CN116128093A - 一种融合机器学习和数值模拟的减排效果快速评估方法 - Google Patents
一种融合机器学习和数值模拟的减排效果快速评估方法 Download PDFInfo
- Publication number
- CN116128093A CN116128093A CN202211433385.1A CN202211433385A CN116128093A CN 116128093 A CN116128093 A CN 116128093A CN 202211433385 A CN202211433385 A CN 202211433385A CN 116128093 A CN116128093 A CN 116128093A
- Authority
- CN
- China
- Prior art keywords
- emission reduction
- pollution
- machine learning
- emission
- weather
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 117
- 230000000694 effects Effects 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 15
- 231100000719 pollutant Toxicity 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000003915 air pollution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 5
- 239000013618 particulate matter Substances 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102000030592 phosphoserine aminotransferase Human genes 0.000 description 1
- 108010088694 phosphoserine aminotransferase Proteins 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合机器学习和数值模拟的减排效果快速评估方法,属于减排效果评估技术领域。本发明通过优化高性能计算集群的计算性能,促使模式计算性能提升,提高了预报时效性,同时极大地提升了模拟评估的效率,满足更多减排控制情景模拟等决策管理需求;利用神经网络机器学习技术实现了区域颗粒物污染天气分型的自动化,将区域重污染过程的天气学分型结果应用到减排效果评估分析中,通过对比多种天气学分型下多种减排方案的效果,得到多种天气型下的最优最高效的减排方案;通过可视化分析工具,实现前台操作触发后台数值模式运行的功能,以图形、表格等多种方式快速直观对比分析减排之前和多种减排方案的效果。
Description
技术领域
本发明涉及减排效果评估技术领域,具体涉及一种融合机器学习和数值模拟的减排效果快速评估方法。
背景技术
大气污染天气的发生是自然和人为因素共同作用的结果,气象条件作为影响大气环境的重要因素之一,制约着大气污染物的稀释、扩散、输送和转化过程,进而影响着大气污染物的分布及污染物浓度。城市空气质量的好坏与气象条件的关系十分密切,要进一步提升大气污染防治效果难度增加,有必要充分利用气象和气候资源,针对不同气象条件开展减排效果模拟评估,分析不同气象条件下的最优最经济的减排方案。找准污染治理和经济发展的平衡点。
现有的减排效果评估技术是根据需要设置减排方案,通过数值模式调用减排之后的污染源清单,一次只能模拟出一种减排方案的效果,再加上气象条件的主观分析,效率极低,为此,提出一种融合机器学习和数值模拟的减排效果快速评估方法。
发明内容
本发明所要解决的技术问题在于:如何解决现有减排效果评估技术存在的一次只能模拟出一种减排方案的效果、效率极低的问题,提供了一种融合机器学习和数值模拟的减排效果快速评估方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:对所选区域重污染过程进行主观天气学分型;
S2:应用机器学习方式实现重污染天气学分型自动化;
S3:对污染减排方案进行设置;
S4:通过高性能集群的计算性能优化实现减排效果快速评估;
