CN113095002B - 一种基于cfd伴随概率法的被困人员位置计算方法 - Google Patents

Abstract

一种基于CFD伴随概率法的被困人员位置计算方法，步骤1构建松散多孔介质型废墟简化物理模型；步骤2通过CFD正向模拟获得稳态流场；步骤3收集传感器监测点的监测信息；步骤4对每一个监测报警位置求解基于CFD的伴随方程，获得标准反向位置概率；步骤5求解联合位置概率方程获得联合反向位置概率；步骤6求解条件反向位置概率方程和多次条件反向位置概率方程获得条件反向位置概率；步骤7由反向位置概率分布识别源位置。本发明结合瞬时间序列沿传感器监测点路径收集的生命体征代表性气体，通过级联的规模化传感器监测点将收集到的数据进行分析，搜救工作人员通过气体反演理论进行追踪溯源，判定被困人员情况与大致位置。

Description

一种基于CFD伴随概率法的被困人员位置计算方法

技术领域

本发明属于灾后搜寻技术领域，尤其是一种基于CFD伴随概率法的被困人员位置计算方法。

背景技术

地震等灾害发生后，被掩埋在废墟下的幸存者所处的空间非常狭小，而且与外界空气之间的流动交换比较慢，造成在该空间内人体新陈代谢释放出来的气体不易散发出去，造成气体在空间内的富集，影响空间内气体浓度的比例；而且空间内部气体浓度的变化与人体的新陈代谢密切相关，因而，通过探测有限空间内气体的浓度信息就可以从中推断出在该空间内幸存者的信息。

目前的探测设备存在探测结果不准确的问题，极易耽误宝贵的救援时间，

发明内容

为了解决上述现有技术中存在的问题，本发明提供一种基于CFD伴随概率法的被困人员位置计算方法。

本发明解决其技术问题所采用的技术方案是：

基于CFD伴随概率法的被困人员位置计算方法，包括有以下步骤：

步骤1：构建松散多孔介质型废墟简化物理模型；

步骤2：通过CFD正向模拟获得稳态流场；

步骤3：收集传感器监测点的监测信息；

步骤4：对每一个监测报警位置求解基于CFD的伴随方程，获得标准反向位置概率；

步骤5：基于多个传感器监测点的监测信息，求解联合位置概率方程获得联合反向位置概率；

步骤6：基于多个传感器监测点的监测信息，求解条件反向位置概率方程和多次条件反向位置概率方程获得条件反向位置概率；

步骤7：由反向位置概率分布识别源位置。

本发明和现有技术相比，其优点在于：

本发明主要应用于灾后(比如地震、矿井坍塌)所造成的松散废墟结构中探寻生命体征，结合瞬时间序列沿传感器监测点路径收集的生命体征代表性气体，通过级联的规模化传感器监测点将收集到的数据进行分析，随后搜救工作人员通过气体反演理论进行追踪溯源，最后判定垮塌建筑下的人员情况与大致位置。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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本发明基于CFD伴随概率法的被困人员位置计算方法流程图；

图2本发明松散多孔介质型废墟简化物理模型；

图3本发明稳态流场和二氧化碳浓度分布示意图；

图4本发明基于报警监测的标准位置概率(左)和联合位置概率(右)的示意图；

图5本发明基于当前浓度监测的条件位置概率(左：单传感器)和(右：两传感器)的示意图；

图6本发明基于历史浓度读数的条件位置概率(左：单传感器)和(右：两传感器)的示意图。

具体实施方式

下面将参照附图更详细地描述本发明公开的示例性实施例，这些实施例是为了能够更透彻地理解本发明，并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例，然而应当理解，本发明而不应被这里阐述的实施例所限制。

