall we just do away with it, or can it do a better job? | |
Su et al. | Numerical investigation on the leakage and diffusion characteristics of hydrogen-blended natural gas in a domestic kitchen | |
Tan et al. | Systematic review of human and organizational risks for probabilistic risk analysis in high-rise buildings | |
CN108345986B (zh) | 一种化工危险源动态量化评估方法 | |
CN103914622A (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
CN107240216A (zh) | 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法 | |
Pang et al. | Characteristics of external explosions induced by vented hydrogen deflagration | |
Song et al. | Quantitative risk assessment of gas leakage and explosion accident consequences inside residential buildings | |
CN110096794B (zh) | 一种倒u型槽最佳安全高度的获取方法 | |
Efimenko et al. | CREBCOM code system for description of gaseous combustion | |
Mi et al. | An integrated method for fire risk assessment in residential buildings | |
Zhao et al. | Research on intelligent prediction of hydrogen pipeline leakage fire based on Finite Ridgelet neural network | |
Tong et al. | Large-scale transient simulation for consequence analysis of hydrogen-doped natural gas leakage and explosion accidents | |
Păsculescu et al. | Computational study for improving the quality of safety measures for LPG filling stations. | |
Bui et al. | Spatiotemporal integration of an agent-based first responder performance model with a fire hazard propagation model for probabilistic risk assessment of nuclear power plants | |
Johansson et al. | A Round Robin of fire modelling for performance‐based design | |
Kelly et al. | Modeling the number of ignitions following an earthquake: Developing prediction limits for overdispersed count data | |
Parker et al. | Contaminant ingress into multizone buildings: An analytical state-space approach | |
Sharma | Modeling of fire with CFD for nuclear power plants (NPPs) | |
Huang et al. | Numerical simulation of a cinema fire based on FDS | |
Doh et al. | Preventive Energy Safety Using ICT Cooperative Prediction Models | |
Lyons et al. | Prediction of the consequences of a CO2 pipeline release on building occupants | |
Cavanagh et al. | A Software Model for Assessing Fatality Risk from Explosion Hazards using the Multi Energy Method and Baker Strehlow Tang Approach | |
Chow et al. | Aspects of operating PPV in ministorage fires | |
Fauzi Rahman Jayaraman et al. | Stakeholder outreach on process safety for process industry using risk based approaches |
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 |