CN117094242A - 浓度预测方法、装置、电子设备和计算机可读存储介质 - Google Patents
浓度预测方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117094242A CN117094242A CN202310857173.4A CN202310857173A CN117094242A CN 117094242 A CN117094242 A CN 117094242A CN 202310857173 A CN202310857173 A CN 202310857173A CN 117094242 A CN117094242 A CN 117094242A
- Authority
- CN
- China
- Prior art keywords
- sample
- current
- boundary condition
- field
- wind speed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004364 calculation method Methods 0.000 claims abstract description 144
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 81
- 231100000719 pollutant Toxicity 0.000 claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000008878 coupling Effects 0.000 claims abstract description 40
- 238000010168 coupling process Methods 0.000 claims abstract description 40
- 238000005859 coupling reaction Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000000356 contaminant Substances 0.000 claims description 27
- 239000000126 substance Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000009792 diffusion process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种浓度预测方法、装置、电子设备和计算机可读存储介质,该方法的一具体实施方式包括:将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。该方法可以在得到较准确的预测结果的基础上,有效提高污染物浓度的预测时效性,降低了成本。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种浓度预测方法、装置、电子设备和计算机可读存储介质。
背景技术
随着社会发展,环境污染问题日益严重。其中,污染物排放对环境影响较大。因此,常常需要监测污染物的排放情况以及各个区域的受污情况,以针对性改善环境。
在相关技术中,通常会利用计算流体动力学(Computational Fluid Dynamics,CFD)预测污染物浓度。但CFD的计算较为复杂,计算步长较低,因此其时效性较差,不能满足实际所需。
发明内容
本申请实施例的目的在于提供一种浓度预测方法、装置、电子设备和计算机可读存储介质,用以在得到较准确的预测结果的基础上,有效提高污染物浓度的预测时效性。
第一方面,本申请实施例提供了一种浓度预测方法,该方法包括:将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。这样,该风速计算模型基于SIMPLE算法或者piso算法计算当前速度场,即便待测区域的面积较小,也能够得到准确性较高的计算结果;另外,在使用了风速计算模型之后,其可以较快得到当前速度场,并可以利用更大的步长计算污染物浓度,继而缩短了计算时长,大幅度提高了预测时效性,降低了成本。
可选地,所述风速计算模型基于以下步骤训练:创建样本集;所述样本集包括样本待测区域的样本边界条件以及样本速度场;将所述样本边界条件作为初始风速计算模型的输入,通过所述初始风速计算模型输出预测速度场;计算所述预测速度场与所述样本速度场之间的损失值,以根据所述损失值训练所述初始风速计算模型收敛成所述风速计算模型。这样,利用初始风速计算模型预测速度场时,由于其同样利用SIMPLE算法或者piso算法计算速度场,因此计算结果的准确性较高。将收敛后的风速计算模型用于实际场景之后,可以较快得到准确性较高的当前速度场。
