CN113962164B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113962164B
CN113962164B CN202111058534.6A CN202111058534A CN113962164B CN 113962164 B CN113962164 B CN 113962164B CN 202111058534 A CN202111058534 A CN 202111058534A CN 113962164 B CN113962164 B CN 113962164B
Authority
CN
China
Prior art keywords
distribution
diffusion
probability
gas concentration
model
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
Application number
CN202111058534.6A
Other languages
English (en)
Other versions
CN113962164A (zh
Inventor
师吉浩
陈国明
朱渊
谢伟康
李俊杰
王晴
常博
李传坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202111058534.6A priority Critical patent/CN113962164B/zh
Publication of CN113962164A publication Critical patent/CN113962164A/zh
Application granted granted Critical
Publication of CN113962164B publication Critical patent/CN113962164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种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，基于FLACS建立油气扩散数值模型，开展典型场景下的扩散模拟；将气体浓度作为数据集，结合Conv‑VAE无监督模型耦合算法，构建卷积概率编码器与概率解码器；将气体扩散场景有关参数、潜在空间变量作为训练数据集及标签，通过VBnn开展有监督学习，建立输入特征和潜在空间变量分布之间的概率密度映射关系；将VBnn模型与Conv‑VAE模型解码器相结合，建立考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型；该方法实现对扩散浓度的概率时序预测，能够更全面、更合理地估计扩散气体覆盖的危险区域，保障油气处理系统的安全运行。

Description

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
技术领域
本发明属于油气泄漏事故防控技术，具体地说是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。
背景技术
石油化工产业是我国国民经济的支柱产业。无论是海洋还是陆地石化领域，石化装置在化石资源生产、转化及使用等各个环节均扮演重要角色。然而，石化装置储存大量易燃易爆、有毒危险化学品，面临潜在危化品泄漏风险。危化品泄漏具有危害性高、突发性强、连锁性及应急处理难度大等特点。倘若没有油气泄漏扩散应急响应及决策机制，较易发生泄漏可燃气云被点燃发生燃爆事故，并且燃爆压力能够在拥塞的障碍下升级，最终导致设备的严重受损及人员的严重伤亡。
在给定场景相关变量(如释放率、风速、时间等)的情况下，对油气扩散进行建模是支持实时应急响应计划和决策过程的关键。理想情况下，全面的实验测试是最可靠的方法，然而，由于其高成本和高风险，这一方法很难实现。计算流体力学(CFD)已被广泛应用于精确模拟各种气体在不同空间范围内的扩散行为。然而，基于CFD的建模方法计算量很大，时间成本较高，这使得它们不适用于实时应急响应环境。
鉴于油气开发及处理过程中的事故危险性及环境破坏性，目前亟需开展油气扩散风险分析方法的研究，为油气燃爆危险性评价提供评估方法，为应急响应机制的建立以及油气处理系统的安全运行提供技术保障，因此，本发明提供一种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，更全面、更合理地估计扩散气体覆盖的危险区域，保障油气处理系统的安全运行。
发明内容
为了解决上述技术问题，本发明提供一种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。
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，所述预警方法包括以下步骤：
步骤1、基于FLACS，建立油气扩散数值模型，根据所建立的油气扩散数值模型结合研究对象的油气处理系统所在区域的通风情况，开展通风数值模拟；
步骤2、以通风数值模拟结果为基础，开展典型扩散场景I下的扩散模拟，获取典型扩散场景I下不同时刻气体浓度数据集X：
Figure BDA0003255590230000021
式中，n1是扩散场景的数量，n2是与扩散场景相关变量的数量，n3和n4表示在任何特定时间t内由研究域长度x、宽度y和高度h三个维度中的任意两个维度组成的方向矩阵的维数；
步骤3、将具有高维时空特征的气体浓度数据集X通过Conv-VAE无监督模型耦合算法降维至具有连续分布特征的低维度潜在空间变量z，构建具有不确定性分布特征的气体浓度概率分布P(X)，计算表示如下：
P(X)＝∫P(X|z)P(z)dz，z～P(z|X) (2)
式中，P(z)为潜在空间变量z的分布，其中z的分布服从卷积概率编码器P(z|X)；
通过Conv-VAE无监督模型耦合算法构建卷积概率编码器Pθ(z|X)，θ为Pθ(z|X)对应潜在空间变量z的分布参数、每个θ对应一个具有特定分布的z，通过输入步骤2中公式(1)的气体浓度数据集X，计算n1个扩散场景下具有连续分布特征的NZ维潜在空间变量z，计算表示如下：