图1给出了基于CFD伴随概率法的被困人员位置计算方法流程图，基于CFD伴随概率法的被困人员位置计算方法，包括有以下步骤：

步骤1：构建松散多孔介质型废墟简化物理模型；

步骤2：通过CFD正向模拟获得稳态流场；

步骤3：收集传感器监测点的监测信息；

步骤4：对每一个监测报警位置求解基于CFD的伴随方程，获得标准反向位置概率；

步骤5：基于多个传感器监测点的监测信息，求解联合位置概率方程获得联合反向位置概率；

步骤6：基于多个传感器监测点的监测信息，求解条件反向位置概率方程和多次条件反向位置概率方程获得条件反向位置概率；

步骤7：由反向位置概率分布识别源位置。

实施例1

基于CFD伴随概率法的被困人员位置计算方法，包括有以下步骤：

步骤1：构建松散多孔介质型废墟简化物理模型；

将灾后形成的松散型废墟简化为本发明松散多孔介质型废墟简化物理模型，设定传感器监测点到达的探测位置，设定人员的被困位置，被视为与被困位置在同一位置的热源与二氧化碳释放源；

例如，如图2，三角形为传感器监测点到达的探测位置，方块为人员的被困位置，被视为同一位置的热源与二氧化碳释放源。

步骤2：通过CFD正向模拟获得稳态流场；

被困人员释放二氧化碳的扩散输运过程主要依靠内部空气流动产生的对流作用，由于废墟底部被困人员与周围环境之间存在温差，考虑热浮升力对流动的影响，通过计算以下质量守恒、动量守恒、能量守恒及组分守恒的无量纲控制方程组获得废墟内部的流动传热及二氧化碳的扩散情况：

考虑到对流和扩散项必须保持平衡，并考虑到控制参数的范围，上述方程组中，相应变量的无量纲处理方式为：

(X，Y)＝(x，y)/H，(U，V)＝(u，v)/u_ref，τ＝τ^*/(H/u_ref)； (2-6a)

Δt＝t₁-t₀，Δs＝s₁-s₀； (2-7)

式中，H表示长度尺度，u_ref表示速度尺度，H/u_ref表示时间尺度，Δt表示温度尺度，Δs表示浓度尺度，得到前述方程中的无量纲控制参数雷诺数Re，达西数Da，格拉晓夫数Gr_t，普朗特数Pr和施密特数Sc，分别定义为：

Re＝u_refHφ^-1/ν，Da＝k/H²，Gr_t＝gβ_tΔtH³φ^-1/ν²，Pr＝νφ/α，Sc＝νφ/D； (2-8)

式中：ν表示流体运动粘度(μ/ρ)，单位m²/s；α表示热扩散系数，单位m²/s；D表示质扩散系数，单位m²/s；u_ref表示顶部实际流动速度，单位m/s；k表示多孔介质渗透率，单位m²；g表示重力加速度，单位m/s²；φ表示多孔介质孔隙率。

值得注意的是，多孔介质内部的无量纲控制参数Re，Gr_t，Pr，Sc均通过孔隙率φ进行了相应的修正。相应的边界条件需要视具体情况而定，比如矩形区域顶部有水平的风吹过，其余三部分边界均为封闭，则边界条件如下：

顶部开口边界：U₀＝1，V＝0，T＝0，

底部壁面：U＝0，V＝0，

竖直壁面：U＝0，V＝0，

底部中间位置处既释放热量也释放二氧化碳，无量纲温度T＝1及无量纲浓度S＝1，中间固体区域速度为0。计算了Re＝2×10³，Gr＝1×10⁶和Da＝1×10^-3的情况，当二氧化碳释放源位置处于S1时，得到废墟内部的流动结构及二氧化碳输运过程如图3所示，

步骤3：收集传感器监测点的监测信息，包括传感器的类型、传感器的位置、传感器的获取的二氧化碳浓度参数等。

步骤4：对每一个监测报警位置求解基于CFD的伴随方程(2-10)，获得标准反向位置概率；

根据测量的二氧化碳浓度确定二氧化碳释放源位置是一个反问题，因为这是一个由已知结果找出未知原因的问题。最早开发的伴随概率反演方法主要用于地下水污染源的识别，可以在很少的先验信息条件下识别出污染源的位置、强度和释放时间，且算法速度快。之后被应用于通风室内污染源的定位识别过程，并且只需要有限数量的传感器进行监测。在这种源识别过程中，传感器网络分布和传感器性能无疑起着重要的作用，简单的二氧化碳传感器可能只在达到规定的阈值浓度时发生报警，而先进的传感器还可以显示当前的浓度值或在存储器中记录浓度的历史读数，本文将根据不同种类的传感器监测建立相应的反演计算方法和程序。