S5:通过可视化工具实现前台操作控制后台模式运行,展示评估分析结果。
更进一步的,在所述步骤S1中,具体过程为:筛选所选区域的重污染过程,对污染过程的地面气压场进行分析,利用合成分析法将影响所选区域空气污染的地面天气形势分成多类,即进行污染天气学分型。
更进一步的,在所述步骤S1中,重污染是指空气质量指数大于200。
更进一步的,所述步骤S2包括以下子步骤:
S21:将每一种污染天气学分型中的案例进行资料整理归档,收集每个案例MICAPS实况场格点数据中的海平面气压、地面风场、地面温度、地面相对湿度、925hPa风场、925hPa温度、925hPa相对湿度、850hPa风场、850hPa温度、850hPa相对湿度、700hPa风场、700hPa温度、700hPa相对湿度、500hPa风场、500hPa温度、500hPa相对湿度数据;
S22:利用神经网络机器学习方式,将每一种污染天气学分型案例的MICAPS数据作为模型训练数据集,通过机器学习训练得到污染天气学分型的识别模型
S23:利用得到的污染天气学分型的识别模型,通过读取新污染案例的MICAPS格点数据并进行识别,实现污染案例天气学分型自动化。
更进一步的,所述步骤S3包括以下子步骤:
S31:通过搜集所选区域各地级市橙色和红色重污染应急预案中的减排措施,确定减排比例;
S32:通过分析各污染天气型的污染传输方向和强度,确定减排区域;
S33:得到针对不同地级市组的多种污染减排方案组合。
更进一步的,所述步骤S4包括以下子步骤:
S41:使用smoke排放源清单处理模式,按照步骤S33中设定的多种污染减排方案,利用基础排放清单通过减排区域、减排比例的控制生成多种污染减排方案减排后的污染排放清单;
S42:同时向高性能计算集群提交多组作业,分别用空气质量模式调用多种设置好的污染排放清单进行模拟运算;
S43:通过优化高性能计算集群的计算性能,实现了通过一次作业提交,得到多种污染减排方案的减排效果模拟。
更进一步的,在所述步骤S41中,基础排放清单是指没做减排控制的污染排放清单,污染排放清单中含有不同排放源的污染排放量。
更进一步的,在所述步骤S43中,优化高性能计算集群的计算性能的方式为:引入消息通讯和共享式内存混合并行方式,提升WRF气象模式的并行可扩展度;同样引入消息通讯和共享式内存混合并行方式,提升CAMx空气质量模式的并行扩展度。
更进一步的,引入消息通讯和共享式内存混合并行方式的具体实现过程如下:
S431:编译代码脚本,实现每个MPI任务可调用不同数量的OpenMP线程;
S432:根据本地可利用的计算资源开展测试分析,设置每个MPI任务同时调用不同数量的OpenMP线程,进行计算效率对比,确定每个MPI任务调用OpenMP线程数量的最优化方案;
S433:对CAMx空气质量模式/WRF气象模式代码进行优化,根据计算资源调用不同数量MPI任务,进行计算效率对比,从而确定调用MPI任务的数量。
更进一步的,在所述步骤S5中,将数值模拟技术封装在后台,通过前台可视化的操作触发模式自动运行,通过选择任意时间段进行污染减排方案制订,并通过前台运行生成模拟减排结果,然后对污染减排方案的效果进行评估分析,并以色斑图以及统计图表的形式展示评估分析结果。
本发明相比现有技术具有以下优点:通过优化高性能计算集群的计算性能,促使模式计算性能提升,获得了多倍加速,提高了预报时效性,同时极大地提升了模拟评估的效率,改变了逐个设置方案,一次调用一个排放清单的技术局限,且单组模拟耗时压缩到了10分钟以内,满足更多减排控制情景模拟等决策管理需求;利用神经网络机器学习技术实现了区域颗粒物污染天气分型的自动化,将区域重污染过程的天气学分型结果应用到减排效果评估分析中,通过对比多种天气学分型下多种减排方案的效果,得到多种天气型下的最优最高效的减排方案;通过可视化分析工具,实现前台操作触发后台数值模式运行的功能,以图形、表格等多种方式快速直观对比分析减排之前和多种减排方案的效果。
附图说明
图1是本发明融合机器学习和数值模拟的减排效果快速评估方法的流程示意图;
图2a是本发明实施例中均压场或弱低压型的海平面气压场分布示意图;
图2b是本发明实施例中西北高压型的海平面气压场分布示意图;
图2c是本发明实施例中高压后部型的海平面气压场分布示意图;
图3是本发明实施例中WRF气象模式下引入混合并行前后计算耗时柱状图;
图4是本发明实施例中CAMx空气质量模式下引入混合并行前后计算耗时柱状图;
图5是本发明实施例中CAMx空气质量模式代码优化后计算耗时柱状图.
