CN112417786B - 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 - Google Patents
一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 Download PDFInfo
- Publication number
- CN112417786B CN112417786B CN202011335000.9A CN202011335000A CN112417786B CN 112417786 B CN112417786 B CN 112417786B CN 202011335000 A CN202011335000 A CN 202011335000A CN 112417786 B CN112417786 B CN 112417786B
- Authority
- CN
- China
- Prior art keywords
- space
- image
- evaluated
- vulnerability
- people
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Civil Engineering (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于污染物扩散和人员分布密度的空间脆弱性评价方法。所述方法包括如下步骤:在待评价空间内均匀布置n个污染源,得到n个污染源在待评价空间流场下的浓度时空数据;获取待评价空间在时间段τ内的视频片段,然后按照平均间隔获取x帧图像用于识别,得到图像识别结果;将待评价空间平均划分为m个网格,根据图像识别结果,统计每帧图像中每个网格内的人员数量,得到识别数量最高的一帧图像;获取识别图像中每个网格的人员数量,根据式(1)‑(2)得到第i个网格的人员分布密度Di;根据式(3)‑(4)得到待评价空间位置p处的脆弱性;进而得到待评价空间n个位置的CDR值,将结果进行罗列对比展示,即实现对整个空间的脆弱性可视化分析。
Description
技术领域
本发明涉及一种基于污染物扩散和人员分布密度的空间脆弱性评价方法。
背景技术
“脆弱性”一词由地学领域学者Timmerman于20世纪80年代提出,他将脆弱性理解为系统在面临不利影响干扰时所受负面影响的程度,系统的弹性决定了系统在面临干扰时所引起不利影响的程度,表示系统承受灾害的能力及从灾害中恢复的能力(Timmerman P.,Vulnerability,Resilience and the Collapse of Society:Models and PossibleClimatic Applications[D].Institute for Environmental Studies,1981.)。随后这一概念被引入生态环境、公共安全、工程结构等领域,一般从暴露风险及负面影响两个方面综合考虑。目前尚未发现有专门针对室内突发污染释放及其后果的空间脆弱性研究相关报道,但是该问题主要涉及到污染物的扩散程度以及对人员的影响,可以借鉴建筑环境领域的相关概念和方法。
室内污染物的浓度场,在稳态的情况下,取决于污染源和流场,而非稳态情况下则由污染物初始分布、污染源和流场共同决定。对浓度场的描述指标通常包括污染物排空时间(Timmerman P.,Vulnerability,Resilience and the Collapse of Society:Modelsand Possible Climatic Applications[D].Institute for Environmental Studies,1981.Yang J.,Li X.,Zhao B.,Prediction of transient contaminant dispersion andventilation performance using the concept of accessibility[J].Energy andBuildings,2004,36(3):293-299.)污染的扩散范围SVE1、排污效率或通风效率以及描述流场污染危险性或免疫性的空间流动影响因子等(Timmerman P.,Vulnerability,Resilience and the Collapse of Society:Models and Possible ClimaticApplications[D].Institute for Environmental Studies,1981.)。这些指标除了用来评价浓度场分布,还可用于新风量确定和气流组织评价等方面,有助于人们对系统的性能获得总体的概念。但上述指标通常适用于稳态条件下的室内流速场和浓度场,而污染物需要较长的扩散时间才能在空气中达到稳态分布,因此无法描述污染物的动态传播,实际应用受限。为了对非稳态的室内污染物传播过程进行描述,清华大学李先庭课题组(TimmermanP.,Vulnerability,Resilience and the Collapse of Society:Models and PossibleClimatic Applications[D].Institute for Environmental Studies,1981.Yang J.,LiX.,Zhao B.,Prediction of transient contaminant dispersion and ventilationperformance using the concept of accessibility[J].Energy and Buildings,2004,36(3):293-299.)