可选地,所述创建样本集,包括:创建所述样本待测区域对应的样本三维图像,并将所述样本三维图像在多个方向上延伸,以创建包含所述样本三维图像的区域三维图像;将所述区域三维图像划分为多个网格,以基于所述压力耦合方程组的半隐式方法计算每一个网格在边界条件下对应的风速,得到所述区域三维图像所对应的全局速度场;其中,所述边界条件与所述区域三维图像对应;所述全局速度场为所述样本速度场。这样,可以基于有限体积法以及SIMPLE算法计算得到全局速度场,由于在计算过程中使用了区域三维图像,因此可以确保各个方向上的风都能够影响样本待测区域的污染物浓度,继而提高了样本速度场的可信度。
可选地,所述创建样本集,还包括:从所述全局速度场中提取所述样本三维图像对应的局部速度场;其中,所述局部速度场为所述样本速度场。这样,可以提取样本待测区域对应的局部速度场,在一定程度上降低了风速计算模型的计算负担。
可选地,在所述将所述区域三维图像划分为多个网格之前,所述创建样本集,还包括:将所述区域三维图像划分为多个大小不同的待用网格;针对每一个所述待用网格,计算该待用网格在所述边界条件下对应的风速,得到所述区域三维图像所对应的待用速度场;根据所述待用速度场以及污染源排放数据,预测所述样本待测区域的样本污染物浓度;确定出计算时长满足计算要求,并且所述样本污染物浓度的准确性满足准确性要求所对应的待用网格;以及所述将所述区域三维图像划分为多个网格,包括:将所述区域三维图像划分为与所述待用网格大小相同的多个网格。这样,由于基于该待用网格计算时,其计算时长满足计算要求,且样本污染物浓度满足准确性要求,继而基于多个网格训练得到的风速计算模型在计算过程中,其计算时长较短、且计算得到的污染物浓度的准确性较高。
可选地,在所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度之后,所述方法还包括:可视化展示所述污染物浓度、所述当前边界条件以及所述当前速度场。这样,可以可视化展示污染物浓度、当前边界条件以及当前速度场,能够以使观看者能够更加容易地发现污染物的运动趋势,继而做出更准确的决策。
可选地,在所述将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场之前,所述方法还包括:确定多个预选边界条件;针对每一个所述预选边界条件,利用所述基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法耦合计算出对应的预选速度场;在接收到所述当前边界条件的情况下,若查找到与所述当前边界条件匹配的预选边界条件,则将该预选边界条件对应的预选速度场确定为所述当前边界条件对应的当前速度场;其中,若未查找到与所述当前边界条件匹配的预选边界条件,将所述当前边界条件输入风速计算模型。这样,若存在与当前边界条件对应的预选速度场,则无需将该当前边界条件输入风速计算模型中计算当前速度场,在一定程度上也达到了提高预测时效性的目的。
可选地,所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度,包括:将所述当前速度场以及所述污染源排放数据代入物质输运方程,计算所述污染物浓度。这样,能够基于物质输运方程快速求解得到污染物浓度,继而可以得到污染物扩散过程中的基本规律。
第二方面,本申请实施例提供了一种浓度预测装置,该装置包括:速度场计算模块,用于将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;预测模块,用于根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。这样,该风速计算模型基于SIMPLE算法或者piso算法计算当前速度场,即便待测区域的面积较小,也能够得到准确性较高的计算结果;另外,在使用了风速计算模型之后,其可以较快得到当前速度场,并可以利用更大的步长计算污染物浓度,继而缩短了计算时长,大幅度提高了预测时效性,降低了成本。
第三方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种浓度预测方法的流程图;
图2为本申请实施例提供的一种区域三维图像对应的二维图像示意图;
图3为本申请实施例提供的一种网格图像的示意图;
图4为本申请实施例提供的一种局部速度场的分布示意图;
图5为本申请实施例提供的一种污染物浓度的扩散示意图;
图6为本申请实施例提供的一种浓度预测装置的结构框图;
图7为本申请实施例提供的一种用于执行浓度预测方法的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
应当说明的是,在不冲突的情况下,本申请中的实施例或者实施例中的技术特征可以进行结合。
相关技术中,在利用CFD预测污染物浓度时,存在计算较为复杂,计算步长较低,因此预测的时效性较差,不能满足实际所需的问题;具体的,利用CFD计算污染物浓度时,通常会基于压力耦合方程组的半隐式方法(Semi-Implicit Method for Pressure LinkedEquations,SIMPLE算法)或者求解耦合速度压力的非迭代算法(Pressure-Implicit withSplitting of Operators,piso算法)耦合计算压力场、速度场以及浓度场。将SIMPLE算法或者piso算法与有限体积法(将计算区域划分为多个网格)结合之后,每一个网格均需被离散计算,且计算步长较短,整个计算过程所花费的时长较长,常常出现已经过了预测时刻,但尚未得到计算结果的情况,因此其不能满足时效性需求。
