CN116973523A - 基于mems气体传感器阵列的气体检测方法及系统 - Google Patents
基于mems气体传感器阵列的气体检测方法及系统 Download PDFInfo
- Publication number
- CN116973523A CN116973523A CN202311228947.3A CN202311228947A CN116973523A CN 116973523 A CN116973523 A CN 116973523A CN 202311228947 A CN202311228947 A CN 202311228947A CN 116973523 A CN116973523 A CN 116973523A
- Authority
- CN
- China
- Prior art keywords
- gas
- diffusion
- parameters
- dangerous
- generate
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000009792 diffusion process Methods 0.000 claims abstract description 308
- 238000005192 partition Methods 0.000 claims abstract description 49
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 51
- 238000004088 simulation Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004868 gas analysis Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 333
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical group [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- 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
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Food Science & Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Combustion & Propulsion (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medicinal Chemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于MEMS气体传感器阵列的气体检测方法及系统,涉及气体检测技术领域,包括:获取气体扩散参数包括扩散源参数、风力方向参数和风力等级参数进行轨迹分析,生成扩散轨迹预测结果;采集气体泄露记录数据,生成气体浓度变化时序数据;根据气体浓度变化时序数据和扩散轨迹预测结果生成气体扩散危险区域;对气体扩散危险区域,生成第一分区、第二分区直到第N分区;遍历分区,部署MEMS气体传感器阵列;根据所述MEMS气体传感器阵列进行气体泄漏检测管理。解决了现有技术中由于传感器阵列的布局方式个体化程度低,导致存在气体检测场景适应性较差的技术问题。
Description
技术领域
本发明涉及气体检测技术领域,具体涉及一种基于MEMS气体传感器阵列的气体检测方法及系统。
背景技术
气体检测技术应用的范围较为广泛,环境探测时通过传感器检测不同气体类型的浓度确定环境是否环保需求;工厂中通过传感器检测不同气体检测气体泄漏状态,保障工厂的生产安全。
目前气体泄漏检测的方式主要通过传感器进行不同气体的检测,随着传感器精度的不断增强,气体的检测准确度不断提高,缺点在于传感器阵列的布局方式个体化程度低,场景适应性较差。
综上所述,现有技术中气体泄漏检测由于传感器阵列的布局方式个体化程度低,导致存在气体检测场景适应性较差的技术问题。
发明内容
本申请提供了一种基于MEMS气体传感器阵列的气体检测方法及系统,用于针对解决现有技术中由于传感器阵列的布局方式个体化程度低,导致存在气体检测场景适应性较差的技术问题。
鉴于上述问题,本申请提供了一种基于MEMS气体传感器阵列的气体检测方法及系统。
本申请的第一个方面,提供了一种基于MEMS气体传感器阵列的气体检测方法,其中,包括:获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
本申请的第二个方面,提供了一种基于MEMS气体传感器阵列的气体检测系统,其中,包括:扩散参数采集模块,用于获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;扩散轨迹预测模块,用于根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;气体浓度信息采集模块,用于根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;危险区域分析模块,用于根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;危险等级分区模块,用于对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;气体传感器部署模块,用于遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;气体泄漏检测模块,用于根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