采用敏感度分析方法，从正向组分守恒方程推导出反向伴随概率方程，得到相应的基于CFD的伴随方程为:

Ψ^*(x，0)＝0；

Ψ^*(x，τ)＝0Γ₁；

基于CFD的伴随方程式(2-10)中，Ψ^*是伴随概率，τ是逆向时间，x为研究区域内任意位置，x_w为监测点位置。

对比式(2-5)和(2-10)，第一类边界条件的伴随状态依然是第一类边界条件，第二类边界条件的伴随状态变为第三类边界条件，第三类边界条件的伴随状态变为第二类边界条件。

初始条件Ψ^*(x，0)＝0表示在逆向时间τ＝0时刻，由监测点信息推出的计算域内任一点的二氧化碳的位置伴随概率为0，边界条件约束了边界上的伴随概率。

为负荷项，表示τ＝0时监测点处的概率源项，其表达式是两个阶跃方程的乘积：

伴随概率法反演前需要先进行流场的计算，再把传感器监测信息代入，通过求解方程(2-10)得到每个监测点计算的源位置的伴随概率，即二氧化碳释放源的潜在位置概率分布，概率最大位置就是二氧化碳释放源(即人员的被困位置)最可能存在的位置。

步骤5：基于多个传感器监测点的监测信息，求解联合位置概率方程(2-12)获得联合反向位置概率；

方程求解需要了解空气流场、传感器位置、边界条件、封闭环境热物性和几何特性等信息。这种基于无浓度读数的单传感器报警监测的位置概率被称为标准反向位置概率。下面将介绍多个报警或浓度监测传感器联合位置概率及条件位置概率。

通过增加更多的传感器监测点，可以改进标准位置概率的计算。基于每一个传感器监测点获得的标准反向位置概率，可以通过以下方程计算联合位置概率，改进辨识精度；联合位置概率方程如下：

式中N是传感器监测点的总数，x_wk和τ_wk(k＝1到N)分别表示传感器的报警位置和报警时间，τ₀是已知的反向源释放时间，f_x(x；τ₀，x_wk，τ_wk，)是第k个监测传感器报警获得的标准反向位置概率。式(2-12)中分母的积分保证了总概率为1。。

与单一传感器报警监测相比，该方案通过多个传感器在一段时间后监测到二氧化碳在不同位置的存在，从而获得更多的分布信息。

步骤6：基于多个传感器监测点的监测信息，求解条件反向位置概率方程(2-13)和多次条件反向位置概率方程(2-14)获得条件反向位置概率；

如果能获得更多的二氧化碳扩散信息，则可以进一步提高概率预测的精度。在实际应用中，许多先进的传感器可以监测、显示和存储二氧化碳浓度。这样的定量信息大大提高了源识别过程的准确性和效率。为了将浓度信息整合到预测中，提出了多个传感器测量的条件反向位置概率。有N个浓度测量值的条件反向位置概率方程：

其中，N代表监测数据的数量，x_i、τ_i和C_i分别代表着第i个监测数据的获取位置、逆向的监测时间和测得的浓度值。τ₀是假设的源释放时间，M₀是假设的二氧化碳释放强度，f_x(x；τ₀，x_i，τ_i)为方程(2-10)解得的第i个探测数据的位置伴随概率。P(C_i|M₀，x；τ₀，x_i，τ_i)是总质量为M₀、源位置为x条件下监测浓度的概率分布，P(C_i|M₀，x；τ₀，x_i，τ_i)服从正态分布，其中0，为N次测量浓度值的标准差。

多次条件反向位置概率方程：

式(2-14)中，多次测量值是由多个或一个传感器进行的一次性静态浓度测量，或是由一个或多个传感器进行的多次动态浓度测量。要求解联合概率方程和条件概率方程，需要先求解每一个监测点的标准位置概率分布。