开创性地提出了送风可及性(Accessibility of Supplied Air,ASA)和污染源可及性(Accessibility of Contaminant Source,ACS),并建立了污染物浓度和送风可及性、污染源可及性以及均匀初始浓度之间的关系。Yang等(Sandberg M.,Ventilation Efficiency as a Guide to Design.ASHRAE Transactions[J].1983,89(2B):455-479.)人根据送回风的连接形式,对通风空调系统进行了新的分类,以使连接关系能够更好和污染物浓度计算建立联系,同时应用送风可及性、污染源可及性的概念,建立了不同系统连接形式下的室内浓度计算关系,可直接进行回风系统下的污染物定量计算。以上指标可以定量描述某一污染源能够波及的空间范围,但没有考虑污染气体在扩散过程中对内部移动人员的持续伤害作用,因此对建筑安全的评价缺乏全面性和科学性。
发明内容
本发明的目的是提供一种基于污染物扩散和人员分布密度的空间脆弱性评价方法,本发明基于污染源引起的浓度时序变化,耦合人员空间分布密度,得到了污染物对于人员的持续伤害率(CDR)。
本发明所提供的基于污染物扩散和人员分布密度的空间脆弱性评价方法,包括如下步骤:
S1、在待评价空间内均匀布置n个污染源,可采用计算机模拟得到所述n个污染源在待评价空间流场下的浓度时空数据;
S2、获取待评价空间在时间段τ内的视频片段,然后按照平均间隔获取x帧图像用于识别,得到图像识别结果,所述图像识别结果包括每个人在图像中的位置信息;
S3、将待评价空间平均划分为m个网格,根据所述图像识别结果,统计每帧图像中每个网格内的人员数量,实际操作时可以在每帧前后多选取几帧进行识别,得到识别数量最高的一帧图像来代表该时间间隔内的识别图像;
S4、获取所述识别图像中每个网格的人员数量,根据式(1)和式(2)即得到第i个网格的人员分布密度Di:
其中,Pi,j表示第j帧图像中第i个网格内的人数;
根据定义∑Di=1;
S5、根据式(3)和式(4)得到待评价空间位置p处的脆弱性:
其中,假定待评价空间内部初始浓度为0,某点p处的污染气体从0时刻开始释放,CDRp,τ表示间段τ内待评价空间位置p处的所述污染源对整个空间人员的伤害率,即位置p处的脆弱性;
伤害因子Ii表示点i在时间段τ内是否达到某一伤害阈值ID;Ci(t)表示利用计算机模拟得到的空间中点i在t时刻的浓度值;
Di表示点i在时间段τ内的人员密度分布;
S5、根据步骤S4得到待评价空间n个位置的CDR值,将结果进行罗列对比展示,即实现对整个空间的脆弱性可视化分析。
上述的空间脆弱性评价方法中,步骤S1中,按照密度为0.2~2个/m2设置所述污染源,设置的污染源的数量决定了评价的精细程度,具体可根据精细度和成本确定,优选0.5~1个/m2。
上述的空间脆弱性评价方法中,步骤S1中,采用计算流体力学(CFD)的方法得到所述污染源在待评价空间流场下的浓度时空数据,再积分得到某一时间段内各自的污染剂量,即考虑时间维度,由此得到n个扩散案例,由于污染源位置平均分布,因此这n个案例可以覆盖整个待评价空间。
上述的空间脆弱性评价方法中,步骤S2中,所述时间段τ为0~100s;
所述平均间隔为0.5~5s,优选1s。
上述的空间脆弱性评价方法中,步骤S2中,采用目标检测算法yolo-v4用于图像识别;
目标检测算法yolo-v4由三个部分组成,利用CSPDarknet53主干特征提取网络,获得三层具有高语义信息的残差网络结构;然后对输出的特征层进行卷积操作之后进入SPP-net金字塔池化网络,实现最大池化;其结果和上一层得到的另外两个特征层输入PANet网络,获得不同大小块的特征结果;最后通过Yolo Head得到图像预测结果,其中包含了人物个体及其在图像中的位置信息。
上述的空间脆弱性评价方法中,步骤S3中,每个网格的面积为1m×1m~7m×7m;划分的网格的数量决定了评价的精细程度,具体可根据精细度和图像识别准确率确定,优选每个网格的面积约为4m×4m。
上述的空间脆弱性评价方法中,步骤S4中,采用PNPoly算法获取所述识别图像中每个网格的人员数量;
具体步骤为:首先确定每个网格的顶点坐标,然后判断坐标点是否在顶点围城的多边形包围的范围之内,使用PNPoly算法,其原理是从这个点引一条射线,与多边形的边的交点是奇数个,就在多边形的内部;如果是偶数个,那么该点在多边形的外面。对图像中所获得的位置点使用PNPoly算法,就可以得出每帧图像中各个网格内的人员数量。
上述的空间脆弱性评价方法中,步骤S5中,式(3)中,Ii×Di表示某污染源在一定时间内对点i附近人员的伤害程度;而CDR是对空间全部点i的Ii×Di进行加和,即得到该污染源在一定时间内对整个空间人员的伤害程度。根据定义,CDR值受扩散覆盖面积和人员分布规律的双重影响,相关系数确定以后,CDR值越大,表明该位置突发污染物释放对系统内人员的伤害后果越大,进而判定该位置的脆弱性更高,当达到特定伤害剂量的污染物覆盖空间内的全部人员时,CDR=1。
本发明基于污染源引起的浓度时序变化,耦合人员空间分布密度,提出污染烟羽对人员的持续伤害率(CDR);本发明通过预置污染源位置,计算不同区域突发污染物释放所引起的整个空间的人员伤害,并以此为指标评价空间脆弱性。
附图说明
图1为本发明具体实施方式中不同污染源引起的累积剂量和伤害因子分布。
图2为利用本发明提供的CDR分析得到的空间脆弱性结果。
图3为利用现有SVE分析得到的空间脆弱性结果。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明,均为常规方法。
下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