本申请的第三个方面,提供了一种存储介质,其中,所述存储介质用于存储计算机程序,当计算机程序被执行时实现第一方面中方法的步骤。
本申请的第四个方面,提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器内存储有计算机程序,所述计算机程序被所述处理器执行时实现第一方面中方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的技术方案通过采集气体扩散参数;根据扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;再根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;利用气体浓度变化时序数据和扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;对气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;遍历第一分区直到第N分区,部署MEMS气体传感器阵列;根据MEMS气体传感器阵列进行气体泄漏检测管理。通过对气体扩散进行预测分析,依据分析结果进行区域标识,依据区域标识结果部署MEMS气体传感器,提高了MEMS气体传感器和应用场景的匹配程度,达到了提高气体泄漏检测场景适用性的技术效果。
附图说明
图1为本申请提供的一种基于MEMS气体传感器阵列的气体检测方法流程示意图;
图2为本申请提供的一种基于MEMS气体传感器阵列的气体检测方法中的气体扩散危险区域确定流程示意图;
图3为本申请提供的一种基于MEMS气体传感器阵列的气体检测方法中的区域标记流程示意图;
图4为本申请提供了一种基于MEMS气体传感器阵列的气体检测系统结构示意图;
图5为本申请实施例示例性计算机设备的结构示意图。
附图标记说明:扩散参数采集模块11,扩散轨迹预测模块12,气体浓度信息采集模块13,危险区域分析模块14,危险等级分区模块15,气体传感器部署模块16,气体泄漏检测模块17,计算机设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种基于MEMS气体传感器阵列的气体检测方法及系统。解决了现有技术中由于传感器阵列的布局方式个体化程度低,导致存在气体检测场景适应性较差的技术问题,通过对气体扩散进行预测分析,依据分析结果进行区域标识,依据区域标识结果部署MEMS气体传感器,提高了MEMS气体传感器和应用场景的匹配程度,达到了提高气体泄漏检测场景适用性的技术效果。
实施例一
如图1所示,本申请提供了一种基于MEMS气体传感器阵列的气体检测方法,其中,包括步骤:
S100:获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;
具体而言,气体扩散参数指的是表征待检测泄漏状态的气体扩散相关联的基本信息,包括但不限于扩散源参数、风力方向参数和风力等级参数。扩散源参数指的是气体泄漏的源头相关信息,包括但不限于扩散气体类型、扩散初始位置和扩散区域建筑特征,扩散区域建筑特征指的是扩散区域的建筑尺寸特征、建筑布局特征等;风力方向参数指的是表征风力方向的数据;风力等级参数指的是表征风力强弱程度的数据,优化的风力等级划分方式如下:设定一迎风的基准面,选取一参照物,一端活动固定,另一端不固定,常规状态下和基准面重合,吹风会使参照物偏离基准面,根据偏离基准面角度大小,划分风力等级。
通过气体扩散参数量化表征了各项扩散参数,为后步准确进行气体检测提供了基础信息。
S200:根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;
进一步的,基于所述根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果,步骤S200包括步骤:
S210:所述扩散源参数包括扩散气体类型、扩散初始位置和扩散区域建筑特征;
S220:以所述扩散气体类型和所述扩散初始位置作为筛选条件,采集气体扩散记录数据,其中,所述气体扩散记录数据包括风力方向记录数据、风力等级记录数据和气体扩散速度记录数据;
S230:根据所述风力方向记录数据、所述风力等级记录数据和所述气体扩散速度记录数据,基于BP神经网络,训练气体扩散速度评估模型;
S240:将所述风力方向参数和所述风力等级参数输入所述风力速度评估模型,生成多个气体扩散速度向量;
S250:根据所述扩散区域建筑特征,构建气体扩散地形仿真模型;
进一步的,基于所述根据所述扩散区域建筑特征,构建气体扩散地形仿真模型,步骤S250包括步骤:
S251:根据所述扩散区域建筑特征,获取气体通路建筑特征和气体闭路建筑特征;
S252:根据所述气体通路建筑特征和所述气体闭路建筑特征进行BIM建模仿真,生成所述气体扩散地形仿真模型。
S260:将所述多个气体扩散速度向量输入所述气体扩散地形仿真模型,生成多个气体扩散轨迹,添加进所述扩散轨迹预测结果。
具体而言,扩散轨迹预测结果指的是根据扩散源参数、风力方向参数和风力等级参数进行气体泄漏后的轨迹预测得到的结果,气体泄漏的扩散轨迹与风力方向参数、风力等级参数和扩散区域建筑特征主要相关,和扩散气体类型次要相关。
优选的轨迹预测算法如下:
通过以扩散气体类型和扩散初始位置为筛选条件,从工业大数据中采集相同扩散气体类型、相同扩散区域建筑特征的相同扩散初始位置的气体扩散记录数据。示例性地如:扩散气体类型为一氧化碳,扩散区域建筑特征为具有三条通路的地下井内,扩散初始位置为三条通路交叉位置。则采集具有三条通路的建筑内的一氧化碳从三条通路交叉位置的扩散记录数据。为了降低冗杂数据的干扰,优选的气体扩散记录数据仅采集:风力方向记录数据、风力等级记录数据和气体扩散速度记录数据。