为了解决该问题,本申请提供一种浓度预测方法、装置、电子设备和计算机可读存储介质;进一步的,通过风速计算模型计算待测区域的当前速度场,该风速计算模型可以将浓度场的计算过程从SIMPLE算法或者piso算法中解耦出来,以能够计算当前速度场,然后根据该当前速度场以及污染源排放数据,预测出待测区域的污染物浓度。这样,可以通过风速计算模型计算得到实时的当前速度场,基于当前速度场以及污染源排放数据可以较快得到预测结果,继而提高了时效性。
在一些应用场景中,上述浓度预测方法可以应用于诸如服务器、服务器集群或者云平台等服务端中;在另一些应用场景中,上述浓度预测方法可以应用于诸如笔记本电脑、台式电脑等终端设备中。示例性地,本申请以应用于服务器行文。
以上相关技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案,都应该是发明人在本发明过程中对本发明做出的贡献。
本申请基于SIMPLE算法或者piso算法实现,两者的计算过程是类似的,因此首先简述两者的实现过程。具体的,两种算法在计算速度场时,可以先设置初始速度场以及初始压力场,然后根据动量方程求解出速度场,并根据泊松方程求解压力场,然后利用压力场修正速度场,最后将修正后的速度场以及污染物排放数据代入物质输运方程中,计算得到物质的浓度场。若速度场、压力场以及浓度场不满足预设条件(例如使速度场满足连续性方程),则将计算结果重新作为初始值计算,直至得到满足预设条件的计算结果。应当说明的是,SIMPLE算法以及piso算法的计算过程是本领域技术人员所公知的,此处仅做简单介绍。
进一步的,本申请下文以SIMPLE算法为例详细阐述本申请的技术方案,本领域技术人员可以参照该例利用piso算法实现本申请技术方案。
请参考图1,其示出了本申请实施例提供的一种浓度预测方法的流程图。如图1所示,该浓度预测方法包括以下步骤101至步骤102。
步骤101,将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;
在一些应用场景中,服务器可以接收待测区域的当前边界条件。上述待测区域也即需要预测污染物浓度的区域,其例如可以是区域面积较大的省、市、区,也可以是区域面积较小的化工园区、村落等。
上述当前边界条件可以视为待测区域边界上的风速。在一些应用场景中,上述当前边界条件例如可以是待测区域中入口、出口以及壁面当前的风速。
然后,服务器可以将当前边界条件输入风速计算模型,以通过风速计算模型输出待测区域的当前速度场。具体的,风速计算模型基于SIMPLE算法耦合求解出待测区域的当前速度场。其中,SIMPLE算法在计算速度场时,先根据动量方程求解出待修正的速度场,并根据泊松方程求解压力场,然后利用压力场修正速度场,若修正后的速度场不满足修正要求,则重复计算速度场以及压力场,直至速度场满足修正要求。上述修正要求例如可以包括使速度场满足连续方程。
上述当前速度场可以视为待测区域在每个子区域上的速度集合。在一些应用场景中,若利用有限体积法将待测区域划分为多个网格,则当前速度场可以视为每个网格当前的风速集合。
步骤102,根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。
风速计算模型输出当前速度场之后,可以获取污染源排放数据。上述污染源排放数据例如可以包括污染源所排污染物的浓度、排放速度、所排污染物的种类等数据。
然后服务器可以基于当前速度场以及污染源排放数据,预测该待测区域的污染物浓度。在一些应用场景中,例如可以通过污染源的历史排放数据分析,建立起该历史排放数据与污染物浓度之间的对应关系,然后利用该对应关系查找与当前污染源排放数据匹配的污染物浓度,以将匹配的污染物浓度视为预测出的污染物浓度。
相关技术中,在利用SIMPLE算法(或者piso算法)计算时,通常是将压力场、速度场以及浓度场的计算集成于一体,以提高计算结果的准确性。但这样会导致整个计算过程所花费的时长较长,常常出现已经过了预测时刻,但尚未得到计算结果的情况,因此其不能满足时效性需求。
另外,若是仅仅基于神经网络预测污染物浓度,其时效性较高,但是需要设置很多风速传感器,而由于风速传感器数量较多必然会增大成本。相关技术中为了降低成本,则会减少风速传感器数量,这样导致了污染物浓度的准确性不高,继而也不能满足实际所需。
在本实施例中,通过风速计算模型基于待测区域的当前边界条件计算得到当前速度场,然后利用该当前速度场以及污染源排放数据,预测待测区域的污染物浓度。这样,该风速计算模型基于SIMPLE算法(或者piso算法)计算当前速度场,即便待测区域的面积较小,也能够得到准确性较高的计算结果;另外,在使用了风速计算模型之后,其可以较快得到当前速度场,并可以利用更大的步长计算污染物浓度,继而缩短了计算时长,大幅度提高了预测时效性,并且降低了成本。
也即,本实施例达到了兼容SIMPLE算法(或者piso算法)所带来的准确性高,以及风速计算模型所带来的时效性高、成本低的技术效果。
