CN111144055A - 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 - Google Patents
城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 Download PDFInfo
- Publication number
- CN111144055A CN111144055A CN201911382403.6A CN201911382403A CN111144055A CN 111144055 A CN111144055 A CN 111144055A CN 201911382403 A CN201911382403 A CN 201911382403A CN 111144055 A CN111144055 A CN 111144055A
- Authority
- CN
- China
- Prior art keywords
- model
- concentration distribution
- data
- urban environment
- heavy 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 76
- 231100000331 toxic Toxicity 0.000 title claims abstract description 62
- 230000002588 toxic effect Effects 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000004088 simulation Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000011423 initialization method Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 120
- 238000005457 optimization Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 210000000349 chromosome Anatomy 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 230000002779 inactivation Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000460 chlorine Substances 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009931 harmful effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本申请公开了一种城市环境中有毒重气泄漏浓度分布确定方法、装置、设备及计算机可读存储介质。其中，方法包括利用CFD数值模拟仿真数据扩充训练样本集，基于该样本集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，得到气体浓度分布预测模型；将当前泄漏源的位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至气体浓度分布预测模型中，高效率、高精度地确定泄漏气体的浓度分布信息，同时解决了相关技术中由于城市环境下的重气扩散实验数据量过少导致预测模型输出的预测结果不精确以及精确重气扩散模型需要较长的计算时间而无法满足应急救援高度实时性的要求的问题。
Description
技术领域
本申请涉及气体浓度分布检测技术领域，特别是涉及一种城市环境中有毒重气泄漏浓度分布确定方法、装置及计算机可读存储介质。
背景技术
近年来，由于生物、制药、石化、能源、材料及水厂等行业的迅猛发展，市场上的化学品种类以惊人的速度增长，而这些化学品中不乏有毒有害的危险性气体，这些危险性气体一旦发生泄露，将造成难以挽回的损失。在危险性气体中，有毒重气的危害尤为严重。由于密度比周围的空气大，发生泄漏后易塌陷下沉，形成强烈的分层现象，导致地面浓度最大，重气沿地表移动很长距离浓度也不会降低，在浓度梯度和风力的作用下，也很难在短时间内迅速扩散。
由于有毒重气泄露的不确定性强、事故后果严重、事故连锁性复杂等特点，一旦发生突发性风险事故，容易造成大量的人员伤亡、财产损失和环境污染等问题。然而现实情况是，由于城市环境下气体扩散实验较少以及缺少重气泄露浓度实时预测的理论方法支持，从而严重影响有毒重气泄露事故应急救援资源的运作质量和运作效率。
目前，针对轻气体或中性气体已有较好的预测方法，但是对于重质气体的泄露浓度预测模型的研究仍有很多不足。预测结果较为精确的重气扩散模型一般都需要较长的计算时间，无法满足应急救援高度实时性的要求；而由于基于城市环境下重气扩散实验数据量较少导致能满足应急救援实时性要求的现有重气扩散模型在精度方面仍有很大的提升空间。
因此，如何在城市环境中有毒重气发生泄漏时，高效率、高精度地确定泄漏气体的浓度分布信息，是目前本领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种城市环境中有毒重气泄漏浓度分布确定方法、装置及计算机可读存储介质，在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种城市环境中有毒重气泄漏浓度分布确定方法，包括：
预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于所述模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型；
将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至所述气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
可选的，所述利用CFD数值模拟仿真数据扩充模型训练数据集包括：
获取泄露源信息数据，所述泄露源信息数据包括泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息；
根据模拟流域中的风速随地面高度变化而变化、湍流现象和数值计算准确度确定计算区域，并对所述计算区域进行网格划分操作；