优选的,将一一对应的风力方向记录数据、风力等级记录数据和气体扩散速度记录数据划分为8:1:1等份,每一份比例的数据集都包括一一对应的风力方向记录数据、风力等级记录数据和气体扩散速度记录数据。将80%的数据设为训练数据集,将10%的数据设为迭代数据集,将剩余10%的数据设为测试数据集。
首先将80%的数据的其中一组风力方向记录数据和风力等级记录数据,作为输入数据输入BP神经网络进行训练数据,输出该组对应的输出结果,再将输出结果和该组对应的气体扩散速度记录数据比较,求取偏差,计算偏差绝对值占据气体扩散速度记录数据之比,再使用1减去偏差绝对值占据气体扩散速度记录数据之比作为输出准确率,持续训练,当连续第一预设组数的数据集对应的输出准确率都大于或等于预设准确率时。通过10%的迭代数据集验证模型输出准确性,若第二预设组数的输出准确率都大于或等于预设准确率时,通过剩余10%的测试数据集,若第三预设组数的输出准确率都大于或等于预设准确率时,则视为模型收敛,反之都需要重复继续训练,优化模型参数。
当风力速度评估模型收敛后,将风力方向参数和所述风力等级参数输入风力速度评估模型,生成多个气体扩散速度向量。多个气体扩散速度向量表征来自不同的风力导致的气体扩散的不同速度向量,包括速度大小和速度方向。
气体扩散地形仿真模型指的是根据扩散区域建筑特征,构建地形仿真模型,便于后步用于动态分析气体扩散状态,气体扩散地形仿真模型优选的根据三维建模技术,依据扩散区域建筑特征的各个建筑物的尺寸特征搭建三维仿真模型,再对三维仿真模型中标记气体通路建筑特征对应的仿真通路标签,标记气体闭路建筑特征对应的仿真闭路标签。当扩散气体遭遇仿真闭路标签时,则无法扩散,就会跟着风向向其它位置扩散,当扩散气体遭遇仿真通路标签时,可以直接通过对应通路进行扩散。利用BIM建模仿真技术结合三维仿真模型,以及仿真通路标签和仿真闭路标签,搭建动态的用于模拟气体扩散的气体扩散地形仿真模型。
在气体扩散地形仿真模型的扩散初始位置设置多个气体扩散速度向量,开始扩散模拟,从而得到和多个气体扩散速度向量一一对应的多个气体扩散轨迹,设为扩散轨迹预测结果,置为待响应状态,等待后步高效调用。
进一步,基于所述将所述多个气体扩散速度向量输入所述气体扩散地形仿真模型,生成多个气体扩散轨迹,添加进所述扩散轨迹预测结果,之前步骤S260包括步骤:
S261:所述扩散源参数还包括气体密度参数和气体温度参数;
S262:获取浮力评估框架式:
其中,表征浮力参数,/>表征气体密度参数,/>表征空气密度,/>表征气体温度参数,/>表征基准温度,/>,/>,/>,/>和/>表征函数拟合参数,/>和/>自定义设定;
S263:将拟合参数赋值结果、所述气体密度参数和所述气体温度参数输入所述浮力评估框架式,生成浮力评估结果;
进一步的,所述将拟合参数赋值结果、所述气体密度参数和气体温度参数输入所述浮力评估框架式,生成浮力评估结果,之前步骤S263包括步骤:
S2631:根据所述空气密度和所述基准温度,采集气体浮力记录数据,其中,所述气体浮力记录数据包括气体密度记录数据、气体温度记录数据和气体浮力记录数据;
S2632:根据所述气体密度记录数据、所述气体温度记录数据和所述气体浮力记录数据,对所述浮力评估框架式进行处理,生成所述拟合参数赋值结果。
S264:对所述气体扩散方速度向量进行分解,生成水平方向速度向量和垂直方向速度向量;
S265:根据所述浮力评估结果,对所述垂直方向速度向量进行调整,生成垂直方向速度向量调整结果;
S266:根据所述水平方向速度向量和所述垂直方向速度向量调整结果,对所述气体扩散方速度向量进行调整后输入所述气体扩散地形仿真模型。
具体而言,由于气体的扩散方向不仅仅受到风力的影响,还受到气体密度以及气体温度的影响,当气体密度小于空气密度,则会向上扩散,当气体温度高于基准温度,则会向上扩散。因此气体扩散方速度向量输入气体扩散地形仿真模型之前,还需要根据气体密度参数和气体温度参数对气体扩散方速度向量进行调整。优选的过程如下:
由于在风力影响的基础上分析,因此只需要考虑气体密度参数和气体温度参数对气体浮力的影响,即可确定气体密度参数和气体温度参数对气体扩散方速度向量垂直方向分量的影响。
构建浮力评估框架式用来拟合气体浮力,与气体密度参数和气体温度参数之间的函数关系,浮力评估框架式优选为:
只有当小于或等于/>时,B=0,否则,/>,/>,/>,不等于0,/>大于0,由于浮力评估框架式中的/>,/>,/>,/>和/>都需要根据应用的场景进行差异化赋值,因此需要采集对应场景的空气密度和基准温度,再依据对应场景的空气密度和基准温度采集对应的气体类型的浮力记录数据,包括气体密度记录数据、气体温度记录数据和气体浮力记录数据,这些数据在进行气体检测时都需要进行采集,因此可采集大量此类数据。将至少5组气体密度记录数据、气体温度记录数据和气体浮力记录数据分别输入浮力评估框架式,进而计算得到/>,,/>,/>和/>的赋值结果,记为拟合参数赋值结果。
再将拟合参数赋值结果、气体密度参数和气体温度参数输入所述浮力评估框架式,生成浮力评估结果,表征垂直方向上的气体浮力受力状态。再将气体扩散方速度向量进行分解,生成水平方向速度向量和垂直方向速度向量,由于此处的浮力计算考虑了气体密度,因此忽略重力因素,根据垂直方向速度向量,依据动量守恒原理,可以计算气体未计算浮力前的单位体积内的垂直方向受力,再和浮力合并,从而得到新的力,根据新的力的再依据动量守恒原理计算垂直方向速度向量,记为垂直方向速度向量调整结果。再将水平方向速度向量和所述垂直方向速度向量调整结果合并,得到新的气体扩散方速度向量,再输入气体扩散地形仿真模型进行扩散轨迹分析。
由于气体的扩散方向不仅仅受到风力的影响,还受到气体密度以及气体温度的影响。通过浮力评估框架式拟合气体所受浮力,再对气体扩散方速度向量进行调整,提高了气体扩散轨迹的评估准确性。且依据场景化信息灵活赋值的拟合参数,使得浮力评估框架式可以适应于不同场景的扩散轨迹预测,达到了提高扩散轨迹预测适应性的技术效果。
S300:根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;