在一些应用场景中,服务器在执行上述步骤101之前,还可以检测当前边界条件的合理性。具体的,可以确定当前边界条件所对应的各个位置的风速是否超过预设风速阈值,若超过,可以视为当前边界条件不合理,则可以检测其是否由该位置的风速传感器损坏导致;若没有超过,可以视为其合理,继而继续执行步骤101。
在一些可选的实现方式中,所述风速计算模型基于以下步骤训练:
步骤1,创建样本集;所述样本集包括样本待测区域的样本边界条件以及样本速度场;
在一些应用场景中,在训练风速计算模型时,可以先创建样本集。上述样本集可以包括样本待测区域对应的样本边界条件以及样本速度场;
上述样本待测区域可以是上述待测区域,也可以是其他区域,此处不作限制。
上述样本边界条件,也即样本待测区域中入口、出口以及壁面当前的风速;
上述样本速度场例如可以是基于SIMPLE算法计算得到的速度场。
步骤2,将所述样本边界条件作为初始风速计算模型的输入,通过所述初始风速计算模型输出预测速度场;
上述初始计算模型例如可以为多层感知机或者卷积神经网络。
服务器可以将样本边界条件作为初始风速计算模型的输入,训练初始风速计算模型基于SIMPLE算法输出预测速度场。
步骤3,计算所述预测速度场与所述样本速度场之间的损失值,以根据所述损失值训练所述初始风速计算模型收敛成所述风速计算模型。
初始风速计算模型输出预测速度场之后,可以计算其与样本速度场之间的损失值。这里,例如可以通过L1范数损失函数、L2范数损失函数等计算损失值。
服务器计算出损失值之后,可以朝着使该损失值变小的方向训练初始风速计算模型,继而当损失值最小时可以视为初始风速计算模型收敛,收敛后的初始风速计算模型可以视为风速计算模型。
在本实现方式中,利用初始风速计算模型预测速度场时,由于其同样利用SIMPLE算法或者piso算法计算速度场,因此计算结果的准确性较高。将收敛后的风速计算模型用于实际场景之后,可以较快得到准确性较高的当前速度场。
在一些可选的实现方式中,上述步骤1中所述的创建样本集,包括:
子步骤11,创建所述样本待测区域对应的样本三维图像,并将所述样本三维图像在多个方向上延伸,以创建包含所述样本三维图像的区域三维图像;
在一些应用场景中,服务器在创建样本集时,可以先创建样本待测区域对应的样本三维图像。例如,服务器可以获取待测区域对应的地理信息数据(GeographicInformation System,GIS),然后可以利用GIS数据创建样本三维图像。该样本三维图像例如可以为与图2所示的建筑群对应的三维图像。
然后,服务器可以将样本三维图像在多个方向上延伸,以得到对应的区域三维图像。在一些应用场景中,例如可以在8个方向或者16个方向上延伸,以适配多个不同的风向。其中,将样本三维图像在8个方向上延伸后得到的区域三维图像可以为与图2所示的八边形区域对应的三维图像。
子步骤12,将所述区域三维图像划分为多个网格,以基于所述压力耦合方程组的半隐式方法计算每一个网格在边界条件下对应的风速,得到所述区域三维图像所对应的全局速度场;其中,所述边界条件与所述区域三维图像对应;所述全局速度场为所述样本速度场。
在一些应用场景中,服务器可以基于有限体积法将区域三维图像划分为多个网格。例如,将图2所示的扩充后得到的八边形区域对应的区域三维图像划分为多个网格之后,可以得到与图3所示的网格图像对应的三维图像。
然后,服务器可以定义区域三维图像对应的边界条件。如图3所示,可以将边界中法向与风向相同的面定义为入口,以及将建筑物的排放口定义为入口;将与风向平行的面定义为出口,其余面定义为壁面。
然后,服务器可以利用SIMPLE算法计算每一个网格在所定义的边界条件下的风速,以得到区域三维图像对应的全局速度场。并且,可以将该全局速度场确定为样本速度场。
在本实现方式中,可以基于有限体积法以及SIMPLE算法计算得到全局速度场,由于在计算过程中使用了区域三维图像,因此可以确保各个方向上的风都能够影响样本待测区域的污染物浓度,继而提高了样本速度场的可信度。
在一些可选的实现方式中,上述步骤1中所述的创建样本集,还包括步骤13:从所述全局速度场中提取所述样本三维图像对应的局部速度场;其中,所述局部速度场为所述样本速度场。
在一些应用场景中,服务器在得到全局速度场之后,还可以根据样本三维图像,提取出与之对应的局部速度场。例如,基于图3所示的网格图像计算得到全局速度场之后,服务器可以进一步提取样本待测区域对应的局部速度场,该局部速度场例如可以如图4所示分布。其中,黑色阴影的深浅表征不同的速度场。
在本实现方式中,可以提取样本待测区域对应的局部速度场,在一定程度上降低了风速计算模型的计算负担。
在一些可选的实现方式中,在上述步骤12中所述的将所述区域三维图像划分为多个网格之前,上述步骤1中所述的创建样本集,还包括:
步骤a,将所述区域三维图像划分为多个大小不同的待用网格;
在一些应用场景中,服务器可以预先将区域三维图像划分为多个大小不同的待用网格。在这些应用场景中,例如可以基于接收到的不同规格参数划分。上述规格参数例如可以是经验值,或者经验比例值。例如,服务器可以接收1:2:3:4:N的规律划分出多个大小不同的待用网格。这里的N值可以根据实际所需规格种类设置,其例如可以是5、6、7等数值。
步骤b,针对每一个所述待用网格,计算该待用网格在所述边界条件下对应的风速,得到所述区域三维图像所对应的待用速度场;