Figure BDA0003255590230000022
构建卷积概率解码器Pθ(X|z)，低维的潜在空间变量z通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气体浓度数据X′，计算表示如下：
Figure BDA0003255590230000023
式中，NZ代表潜在空间的维数、表征潜在空间大小，
Figure BDA0003255590230000024
是变分参数；
Figure BDA0003255590230000025
代表潜在空间变量z的第NZ维度，
Figure BDA0003255590230000026
为气体浓度数据集X经过具有变分参数
Figure BDA0003255590230000027
的编码器Encoder后转换为具有NZ维的潜在空间变量z，
Figure BDA0003255590230000028
为将潜在空间变量
Figure BDA0003255590230000029
经过Decoder再转换为气体浓度数据集X′；
步骤4：构建输入典型扩散场景I和潜在空间变量z之间的概率密度P(z|I)的映射关系，将(I，z)作为训练数据集及标签，假定权重w遵循密度分布P(w|z,I)，通过VBnn开展有监督学习确定权重w，将权重w作为最优化变分参数χ，建立典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)；
步骤5：将VBnn有监督的学习模型与Conv-VAE无监督模型耦合算法模型的解码器部分相结合，建立考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型，在线智能预警模型通过给定与扩散场景I有关的参数，以实现对扩散浓度X的概率时序预测P(X|I)；
根据步骤3中构建的卷积概率解码器P(X|z)以及步骤4中构建的映射关系P(z|I)，构建考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型P(X|I)：
P(X|I)＝∫P(X|z)P(z|I)dz,z～P(z|I)and I＝f-1(X)
式中，z为潜在空间变量。
进一步地，所述的步骤3中卷积概率解码器Pθ(X|z)构建过程使用适用于深度学习的变分贝叶斯推理，具体详细过程如下：
第一步：引入变分分布
Figure BDA0003255590230000031
逼近代替卷积概率编码器Pθ(z|X)，通过求解变分分布
Figure BDA0003255590230000032
与卷积概率编码器Pθ(z|X)两者之间的KL散度的最小值使得
Figure BDA0003255590230000033
能够逼近代替Pθ(z|X)，KL散度表示如下：
Figure BDA0003255590230000034
式中，P(X)为气体浓度数据集X对应的概率分布，
Figure BDA0003255590230000035
为证据下界，
Figure BDA0003255590230000036
为
Figure BDA0003255590230000037
和Pθ(z|X)之间的KL散度，θ是权重、偏差，其中的潜在空间变量z可参数化为z＝μ+σ*ε(ε～N(0,1))，
Figure BDA0003255590230000038
代表潜在空间变量z的特征值，即均值、偏差；
不确定性分布特征的气体浓度概率分布P(X)为气体浓度数据集X对应的概率分布，logP(X)对于每个确定气体浓度是固定的，因此求解KL散度最小值可变为求解证据下界
Figure BDA0003255590230000039
最大值；
第二步：对第一步中的公式(5)中证据下界
Figure BDA00032555902300000310
进行变形处理，在Conv-VAE无监督模型耦合算法模型中，
Figure BDA00032555902300000311
计算为：
Figure BDA00032555902300000312
式中，
Figure BDA00032555902300000323
为
Figure BDA00032555902300000313
与Pθ(z)的KL散度，
Figure BDA00032555902300000314
为重构损失，Pθ(z)为潜在空间变量z对应的概率分布；
假设Pθ(z)为中心各向同性高斯分布并且
Figure BDA00032555902300000315
是具有对角协方差结构的多元高斯分布，
Figure BDA00032555902300000316
进一步表示为：
Figure BDA00032555902300000317
式中，J为训练次数；σj代表第j次训练的方差；μj代表第j次训练的均值，X'为对应气体浓度X具有相同时空分布特征的气体浓度数据；
第三步：确定变分分布
Figure BDA00032555902300000318
及Conv-VAE模型中编码器卷积层输出，最大化第二步中的式(7)中证据下界
Figure BDA00032555902300000319
使用变分分布
Figure BDA00032555902300000320
逼近替代Pθ(z|X)，同时将最大化
Figure BDA00032555902300000321
对应的μ和ε作为Conv-VAE编码器中卷积层的输出；
第四步：根据μ和ε，确定编码器
Figure BDA00032555902300000322
和解码器Pθ(X|z)，通过编码器输入公式(1)的气体浓度X来计算n1个扩散场景下具有NZ维的潜在空间变量z矩阵，计算表示如下：
Figure BDA0003255590230000041
低维度潜在空间变量z可以通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气体浓度数据X′，计算可以表示如下：
Figure BDA0003255590230000042