具体而言,气体泄露记录数据指的是依据扩散轨迹预测结果基于工业大数据采集的泄漏气体类型沿着扩散轨迹浓度记录数据,其中,泄漏气体类型的初始位置的气体浓度与扩散气体类型的初始位置的气体浓度相同;将气体泄露记录数据沿着扩散轨迹的出现时序进行存储,得到气体浓度变化时序数据,置为待响应状态,等待后步调用。
S400:根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;
进一步,如图2所示,所述根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域,步骤S400包括步骤:
S410:根据所述气体浓度变化时序数据,构建浓度-距离变化曲线;
S420:获取危险浓度阈值;
S430:根据所述危险浓度阈值,基于所述浓度-距离变化曲线在所述扩散轨迹预测结果进行区域标记,生成所述气体扩散危险区域。
进一步的,如图3所示,所述根据所述危险浓度阈值,基于所述浓度-距离变化曲线进行区域标记,生成所述气体扩散危险区域,步骤S430包括步骤:
S431:将所述危险浓度阈值输入所述浓度-距离变化曲线,生成危险距离参数;
S432:根据所述危险距离参数遍历所述扩散轨迹预测结果进行标识,生成多个扩散轨迹危险距离;
S433:将所述多个扩散轨迹危险距离融合,生成所述气体扩散危险区域。
具体而言,气体扩散危险区域指的是根据气体浓度变化时序数据和扩散轨迹预测结果确定会造成危害的范围。确定了扩散气体类型扩散时的轨迹数据和浓度分布数据,进而可以根据气体浓度数据标记扩散轨迹中的危险范围,从而得到气体扩散危险区域。优选的过程如下:
浓度-距离变化曲线指的是每条扩散轨迹预测结果与扩散初始位置的距离,和气体浓度之间的变化曲线。在气体浓度大于或等于危险浓度阈值的与扩散初始位置的距离处进行区域标记。遍历全部的扩散轨迹预测结果,则得到气体扩散危险区域。
优选的,将危险浓度阈值输入浓度-距离变化曲线,生成危险距离参数,每个危险距离参数和对应的扩散轨迹预测结果相关联,根据危险距离参数遍历扩散轨迹预测结果进行标识,生成多个扩散轨迹危险距离。最后再将多个扩散轨迹危险距离标记处依次连接形成闭环,闭环内则为气体扩散危险区域。
通过标记较为准确的气体扩散危险区域,为传感器的部署提供了较为准确的参考数据组,保障了传感器的部署具有较高的场景适应性。
S500:对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;
具体而言,危险等级分区指的是根据气体扩散危险区域内不同位置出的浓度高低,对多个扩散轨迹危险距离再分割,然后再将多组分割结果中的距离标识再依次连接,得到的多个分区结果,优选的浓度越高的区域危险程度越高,则危险等级越高。排序越靠前,根据分区气体浓度由高到低依次排列,得到第一分区、第二分区直到第N分区。
S600:遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;
S700:根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
具体而言,遍历第一分区、第二分区直到第N分区,部署MEMS气体传感器阵列,优选的第一分区中的多个扩散轨迹上均匀部署第一数量的MEMS气体传感器,第一分区中的由多个扩散轨迹划分的多个非扩散区域均匀设置第二数量的MEMS气体传感器,其中,第二数量优选的小于第一数量;第二分区中的多个扩散轨迹上均匀部署第三数量的MEMS气体传感器,第二分区中的由多个扩散轨迹划分的多个非扩散区域均匀设置第四数量的MEMS气体传感器, 第四数量少于第三数量。遍历至第N分区部署MEMS气体传感器。其中,MEMS气体传感器为常规技术应用中的MEMS气体传感器,于此不多加赘述。最后根据MEMS气体传感器阵列进行气体泄漏检测,由于MEMS气体传感器阵列的布局的场景适应性较强,进而提高了气体泄漏检测的代表性以及个体化程度。
综上所述,本申请实施例至少具有如下技术效果:
1.本申请提供的技术方案通过采集气体扩散参数;根据扩散源参数、所述风力速度参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;再根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;利用气体浓度变化时序数据和扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;对气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;遍历第一分区直到第N分区,部署MEMS气体传感器阵列;根据MEMS气体传感器阵列进行气体泄漏检测管理。通过对气体扩散进行预测分析,依据分析结果进行区域标识,依据区域标识结果部署MEMS气体传感器,提高了MEMS气体传感器和应用场景的匹配程度,达到了提高气体泄漏检测场景适用性的技术效果。
2. 由于气体的扩散方向不仅仅受到风力的影响,还受到气体密度以及气体温度的影响。通过浮力评估框架式拟合气体所受浮力,再对气体扩散方速度向量进行调整,提高了气体扩散轨迹的评估准确性。且依据场景化信息灵活赋值的拟合参数,使得浮力评估框架式可以适应于不同场景的扩散轨迹预测,达到了提高扩散轨迹预测适应性的技术效果。
实施例二
基于与前述实施例中一种基于MEMS气体传感器阵列的气体检测方法相同的发明构思,如图4所示,本申请提供了一种基于MEMS气体传感器阵列的气体检测系统,其中,包括:
扩散参数采集模块11,用于获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;
扩散轨迹预测模块12,用于根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;