设置数值仿真模拟的模拟参数信息，所述模拟参数信息包括地理参数、气象参数和算法参数；
基于划分好的网格区域信息和所述模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据，以作为所述模型训练数据集的训练数据。
可选的，所述模拟流域中的风速值根据风速计算关系式计算得到，所述风速计算关系式为：
式中，UZ为距离地面高度Z处的风速值，U0为距离地面高度Z0处的风速，Z0为气象站观测点的基准高度，α为根据地表粗糙度确定的常数。
可选的，所述基于划分好的网格区域信息和所述模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据之后，还包括：
以下风向距离间隔为第一预设值、方位角为第二预设值对仿真数据进行筛选，并将筛选得到的数据作为初始训练数据；
按照标准化关系式对所述初始训练数据进行标准化操作，将标准化操作后的数据作为所述模型训练数据集的训练数据；所述标准化关系式为：
式中，X′为标准化操作得到的数据构成的第一数据集，X为所述初始训练数据构成的第二数据集，
为所述第二数据集均值，Xσ为所述第二数据集的标准偏差。
可选的，所述对优化后的模型进行初始权重和偏置初始化包括：
分别利用截尾高斯分布方法、Glorot正态分布初始化方法、He正态分布初始化方法、LeCun正态分布初始化方法对优化后的模型进行初始权重和偏置初始化；
从中选择使所述气体浓度分布预测模型收敛效果最好的方法作为所述气体浓度分布预测模型的权重和偏置初始化方式。
可选的，所述卷积神经网络模型利用Keras深度学习框架实施构建，利用Adam算法训练网络；且按照数据处理顺序依次包括输入层、第一卷积层、第二卷积层、池化层、全连接层和输出层。
本发明实施例另一方面提供了一种城市环境中有毒重气泄漏浓度分布确定的装置，包括：
模型训练模块，用于预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于所述模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型。
气体浓度预测模块，用于将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至所述气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
本发明实施例还提供了一种城市环境中有毒重气泄漏浓度分布确定设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有城市环境中有毒重气泄漏浓度分布确定程序，所述城市环境中有毒重气泄漏浓度分布确定程序被处理器执行时实现如前任一项所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。
本申请提供的技术方案的优点在于，利用CFD数值模拟得到的有毒重气浓度分布仿真数据扩充模型的训练样本集，大大增加了模型训练样本数据，从而有效提高模型训练准确度；在卷积神经网络模型基础上引入遗传算法，实现卷积神经网络模型的结构及训练参数进行自适应寻优，提高了模型的预测效果，将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至训练好的气体浓度分布预测模型中便可快速得到相应的气体浓度分布预测结果，同时解决了相关技术中由于城市环境下的重气扩散实验数据量过少导致预测模型输出的预测结果不精确；以及精确重气扩散模型需要较长的计算时间而无法满足应急救援高度实时性的要求的问题；在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
此外，本发明实施例还针对城市环境中有毒重气泄漏浓度分布确定方法提供了相应的实现装置及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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的附图。
图1为本发明实施例提供的一种城市环境中有毒重气泄漏浓度分布确定方法的流程示意图；
图2为本发明实施例提供的卷积神经网络模型的基本结构示意图；
图3为本发明实施例提供的另一种城市环境中有毒重气泄漏浓度分布确定方法的流程示意图；
图4为本发明实施例提供的一种遗传算法寻优流程示意图；
图5为本发明实施例提供的一种风速随高度变化的曲线示意图；
图6为本发明实施例提供的一个示意性例子的建筑群平面示意图；
图7为本发明实施例提供的基于遗传算法的卷积网络模型迭代过程示意图；
图8为本发明实施例提供的基于不同初始化方法下的模型收敛效果示意图；
图9为本发明实施例提供的气体浓度分布预测模型的预测结果和原始数据的比较结果示意图；
图10为本发明实施例提供的传统CNN网络模型的预测结果和原始数据的比较结果示意图；
图11为本发明实施例提供的基于He正态分布初始化方法、迭代次数为200次条件下的气体浓度分布预测模型的预测结果和原始数据的比较结果示意图；
图12为本发明实施例提供的BP神经网络模型学习率寻优结果示意图；
图13为本发明实施例提供的BP神经网络模型的预测结果和原始数据的比较结果示意图；
图14为本发明实施例提供的气体浓度分布预测模型与相关技术中的多个预测模型的预测精度比较结果示意图；
图15为本发明实施例提供的气体浓度分布预测模型与相关技术中的多个预测模型的预测时间比较结果示意图；
图16为本发明实施例提供的城市环境中有毒重气泄漏浓度分布确定装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例，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，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种城市环境中有毒重气泄漏浓度分布确定方法的流程示意图，本发明实施例可包括以下内容：
S101：预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型。