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例中采用本发明所提出的减排效果快速评估方法对国内某地区的减排效果进行评估,具体包括以下步骤:
第一步:对该区域重污染过程进行主观天气学分型
筛选该地区2016-2017年的重污染过程(AQI>200,AQI即空气质量指数),对污染过程的地面气压场进行分析,利用合成分析法将影响该地区空气污染的地面天气形势分成三类:1)均压场或弱低压型、2)西北高压型(西高东低)、3)高压后部型(东高西低)。
在本实施例中,该地区为京津冀地区;
具体地,1、均压场或弱低压型(见图2a):京津冀地区地面为均压场或弱低压控制,气压梯度小,地面风速小,高空为弱偏西风或偏南风,混合层高度低,不利于污染物的水平和垂直扩散,容易造成本地污染物堆积;相较其余两种天气形势,均压场形势下污染重、持续时间长。2、西北高压型(见图2b):京津冀地区地面处于锋前暖区,气压场较弱,高空为东北风,伴有明显暖平流,相对湿度较高,逆温层较厚,易造成重污染,但随着冷高压东移,气压梯度变大,西北风风速增大,出现大风降温天气,污染物向外输送,空气质量转好。3、高压后部型(见图2c):当京津冀区域位于高压后部,风速小,且多为偏南风,高空有暖平流,在污染物本地排放和外来输送的共同作用下,以及京津冀三面环山的独特地形,使污染物累积,且难以扩散,造成重污染。
第二步:应用机器学习方式实现重污染天气学分型自动化
在本实施例中,本步骤具体包括以下内容:
1、将每一种污染天气学分型中的案例进行资料整理归档,收集每个案例MICAPS(气象信息综合分析处理系统)实况场格点数据中的海平面气压、地面风场、地面温度、地面相对湿度、925hPa风场、925hPa温度、925hPa相对湿度、850hPa风场、850hPa温度、850hPa相对湿度、700hPa风场、700hPa温度、700hPa相对湿度、500hPa风场、500hPa温度、500hPa相对湿度数据;
2、利用神经网络机器学习方式,将每一种污染天气学分型案例的MICAPS数据作为模型训练数据集,通过机器学习训练得到三种污染天气学分型的识别模型;
3、利用污染天气学分型的识别模型,通过读取新污染案例的MICAPS格点数据,实现污染案例天气学分型自动化。
第三步:污染减排方案设置
在本实施例中,本步骤具体包括以下内容:
1、通过搜集京津冀地区各地级市橙色和红色重污染应急预案中的减排措施,确定了减排20%和50%这两种减排比例;
2、通过分析三种污染天气型的污染传输方向和强度,确定了三种减排区域:一种为“除张家口、承德、秦皇岛以外的京津冀所有城市”;一种为“石家庄、保定、北京、天津、廊坊、唐山”;一种为“石家庄、保定、邢台、邯郸”;
3、考虑到“除张家口、承德、秦皇岛以外的京津冀所有城市”全部减排的情况下,其污染严重程度已经超越橙色“20%”减排的情况。最终组合形成了五种污染减排方案(见表1),减排情景预案以城市为单位考虑减排,减排幅度分别设定为50%和20%,以此作为基数,开展重污染应急管控过程中的快速评估。
表1五种污染减排方案设定
以上述污染减排方案结合基准排放源构建了对应的减排情景网格化排放源。
需要说明的是,污染减排方案的设置也可根据模拟的需要进行任意设置。
第四步:通过高性能集群的计算性能优化实现减排效果快速评估
在本实施例中,本步骤具体包括以下内容:
1、使用smoke污染源清单处理模式,按照设定的五种污染减排方案,利用基础排放清单通过减排区域、减排比例的控制生成五种污染减排方案减排后的污染排放清单;
基础排放清单是指没做减排控制的污染排放清单。清单中含有不同排放源的污染排放量。比如某处工业排放SO2多少。模式能调用的清单是处理成格点数据的文件。
2、同时向高性能计算集群提交五组作业,分别用CAMx空气质量模式调用五种设置好的污染排放清单进行模拟运算;
3、通过优化高性能计算集群的计算性能,大幅度提升计算效率,实现了通过一次作业提交,得到五种减排方案的减排效果模拟,并且运算效率大幅提升。
需要说明的是,在提升计算效率的方案中,其核心是实现WRF和CAMx模式的快速模拟计算,本方法采用不带PSAT等来源解析模块的基础版本CAMx开展设计和优化。
(a)提升WRF气象模式的计算效率
引入消息通讯和共享式内存混合并行方式,拓展WRF气象模式的并行可扩展度,提升其并行效率。通过设置不同MPI任务以及每个任务调用的OpenMP线程数量,进行并行计算实验,从而确定WRF气象模式的并行方案。引入并行新技术后,同等计算量,WRF气象模式计算耗时由原有的39分钟缩短到16分钟,并有进一步缩短计算耗时可能性,如图3所示;
(b)提升CAMx空气质量模式的计算效率