气体浓度信息采集模块13,用于根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;
危险区域分析模块14,用于根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;
危险等级分区模块15,用于对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;
气体传感器部署模块16,用于遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;
气体泄漏检测模块17,用于根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
进一步的,所述扩散轨迹预测模块12执行步骤包括:
所述扩散源参数包括扩散气体类型、扩散初始位置和扩散区域建筑特征;
以所述扩散气体类型和所述扩散初始位置作为筛选条件,采集气体扩散记录数据,其中,所述气体扩散记录数据包括风力方向记录数据、风力等级记录数据和气体扩散速度记录数据;
根据所述风力方向记录数据、所述风力等级记录数据和所述气体扩散速度记录数据,基于BP神经网络,训练气体扩散速度评估模型;
将所述风力方向参数和所述风力等级参数输入所述风力速度评估模型,生成多个气体扩散速度向量;
根据所述扩散区域建筑特征,构建气体扩散地形仿真模型;
将所述多个气体扩散速度向量输入所述气体扩散地形仿真模型,生成多个气体扩散轨迹,添加进所述扩散轨迹预测结果。
进一步的,所述扩散轨迹预测模块12执行步骤包括:
根据所述扩散区域建筑特征,获取气体通路建筑特征和气体闭路建筑特征;
根据所述气体通路建筑特征和所述气体闭路建筑特征进行BIM建模仿真,生成所述气体扩散地形仿真模型。
进一步的,所述扩散轨迹预测模块12执行步骤包括:
所述扩散源参数还包括气体密度参数和气体温度参数;
获取浮力评估框架式:
其中,表征浮力参数,/>表征气体密度参数,/>表征空气密度,/>表征气体温度参数,/>表征基准温度,/>,/>,/>,/>和/>表征函数拟合参数,/>和/>自定义设定;
将拟合参数赋值结果、所述气体密度参数和气体温度参数输入所述浮力评估框架式,生成浮力评估结果;
对所述气体扩散方速度向量进行分解,生成水平方向速度向量和垂直方向速度向量;
根据所述浮力评估结果,对所述垂直方向速度向量进行调整,生成垂直方向速度向量调整结果;
根据所述水平方向速度向量和所述垂直方向速度向量调整结果,对所述气体扩散方速度向量进行调整后输入所述气体扩散地形仿真模型。
进一步的,所述扩散轨迹预测模块12执行步骤包括:
根据所述空气密度和所述基准温度,采集气体浮力记录数据,其中,所述气体浮力记录数据包括气体密度记录数据、气体温度记录数据和气体浮力记录数据;
根据所述气体密度记录数据、所述气体温度记录数据和所述气体浮力记录数据,对所述浮力评估框架式进行处理,生成所述拟合参数赋值结果。
进一步的,所述危险区域分析模块14执行步骤包括:
根据所述气体浓度变化时序数据,构建浓度-距离变化曲线;
获取危险浓度阈值;
根据所述危险浓度阈值,基于所述浓度-距离变化曲线在所述扩散轨迹预测结果进行区域标记,生成所述气体扩散危险区域。
进一步的,所述危险区域分析模块14执行步骤包括:
将所述危险浓度阈值输入所述浓度-距离变化曲线,生成危险距离参数;
根据所述危险距离参数遍历所述扩散轨迹预测结果进行标识,生成多个扩散轨迹危险距离;
将所述多个扩散轨迹危险距离融合,生成所述气体扩散危险区域。
实施例三
基于与前述实施例中一种基于MEMS气体传感器阵列的气体检测方法相同的发明构思,本申请还提供了一种存储介质,其中,所述存储介质用于存储计算机程序,当计算机程序被执行时实现实施例一任一项所述方法的步骤。
实施例四
如图5所示,基于与前述实施例中一种基于MEMS气体传感器阵列的气体检测方法相同的发明构思,本申请还提供了一种计算机设备300,所述计算机设备300包括存储器301和处理器302,所述存储器301内存储有计算机程序,所述计算机程序被所述处理器302执行时实现实施例一种方法的步骤。
该计算机设备300包括:处理器302、通信接口303、存储器301。可选的,计算机设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read only memory,EEPROM)、只读光盘(compactdiscread only memory,CD ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于MEMS气体传感器阵列的气体检测方法。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种基于MEMS气体传感器阵列的气体检测方法,其特征在于,包括:
获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;
根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;
根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;
根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;
对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;
遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;
根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
2.如权利要求1所述的方法,其特征在于,所述根据所述扩散源参数、所述风力方向参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果,包括:
所述扩散源参数包括扩散气体类型、扩散初始位置和扩散区域建筑特征;
以所述扩散气体类型和所述扩散初始位置作为筛选条件,采集气体扩散记录数据,其中,所述气体扩散记录数据包括风力方向记录数据、风力等级记录数据和气体扩散速度记录数据;
根据所述风力方向记录数据、所述风力等级记录数据和所述气体扩散速度记录数据,基于BP神经网络,训练气体扩散速度评估模型;
将所述风力方向参数和所述风力等级参数输入所述风力速度评估模型,生成多个气体扩散速度向量;
根据所述扩散区域建筑特征,构建气体扩散地形仿真模型;
将所述多个气体扩散速度向量输入所述气体扩散地形仿真模型,生成多个气体扩散轨迹,添加进所述扩散轨迹预测结果。
3.如权利要求2所述的方法,其特征在于,所述根据所述扩散区域建筑特征,构建气体扩散地形仿真模型,包括:
根据所述扩散区域建筑特征,获取气体通路建筑特征和气体闭路建筑特征;
根据所述气体通路建筑特征和所述气体闭路建筑特征进行BIM建模仿真,生成所述气体扩散地形仿真模型。
4.如权利要求2所述的方法,其特征在于,所述将所述多个气体扩散速度向量输入所述气体扩散地形仿真模型,生成多个气体扩散轨迹,添加进所述扩散轨迹预测结果,之前包括:
所述扩散源参数还包括气体密度参数和气体温度参数;
获取浮力评估框架式:
其中,/>表征浮力参数,/>表征气体密度参数,/>表征空气密度,/>表征气体温度参数,/>表征基准温度,/>,,/>,/>和/>表征函数拟合参数,/>和/>自定义设定;
将拟合参数赋值结果、所述气体密度参数和气体温度参数输入所述浮力评估框架式,生成浮力评估结果;
对所述气体扩散方速度向量进行分解,生成水平方向速度向量和垂直方向速度向量;
根据所述浮力评估结果,对所述垂直方向速度向量进行调整,生成垂直方向速度向量调整结果;
根据所述水平方向速度向量和所述垂直方向速度向量调整结果,对所述气体扩散方速度向量进行调整后输入所述气体扩散地形仿真模型。
5.如权利要求4所述的方法,其特征在于,所述将拟合参数赋值结果、所述气体密度参数和气体温度参数输入所述浮力评估框架式,生成浮力评估结果,之前包括:
根据所述空气密度和所述基准温度,采集气体浮力记录数据,其中,所述气体浮力记录数据包括气体密度记录数据、气体温度记录数据和气体浮力记录数据;
根据所述气体密度记录数据、所述气体温度记录数据和所述气体浮力记录数据,对所述浮力评估框架式进行处理,生成所述拟合参数赋值结果。
6.如权利要求1所述的方法,其特征在于,所述根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域,包括:
根据所述气体浓度变化时序数据,构建浓度-距离变化曲线;
获取危险浓度阈值;
根据所述危险浓度阈值,基于所述浓度-距离变化曲线在所述扩散轨迹预测结果进行区域标记,生成所述气体扩散危险区域。
7.如权利要求6所述的方法,其特征在于,所述根据所述危险浓度阈值,基于所述浓度-距离变化曲线进行区域标记,生成所述气体扩散危险区域,包括:
将所述危险浓度阈值输入所述浓度-距离变化曲线,生成危险距离参数;
根据所述危险距离参数遍历所述扩散轨迹预测结果进行标识,生成多个扩散轨迹危险距离;
将所述多个扩散轨迹危险距离融合,生成所述气体扩散危险区域。
8.一种基于MEMS气体传感器阵列的气体检测系统,其特征在于,包括:
扩散参数采集模块,用于获取气体扩散参数,其中,所述气体扩散参数包括扩散源参数、风力方向参数和风力等级参数;
扩散轨迹预测模块,用于根据所述扩散源参数、所述风力速度参数和所述风力等级参数进行轨迹分析,生成扩散轨迹预测结果;
气体浓度信息采集模块,用于根据所述扩散轨迹预测结果采集气体泄露记录数据,生成气体浓度变化时序数据;
危险区域分析模块,用于根据所述气体浓度变化时序数据和所述扩散轨迹预测结果进行区域标识,生成气体扩散危险区域;
危险等级分区模块,用于对所述气体扩散危险区域进行危险等级分区,生成第一分区、第二分区直到第N分区,其中,所述第一分区的气体浓度高于所述第二分区;
气体传感器部署模块,用于遍历所述第一分区、所述第二分区直到所述第N分区,部署MEMS气体传感器阵列;
气体泄漏检测模块,用于根据所述MEMS气体传感器阵列进行气体泄漏检测管理。
9.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,当计算机程序被执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器内存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228947.3A CN116973523B (zh) | 2023-09-22 | 2023-09-22 | 基于mems气体传感器阵列的气体检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228947.3A CN116973523B (zh) | 2023-09-22 | 2023-09-22 | 基于mems气体传感器阵列的气体检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116973523A true CN116973523A (zh) | 2023-10-31 |
CN116973523B CN116973523B (zh) | 2023-12-15 |
Family