在本申请中，由于城市有毒重气泄漏的数据较少，所以训练模型的样本数据较少，而基于机器学习训练模型的准确度与训练样本量在一定范围内成正比，若训练样本较少，训练出来的模型的准确度较低。基于此，本申请为了提高模型预测准确度，需要提高模型训练精准度，进而需要扩充训练样本，也就是说，在已有城市环境中泄漏信息作为样本数据的基础上，扩充训练样本总数。可以理解的是，CFD(Computational Fluid Dynamics，计算流体动力学)可以准确模型气体的浓度分布，基于已有泄露源的数据信息通过改变气候条件或泄露源地理位置信息利用CFD技术可以得到大量仿真结果数据，将这些仿真结果数据和真实数据均可作为训练模型的样本数据，从而大大地增加训练样本数据总数。其中，可以通过相关城市测绘地理信息网，利用平台自带的长度测量功能，收集并整理泄露源附近的建筑资料及相关数据，并可通过全球气象资源网站获得相应气象资料。
可以理解的是，由于卷积神经网络的优势，广泛应运用信息预测技术领域中。但是卷积神经网络模型在模型构建过程中，需要耗费大量的时间及人工成本进行手动调参，费时费力。此外，就目前来说，梯度下降算法是训练神经网络最为常见的方法，然而运用该方法的神经网络都存在一个相同的问题即自身的初始参数对网络的训练效果有着较大的影响，初始权重及偏置初始化方式不当，很可能会造成网络无法收敛，网络性能无法达到预期。因此，本申请在卷积神经网络模型的基础上引入遗传算法，实现模型的结构、训练参数优化。可选的，网络结构可按照数据处理顺序依次包括输入层、第一卷积层、第二卷积层、池化层、全连接层和输出层。具体来说，在输入层之后先叠加两层卷积层，保证在即使包含较少网络层次的情况下尽可能提取到更多、更高层次的特征，同时，也避免了池化操作后的重要特征丢失，池化层连接在连续卷积之后；池化操作结束后，先将得到的特征转换成一维，然后输入到全连接层，最后得到网络的输出，整个网络共有5层，基本结构可如图2所示。卷积神经网络模型利用Keras深度学习框架实施构建，利用Adam算法训练网络。卷积神经网络模型待优化项主要分为模型的构建结构参数以及模型训练过程中涉及的其他参数，具体涉及的参数如表1所示：
表1待寻优参数
根据上述待寻优参数以及卷积神经网络的基本架构，利用遗传算法确定该模型的最终结构及训练参数。遗传算法的原理可如下所述：
①染色体编码。染色体变量采用实数编码，染色体中的8个数字分别代表代表单个卷积层的卷积核数量、卷积核大小、随机失活比例、初始学习率、全连接层神经元个数、池化核大小、池化模块的滑动距离和单位批量大小。
②模型初始化。在确定的参数范围内，随机产生规模为N的种群，种群内的个体记为Ni,i＝1,2,3,…,N。设置交叉概率Pc，变异概率Pm，以每一个个体构建的卷积神经网络模型内部迭代次数为50，总遗传代数为100。
③适应度计算。每次进化都会将种群中个体对应的相关参数作为CNN预测模型的相关参数，将计算得到的卷积神经网络模型的均方差作为其适应度值，适应度值越小，表示个体越好。
④种群进化。选择：根据每个个体的适应度值，将第t代种群P(t)中适应度良好的个体遗传至下一代种群P(t+1)。
交叉：随机配对两个个体并以按交叉概率对各自的一部分染色体进行交换
变异：按照变异概率改变个体基因串上的某些值。
当达到了事先设置的迭代次数或是寻得了符合要求的个体，则流程结束，否则继续重复执行进化过程。
S102：将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
其中，当前泄漏源所处位置信息例如可为泄露源在当前建筑物的位置，如高度信息等；当前泄漏源的形状参数信息例如可为泄露口的形状及其大小，当前泄漏源的预设范围内的建筑群分布信息即为当前泄露源泄漏气体可能影响的区域范围，气象参数可为当前泄漏源所处地的风速、风向、温度等。
在本发明实施例提供的技术方案中，利用CFD数值模拟得到的有毒重气浓度分布仿真数据扩充模型的训练样本集，大大增加了模型训练样本数据，从而有效提高模型训练准确度；在卷积神经网络模型基础上引入遗传算法，实现卷积神经网络模型的结构及训练参数进行自适应寻优，提高了模型的预测效果，将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至训练好的气体浓度分布预测模型中便可快速得到相应的气体浓度分布预测结果，同时解决了相关技术中由于城市环境下的重气扩散实验数据量过少导致预测模型输出的预测结果不精确；以及精确重气扩散模型需要较长的计算时间而无法满足应急救援高度实时性的要求的问题；在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
在一种具体的实施方式中，利用CFD数值模拟仿真数据扩充模型训练数据集的过程可包括：
获取泄露源信息数据，泄露源信息数据包括泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息；根据模拟流域中的风速随地面高度变化而变化、湍流现象和数值计算准确度确定计算区域，并对计算区域进行网格划分操作；设置数值仿真模拟的模拟参数信息，模拟参数信息包括地理参数、气象参数和算法参数；基于划分好的网格区域信息和模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据，以作为模型训练数据集的训练数据。其中，地理参数例如可为风速入口、泄漏口、地面参数、浓度分布所处的水平面高度信息等，气象参数例如可为风速、风速、温度等，算法参数例如可为求解器参数、湍流模型、算法类型、计算步长、时间步数量及每个时间步的迭代次数等。
可以理解的是，模型初始化参数的准确度对整个模型预测精度有很大影响，为了进一步提高模型预测精度，在对优化后的模型进行初始权重和偏置初始化方式的选择过程可包括：
分别利用截尾高斯分布方法、Glorot正态分布初始化方法、He正态分布初始化方法、LeCun正态分布初始化方法对优化后的模型进行初始权重和偏置初始化；从中选择使气体浓度分布预测模型收敛效果最好的方法作为气体浓度分布预测模型的权重和偏置初始化方式。
其中，截尾高斯分布初始化方式与随机均匀分布类似，但位于均值两个标准差以外的数据将会被丢弃并重新生成，形成截尾分布，该分布是神经网络权重和滤波器的推荐初始化方法。考虑到初始权重及偏置对深度神经网络的预测结果有着较大的影响，合理的权重初始化的方法能够帮助神经网络更快的找到最优解决方案，故尝试多种初始化方法，择优而用，以获得性能更优的卷积神经网络模型。
Glorot正态分布初始化方法，也称作Xavier正态分布初始化，参数由0均值，标准差为a的正态分布产生，a的计算公式可如式(1)所示：
He正态分布初始化方法，参数由0均值，标准差为b的正态分布产生，b的计算公式可如式(2)所示：
LeCun均匀分布初始化方法，参数由[-limit，limit]的区间中均匀采样获得，limit的计算公式可如式(3)所示：
式中，fanin为输入的单元个数，fanout为输出的单元个数。
利用上述四种方法进行权重及偏置初始化，然后根据模型收敛情况，确定CNN优化模型的初始权重及偏置优化选用何种初始化方式。