服务器划分出多个待用网格之后,可以计算每个待用网格在边界条件下对应的风速,以得到每个待用网格分别对应的待用速度场。这里,在计算待用速度场时,也可以基于SIMPLE计算,此处不赘述。
步骤c,根据所述待用速度场以及污染源排放数据,预测所述样本待测区域的样本污染物浓度;
服务器计算出多个待用速度场之后,可以针对每一个待用速度场,根据该待用速度场与污染源排放数据,预测样本待测区域的样本污染物浓度。这里,预测样本污染物浓度的过程可以与上述步骤102中预测污染物浓度的过程相同或相似,此处不赘述。
步骤d,确定出计算时长满足计算要求,并且所述样本污染物浓度的准确性满足准确性要求所对应的待用网格;
服务器针对每一个待用网格,计算出与之对应的样本污染物浓度之后,可以筛选出满足要求的待用网格。具体的,可以基于计算时长以及样本污染物浓度的准确性进行筛选。
上述计算要求例如可以基于预测时效性设置。例如,想要预测时刻为13:00时的样本污染物浓度,当前时刻为12:30,则计算要求可以为计算时长小于30分钟。
上述准确性要求例如可以是样本污染物浓度与真实样本污染物浓度在一定误差范围内。该误差范围例如可以包括5%以内、10%以内等实质上可以表征预测出的样本污染物浓度与真实样本污染物浓度相差较小的范围。
继而,可以将同时满足计算要求以及准确性要求时对应的待用网格确定为较佳待用网格。在一些应用场景中,若存在多个较佳待用网格,可以从中筛选出计算时长最短,且准确性最高的待用网格作为最佳待用网格。
这样,所述的将所述区域三维图像划分为多个网格,包括:将所述区域三维图像划分为与所述待用网格大小相同的多个网格。
服务器确定出最佳待用网格之后,可以将区域三维图像划分为与该最佳待用网格大小相同的多个网格。
在本实现方式中,可以基于待用网格的规格划分区域三维图像,以得到多个与待用网格大小相同的网格。这样,由于基于该待用网格计算时,其计算时长满足计算要求,且样本污染物浓度满足准确性要求,继而基于多个网格训练得到的风速计算模型在计算过程中,其计算时长较短、且计算得到的污染物浓度的准确性较高。
在一些可选的实现方式中,在上述步骤102中所述的根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度之后,所述方法还包括:可视化展示所述污染物浓度、所述当前边界条件以及所述当前速度场。
在一些应用场景中,服务器在预测出污染物浓度之后,可以结合与之对应的当前边界条件、当前速度场进行可视化展示。在这些应用场景中,可以创建出待测区域对应的三维图像,然后将其划分为多个网格,以计算出每个网格在当前边界条件下对应的风速,得到该当前速度场。
在另一些应用场景中,服务器在可视化展示时,还可以不同的颜色展示污染物浓度,例如,将污染物浓度大于某个阈值的网格区域设置为红色、将小于该阈值的网格区域设置为蓝色等,以使观看者能够更加直观感受污染物浓度分布情况。上述阈值可以根据实际所需设置,此处不作限制,其例如可以包括75毫克/立方米、10微克/立方米。
在本实现方式中,可以可视化展示污染物浓度、当前边界条件以及当前速度场,能够以使观看者能够更加容易地发现污染物的运动趋势,继而做出更准确的决策。
在一些可选的实现方式中,服务器在执行上述步骤101之前,还可以先执行以下步骤。具体的,上述浓度预测方法还可以包括:
首先,确定多个预选边界条件;
服务器可以预先筛选出多个边界条件,这些边界条件可以视为上述预选边界条件。在一些应用场景中,该预选边界条件可以是常用的边界条件,也可以是较为特殊的边界条件等,此处不作限制。
然后,针对每一个所述预选边界条件,利用所述基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法耦合计算出对应的预选速度场;
服务器针对每一个预选边界条件,可以利用SIMPLE算法或者piso算法耦合计算出与之对应的预选速度场。这样,针对多个预选边界条件,可以计算出多个预选速度场。这里,通过SIMPLE算法或者piso算法耦合计算预选速度场的方式与现有技术中的相同或相似,此处不赘述。
其次,在接收到所述当前边界条件的情况下,若查找到与所述当前边界条件匹配的预选边界条件,则将该预选边界条件对应的预选速度场确定为所述当前边界条件对应的当前速度场;其中,若未查找到与所述当前边界条件匹配的预选边界条件,将所述当前边界条件输入风速计算模型。
服务器在接收到当前边界条件时,可以查找是否存在与之匹配的预选边界条件,若存在,则将其对应的预选速度场作为当前速度场。
在一些应用场景中,若存在与当前边界条件唯一对应的预选边界条件,可以视为两者匹配,继而可以将对应的预选速度场作为当前速度场。
在另一些应用场景中,若不存在与当前边界条件唯一对应的预选边界条件,可以利用相似度阈值确定两者是否匹配。例如,可以确定出当前边界条件与每一个预选边界条件之间的余弦相似度,然后将小于相似度阈值的余弦相似度所对应的预选边界条件确定为与当前边界条件匹配。若不存在小于相似度阈值的余弦相似度所对应的预选边界条件,则视为两者不匹配。
服务器在确定两者不匹配之后,可以将当前边界条件输入风速计算模型,继续执行步骤101。
在本实现方式中,若存在与当前边界条件对应的预选速度场,则无需将该当前边界条件输入风速计算模型中计算当前速度场,在一定程度上也达到了提高预测时效性的目的。