步骤7：由反向位置概率分布识别源位置。

实施例2

将灾后形成的松散型废墟简化为松散多孔介质型废墟简化物理模型，设定传感器监测点到达的探测位置，设定人员的被困位置，被视为与被困位置在同一位置的热源与二氧化碳释放源。

如图2所示，当被困人员位置处于S1处时，其呼出的二氧化碳经过一段时间的释放后，传感器监测点A和传感器监测点B检测到了异常的二氧化碳浓度，给出报警信号或浓度信息。将A和B位置处分别在第15秒和第40秒所得的传感器报警信息代入方程(2-10)和(2-12)后获得的标准反向位置概率和联合位置概率，如图4所示，能够得到一个大致的源位置区域，与真实源位置比较接近。当被困人员位于S3位置时，传感器监测点C和传感器监测点D发出报警，同样计算得到比较接近真实源位置的区域，只是范围较大，识别精度不高。

当传感器能够获得二氧化碳的当前浓度信息时，即可将其代入方程(2-13)获取条件位置概率，提高反演辨识精度。如图5所示，将报警位置处监测到的浓度信息进行综合处理后得到了较为准确的反演结果。

如果传感器能够记录存储历史浓度值，那么来自一个传感器的历史浓度读数就可以看做多个传感器在不同时间的单次测量值，就可以同时代入多组浓度值进行计算，而不需要更多的传感器来进行监测。如图6，利用多组历史浓度读数获得的条件位置概率能够更加精确地给出二氧化碳释放源的真实位置。

为使本发明实施例的目的、技术方案和优点更加清楚，上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了清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以上对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

Claims (2)

1.一种基于CFD伴随概率法的被困人员位置计算方法，其特征在于，包括有以下步骤：

步骤1：构建松散多孔介质型废墟简化物理模型；

步骤2：通过CFD正向模拟获得稳态流场；包括有以下步骤：

被困人员释放二氧化碳的扩散输运过程主要依靠内部空气流动产生的对流作用，由于废墟底部被困人员与周围环境之间存在温差，考虑热浮升力对流动的影响，通过计算以下质量守恒、动量守恒、能量守恒及组分守恒的无量纲控制方程组获得废墟内部的流动传热及二氧化碳的扩散情况：

式中：U表示水平无量纲速度；V表示垂直无量纲速度，X表示无量纲水平坐标；Y表示无量纲垂直坐标；P表示无量纲压力；T表示无量纲温度；S表示无量纲浓度；

考虑到对流和扩散项必须保持平衡，并考虑到控制参数的范围，上述方程组中，相应变量的无量纲处理方式为：

(X，Y)＝(x，y)/H，(U，V)＝(u，v)/u_ref，τ＝τ^*/(H/u_ref)； (2-6a)

T＝(t-t₀)/Δt，S＝(s-s₀)/Δs； (2-6b)

Δt＝t₁-t₀，Δs＝s₁-s₀； (2-7)

式中，H表示长度尺度，u_ref表示速度尺度，H/u_ref表示时间尺度，Δt表示温度尺度，Δs表示浓度尺度；τ表示无量纲时间；x表示水平坐标；y表示垂直坐标；u表示水平速度；v表示垂直速度；p表示压力；ρ₀表示流体密度；t表示温度；t₀表示外界温度；s表示二氧化碳浓度；s₀表示外界二氧化碳浓度；t₁表示被困人员处温度；s₁表示被困人员释放二氧化碳浓度；

得到前述方程中的无量纲控制参数雷诺数Re，达西数Da，格拉晓夫数Gr_t，普朗特数Pr和施密特数Sc，分别定义为：

Re＝u_refHφ^-1/ν，Da＝k/H²，Gr_t＝gβ_tΔtH³φ^-1/ν²，Pr＝νφ/α，Sc＝νφ/D； (2-8)

式中：ν表示流体运动粘度(μ/ρ)，单位m²/s；α表示热扩散系数，单位m²/s；D表示质扩散系数，单位m²/s；u_ref表示顶部实际流动速度，单位m/s；k表示多孔介质渗透率，单位m²；g表示重力加速度，单位m/s²；φ表示多孔介质孔隙率；