作为另外一种可选的实施方式，考虑到整个样本集的数据量较为庞大，计算负荷较重，为缓解计算压力，可以下风向距离间隔为第一预设值如1m、方位角为第二预设值例如2°对CFD导出的仿真数据进行筛选，并将筛选得到的数据作为初始训练数据。在对各个维度的相对重要性未知的情况下，为了保证网络的收敛性及精确度，对数据进行标准化操作是不可缺少的一步。因此，为了避免丢失低数值数据特征属性的情况，按照标准化关系式对初始训练数据进行标准化操作，将标准化操作后的数据作为模型训练数据集的训练数据。可从模型训练数据集中随机选取一组作为模型的测试集，其余数据作为模型的训练集。其中，标准化关系式可表示为：
式中，X′为标准化操作得到的数据构成的第一数据集，X为初始训练数据构成的第二数据集，
为第二数据集均值，Xσ为第二数据集的标准偏差。
在本发明实施例中，为了使本领域技术人员更加清楚明白本申请的方案，本申请还以具体实例阐述本申请技术方案的实现过程，请参阅图3所示，可包括下述内容：
步骤1：查询相关城市测绘信息网，收集并整理泄露源附近的建筑资料及相关数据；
步骤2：建立计算区域及网格划分；
在进行CFD数值模拟时，通常用一个有限的计算区域来替代一个无限大的空间既要使求解封闭，保证壁面的设置不会影响数值计算结果，即计算域的构建不宜太小，也不宜太大。本申请计算域可在workbench自带的Geometry模块中完成的，模拟的流域中的风速会随地面高度变化，同时考虑湍流的充分发展及数值计算的准确性，来确定计算域的大小。采用系统默认的四面体非结构化网格对计算域进行划分，在管道泄漏口区域及建筑群区域做细化处理，以此来提高结果的精确度。
其中，模拟流域中的风速值可根据风速计算关系式计算得到，风速计算关系式可表示为：
式中，UZ为距离地面高度Z处的风速值，U0为距离地面高度Z0处的风速，Z0为气象站观测点的基准高度，例如可为10m，α为根据地表粗糙度确定的常数，例如α取值可为0.4。当气象站观测风速为2m·s-1时，风速随高度变化的曲线如图5所示。
步骤3：设置数值模拟初始条件；
网格划分好后，进入Fluent模块并设置边界条件，边界条件例如可包括设置风速入口、质量流入口、地面设置及压力出口设置。
步骤4：气象条件收集及参数确定；
泄漏事故发生地的气象条件对有毒重气扩散有着极为重要的影响，可登陆全球气象资源网站获得相应资料。本发明所使用的仿真软件是workbench软件中的FLUENT模块，导入已划分好的网格文件，并对求解器、湍流模型、边界条件等进行设置。
步骤5：获取数值模拟数据并进行标准化处理；
步骤6：构建遗传算法对模型结构及训练参数进行选择；
①染色体编码。染色体变量采用实数编码，染色体中的8个数字分别代表代表单个卷积层的卷积核数量、卷积核大小、随机失活比例、初始学习率、全连接层神经元个数、池化核大小、池化模块的滑动距离和单位批量大小。
②模型初始化。在确定的参数范围内，随机产生规模为N的种群，种群内的个体记为Ni,i＝1,2,3,…,N，设置交叉概率Pc，变异概率Pm。
③适应度计算。每次进化都会将种群中个体对应的相关参数作为CNN预测模型的相关参数，将计算得到的CNN模型的均方差作为其适应度值，适应度值越小，表示个体越好。
④种群进化。对每次迭代中的染色体进行选择、交叉、变异操作。其具体流程图可如图4所示。
步骤7：对卷积神经网络模型初始权重及偏置进行优化；
根据上述步骤所确定的网络结构及相关训练参数，利用上述方法中所提到的四种方法进行权重及偏置初始化，获取卷积神经网络模型的最终的权重及偏置初始化方式。
步骤8：获取CNN优化模型，即气体浓度分布预测模型的最终预测结果，计算误差、拟合度、时间等)。
将上述步骤6、7确定的模型结构、训练参数、初始权重及偏置优化方式，将其作为气体浓度分布预测模型的结构及其优化方式，获得气体浓度分布预测模型最终的预测结果。
此外，为便于本领域技术人员理解本发明实施例所提供的技术方案，下面以氯气泄漏事故为例，对本申请所提供的技术方案进行详细说明。
步骤1：获取训练数据及测试数据
以某地某一小区的氯气泄漏事故的CFD数值模拟，泄漏口位于距离B2建筑物20m处的正南方，泄漏高度为0.5m，泄漏口大小为直径360mm的圆形泄漏口，整理后得到的该小区建筑群平面示意图(单位：米)如图6所示。该小区建筑群中共有A1、A2、B、C、D、E、F七类建筑，图6已将每栋建筑单独编号：其中A1类建筑共33层，高100m；A2类建筑共16层，高50m；B类建筑共33层，高100m；C类建筑共11层，高35m；D类建筑共23层，高70m；E类建筑共4层，高13m；F类建筑共33层，高100m。如表2所示：
表2建筑种类说明
其计算域的大小：最高建筑高度Hmax＝100m，则进口边界离最近的建筑物距离为500m，出口边界离最近的建筑物距离为1500m，上边界离地面高度为600m，两边壁面离整个建筑群距离均为500m。采用系统默认的四面体非结构化网格对计算域进行划分，在管道泄漏口区域及建筑群区域做细化处理，以此来提高结果的精确度。网格划分结果如图7所示，单元网格数为5863054，节点网格数为1204017。
初始条件设置：计算域的最左侧为风速入口，设置为velocity inlet；泄漏口为质量流入口，设置为mass flow inlet；地面设置为wall；其余界面为压力出口，无回流，均设为pressure out边界条件。
气象参数设定：气象台观测到的风速在1m·s-1至4m·s-1之间选择，风速在0°(西风)至45°之间选择，温度在5℃至25℃之间选择，从而仿真多组不同气象条件下的扩散情况，以提高样本的多样性。
将划分好的网格文件导入workbench软件中的FLUENT模块，进行如下设置：
①解器选择基于压力的隐式求解器，并设置为非稳态计算。开启重力选项，并设置Z轴的重力加速度为-9.81m/s2；
②湍流模型选择Realizable k-ε；
③开启能量方程；
④材料及组分选择，首先在材料库中添加氯气气体，并在物质传输模块中设置氯气气体和空气和两相流，并开启进口扩散(inlet diffusion)选项
⑤设置模拟的流域中的风速参数：风速随高度变化可采用风速计算关系式。
编写UDF文件作为接口，导入FLUENT来修正风速进口即velocity inlet的边界条件，氯气初始体积分数为0；为模拟多种泄漏情况，提高样本的多样性，分别模拟在不同气象条件下，管道泄漏口即mass flow inlet边界的泄露速率分别为0.5kg/s，1kg/s和1.5kg/s的情况，二氧化硫初始体积分数为1；设置大气温度。