针对不带来源解析功能的CAMx空气质量模式开展模式优化及测试。通过代码脚本及分析,CAMx同样支持消息通讯并行和共享内存OpenMP组合的混合并行方式。同样引入消息通讯和共享式内存混合并行方式,提升CAMx空气质量模式的并行扩展度,如图4所示,采用80个MPI任务,CAMx模式计算耗时为74分钟;采用80个MPI任务、每个MPI任务调用2个OpenMP线程,CAMx模式计算耗时下降到65分钟;采用80个MPI任务、每个MPI任务调用4个OpenMP线程,CAMx模式计算耗时可进一步下降到58分钟。综上所述,引入混合并行技术后,计算耗时下降了21.6%。
通过对代码分析及测试,优化CAMx模式代码,进而提升其模式整体计算效率。经测试,优化后,如图5所示,采用80个MPI任务、每个MPI任务调用4个OpenMP线程,CAMx模式计算耗时可由原来的58分钟下降到8分钟,计算效率得到了极大的提高,计算耗时下降86.2%。与此同时,代码优化后,CAMx模式代码依然有比较好的并行扩展度,经测试,随着计算核心数合理增加,可以促使计算耗时由“调用40个任务、每个MPI任务调用4个OpenMP线程(即调用160个CPU核心)”的15分钟降低到“调用100个MPI任务、每个MPI任务调用4个OpenMP线程(即调用400个CPU核心)”的6分钟以内,并行资源增加投入依然可促使CAMx模式计算耗时下降60%以上。这一计算优化有效支持了多情景减排快速评估功能实现,经日志分析显示,单组模拟情景计算耗时控制在10分钟之内。
第五步:通过GIS等可视化工具实现前台操作控制后台模式运行
将复杂的数值模拟技术封装在后台,通过前台可视化的操作触发模式自动运行,通过选择任意时间段进行减排方案制订,并通过前台运行生成模拟减排结果,然后对减排调控方案的效果进行评估分析,并可以色斑图以及统计图表的形式展示评估分析结果;CMAx空气质量模式运行一次,同时生成五种方案的减排效果,结合污染过程的天气分型结果,开展不同气象条件下多种减排方案的减排效果对比分析。
在本实施例中,本步骤中可视化工具的主要功能如下:
1、模拟进程设置
新建方案;通过时间轴右下方点击添加案例,自定义方案名、时间并保存方案。
运行方案;通过点击运行按钮运行制定的方案,运行时按钮变成运行样式,页面显示监控日志,运行结束后页面弹出运行成功提示,点击确定后按钮变成可运行样式,生成评估分析结果
2、区域分布对比
模式运行完毕后会给出五种减排方案的减排前后PM2.5浓度分布,通过选择查看均压场/高压后部/西北高压,并且选择方案1、方案2、方案3(可多选)对不同天气型下的多种方案进行对比。
3、站点数据对比
根据方案运行结果设计PM2.5减排前后柱状图,通过选择查看均压场/高压后部/西北高压,并且选择方案1、方案2、方案3(可多选)对多种方案进行对比,同时可选择小时值或日均值进行查看;
4、减排效果分析
根据方案运行结果设计对比PM2.5观测及减排前后浓度、平均浓度及峰值浓度的下降量和下降率表格,通过选择查看均压场/高压后部/西北高压,并且选择方案1、方案2、方案3对多种方案进行对比,点击提交按钮即可查看。
5、模拟效果检验
根据方案运行结果设计对比各地级市PM2.5观测值及模拟值的折线图、误差统计表及散点图,可通过选择全市或市区(可选多个地级市)进行切换,也可通过选择小时值和日均值进行查看。
综上所述,上述实施例的融合机器学习和数值模拟的减排效果快速评估方法,通过优化高性能计算集群的计算性能,促使模式计算性能提升,获得了6倍加速,提高了预报时效性,同时极大地提升了模拟评估的效率,改变了逐个设置方案,一次调用一个排放清单的技术局限,且单组模拟耗时压缩到了10分钟以内,满足更多减排控制情景模拟等决策管理需求;利用神经网络机器学习技术实现了区域颗粒物污染天气分型的自动化,将区域重污染过程的天气学分型结果应用到减排效果评估分析中,通过对比多种天气学分型下多种减排方案的效果,得到多种天气型下的最优最高效的减排方案;通过可视化分析工具,实现前台操作触发后台数值模式运行的功能,以图形、表格等多种方式快速直观对比分析减排之前和多种减排方案的效果。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于,包括以下步骤:
S1:对所选区域重污染过程进行主观天气学分型;
S2:应用机器学习方式实现重污染天气学分型自动化;
S3:对污染减排方案进行设置;
S4:通过高性能集群的计算性能优化实现减排效果快速评估;
S5:通过可视化工具实现前台操作控制后台模式运行,展示评估分析结果。
2.根据权利要求1所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:在所述步骤S1中,具体过程为:筛选所选区域的重污染过程,对污染过程的地面气压场进行分析,利用合成分析法将影响所选区域空气污染的地面天气形势分成多类,即进行污染天气学分型。