第五步：确定具有不确定性分布特征的气体浓度概率分布P(X)，潜在空间变量z的概率分布P(z)，特征分布参数为θ，通过第三步θ的确定，可以获得具有特定分布的P(z)，即Pθ(z)，结合解码器Pθ(X|z)，得到具有不确定性分布特征的气体浓度概率分布P(X)。
进一步地，所述步骤4的具体详细过程如下：
第一步：对概率密度P(w|z,I)权重建模，引入变分分布q(w|χ)逼近代替P(w|z，I)，求解变分分布q(w|χ)与P(w|z,I)两个分布之间的KL散度的最小值，使得q(w|χ)能够逼近代替P(w|z,I)，其中，证据下界ELBO(χ,z,I)表示为：
ELBO(χ,z,I)＝-DKL(q(w|χ)||P(w))+Eq(w|z,I)[logP(z|I,w)] (8)
式中，χ代表需要优化的变分参数，P(w|z,I)为在z、I确定条件下对应w的概率分布密度；
第二步：设VBnn模型的输出预测值为zpred，因此zpred概率密度分布与z相同，服从P(z|w,I)，对公式(8)中Eq(w|z,I)[logP(z|I,w)]进行变形处理，可表示为：
Figure BDA0003255590230000043
式中，σz为手动给出的噪声方差；
第三步：确定变分分布q(w|χ)，最大化公式(8)中ELBO(χ,z,I)，使用变分分布q(w|χ)逼近替代P(w|z,I)，同时，通过最大化公式(8)中ELBO(χ,z,I)，得到与之对应的最优变分参数χ；
第四步：根据最优变分参数χ以及使用q(w|χ)代替P(w|z,I)，概率密度P(z|I)表示为：
P(z|I)＝∫P(z|I,w)q(w|χ)dw (10)
第五步：采用核密度估计法对概率密度P(z|I)进行估计，应用蒙特卡罗抽样生成多个关于z的预测值，具体表示如下：
Figure BDA0003255590230000044
式中，m是蒙特卡罗样本数，wm表示第m组的权重与偏差，zm表示第m个潜在空间分布变量；
构建出在给定wm的情况下，输入典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)。
进一步地，所述的步骤2中扩散场景相关的变量的数量n2为释放速率、风向和时间。
进一步地，所述典型扩散场景I为具有3～4维特征，且3～4维特征的I与具有超高维特征的X相关联。
有益效果：本发明提出了一种考虑不确定性推理的有机气体泄漏扩散实时在线智能预警方法。该方法以有监督和无监督的方式将高维空间特征的分布与低维点进行关联，在预测扩散气体空间浓度的同时，能够附加对扩散气体空间浓度的不确定性估计，具有良好的泛化能力，有助于更全面、更合理地估计扩散气体覆盖的危险区域；同时，相比CFD模型大量的计算时间成本，考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型计算时间小于1s，具有良好的实时应用潜力。总体而言，本发明提出的考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型是构建应急管理数字孪生体系的合适备选方案，有助于油气处理系统的安全运行。
附图说明
图1为考虑不确定性推理的有机气体泄漏扩散实时在线智能预警方法的主要流程图；
图2为VBnn模型代表性结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。
一种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，具体包括以下步骤：
步骤1、基于FLACS，建立油气扩散数值模型，结合研究对象的油气处理系统所在区域的通风情况，开展通风数值模拟；
步骤2：以通风模拟结果为基础，开展典型扩散场景I下的扩散模拟，以获取典型扩散场景下不同时刻气体浓度数据X。
Figure BDA0003255590230000051
式中，n1是扩散场景的数量，n2是与扩散场景相关的变量的数量，例如释放速率、风向、时间等。n3和n4表示在任何特定时间t的研究域的长度x、宽度y和高度h中任意两个方向的矩阵维数，例如，在5m*5m的范围内，如果计算网格单位是1m，那么n3＝5，n4＝5；如果计算网格单位是0.5m，那么n3＝10，n4＝10。In下标代表的就是维度参数，有n1、n2、n3、n4，代表有四个维度参数。Xmn的含义，如上文说，n3和n4代表的是长度x、宽度y和高度h三个方向中任意两个方向的矩阵维数。比如，n3是对应矩阵第一维度维数、n4是对应矩阵第二维度维数。那么Xmn代表n4*n3矩阵内第m行(n4)、第n列(n3)对应的浓度值。扩散场景相关参数I通常具有3～4维特征，通过将具有3～4维特征的I与具有超高维特征的X相关联，典型扩散场景，即模拟参数取值较有代表性的场景，如泄漏速率取1kg/s、5kg/s，10kg/s、30kg/s、50kg/s，60kg/s、80kg/s。该取值可以分别代表小、中、大泄漏速率。其他参数如风速等亦有相关标准。
步骤3、将具有高维时空特征的气体浓度数据集X通过Conv-VAE无监督模型耦合算法降维至具有连续分布特征的低维度潜在空间变量z，构建具有不确定性分布特征的气体浓度概率分布P(X)，根据下式可知，P(X)可通过确认隐藏层z的分布P(z|X)来确定：
P(X)＝∫P(X|z)P(z)dz，z～P(z|X) (2)
通过构建卷积概率编码器Pθ(z|X)，其中θ代表z的分布参数，即当θ确定时，z的分布就是确定的。通过输入步骤2中公式(1)的气体浓度数据X计算n1个扩散场景下具有连续分布特征的NZ维潜在空间变量z，计算表示如下：
Figure BDA0003255590230000061
构建卷积概率解码器Pθ(X|z)，低维的潜在空间变量z通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气云浓度数据集X′，计算表示如下：
Figure BDA0003255590230000062
式中，NZ潜在空间的维数、表征潜在空间大小，
Figure BDA0003255590230000063
是变分参数，
Figure BDA0003255590230000064