⑥模拟算法类型可选择PISO算法，并进行初始化处理；
⑦设置计算步长、时间步数量及每个时间步的迭代次数。步长过大会影响数值模拟的准确性，故将步长设为0.2s，共600个时间步，每个时间步内迭代10次，即模拟氯气泄漏2分钟后的浓度分布情况；
⑧创建与地面平行且离地高度为1m的水平面，并将该平面的浓度分布数据导出，导出的仿真结果数据即可作为模型训练样本数据或测试数据。
考虑到整个样本集的数据量较为庞大，计算负荷较重，为缓解计算压力，以下风向距离间隔为1m，方位角为2°的条件对导出的数据进行筛选，并以筛选后的数据集作为样本总量。
步骤2：卷积网络模型参数优化过程
①染色体编码。对待寻优参数进行实数编码，单个卷积层的卷积核数量为64，卷积核大小为2×2，随机失活比例为0.2，初始学习率为0.01，全连接层神经元个数为256，池化核大小为2×2，池化模块的滑动距离为2，单位批量大小为128。该染色体编码可为[64 20.2 0.01 256 2 2 128]。
②模型初始化。种群规模设为20即N＝20，交叉概率Pc＝0.3，变异概率Pm＝0.15，以每一个个体构建的CNN模型内部迭代次数为50，总遗传代数为100。
③适应度计算。
④种群进化。
按照上述流程对卷积神经网络模型相关结构及训练参数进行寻优，经过遗传算法迭代100次获得了寻得了卷积神经网络模型模型最优参数，图6为算法寻优的迭代过程。当卷积核大小为2×2，卷积核数量为32，池化核大小为2×2，滑动距离为1，随机失活比例为0.1，初始学习率为0.001，全连接层神经元个数为512，单位批量大小为128时，模型效果最优。
步骤3：CNN模型权重及偏置初始化法优化
根据上述所提到的四种权重及偏置初始化法，针对相同的训练集所获得的收敛效果如图7所示。由图7可知，当选择He正态分布初始化方式时，模型的收敛效果最佳，将上述步骤所获得的CNN模型的参数、结构等作为CNN优化模型的参数、结构。
步骤4：模型预测结果输出
本申请基于测试集中的样本数据可分别采用均方误差MSE评价指标、R2评价指标和IMSE评价指标对训练得到的各模型进行模型准确度评价。
其中，
IMSE＝MSE/R2；
式中，n为测试集中的样本数据总数，yi为测试集中第i个样本数据对应的真实浓度分布数据，
为第i个样本数据对应的预测浓度数据，
为验证样本集中真实浓度分布数据的平均值。
设定迭代次数为200次，预测效果如图8所示。优化后最终模型的预测结果与测试集真实数据之间的MSE为65.046，R2为0.809，IMSE(即为MSE与R2的比值)为80.40。
最后，为了验证本申请采用的遗传算法寻得的参数是最适合城市环境下的气体浓度分布预测模型，按照已有的调参经验，选取一组参数作为CNN模型的构建基础，利用训练集样本同时对这两种CNN模型进行训练，并利用这两个模型对测试集数据进行预测，放大迭代次数至200次，最终两者的预测效果如图9和图10所示。其中，以遗传算法寻得的最优参数构建的CNN模型(GA CNN)的预测结果与测试集的真实数据之间的MSE为91.202，R2为0.732，IMSE为124.59。按照过往经验构建的CNN模型的预测结果与真实数据之间的MSE为272.299，R2为0.201，IMSE为1354.72。
由图7可知，当选择He正态分布初始化方式时，模型的收敛效果最佳。基于遗传算法寻优，然后选择He正态分布的初始化方式得到的CNN优化模型，即气体浓度分布预测模型。设定迭代次数为200次，该模型的预测效果如图11所示。气体浓度分布预测模型的预测结果与测试集真实数据之间的MSE为65.046，R2为0.809，IMSE为80.40。
BP神经网络包含两个隐藏层，BP神经网络模型的输入为气象条件及泄漏情况，输出层仅包含一个神经元，用以获得最终的待预测点的浓度。在设置学习率大小为0.001的情况下，通过交叉验证法分别确定了两个隐藏层的神经元个数。当第一隐含层神经元数为190个，第二隐含层神经元数为4个时，模型效果最佳。在确定了神经元个数的情况下，通过交叉验证法对BP神经网络模型的学习率进行寻优，寻优结果如图12所示。在确定完所有参数后，利用训练集样本对BP神经网络模型进行训练，设置迭代次数为5000次，训练结束后，利用测试集对模型的预测效果进行预测，其结果如图13所示。预测结果与实验数据之间的MSE为426.651，R2为-0.252。
采用截尾高斯分布初始化方法的经验CNN模型、本申请的气体浓度分布预测模型、优化CNN模型以及BP神经网络模型的效果图如图14和图15、表3所示。由图及表可明显看出气体浓度分布预测模型无论是在精度还是预测时间上都有着绝对的优势。
表3各模型预测效果
由上可知，本申请提供的技术方案一方面，解决了城市野外气体释放试验数据量过少无法构建模型的问题，另一方面，在保证预测精度与CFD模型相近的同时，大大降低了其时间成本。此外，在CNN模型的基础上引入了遗传算法，实现CNN模型的结构及训练参数进行自适应寻优，此外，择优选取模型的权重及偏置初始化方式进一步提高了模型的预测效果。将本申请提出的模型的预测结果同其余模型进行对比，实验效果表明，本申请提供的预测模型性能最佳。
本发明实施例还针对城市环境中有毒重气泄漏浓度分布确定方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的城市环境中有毒重气泄漏浓度分布确定装置进行介绍，下文描述的城市环境中有毒重气泄漏浓度分布确定装置与上文描述的城市环境中有毒重气泄漏浓度分布确定方法可相互对应参照。
参见图16，图16为本发明实施例提供的城市环境中有毒重气泄漏浓度分布确定装置在一种具体实施方式下的结构图，该装置可包括：
模型训练模块161，用于预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型。
气体浓度预测模块162，用于将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
可选的，在本实施例的一些实施方式中，所述模型训练模块161可包括训练样本扩充子模块，所述训练样本扩充子模块包括：
信息获取单元，用于获取泄露源信息数据，泄露源信息数据包括泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息；
计算域确定单元，用于根据模拟流域中的风速随地面高度变化而变化、湍流现象和数值计算准确度确定计算区域，并对计算区域进行网格划分操作；
参数设置单元，用于设置数值仿真模拟的模拟参数信息，模拟参数信息包括地理参数、气象参数和算法参数；