本发明基于污染物扩散和人员分布密度的空间脆弱性评价方法的步骤如下:
1、空间污染物扩散的浓度场模拟
将待评价空间均匀设置n个污染源,其数量决定了评价的精细程度,为平衡精细度和计算成本,建议划分为0.5个/m2。随后分别利用计算流体力学(CFD)计算该污染源在待评价空间流场下的浓度时空数据,再积分得到某一时间段内各自的污染剂量,即考虑时间维度,由此可以得到n个扩散案例。由于污染源位置平均分布,因此这n个案例可以覆盖整个待评价空间。
2、基于图像识别的人员分布密度计算
将待计算时间段τ的视频片段,按平均间隔提取x帧图像用于识别,建议时间间隔为1秒,即当计算时长设定为τ=10时,共提取等间隔x=600帧图像作为识别对象。
视频图像识别使用yolo-v4目标检测算法,算法由三个部分组成,第一个部分是CSPDarknet53主干特征提取网络结构,通过对输入的图像进行卷积和五次Resblock_body操作获得三层具有高语义信息的残差网络结构,然后对输出的特征层进行三次卷积之后进入SPP-net金字塔池化网络结构中,通过四种不同大小的最大池化和对输入的特征层进行最大池化,将池化后的结果和上一层得到的另外两个特征层输入PANet网络结构中,通过对输入的特征层进行四次上采样、卷积、堆叠、下采样操作之后,最终获得三种不同大小块的特征结果,通过Yolo Head对输出的特征结果进行预测,就可以得到图像的预测结果。图像的预测结果之中就包含了图像中每个人物在图像中的位置信息。
将待评价空间平均划分为m个网格,其数量决定了评价的精细程度,为平衡精细度和图像识别准确率,建议每个网格的面积约为4m×4m。根据图像识别结果,统计每帧图像中各个网格内的人员数量Pm,x,选择其中识别数量最高的一帧作为选择对象。
获得图像中识别出的人物数量每个网格的数量,首先确定每个网格的顶点坐标,然后判断坐标点是否在顶点围城的多边形包围的范围之内,使用PNPoly算法,其原理是从这个点引一条射线,与多边形的边的交点是奇数个,就在多边形的内部;如果是偶数个,那么该点在多边形的外面。对图像中所获得的位置点使用PNPoly算法,就可以得出每帧图像中各个网格内的人员数量Pm,x。
利用公式(1)和(2)定义第i个网格的人员分布密度Di:
根据定义,∑Di=1。
3、空间单个位置的脆弱性评价
对于内部初始浓度为0的室内空间,假定某点p的污染气体从0时刻开始释放,则在时间段τ内,位置p的脆弱性利用该位置污染源对整个空间人员的伤害率来表示,伤害率可以定义为:
其中,伤害因子Ii为点i在时间段τ内是否达到某一伤害阈值ID,如半伤害计量Ict50;Di为点i所在区域于时间段τ内的人员密度分布;Ii×Di描述了某污染源在一定时间内对点i附近人员的伤害程度;而CDR是对空间全部点i的Ii×Di进行加和,得到该污染源在一定时间内对整个空间人员的伤害程度。根据定义,CDR值受扩散覆盖面积和人员分布规律的双重影响,相关系数确定以后,CDR值越大,表明该位置突发污染物释放对系统内人员的伤害后果越大,进而判定该位置的脆弱性更高,当达到特定伤害剂量的污染物覆盖空间内的全部人员时,CDR=1。
4、整个空间的脆弱性评价
利用3中的方法,计算全部n个位置的CDR值,结果进行罗列对比展示,即得到整个空间的脆弱性可视化分析。
按照本发明方法对某地铁站台进行脆弱性评价分析:
首先在空间平面平均设置100个污染源位置,利用CFD计算出他们的时空浓度数据。然后将空间平面划分为27个子区域;随后利用监控视频对地铁空间内的客流量及行动轨迹进行识别,得到时间段τ内的人员密度分布,经过离散化、归一化处理,分配进对应的子区域,得到各个子区域的区域密度Dj,根据定义∑Dj=1。识别结果显示,人员分布密度如表1所示。
表1 27个子区域的人员密度分布
0.025 | 0.05 | 0.015 | 0.015 | 0.05 | 0.015 | 0.015 | 0.1 | 0.025 |
0.025 | 0.025 | 0.015 | 0.025 | 0.015 | 0.025 | 0.1 | 0.1 | 0.05 |
0.025 | 0.05 | 0.015 | 0.015 | 0.05 | 0.015 | 0.015 | 0.1 | 0.025 |
经CFD模拟得到空间内各点i的时间浓度序列,共计60s。由此计算出点i的累积剂量,设置ID=Ict50=30mg·min/m3,得到S1(0.5,0,5)、S2(29,7)和S3(43,7)三个污染位置的扩散区域如图1所示。
根据式(3),利用剂量范围和人员密度计算CDR值,得到CDR(S1)=0.029、CDR(S2)=0.008、CDR(S3)=0.044,如表2所示。
而仅利用扩散范围计算SVE值,得到SVE(S1)=0.034、SVE(S2)=0.027、SVE(S3)=0.016,如表2所示,对比两种结果和污染源位置图,可以看出SVE仅能依靠污染物的扩散进行单一因素评价,例如S1位于上风向,污染扩散范围较大,因此评价得到较高分数,而S3位于下风向,分数最低。相比之下CDR耦合了扩散和人员两种变量,其中对于扩散的描述还考虑了时间持续作用。结果表明,S3虽然扩散范围略小,但其有效覆盖范围内人员十分密集,因此判定其脆弱性最高;S1的扩散范围大且完全涵盖了S3的扩散范围,但是在其真正能够形成伤害的有效范围内,人员密度较低,因此脆弱性低于S3。
表2不同污染源位置的CDR和SVE对比
CDR | SVE | |
S1 | 0.029 | 0.034 |
S2 | 0.008 | 0.027 |
S3 | 0.044 | 0.016 |
然后得到全部位置的CDR值,最后,将全部100个位置的CDR值可视化展示,即得到整个空间的脆弱性分析图,如图2所示。作为对比,不考虑人员分布的传统SVE分析方法得到的结果如图3所示。