ID=88473403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311228947.3A Active CN116973523B (zh) | 2023-09-22 | 2023-09-22 | 基于mems气体传感器阵列的气体检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973523B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117516818A (zh) * | 2024-01-04 | 2024-02-06 | 成都渝能能源设备有限公司 | 一种大型储氢罐防泄漏的浓度多向检测系统及其检测方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793591A (zh) * | 2013-01-27 | 2014-05-14 | 辽宁工程技术大学 | 一种基于网格化毒气扩散模拟的方法 |
CN104849319A (zh) * | 2015-06-02 | 2015-08-19 | 大连市环境监测中心 | 基于物联网技术的环境应急监测快速部署系统 |
CN106446401A (zh) * | 2016-09-22 | 2017-02-22 | 天津大学 | 一种基于gis的pm2.5可视化动态扩散仿真系统 |
CN106484987A (zh) * | 2016-09-29 | 2017-03-08 | 中国科学院上海高等研究院 | 基于粒子群算法的气体传感器优化部署方法及系统 |
CN107172626A (zh) * | 2017-04-18 | 2017-09-15 | 中国矿业大学 | 一种co2地质封存区域的传感网络节点定位优化方法 |
KR101809669B1 (ko) * | 2017-02-27 | 2017-12-15 | 사단법인대기환경모델링센터 | 방사능 확산 데이터 베이스를 이용한 원전 사고 시 비상대응을 위한 방사능 확산 경보 시스템 및 방법 |
CN112733413A (zh) * | 2020-12-29 | 2021-04-30 | 中国人民解放军陆军防化学院 | 一种化学危害信息融合演示系统 |
CN113112053A (zh) * | 2021-03-18 | 2021-07-13 | 苏州真趣信息科技有限公司 | 应急监控系统 |
CN113449918A (zh) * | 2021-05-13 | 2021-09-28 | 深圳中兴网信科技有限公司 | 突发重大污染事件应急指挥辅助决策方法和系统 |
CN113655175A (zh) * | 2021-08-05 | 2021-11-16 | 重庆亿森动力环境科技有限公司 | 一种网格化空气监测方法、系统、计算机设备及存储介质 |
KR20220058673A (ko) * | 2020-10-28 | 2022-05-10 | 한국건설기술연구원 | 환경시설의 대기오염가스 확산을 모니터링하기 위한 가상물리-기반 3차원 확산 예측지도 작성 시스템 및 그 방법 |
CN114662820A (zh) * | 2020-12-22 | 2022-06-24 | 中国石油化工股份有限公司 | 环境污染风险分级方法及系统 |
CN115759324A (zh) * | 2022-09-23 | 2023-03-07 | 中国辐射防护研究院 | 一种核事故后环境气溶胶监测位置优化方法 |
CN115996321A (zh) * | 2022-12-16 | 2023-04-21 | 苏州电力设计研究院有限公司 | 基于区域风险等级划分的变电站监控摄像头布局方法 |
CN116523296A (zh) * | 2023-03-27 | 2023-08-01 | 北京理工大学 | 燃气管网相邻地下空间风险评估方法及装置 |
CN116543518A (zh) * | 2023-05-17 | 2023-08-04 | 国网福建省电力有限公司 | 一种输电线路山火预警方法及系统 |
-
2023
- 2023-09-22 CN CN202311228947.3A patent/CN116973523B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793591A (zh) * | 2013-01-27 | 2014-05-14 | 辽宁工程技术大学 | 一种基于网格化毒气扩散模拟的方法 |
CN104849319A (zh) * | 2015-06-02 | 2015-08-19 | 大连市环境监测中心 | 基于物联网技术的环境应急监测快速部署系统 |
CN106446401A (zh) * | 2016-09-22 | 2017-02-22 | 天津大学 | 一种基于gis的pm2.5可视化动态扩散仿真系统 |
CN106484987A (zh) * | 2016-09-29 | 2017-03-08 | 中国科学院上海高等研究院 | 基于粒子群算法的气体传感器优化部署方法及系统 |
KR101809669B1 (ko) * | 2017-02-27 | 2017-12-15 | 사단법인대기환경모델링센터 | 방사능 확산 데이터 베이스를 이용한 원전 사고 시 비상대응을 위한 방사능 확산 경보 시스템 및 방법 |
CN107172626A (zh) * | 2017-04-18 | 2017-09-15 | 中国矿业大学 | 一种co2地质封存区域的传感网络节点定位优化方法 |
KR20220058673A (ko) * | 2020-10-28 | 2022-05-10 | 한국건설기술연구원 | 환경시설의 대기오염가스 확산을 모니터링하기 위한 가상물리-기반 3차원 확산 예측지도 작성 시스템 및 그 방법 |
CN114662820A (zh) * | 2020-12-22 | 2022-06-24 | 中国石油化工股份有限公司 | 环境污染风险分级方法及系统 |
CN112733413A (zh) * | 2020-12-29 | 2021-04-30 | 中国人民解放军陆军防化学院 | 一种化学危害信息融合演示系统 |