数值模拟单元，用于基于划分好的网格区域信息和模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据，以作为模型训练数据集的训练数据。
在本发明实施例的一些具体实施方式中，所述模型训练模块161还可包括数据处理子模块，所述数据处理子模块可包括：
数据筛选单元，用于以下风向距离间隔为第一预设值、方位角为第二预设值对仿真数据进行筛选，并将筛选得到的数据作为初始训练数据；
标准化操作单元，用于按照标准化关系式对初始训练数据进行标准化操作，将标准化操作后的数据作为模型训练数据集的训练数据；标准化关系式为：
式中，X′为标准化操作得到的数据构成的第一数据集，X为初始训练数据构成的第二数据集，
为第二数据集均值，Xσ为第二数据集的标准偏差。
作为一种可选的实施方式，所述模型训练模块161具体可用于分别利用截尾高斯分布方法、Glorot正态分布初始化方法、He正态分布初始化方法、LeCun正态分布初始化方法对优化后的模型进行初始权重和偏置初始化；从中选择使气体浓度分布预测模型收敛效果最好的方法作为气体浓度分布预测模型的权重和偏置初始化方式。
本发明实施例所述城市环境中有毒重气泄漏浓度分布确定装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
本发明实施例还提供了一种城市环境中有毒重气泄漏浓度分布确定装置，具体可包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。
本发明实施例所述城市环境中有毒重气泄漏浓度分布确定装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
本发明实施例还提供了一种计算机可读存储介质，存储有城市环境中有毒重气泄漏浓度分布确定程序，所述城市环境中有毒重气泄漏浓度分布确定程序被处理器执行时如上任意一实施例所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。该存储介质可以为U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例在城市环境中有毒重气发生泄漏时，能够高效率、高精度地确定泄漏气体的浓度分布信息。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种城市环境中有毒重气泄漏浓度分布确定方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (9)
1.一种城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，包括：
预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于所述模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型；
将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至所述气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
2.根据权利要求1所述的城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，所述利用CFD数值模拟仿真数据扩充模型训练数据集包括：
获取泄露源信息数据，所述泄露源信息数据包括泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息；
根据模拟流域中的风速随地面高度变化而变化、湍流现象和数值计算准确度确定计算区域，并对所述计算区域进行网格划分操作；
设置数值仿真模拟的模拟参数信息，所述模拟参数信息包括地理参数、气象参数和算法参数；
基于划分好的网格区域信息和所述模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据，以作为所述模型训练数据集的训练数据。
3.根据权利要求2所述的城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，所述模拟流域中的风速值根据风速计算关系式计算得到，所述风速计算关系式为：
式中，UZ为距离地面高度Z处的风速值，U0为距离地面高度Z0处的风速，Z0为气象站观测点的基准高度，α为根据地表粗糙度确定的常数。
4.根据权利要求2所述的城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，所述基于划分好的网格区域信息和所述模拟参数信息对预设类型的有毒重气在不同气象环境中进行CFD数值模拟得到相应的气体浓度分布数据之后，还包括：
以下风向距离间隔为第一预设值、方位角为第二预设值对仿真数据进行筛选，并将筛选得到的数据作为初始训练数据；
按照标准化关系式对所述初始训练数据进行标准化操作，将标准化操作后的数据作为所述模型训练数据集的训练数据；所述标准化关系式为：
式中，X′为标准化操作得到的数据构成的第一数据集，X为所述初始训练数据构成的第二数据集，
为所述第二数据集均值，Xσ为所述第二数据集的标准偏差。
5.根据权利要求1所述的城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，所述对优化后的模型进行初始权重和偏置初始化包括：
分别利用截尾高斯分布方法、Glorot正态分布初始化方法、He正态分布初始化方法、LeCun正态分布初始化方法对优化后的模型进行初始权重和偏置初始化；
从中选择使所述气体浓度分布预测模型收敛效果最好的方法作为所述气体浓度分布预测模型的权重和偏置初始化方式。
6.根据权利要求1至5任意一项所述的城市环境中有毒重气泄漏浓度分布确定方法，其特征在于，所述卷积神经网络模型利用Keras深度学习框架实施构建，利用Adam算法训练网络；且按照数据处理顺序依次包括输入层、第一卷积层、第二卷积层、池化层、全连接层和输出层。
7.一种城市环境中有毒重气泄漏浓度分布确定装置，其特征在于，包括：
模型训练模块，用于预先利用CFD数值模拟仿真数据扩充模型训练数据集，并基于所述模型训练数据集利用遗传算法对卷积神经网络模型的模型结构和训练参数进行优化，同时对优化后的模型进行初始权重和偏置初始化，以训练得到气体浓度分布预测模型；
气体浓度预测模块，用于将当前泄漏源所处位置信息和形状参数信息、预设范围内的建筑群分布信息和气象参数输入至所述气体浓度分布预测模型中，得到泄漏气体的浓度分布信息。