在一些可选的实现方式中,所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度,包括:
将所述当前速度场以及所述污染源排放数据代入物质输运方程,计算所述污染物浓度。
上述物质输运方程也即其中,ρ表示物质密度;t表示时间;uj表示j方向上的物质速度;C表示物质浓度;F表示扩散系数,一般设置为常数;S表示物质源;SC表示反应带来的影响;/>表示j方向上的扩散距离。
继而,服务器可以将当前速度场以及污染源排放数据代入上述物质输运方程,即可计算得到污染物浓度。
在本实现方式中,能够基于物质输运方程快速求解得到污染物浓度,继而可以得到污染物扩散过程中的基本规律。
在一些应用场景中,服务器计算出污染物浓度之后,还可以获取某个面上的相关数据。例如,服务器可以建立三维坐标系,并可以获取横轴和纵轴组成的面上的诸如当前边界条件、当前速度场以及污染物浓度等数据,其扩散示意图例如可以如图5所示。其中,黑色阴影的深浅表征不同的扩散浓度。
本领域技术人员可以理解,在具体实施例的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参考图6,其示出了本申请实施例提供的一种浓度预测装置的结构框图,该浓度预测装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,上述浓度预测装置包括速度场计算模块601以及预测模块602。其中,速度场计算模块601,用于将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;预测模块602,用于根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。
可选地,所述风速计算模型基于以下步骤训练:创建样本集;所述样本集包括样本待测区域的样本边界条件以及样本速度场;将所述样本边界条件作为初始风速计算模型的输入,通过所述初始风速计算模型输出预测速度场;计算所述预测速度场与所述样本速度场之间的损失值,以根据所述损失值训练所述初始风速计算模型收敛成所述风速计算模型。
可选地,所述创建样本集,包括:创建所述样本待测区域对应的样本三维图像,并将所述样本三维图像在多个方向上延伸,以创建包含所述样本三维图像的区域三维图像;将所述区域三维图像划分为多个网格,以基于所述压力耦合方程组的半隐式方法计算每一个网格在边界条件下对应的风速,得到所述区域三维图像所对应的全局速度场;其中,所述边界条件与所述区域三维图像对应;所述全局速度场为所述样本速度场。
可选地,所述创建样本集,还包括:从所述全局速度场中提取所述样本三维图像对应的局部速度场;其中,所述局部速度场为所述样本速度场。
可选地,在所述将所述区域三维图像划分为多个网格之前,所述创建样本集,还包括:将所述区域三维图像划分为多个大小不同的待用网格;针对每一个所述待用网格,计算该待用网格在所述边界条件下对应的风速,得到所述区域三维图像所对应的待用速度场;根据所述待用速度场以及污染源排放数据,预测所述样本待测区域的样本污染物浓度;确定出计算时长满足计算要求,并且所述样本污染物浓度的准确性满足准确性要求所对应的待用网格;以及所述将所述区域三维图像划分为多个网格,包括:将所述区域三维图像划分为与所述待用网格大小相同的多个网格。
可选地,所述装置还包括展示模块,上述展示模块用于:在所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度之后,可视化展示所述污染物浓度、所述当前边界条件以及所述当前速度场。
可选地,所述装置还包括匹配模块,上述匹配模块用于:在所述将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场之前,确定多个预选边界条件;针对每一个所述预选边界条件,利用所述基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法耦合计算出对应的预选速度场;在接收到所述当前边界条件的情况下,若查找到与所述当前边界条件匹配的预选边界条件,则将该预选边界条件对应的预选速度场确定为所述当前边界条件对应的当前速度场;其中,若未查找到与所述当前边界条件匹配的预选边界条件,将所述当前边界条件输入风速计算模型。
可选地,所述预测模块602进一步用于:将所述当前速度场以及所述污染源排放数据代入物质输运方程,计算所述污染物浓度。
需要说明的是,本领域技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再重复描述。
请参照图7,图7为本申请实施例提供的一种用于执行浓度预测方法的电子设备的结构示意图,所述电子设备可以包括:至少一个处理器701,例如CPU,至少一个通信接口702,至少一个存储器703和至少一个通信总线704。其中,通信总线704用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口702用于与其他节点设备进行信令或数据的通信。存储器703可以是高速RAM存储器,也可以是非易失性的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器703可选的还可以是至少一个位于远离前述处理器的存储装置。存储器703中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器701执行时,电子设备可以执行上述图1所示方法过程。