代表潜在空间变量z的第NZ维度，
Figure BDA0003255590230000065
代表气体浓度数据集X经过具有变分参数
Figure BDA0003255590230000066
的编码器Encoder后，可以转换为具有NZ维的潜在空间变量z，因为气体浓度数据集X一共有n1个，因此显示为
Figure BDA0003255590230000067
为将潜在空间变量
Figure BDA0003255590230000068
经过Decoder再转换为气体浓度数据集X′。
为了区分之前对应的X，这里标注为X′。编码器和解码器就是将原数据X分解为z再复原回原数据X′的过程。每个z列表包含特定X的空间特征信息。因为一共有n1个场景，因此有n1个气体浓度X，编码器就能生成n1个潜在空间变量z。这些都是一一对应的关系，也就是n1个场景中，每一个特定的场景都有对应的X就会有对应的z，特定X的空间特征信息。每个z列表：
Figure BDA0003255590230000069
代表一个列表。也就是说每一个不同的X经过编码器都会形成一个z列表。一共由n1个X，就会有n1个z列表。
在通过Conv-VAE无监督模型耦合算法构建卷积概率解码器Pθ(X|z)的过程中，根据一般贝叶斯推断可知Pθ(X|z)的求解需要P(X)。根据公式(2)可知P(X)在深度学习过程中存在计算成本过大无法训练的问题。因此，在Pθ(X|z)模型构建过程使用适用于深度学习的变分贝叶斯推理。即：
第一步：引入变分分布
Figure BDA00032555902300000718
逼近代替积概率编码器Pθ(X|z)。通过求解变分分布
Figure BDA0003255590230000071
与所求分布即卷积概率编码器Pθ(X|z)两者之间的Kullback-Leibler(即KL散度)的最小值使得
Figure BDA0003255590230000072
能够逼近代替Pθ(X|z)，KL散度表示如下：
Figure BDA0003255590230000073
式中，P(X)为气体浓度数据集X对应的概率分布，
Figure BDA0003255590230000074
为证据下界，
Figure BDA0003255590230000075
为
Figure BDA0003255590230000076
和Pθ(z|X)之间的KL散度，θ是权重、偏差，其中z分布可参数化为z＝μ+σ*ε(ε～N(0,1))，
Figure BDA0003255590230000077
代表潜在空间变量z的特征值，即均值、偏差；
不确定性分布特征的气体浓度概率分布P(X)为气体浓度数据集X对应的概率分布，在构建模型过程中，公式(5)中的logP(X)对于每个确定气体浓度是固定的，因此求解KL散度最小值可变为求解证据下界
Figure BDA0003255590230000078
最大值；
第二步：对公式(5)中证据下界
Figure BDA0003255590230000079
进行变形处理。在Conv-VAE模型中，
Figure BDA00032555902300000710
可以计算为：
Figure BDA00032555902300000711
式中，
Figure BDA00032555902300000712
为
Figure BDA00032555902300000713
与Pθ(z)的KL散度，
Figure BDA00032555902300000714
为重构损失，即MSE(X-X`)，Pθ(z)为潜在空间变量z对应的概率分布；
假设Pθ(z)为中心各向同性高斯分布并且
Figure BDA00032555902300000715
是具有对角协方差结构的多元高斯分布，且该高斯分布可参数化为z＝μ+σ*ε(ε～N(0,1))，
Figure BDA00032555902300000716
进一步表示为：
Figure BDA00032555902300000717
式中，J为训练次数；σj代表第j次训练的方差；μj代表第j次训练的均值，X'为对应气体浓度X具有相同时空分布特征的气体浓度数据；
Conv-VAE模型的代表性结构如下表所示：
Figure BDA0003255590230000081
第三步：确定变分分布
Figure BDA0003255590230000082
及Conv-VAE模型中编码器卷积层输出，最大化第二步中的公式(7)中证据下界
Figure BDA0003255590230000083
此时由于公式(5)中logP(X)对于每个确定数据集X是固定的，因此公式(5)中KL散度最小，可以使用变分分布
Figure BDA0003255590230000084
逼近替代难解的Pθ(z|X)。同时，通过最大化
Figure BDA0003255590230000085
使之对应的μ和ε作为Conv-VAE编码器中卷积层的输出；
第四步：根据μ和ε，确定编码器
Figure BDA0003255590230000086
和解码器Pθ(X|z)，通过编码器输入公式(1)的气体浓度X来计算n1个扩散场景下具有NZ维的潜在空间变量z矩阵，计算表示如下：
Figure BDA0003255590230000087
式中，NZ是潜在空间大小，每个Z列表包含特定X的空间特征信息。
同样，低维度潜在空间变量z可以通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气体浓度数据X′，计算可以表示如下：
Figure BDA0003255590230000088
第五步：确定具有不确定性分布特征的气体浓度概率分布P(X)，潜在空间变量z的概率分布P(z)，特征分布参数为θ，通过第三步θ的确定，可以获得具有特定分布的P(z)，即Pθ(z)，结合解码器Pθ(X|z)，根据公式(2)得到具有不确定性分布特征的气体浓度概率分布P(X)。