8.一种城市环境中有毒重气泄漏浓度分布确定装置，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有城市环境中有毒重气泄漏浓度分布确定程序，所述城市环境中有毒重气泄漏浓度分布确定程序被处理器执行时实现如权利要求1至6任一项所述城市环境中有毒重气泄漏浓度分布确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911382403.6A CN111144055B (zh) | 2019-12-27 | 2019-12-27 | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911382403.6A CN111144055B (zh) | 2019-12-27 | 2019-12-27 | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144055A true CN111144055A (zh) | 2020-05-12 |
| CN111144055B CN111144055B (zh) | 2024-02-02 |
Family
ID=70521293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911382403.6A Active CN111144055B (zh) | 2019-12-27 | 2019-12-27 | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144055B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611723A (zh) * | 2020-06-05 | 2020-09-01 | 中国石化销售股份有限公司华南分公司 | 城市建筑群输送管道泄漏扩散数据生成方法、装置及介质 |
| CN111680889A (zh) * | 2020-05-20 | 2020-09-18 | 中国地质大学（武汉） | 一种基于交叉熵的海上石油泄漏源定位方法及装置 |
| CN111680842A (zh) * | 2020-06-11 | 2020-09-18 | 中国石化销售股份有限公司华南分公司 | 一种跨越河流输油管道油品泄漏扩散预估方法及相关装置 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN113962164A (zh) * | 2021-09-10 | 2022-01-21 | 中国石油大学(华东) | 考虑不确定性推理的有机气体泄漏扩散实时智能预警方法 |
| WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子（中国）有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
| CN116154332A (zh) * | 2023-04-18 | 2023-05-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种电池包泄露源定位方法、设备及介质 |
| CN116306377A (zh) * | 2023-04-04 | 2023-06-23 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及系统 |
| CN117316323A (zh) * | 2023-09-20 | 2023-12-29 | 南京信息工程大学 | 地铁站内生化气体扩散数值模拟方法及应急预案生成系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
| KR20190105429A (ko) * | 2018-03-05 | 2019-09-17 | 서울대학교산학협력단 | 독성 가스 릴리스 모델링 장치 및 모델링 방법 |
| CN110569514A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种危化品泄漏污染范围的确定方法 |
-
2019
- 2019-12-27 CN CN201911382403.6A patent/CN111144055B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914622A (zh) * | 2014-04-04 | 2014-07-09 | 清华大学 | 一种化学品泄漏快速预测预警应急响应决策方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| KR20190105429A (ko) * | 2018-03-05 | 2019-09-17 | 서울대학교산학협력단 | 독성 가스 릴리스 모델링 장치 및 모델링 방법 |
| CN110569514A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种危化品泄漏污染范围的确定方法 |
| CN109190828A (zh) * | 2018-09-07 | 2019-01-11 | 苏州大学 | 泄漏气体浓度分布确定方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张加宏等: "基于CFD和BP神经网络的超声测风仪阴影效应补偿研究", 传感技术学报, no. 08 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680889A (zh) * | 2020-05-20 | 2020-09-18 | 中国地质大学（武汉） | 一种基于交叉熵的海上石油泄漏源定位方法及装置 |
| CN111680889B (zh) * | 2020-05-20 | 2023-08-18 | 中国地质大学（武汉） | 一种基于交叉熵的海上石油泄漏源定位方法及装置 |
| CN111611723B (zh) * | 2020-06-05 | 2023-05-23 | 中国石化销售股份有限公司华南分公司 | 城市建筑群输送管道泄漏扩散数据生成方法、装置及介质 |
| CN111611723A (zh) * | 2020-06-05 | 2020-09-01 | 中国石化销售股份有限公司华南分公司 | 城市建筑群输送管道泄漏扩散数据生成方法、装置及介质 |