对比图2和图3可以看出,本发明提供的脆弱性分析方法相比传统方法危险区域更加集中、区分度更高,对于有限的应急资源分配具有更加科学的指导意义。
Claims (7)
1.一种基于污染物扩散和人员分布密度的空间脆弱性评价方法,包括如下步骤:
S1、在待评价空间内均匀布置n个污染源,并得到所述污染源在待评价空间流场下的浓度时空数据;
S2、获取待评价空间在时间段τ内的视频片段,然后按照平均间隔获取x帧图像用于识别,得到图像识别结果,所述图像识别结果包括每个人在图像中的位置信息;
S3、将待评价空间平均划分为m个网格,根据所述图像识别结果,统计每帧图像中每个网格内的人员数量,得到识别数量最高的一帧图像作为识别图像;
S4、获取所述识别图像中每个网格的人员数量,根据式(1)和式(2)即得到第i个网格的人员分布密度Di:
其中,Pi,j表示第j帧图像中第i个网格内的人数;
根据定义∑Di=1;
根据式(3)和式(4)得到待评价空间位置p处的脆弱性:
其中,CDRp,τ表示间段τ内待评价空间位置p处的所述污染源对整个空间人员的伤害率,即位置p处的脆弱性;
伤害因子Ii表示点i在时间段τ内是否达到某一伤害阈值ID;Ci(t)表示利用计算机模拟得到的空间中点i在t时刻的浓度值;
S5、根据步骤S4得到待评价空间n个位置处的脆弱性,将结果进行对比展示,即实现对整个空间的脆弱性可视化分析。
2.根据权利要求1所述的空间脆弱性评价方法,其特征在于:步骤S1中,按照密度为0.2~2个/m2设置所述污染源。
3.根据权利要求1或2所述的空间脆弱性评价方法,其特征在于:步骤S1中,采用计算流体力学的方法得到所述污染源在待评价空间流场下的浓度时空数据,再积分得到某一时间段内各自的污染剂量。
4.根据权利要求3所述的空间脆弱性评价方法,其特征在于:步骤S2中,所述时间段τ为0~100s;
所述平均间隔为0.5~5s。
5.根据权利要求4所述的空间脆弱性评价方法,其特征在于:步骤S2中,采用目标检测算法yolo-v4用于图像识别。
6.根据权利要求5所述的空间脆弱性评价方法,其特征在于:步骤S3中,每个网格的面积为1m×1m~7m×7m。
7.根据权利要求6所述的空间脆弱性评价方法,其特征在于:步骤S4中,采用PNPoly算法获取所述识别图像中每个网格的人员数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335000.9A CN112417786B (zh) | 2020-11-24 | 2020-11-24 | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335000.9A CN112417786B (zh) | 2020-11-24 | 2020-11-24 | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417786A CN112417786A (zh) | 2021-02-26 |
CN112417786B true CN112417786B (zh) | 2022-08-26 |
Family
ID=74842935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011335000.9A Active CN112417786B (zh) | 2020-11-24 | 2020-11-24 | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417786B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949480A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于yolov3算法的铁轨弹条检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091350A1 (en) * | 2015-09-24 | 2017-03-30 | Alexander Bauer | Near real-time modeling of pollution dispersion |
CN106557869B (zh) * | 2016-10-20 | 2020-08-21 | 北京市劳动保护科学研究所 | 一种基于poi点的大气污染物排放清单空间分配方法及装置 |
CN106596859B (zh) * | 2016-12-13 | 2018-12-28 | 循绿生态科技(上海)有限公司 | 室内环境质量综合评估方法 |
CN111709646B (zh) * | 2020-06-17 | 2024-02-09 | 九江学院 | 空气污染暴露风险评价方法及系统 |
-
2020
- 2020-11-24 CN CN202011335000.9A patent/CN112417786B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112417786A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vuorinen et al. | Modelling aerosol transport and virus exposure with numerical simulations in relation to SARS-CoV-2 transmission by inhalation indoors | |