CN113112053A (zh) * | 2021-03-18 | 2021-07-13 | 苏州真趣信息科技有限公司 | 应急监控系统 |
CN113449918A (zh) * | 2021-05-13 | 2021-09-28 | 深圳中兴网信科技有限公司 | 突发重大污染事件应急指挥辅助决策方法和系统 |
CN113655175A (zh) * | 2021-08-05 | 2021-11-16 | 重庆亿森动力环境科技有限公司 | 一种网格化空气监测方法、系统、计算机设备及存储介质 |
CN115759324A (zh) * | 2022-09-23 | 2023-03-07 | 中国辐射防护研究院 | 一种核事故后环境气溶胶监测位置优化方法 |
CN115996321A (zh) * | 2022-12-16 | 2023-04-21 | 苏州电力设计研究院有限公司 | 基于区域风险等级划分的变电站监控摄像头布局方法 |
CN116523296A (zh) * | 2023-03-27 | 2023-08-01 | 北京理工大学 | 燃气管网相邻地下空间风险评估方法及装置 |
CN116543518A (zh) * | 2023-05-17 | 2023-08-04 | 国网福建省电力有限公司 | 一种输电线路山火预警方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117516818A (zh) * | 2024-01-04 | 2024-02-06 | 成都渝能能源设备有限公司 | 一种大型储氢罐防泄漏的浓度多向检测系统及其检测方法 |
CN117516818B (zh) * | 2024-01-04 | 2024-03-22 | 成都渝能能源设备有限公司 | 一种大型储氢罐防泄漏的浓度多向检测系统及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116973523B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814308B (zh) | 一种面向自动驾驶系统的加速测试系统 | |
CN116973523B (zh) | 基于mems气体传感器阵列的气体检测方法及系统 | |
Hertwig et al. | CFD-RANS model validation of turbulent flow in a semi-idealized urban canopy | |
JP7217754B2 (ja) | センサーの較正 | |
CN106777893A (zh) | 一种利用可移动污染物探测器辨识城市空间多污染物源的方法 | |
CN114880935A (zh) | 隧道火灾超前预测方法 | |
CN116580327B (zh) | 基于无人机的火势发展预测方法及预测系统 | |
Xue et al. | Inverse identification of multiple outdoor pollutant sources with a mobile sensor | |
JP2019067074A (ja) | 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法 | |
CN109829469A (zh) | 一种基于深度学习的车辆检测方法 | |
US11416643B2 (en) | Smoke detection system layout design | |
CN117109582A (zh) | 结合传感网络和机器学习的大气污染源定位系统及方法 | |
CN109213840B (zh) | 基于多维特征深度学习的热点网格识别方法 | |
CN117093832B (zh) | 一种用于空气质量数据缺失的数据插补方法及系统 | |
CN115659673B (zh) | 基于无人机图像的桥梁施工过程安全监控系统 | |
CN116341231B (zh) | 人工增雨催化剂扩散轨迹的模拟方法、装置、服务器和存储介质 | |
KR102558609B1 (ko) | 건축물의 구조적인 무결성을 보장하기 위한 풍속 패턴 평가 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN115544919B (zh) | 一种气流体污染物排放源的溯源方法及装置 | |
JP6672943B2 (ja) | 物質発生源推定方法及び物質発生源推定装置 | |
Oh et al. | Anonymous vehicle tracking for real-time traffic surveillance and performance on signalized arterials | |
CN115457391A (zh) | 一种管道的漏磁内检测方法、系统及相关组件 | |
CN114035545A (zh) | 自动驾驶算法仿真测试方法、装置及电子设备 | |
US20220215138A1 (en) | Method for Validating System Parameters of an Energy System, Method for Operating an Energy System, and Energy Management System for an Energy System | |
CN111017667B (zh) | 电梯抱闸异常检测方法、装置、设备及可读存储介质 | |
Kerdprasop et al. | Forest Fire Area Estimation using Support Vector Machine as an Approximator. |
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 |