可以理解,图7所示的结构仅为示意,所述电子设备还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,可以执行如图1所示方法实施例中电子设备所执行的方法过程。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,该方法可以包括:将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (11)
1.一种浓度预测方法,其特征在于,包括:
将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;
根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。
2.根据权利要求1所述的方法,其特征在于,所述风速计算模型基于以下步骤训练:
创建样本集;所述样本集包括样本待测区域的样本边界条件以及样本速度场;
将所述样本边界条件作为初始风速计算模型的输入,通过所述初始风速计算模型输出预测速度场;
计算所述预测速度场与所述样本速度场之间的损失值,以根据所述损失值训练所述初始风速计算模型收敛成所述风速计算模型。
3.根据权利要求2所述的方法,其特征在于,所述创建样本集,包括:
创建所述样本待测区域对应的样本三维图像,并将所述样本三维图像在多个方向上延伸,以创建包含所述样本三维图像的区域三维图像;
将所述区域三维图像划分为多个网格,以基于所述压力耦合方程组的半隐式方法计算每一个网格在边界条件下对应的风速,得到所述区域三维图像所对应的全局速度场;
其中,所述边界条件与所述区域三维图像对应;所述全局速度场为所述样本速度场。
4.根据权利要求3所述的方法,其特征在于,所述创建样本集,还包括:
从所述全局速度场中提取所述样本三维图像对应的局部速度场;
其中,所述局部速度场为所述样本速度场。
5.根据权利要求3或4所述的方法,其特征在于,在所述将所述区域三维图像划分为多个网格之前,所述创建样本集,还包括:
将所述区域三维图像划分为多个大小不同的待用网格;
针对每一个所述待用网格,计算该待用网格在所述边界条件下对应的风速,得到所述区域三维图像所对应的待用速度场;
根据所述待用速度场以及污染源排放数据,预测所述样本待测区域的样本污染物浓度;
确定出计算时长满足计算要求,并且所述样本污染物浓度的准确性满足准确性要求所对应的待用网格;以及
所述将所述区域三维图像划分为多个网格,包括:
将所述区域三维图像划分为与所述待用网格大小相同的多个网格。
6.根据权利要求1-4任一项所述的方法,其特征在于,在所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度之后,所述方法还包括:
可视化展示所述污染物浓度、所述当前边界条件以及所述当前速度场。
7.根据权利要求1-4任一项所述的方法,其特征在于,在所述将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场之前,所述方法还包括:
确定多个预选边界条件;
针对每一个所述预选边界条件,利用所述基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法耦合计算出对应的预选速度场;
在接收到所述当前边界条件的情况下,若查找到与所述当前边界条件匹配的预选边界条件,则将该预选边界条件对应的预选速度场确定为所述当前边界条件对应的当前速度场;
其中,若未查找到与所述当前边界条件匹配的预选边界条件,将所述当前边界条件输入风速计算模型。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度,包括:
将所述当前速度场以及所述污染源排放数据代入物质输运方程,计算所述污染物浓度。
9.一种浓度预测装置,其特征在于,包括:
速度场计算模块,用于将待测区域的当前边界条件输入风速计算模型,通过所述风速计算模型输出所述待测区域的当前速度场;所述风速计算模型基于压力耦合方程组的半隐式方法或者求解耦合速度压力的非迭代算法处理所述当前边界条件;
预测模块,用于根据所述当前速度场以及污染源排放数据,预测所述待测区域的污染物浓度。
10.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-8任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857173.4A CN117094242A (zh) | 2023-07-12 | 2023-07-12 | 浓度预测方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857173.4A CN117094242A (zh) | 2023-07-12 | 2023-07-12 | 浓度预测方法、装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094242A true CN117094242A (zh) | 2023-11-21 |