步骤4：构建输入典型扩散场景I和潜在空间变量z之间的概率密度P(z|I)的映射关系，将(I，z)作为训练数据集及标签，假定权重w遵循密度分布P(w|z,I)，通过VBnn开展有监督学习确定权重w，将权重w作为最优化变分参数χ，建立典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)；具体详细步骤如下：
第一步：对概率密度P(w|z,I)权重建模，引入变分分布q(w|χ)，构建变分分布q(w|χ)与真后验密度P(w|z,I)两个分布之间的Kullback-Leibler(即KL散度)，求解变分分布q(w|χ)与P(w|z,I)两个分布之间的KL散度的最小值，使得q(w|χ)能够逼近代替P(w|z,I)，其中，证据下界ELBO(χ，z，I)表示为：
ELBO(χ，z，I)＝-DKL(q(w|χ)||P(w))+Eq(w|z,I)[logP(z|I,w)] (8)
式中，χ代表需要优化的变分参数，P(w|z,I)为在z、I确定条件下对应w的概率分布密度，w表示权重，z潜在空间变量，I输入参数。
第二步：设VBnn模型的输出预测值为zpred，因此zpred概率密度分布与z相同，服从P(z|w,I)，对公式(8)中Eq(w|z,I)[logP(z|I,w)]进行变形处理，可表示为：
Figure BDA0003255590230000091
式中，σz为手动给出的噪声方差；
第三步：确定变分分布q(w|χ)，最大化公式(8)中ELBO(χ,z,I)，使用变分分布q(w|χ)逼近替代难解的真后验密度P(w|z,I)，同时，通过最大化公式(8)中ELBO(χ,z,I)，得到与之对应的最优变分参数χ；
第四步：根据最优变分参数χ以及使用q(w|χ)代替P(w|z,I)，概率密度P(z|I)表示为：
P(z|I)＝∫P(z|I,w)q(w|χ)dw (10)
第五步：由于公式(10)右侧积分存在计算成本较高的问题，因此，采用核密度估计法(KDE)对概率密度P(z|I)进行估计，应用蒙特卡罗抽样生成多个关于z的预测值，具体表示如下：
Figure BDA0003255590230000092
式中，m是蒙特卡罗样本数，wm表示第m组的权重与偏差，Zm表示第m个潜在空间分布变量。给定wm和输入I，VBnn模型可以自动计算出Zm。
构建出在给定wm的情况下，输入典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)。
步骤5：将VBnn有监督的学习模型与Conv-VAE无监督模型耦合算法模型的解码器部分相结合，建立考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型，在线智能预警模型通过给定与扩散场景I有关的参数，以实现对扩散浓度X的概率时序预测，即P(X|I)；
根据步骤3中构建的卷积概率解码器P(X|z)以及步骤4中构建的映射关系P(z|I)，构建考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型P(X|I)：
P(X|I)＝∫P(X|z)P(z|I)dz,z～P(z|I)and I＝f-1(X) (12)
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.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，其特征在于，所述预警方法包括以下步骤：
步骤1、基于FLACS，建立油气扩散数值模型，根据所建立的油气扩散数值模型结合研究对象的油气处理系统所在区域的通风情况，开展通风数值模拟；
步骤2、以通风数值模拟结果为基础，开展典型扩散场景I下的扩散模拟，获取典型扩散场景I下不同时刻气体浓度数据集X：
Figure FDA0003255590220000011
式中，n1是扩散场景的数量，n2是与扩散场景相关变量的数量，n3和n4表示在任何特定时间t内由研究域长度x、宽度y和高度h三个维度中的任意两个维度组成的方向矩阵的维数；
步骤3、将具有高维时空特征的气体浓度数据集X通过Conv-VAE无监督模型耦合算法降维至具有连续分布特征的低维度潜在空间变量z，构建具有不确定性分布特征的气体浓度概率分布P(X)，计算表示如下：
P(X)＝∫P(X|z)P(z)dz，z～P(z|X) (2)
式中，P(z)为潜在空间变量z的分布，其中z的分布服从卷积概率编码器P(z|X)；
通过Conv-VAE无监督模型耦合算法构建卷积概率编码器Pθ(z|X)，θ为Pθ(z|X)对应潜在空间变量z的分布参数、每个θ对应一个具有特定分布的z，通过输入步骤2中公式(1)的气体浓度数据集X，计算n1个扩散场景下具有连续分布特征的NZ维潜在空间变量z，计算表示如下：
Figure FDA0003255590220000012
构建卷积概率解码器Pθ(X|z)，低维的潜在空间变量z通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气体浓度数据X′，计算表示如下：
Figure FDA0003255590220000013
式中，NZ代表潜在空间的维数、表征潜在空间大小，
Figure FDA0003255590220000014
是变分参数；
Figure FDA0003255590220000015
代表潜在空间变量z的第NZ维度，
Figure FDA0003255590220000016
为气体浓度数据集X经过具有变分参数
Figure FDA0003255590220000017
的编码器Encoder后转换为具有NZ维的潜在空间变量z，
Figure FDA0003255590220000018
为将潜在空间变量
Figure FDA0003255590220000019
经过Decoder再转换为气体浓度数据集X′；
步骤4：构建输入典型扩散场景I和潜在空间变量z之间的概率密度P(z|I)的映射关系，将(I，z)作为训练数据集及标签，假定权重w遵循密度分布P(w|z，I)，通过VBnn开展有监督学习确定权重w，将权重w作为最优化变分参数χ，建立典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)；