Liu et al. | Inverse modeling methods for indoor airborne pollutant tracking: literature review and fundamentals. | |
CN103914622B (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
Cao et al. | Sensor deployment strategy using cluster analysis of Fuzzy C-Means Algorithm: Towards online control of indoor environment’s safety and health | |
Fontanini et al. | A methodology for optimal placement of sensors in enclosed environments: A dynamical systems approach | |
CN102967689B (zh) | 一种污染源监测布点方法 | |
CN113191096B (zh) | 基于WRF和XFlow耦合的多精细度融合污染物扩散分析方法 | |
Murga et al. | Decreasing inhaled contaminant dose of a factory worker through a hybrid Emergency Ventilation System: Performance evaluation in worst-case scenario | |
CN112417786B (zh) | 一种基于污染物扩散和人员分布密度的空间脆弱性评价方法 | |
Chen et al. | Comparison of sensor systems designed using multizone, zonal, and CFD data for protection of indoor environments | |
Shi et al. | A novel grid-based mesoscopic model for evacuation dynamics | |
Shi et al. | An agent-based evacuation model to support fire safety design based on an integrated 3D GIS and BIM platform | |
US6687640B1 (en) | Airborne agent concentration analysis | |
CN111798112A (zh) | 一种城市社区社会公共安全综合风险评估方法 | |
Zhao et al. | Dynamic crowd accident-risk assessment based on internal energy and information entropy for large-scale crowd flow considering covid-19 epidemic | |
Kang et al. | Effects of supply air temperature and inlet location on particle dispersion in displacement ventilation rooms | |
Wang et al. | Applications of a coupled multizone-CFD model to calculate airflow and contaminant dispersion in built environments for emergency management | |
Zhai et al. | Application of CFD to predict and control chemical and biological agent dispersion in buildings | |
JP5501700B2 (ja) | 被災範囲推定装置及びプログラム | |
Parker et al. | Visual assessment of contaminant impacts in multizone buildings | |
Helbich et al. | Evaluation of spatial cluster detection algorithms for crime locations | |
Petersen et al. | Specifying exhaust and intake systems | |
Cai et al. | Evaluating emergency ventilation strategies under different contaminant source locations and evacuation modes by efficiency factor of contaminant source (EFCS) | |
CN103336861B (zh) | 烟熏炭黑痕迹火灾辅助调查系统及方法 | |
Cai et al. | An optimization method of sensor layout to improve source identification accuracy in the indoor environment |
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 |