3.根据权利要求1所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:在所述步骤S1中,重污染是指空气质量指数大于200。
4.根据权利要求2所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:所述步骤S2包括以下子步骤:
S21:将每一种污染天气学分型中的案例进行资料整理归档,收集每个案例MICAPS实况场格点数据中的海平面气压、地面风场、地面温度、地面相对湿度、925hPa风场、925hPa温度、925hPa相对湿度、850hPa风场、850hPa温度、850hPa相对湿度、700hPa风场、700hPa温度、700hPa相对湿度、500hPa风场、500hPa温度、500hPa相对湿度数据;
S22:利用神经网络机器学习方式,将每一种污染天气学分型案例的MICAPS数据作为模型训练数据集,通过机器学习训练得到污染天气学分型的识别模型
S23:利用得到的污染天气学分型的识别模型,通过读取新污染案例的MICAPS格点数据并进行识别,实现污染案例天气学分型自动化。
5.根据权利要求4所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:所述步骤S3包括以下子步骤:
S31:通过搜集所选区域各地级市橙色和红色重污染应急预案中的减排措施,确定减排比例;
S32:通过分析各污染天气型的污染传输方向和强度,确定减排区域;
S33:得到针对不同地级市组的多种污染减排方案组合。
6.根据权利要求5所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:所述步骤S4包括以下子步骤:
S41:使用smoke排放源清单处理模式,按照步骤S33中设定的多种污染减排方案,利用基础排放清单通过减排区域、减排比例的控制生成多种污染减排方案减排后的污染排放清单;
S42:同时向高性能计算集群提交多组作业,分别用空气质量模式调用多种设置好的污染排放清单进行模拟运算;
S43:通过优化高性能计算集群的计算性能,实现了通过一次作业提交,得到多种污染减排方案的减排效果模拟。
7.根据权利要求6所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:在所述步骤S41中,基础排放清单是指没做减排控制的污染排放清单,污染排放清单中含有不同排放源的污染排放量。
8.根据权利要求6所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:在所述步骤S43中,优化高性能计算集群的计算性能的方式为:引入消息通讯和共享式内存混合并行方式,提升WRF气象模式的并行可扩展度;同样引入消息通讯和共享式内存混合并行方式,提升CAMx空气质量模式的并行扩展度。
9.根据权利要求8所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:引入消息通讯和共享式内存混合并行方式的具体实现过程如下:
S431:编译代码脚本,实现每个MPI任务可调用不同数量的OpenMP线程;
S432:根据本地可利用的计算资源开展测试分析,设置每个MPI任务同时调用不同数量的OpenMP线程,进行计算效率对比,确定每个MPI任务调用OpenMP线程数量的最优化方案;
S433:对CAMx空气质量模式/WRF气象模式代码进行优化,根据计算资源调用不同数量MPI任务,进行计算效率对比,从而确定调用MPI任务的数量。
10.根据权利要求9所述的一种融合机器学习和数值模拟的减排效果快速评估方法,其特征在于:在所述步骤S5中,将数值模拟技术封装在后台,通过前台可视化的操作触发模式自动运行,通过选择任意时间段进行污染减排方案制订,并通过前台运行生成模拟减排结果,然后对污染减排方案的效果进行评估分析,并以色斑图以及统计图表的形式展示评估分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433385.1A CN116128093B (zh) | 2022-11-16 | 2022-11-16 | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433385.1A CN116128093B (zh) | 2022-11-16 | 2022-11-16 | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128093A true CN116128093A (zh) | 2023-05-16 |
CN116128093B CN116128093B (zh) | 2024-02-02 |
Family