| CN111680842A (zh) * | 2020-06-11 | 2020-09-18 | 中国石化销售股份有限公司华南分公司 | 一种跨越河流输油管道油品泄漏扩散预估方法及相关装置 |
| WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子（中国）有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN113962164B (zh) * | 2021-09-10 | 2022-09-30 | 中国石油大学(华东) | 考虑不确定性推理的有机气体泄漏扩散实时智能预警方法 |
| CN113962164A (zh) * | 2021-09-10 | 2022-01-21 | 中国石油大学(华东) | 考虑不确定性推理的有机气体泄漏扩散实时智能预警方法 |
| CN116306377A (zh) * | 2023-04-04 | 2023-06-23 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及系统 |
| CN116306377B (zh) * | 2023-04-04 | 2024-04-05 | 中国石油大学(华东) | 一种加氢站泄漏事故后果快速预测方法及系统 |
| CN116154332A (zh) * | 2023-04-18 | 2023-05-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种电池包泄露源定位方法、设备及介质 |
| CN116154332B (zh) * | 2023-04-18 | 2023-06-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种电池包泄露源定位方法、设备及介质 |
| CN117316323A (zh) * | 2023-09-20 | 2023-12-29 | 南京信息工程大学 | 地铁站内生化气体扩散数值模拟方法及应急预案生成系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144055B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111144055B (zh) | 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质 | |
| CN111191316B (zh) | 一种基于响应面的建筑自然通风性能优化模型及优化方法 | |
| CN106649960B (zh) | 大气多污染物环境容量三维迭代计算方法 | |
| CN112382352B (zh) | 基于机器学习的金属有机骨架材料结构特征快速评估方法 | |
| Shen et al. | Investigation of response surface methodology for modelling ventilation rate of a naturally ventilated building | |
| CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
| Moriarty et al. | IEA-Task 31 WAKEBENCH: Towards a protocol for wind farm flow model evaluation. Part 2: Wind farm wake models | |
| CN102799772A (zh) | 面向空气质量预报的样本优化方法 | |
| CN110533248A (zh) | 融合机器学习和lstm的大气污染物浓度预测方法 | |
| CN106792749B (zh) | 基于cfd和聚类算法的无线传感器网络节点部署方法 | |
| CN110766222A (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
| CN107590351A (zh) | 一种离心泵扬程特性分析与预测的方法 | |
| Richmond et al. | Evaluation of an offshore wind farm computational fluid dynamics model against operational site data | |
| CN110751176A (zh) | 一种基于决策树算法的湖泊水质预测方法 | |
| Chronis et al. | Generative fluid dynamics: integration of fast fluid dynamics and genetic algorithms for wind loading optimization of a free form surface | |
| Kim | The application of CFD to building analysis and design: a combined approach of an immersive case study and wind tunnel testing | |
| CN114662344A (zh) | 基于连续在线观测数据的大气污染溯源预测方法及系统 | |
| CN110390343A (zh) | 一种空间气象数据的订正方法及系统 | |
| Adelia et al. | Tool comparison for urban microclimate modelling | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| CN103793582A (zh) | 圆柱壳大开孔接管结构优化方法 | |
| CN115544916A (zh) | 含植被明渠的污染物扩散预测方法及装置 | |
| KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
| CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
| CN115295098A (zh) | 一种基于机器学习的圆球颗粒体系渗透特性的预测方法及系统 |
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 |