步骤5：将VBnn有监督的学习模型与Conv-VAE无监督模型耦合算法模型的解码器部分相结合，建立考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型，在线智能预警模型通过给定与扩散场景I有关的参数，以实现对扩散浓度X的概率时序预测P(X|I)；
根据步骤3中构建的卷积概率解码器P(X|z)以及步骤4中构建的映射关系P(z|I)，构建考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型P(X|I)：
P(X|I)＝∫P(X|z)P(z|I)dz,z～P(z|I)and I＝f-1(X)
式中，z为潜在空间变量。
2.根据权利要求1所述的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，其特征在于，所述的步骤3中卷积概率解码器Pθ(X|z)构建过程使用适用于深度学习的变分贝叶斯推理，具体详细过程如下：
第一步：引入变分分布
Figure FDA0003255590220000021
逼近代替卷积概率编码器Pθ(z|X)，通过求解变分分布
Figure FDA0003255590220000022
与卷积概率编码器Pθ(z|X)两者之间的KL散度的最小值使得
Figure FDA0003255590220000023
能够逼近代替Pθ(z|X)，KL散度表示如下：
Figure FDA0003255590220000024
式中，P(X)为气体浓度数据集X对应的概率分布，
Figure FDA0003255590220000025
为证据下界，
Figure FDA0003255590220000026
为
Figure FDA0003255590220000027
和Pθ(z|X)之间的KL散度，θ是权重、偏差，其中的潜在空间变量z可参数化为z＝μ+σ*ε(ε～N(0,1))，
Figure FDA0003255590220000028
代表潜在空间变量z的特征值，即均值、偏差；
不确定性分布特征的气体浓度概率分布P(X)为气体浓度数据集X对应的概率分布，logP(X)对于每个确定气体浓度是固定的，因此求解KL散度最小值可变为求解证据下界
Figure FDA0003255590220000029
最大值；
第二步：对第一步中的公式(5)中证据下界
Figure FDA00032555902200000210
进行变形处理，在Conv-VAE无监督模型耦合算法模型中，
Figure FDA00032555902200000211
计算为：
Figure FDA00032555902200000212
式中，
Figure FDA00032555902200000213
为
Figure FDA00032555902200000214
与Pθ(z)的KL散度，
Figure FDA00032555902200000215
为重构损失，Pθ(z)为潜在空间变量z对应的概率分布；
假设Pθ(z)为中心各向同性高斯分布并且
Figure FDA00032555902200000216
是具有对角协方差结构的多元高斯分布，
Figure FDA00032555902200000217
进一步表示为：
Figure FDA0003255590220000031
式中，J为训练次数；σj代表第j次训练的方差；μj代表第j次训练的均值，X'为对应气体浓度X具有相同时空分布特征的气体浓度数据；
第三步：确定变分分布
Figure FDA0003255590220000032
及Conv-VAE模型中编码器卷积层输出，最大化第二步中的式(7)中证据下界
Figure FDA0003255590220000033
使用变分分布
Figure FDA0003255590220000034
逼近替代Pθ(z|X)，同时将最大化
Figure FDA0003255590220000035
对应的μ和ε作为Conv-VAE编码器中卷积层的输出；
第四步：根据μ和ε，确定编码器
Figure FDA0003255590220000036
和解码器Pθ(X|z)，通过编码器输入公式(1)的气体浓度X来计算n1个扩散场景下具有NZ维的潜在空间变量z矩阵，计算表示如下：
Figure FDA0003255590220000037
低维度潜在空间变量z可以通过解码器Pθ(X|z)升维生成具有与对应气体浓度X具有相同时空分布特征的气体浓度数据X′，计算可以表示如下：
Figure FDA0003255590220000038
第五步：确定具有不确定性分布特征的气体浓度概率分布P(X)，潜在空间变量z的概率分布P(z)，特征分布参数为θ，通过第三步θ的确定，可以获得具有特定分布的P(z)，即Pθ(z)，结合解码器Pθ(X|z)，得到具有不确定性分布特征的气体浓度概率分布P(X)。
3.根据权利要求1所述的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，其特征在于：所述步骤4的具体详细过程如下：
第一步：对概率密度P(w|z,I)权重建模，引入变分分布q(w|χ)逼近代替P(w|z,I)，求解变分分布q(w|χ)与P(w|z,I)两个分布之间的KL散度的最小值，使得q(w|χ)能够逼近代替P(w|z,I)，其中，证据下界ELBO(χ,z,I)表示为：
ELBO(χ,z,I)＝-DKL(q(w|χ)||P(w))+Eq(w|z,I)[log P(z|I,w)] (8)
式中，χ代表需要优化的变分参数，P(w|z,I)为在z、I确定条件下对应w的概率分布密度；
第二步：设VBnn模型的输出预测值为zpred，因此zpred概率密度分布与z相同，服从P(z|w,I)，对公式(8)中Eq(w|z,I)[log P(z|I,w)]进行变形处理，可表示为：
Figure FDA0003255590220000039
式中，σz为手动给出的噪声方差；
第三步：确定变分分布q(w|χ)，最大化公式(8)中ELBO(χ,z,I)，使用变分分布q(w|χ)逼近替代P(w|z,I)，同时，通过最大化公式(8)中ELBO(χ,z,I)，得到与之对应的最优变分参数χ；