步骤3：收集传感器监测点的监测信息；

步骤4：对每一个监测报警位置求解基于CFD的伴随方程(2-10)，获得标准反向位置概率；包括有以下步骤：

采用敏感度分析方法，从正向组分守恒方程推导出反向伴随概率方程，得到相应的基于CFD的伴随方程为:

Ψ^*(x，0)＝0；

Ψ^*(x，τ)＝0Γ₁；

基于CFD的伴随方程式(2-10)中，Ψ^*为伴随概率，τ为逆向时间，x为研究区域内任意位置，x_w为监测点位置；u_j为水平或垂直方向速度；x_j为水平或垂直坐标；v_c为有效扩散系数；j为方向；q_O为流出率；h为响应函数；C为浓度，Γ₁为第一类边界条件；Γ₂为第二类边界条件；Γ₃为第三类边界条件；

初始条件Ψ^*(x，0)＝0表示在逆向时间τ＝0时刻，由监测点信息推出的计算域内任一点的二氧化碳的位置伴随概率为0，边界条件约束了边界上的伴随概率；

为负荷项，表示τ＝0时监测点处的概率源项，其表达式是两个阶跃方程的乘积：

伴随概率法反演前需要先进行流场的计算，再把传感器监测信息代入，通过求解方程(2-10)得到每个监测点计算的源位置的伴随概率，即二氧化碳释放源的潜在位置概率分布，概率最大位置就是二氧化碳释放源最可能存在的位置；

步骤5基于多个传感器监测点的监测信息，求解联合位置概率方程(2-12)获得联合反向位置概率；包括有以下步骤：

通过增加更多的传感器监测点，可以改进标准位置概率的计算；基于每一个传感器监测点获得的标准反向位置概率，可以通过以下方程计算联合位置概率，改进辨识精度；联合位置概率方程如下：

式中N是传感器监测点的总数，x_wk和τ_wk(k＝1到N)分别表示传感器的报警位置和报警时间，τ₀是已知的反向源释放时间，f_x(x；τ₀，x_wk，τ_wk，)是第k个监测传感器报警获得的标准反向位置概率；式(2-12)中分母的积分保证了总概率为1；

步骤6基于多个传感器监测点的监测信息，求解条件反向位置概率方程(2-13)和多次条件反向位置概率方程(2-14)获得条件反向位置概率；包括有以下步骤：

为将浓度信息整合到预测中，提出多个传感器测量的条件反向位置概率；有N个浓度测量值的条件反向位置概率方程：

其中，N代表监测数据的数量，x_i、τ_i和C_i分别代表着第i个监测数据的获取位置、逆向的监测时间和测得的浓度值；τ₀是假设的源释放时间，M₀是假设的二氧化碳释放强度，

f_x(x；τ₀，x_i，τ_i)是方程(2-10)解得的第i个探测数据的位置伴随概率；

P(C_i|M₀，x；τ₀，x_i，τ_i)是总质量为M₀、源位置为x条件下监测浓度的概率分布，

P(C_i|M₀，x；τ₀，x_i，τ_i)服从正态分布，其中0，为N次测量浓度值的标准差；

多次条件反向位置概率方程：

式(2-14)中，

表示N个监测浓度数据的方差；

多次测量值是由多个或一个传感器进行的一次性静态浓度测量，或是由一个或多个传感器进行的多次动态浓度测量；要求解联合概率方程和条件概率方程，需要先求解每一个监测点的标准位置概率分布；步骤7：由反向位置概率分布识别源位置。

2.根据权利要求1所述的基于CFD伴随概率法的被困人员位置计算方法，其特征在于：步骤1构建松散多孔介质型废墟简化物理模型包括有以下步骤：

将灾后形成的松散型废墟简化为松散多孔介质型废墟简化物理模型，设定传感器监测点到达的探测位置，设定人员的被困位置，被视为与被困位置在同一位置的热源与二氧化碳释放源。

Images