ID=86308807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211433385.1A Active CN116128093B (zh) | 2022-11-16 | 2022-11-16 | 一种融合机器学习和数值模拟的减排效果快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128093B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360962A (zh) * | 2014-11-21 | 2015-02-18 | 北京应用物理与计算数学研究所 | 匹配于高性能计算机结构的多级嵌套数据传输方法与系统 |
CN108595277A (zh) * | 2018-04-08 | 2018-09-28 | 西安交通大学 | 一种基于OpenMP/MPI混合编程的CFD仿真程序的通信优化方法 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN114218751A (zh) * | 2021-11-16 | 2022-03-22 | 中科三清科技有限公司 | 臭氧污染的定量评估方法、装置、计算机设备和存储介质 |
CN115293567A (zh) * | 2022-08-03 | 2022-11-04 | 四川省生态环境科学研究院 | 一种大气污染动态管控系统及方法 |
-
2022
- 2022-11-16 CN CN202211433385.1A patent/CN116128093B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360962A (zh) * | 2014-11-21 | 2015-02-18 | 北京应用物理与计算数学研究所 | 匹配于高性能计算机结构的多级嵌套数据传输方法与系统 |
CN108595277A (zh) * | 2018-04-08 | 2018-09-28 | 西安交通大学 | 一种基于OpenMP/MPI混合编程的CFD仿真程序的通信优化方法 |
CN112085295A (zh) * | 2020-09-21 | 2020-12-15 | 中国科学院大气物理研究所 | 一种大气污染多情景控制效果快速预测评估方法 |
CN114218751A (zh) * | 2021-11-16 | 2022-03-22 | 中科三清科技有限公司 | 臭氧污染的定量评估方法、装置、计算机设备和存储介质 |
CN115293567A (zh) * | 2022-08-03 | 2022-11-04 | 四川省生态环境科学研究院 | 一种大气污染动态管控系统及方法 |
Non-Patent Citations (11)
Title |
---|
RIDWAN RIDWAN等: "Performance evaluation of hybrid parallel computing for WRF model with CUDA and OpenMP", 《2015 3RD INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY (ICOICT)》, pages 425 - 430 * |
YING ZHANG 等: "OpenMP parallelization of a gridded SWAT (SWATG)", 《COMPUTERS & GEOSCIENCES》, vol. 109, pages 228 - 237, XP085223541, DOI: 10.1016/j.cageo.2017.08.002 * |
单莹等: "基于SMP集群的多层次并行编程模型与并行优化技术", 《计算机应用研究》, no. 10, pages 254 - 260 * |
吕海等: "大规模结构有限元分析程序在多核集群计算环境中的性能分析和优化", 《计算机科学》, vol. 39, no. 1, pages 305 - 310 * |
吴兆明: "MPI+OpenMp混合编程模式研究与效率分析", 《南京工业职业技术学院学报》, vol. 9, no. 04, pages 37 - 39 * |
徐峻等: "京津冀地区细颗粒物污染来源实时预报系统的构建和初步应用", 《环境工程技术学报》, vol. 6, no. 06, pages 523 - 530 * |
朱政慧: "一个数值天气预报模式的并行混合编程模型及其应用", 《数值计算与计算机应用》, no. 03, pages 198 - 207 * |
洪莹莹等: "珠江三角洲秋季典型O3污染的气象条件及贡献量化", 《中国环境科学》, vol. 41, no. 1, pages 1 - 2 * |