Family
ID=88774158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857173.4A Pending CN117094242A (zh) | 2023-07-12 | 2023-07-12 | 浓度预测方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094242A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726046A (zh) * | 2024-02-07 | 2024-03-19 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
-
2023
- 2023-07-12 CN CN202310857173.4A patent/CN117094242A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726046A (zh) * | 2024-02-07 | 2024-03-19 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
CN117726046B (zh) * | 2024-02-07 | 2024-04-30 | 中科三清科技有限公司 | 点源排放预测方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635511B (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
CN107564077B (zh) | 一种绘制道路网的方法及装置 | |
CN109086291B (zh) | 一种基于MapReduce的并行异常检测方法及系统 | |
CN103514430B (zh) | 检测火焰的方法和装置 | |
CN105469446A (zh) | 点云网格简化系统及方法 | |
CN117094242A (zh) | 浓度预测方法、装置、电子设备和计算机可读存储介质 | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
US20160370333A1 (en) | Generating fine resolution air pollution estimates | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN113469025B (zh) | 应用于车路协同的目标检测方法、装置、路侧设备和车辆 | |
CN111914939A (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
CN111008631A (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
CN115761599A (zh) | 一种视频异常检测方法及系统 | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
Pan et al. | Recovering building information model from 2D drawings for mechanical, electrical and plumbing systems of ageing buildings | |
Wang et al. | 2D point-in-polygon test by classifying edges into layers | |
CN114359231A (zh) | 一种停车位的检测方法、装置、设备及存储介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN112381458A (zh) | 项目评审方法、项目评审装置、设备及存储介质 | |
CN114419322B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
Khokhlov et al. | Data security and quality evaluation framework: Implementation empirical study on android devices | |
CN115588082A (zh) | 空间数字模型实时展示方法、装置、设备及存储介质 | |
CN114048279A (zh) | 生成预报信息的方法和装置 |
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 |