第四步：根据最优变分参数χ以及使用q(w|χ)代替P(w|z,I)，概率密度P(z|I)表示为：
P(z|I)＝∫P(z|I,w)q(w|χ)dw (10)
第五步：采用核密度估计法对概率密度P(z|I)进行估计，应用蒙特卡罗抽样生成多个关于z的预测值，具体表示如下：
Figure FDA0003255590220000041
式中，m是蒙特卡罗样本数，wm表示第m组的权重与偏差，Zm表示第m个潜在空间分布变量；
构建出在给定wm的情况下，输入典型扩散场景I和潜在空间变量z之间的概率密度映射关系P(z|I)。
4.根据权利要求1所述的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，其特征在于：所述的步骤2中扩散场景相关的变量的数量n2为释放速率、风向和时间。
5.根据权利要求1所述的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，其特征在于：所述典型扩散场景I为具有3～4维特征，且3～4维特征的I与具有超高维特征的X相关联。
CN202111058534.6A 2021-09-10 2021-09-10 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 Active CN113962164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111058534.6A CN113962164B (zh) 2021-09-10 2021-09-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111058534.6A CN113962164B (zh) 2021-09-10 2021-09-10 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

Publications (2)

Publication Number Publication Date
CN113962164A CN113962164A (zh) 2022-01-21
CN113962164B true CN113962164B (zh) 2022-09-30

Family

ID=79461242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111058534.6A Active CN113962164B (zh) 2021-09-10 2021-09-10 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

Country Status (1)

Country Link
CN (1) CN113962164B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780136B (zh) * 2021-08-31 2023-07-14 中国科学技术大学先进技术研究院 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备
CN117236198B (zh) * 2023-11-14 2024-02-27 中国石油大学(华东) 一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144055A (zh) * 2019-12-27 2020-05-12 苏州大学 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质
CN111145633A (zh) * 2019-12-17 2020-05-12 武汉理工大学 城市道路危化品运输毒气泄漏扩散风险潜势图构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145633A (zh) * 2019-12-17 2020-05-12 武汉理工大学 城市道路危化品运输毒气泄漏扩散风险潜势图构建方法
CN111144055A (zh) * 2019-12-27 2020-05-12 苏州大学 城市环境中有毒重气泄漏浓度分布确定方法、装置及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于变分自编码器的轴承健康状态评估;尹爱军等;《振动.测试与诊断》;20201015(第05期);全文 *
基于场景集的危险气体检测报警仪选址方法;章博等;《中国石油大学学报(自然科学版)》;20161220(第06期);全文 *
毒气泄漏扩散风险的参数不确定性分析;吴雅菊等;《中国安全生产科学技术》;20160430(第04期);全文 *

Also Published As

Publication number Publication date
CN113962164A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
Zounemat-Kermani et al. Ensemble data mining modeling in corrosion of concrete sewer: A comparative study of network-based (MLPNN & RBFNN) and tree-based (RF, CHAID, & CART) models
Na et al. Toxic gas release modeling for real-time analysis using variational autoencoder with convolutional neural networks
Sahoo et al. Prediction of flood in Barak River using hybrid machine learning approaches: a case study