程念亮等: "山东省空气质量预报平台设计及其预报效果评估", 《环境污染与防治》, vol. 37, no. 09, pages 92 - 99 * |
胡春梅等: "基于自组织神经网络算法的重庆秋冬季空气污染与天气分型的关系", 《气象》, vol. 46, no. 9, pages 1222 - 1233 * |
马翠平等: "河北环境气象智能评估系统研发与应用", 《三峡生态环境监测》, vol. 6, no. 2, pages 1 - 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116128093B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418609B (zh) | 一种基于面-网格-点的大气二次污染精准溯源方法 | |
Wang et al. | Spatial spillover effect and driving forces of carbon emission intensity at the city level in China | |
CN112348339A (zh) | 一种基于大数据分析的配电网规划方法 | |
CN107918830A (zh) | 一种基于大数据技术的配电网运行状态评估系统及方法 | |
CN109462853B (zh) | 一种基于神经网络模型的网络容量预测方法 | |
WO2024041591A1 (zh) | 一种风电光伏储能配比的协调优化方法 | |
CN114648155A (zh) | 基于天气分型与气象预报的源解析方法及应急响应系统 | |
CN114897241A (zh) | 一种基于数字孪生的楼宇能效智能化监管预测方法 | |
CN116128093B (zh) | 一种融合机器学习和数值模拟的减排效果快速评估方法 | |
CN114184881A (zh) | 一种基于拓扑模型追踪分析故障事件定位方法 | |
Zhou et al. | An empirical study on industrial eco-efficiency in arid resource exploitation region of northwest China | |
CN112016821A (zh) | 一种基于cs架构的智慧电厂标准化管理系统及方法 | |
CN111539950A (zh) | 一种基于机器视觉的太阳能板缺陷检测系统 | |
Xueliang et al. | Study of power grid planning integrated information platform based on big-data technology | |
CN115271320A (zh) | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 | |
CN111832162A (zh) | 一种三维可视化厂区管理系统 | |
CN113496319B (zh) | 一种可再生能源发电系统脆弱性的评估方法 | |
CN116739133B (zh) | 一种基于自然–社会双驱动分析的区域芦苇ndvi格局模拟预测方法 | |
Liu | RETRACTED: Research on the Application of Artificial Intelligence in Energy Science and Engineering Monitoring Software Engineering Technology under the Background of Big Data | |
CN111598492B (zh) | 污染物浓度的评估方法、评估装置及电子设备 | |
Hu et al. | The trajectory of urbanization process in the Yangtze River Delta during 1990 to 2005 | |
CN111881960A (zh) | 基于大数据分析的电网故障预测系统 | |
Li | Smart building research based on BIM | |
Zhao et al. | Application of Energy-Carbon Flow Charts in High-Tech Industrial Park | |
Bai et al. | Do more efficient transport facilities improve habitat quality? Evidence from China |
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 |