CN113962164B (zh) 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
Bell et al. The impact of small cluster size on multilevel models: A Monte Carlo examination of two-level models with binary and continuous predictors
Abrishami et al. A data-based comparison of BN-HRA models in assessing human error probability: An offshore evacuation case study
He et al. Generative adversarial network-based semi-supervised learning for real-time risk warning of process industries
Li et al. A machine learning methodology for probabilistic risk assessment of process operations: a case of subsea gas pipeline leak accidents
Bučar et al. A neural network approach to describing the scatter of S–N curves
Al-Amin et al. Hierarchical Bayesian corrosion growth model based on in-line inspection data
Rezaei et al. Modeling of gas viscosity at high pressure-high temperature conditions: Integrating radial basis function neural network with evolutionary algorithms
Kim et al. Near-real-time identification of seismic damage using unsupervised deep neural network
Sablani et al. Explicit calculation of the friction factor in pipeline flow of Bingham plastic fluids: a neural network approach
KR102196820B1 (ko) 독성 가스 릴리스 모델링 장치 및 모델링 방법
Silva et al. Implementation of the critical wave groups method with computational fluid dynamics and neural networks
Lv et al. Predicting the frequency of abnormal events in chemical process with Bayesian theory and vine copula
Cabrera et al. Fusion of experimental and synthetic data for reliable prediction of steel connection behaviour using machine learning
Bassamzadeh et al. Probabilistic data-driven prediction of wellbore signatures in high-dimensional data using Bayesian networks
Cui et al. Pipeline corrosion prediction and uncertainty analysis with an ensemble Bayesian neural network approach
Daniels et al. Predicting Water Quality Parameters in Lake Pontchartrain Using Machine Learning: A Comparison on K-Nearest Neighbors, Decision Trees, and Neural Networks to Predict Water Quality
Matenge et al. Impact of climate variability on rainfall characteristics in the semi-arid shashe catchment (Botswana) from 1981–2050
Ehsan Predictive models for wind speed using artificial intelligence and copula
Zeng et al. Pyramid Dynamic Bayesian Networks for Key Performance Indicator Prediction in Long Time-Delay Industrial Processes
Yang et al. Machine Learning in Process Safety and Asset Integrity Management
Van Biesbroeck et al. Reference prior for Bayesian estimation of seismic fragility curves

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