CN118070986B - 基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 - Google Patents
基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 Download PDFInfo
- Publication number
- CN118070986B CN118070986B CN202410497453.3A CN202410497453A CN118070986B CN 118070986 B CN118070986 B CN 118070986B CN 202410497453 A CN202410497453 A CN 202410497453A CN 118070986 B CN118070986 B CN 118070986B
- Authority
- CN
- China
- Prior art keywords
- leakage
- cell
- time
- state
- gaussian
- 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
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 158
- 238000009792 diffusion process Methods 0.000 title claims abstract description 133
- 239000003345 natural gas Substances 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 230000008878 coupling Effects 0.000 claims abstract description 32
- 238000010168 coupling process Methods 0.000 claims abstract description 32
- 238000005859 coupling reaction Methods 0.000 claims abstract description 32
- 210000004027 cell Anatomy 0.000 claims description 198
- 239000000779 smoke Substances 0.000 claims description 59
- 210000003888 boundary cell Anatomy 0.000 claims description 45
- 230000007704 transition Effects 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 28
- 239000007789 gas Substances 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000001413 cellular effect Effects 0.000 claims description 8
- 210000001082 somatic cell Anatomy 0.000 claims description 8
- 230000006641 stabilisation Effects 0.000 claims description 7
- 238000011105 stabilization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004138 cluster model Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000001179 sorption measurement Methods 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 claims description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 2
- 235000019504 cigarettes Nutrition 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Abstract
本发明属于天然气扩散预测领域,提出了基于高斯‑元胞自动机模型的天然气泄漏扩散预测方法,包括如下步骤:采集气象参数、源项参数与坐标系参数,并将其作为初始参数;考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,并将初始参数代入修正后的高斯多烟团模型,计算泄漏天然气浓度的时空分布;构建高斯多烟团‑元胞自动机耦合模型,利用高斯多烟团‑元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算;通过高斯多烟团‑元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,并可视化天然气扩散运动轨迹,完成天然气泄漏扩散态势预测。本发明能够合理实现天然气泄漏扩散发展态势的预测。
Description
技术领域
本发明涉及天然气扩散预测领域,特别涉及基于高斯-元胞自动机模型的天然气泄漏扩散预测方法。
背景技术
目前近年来,随着绿色低碳、能源转型等理念的提出,清洁、安全、高效的天然气被各领域广泛应用,燃气站场作为天然气输送环节的重要组成部分,发挥着不可或缺的过渡性作用。但由于天然气易燃易爆的特性与站场建设的坐标环境及社会环境的复杂性,站场一旦发生天然气泄漏扩散,极易引发火灾、爆炸等重大公共安全事故,给站场内部及周边区域带来生命、财产及环境等各个方面的威胁。
当燃气站场泄漏事件发生时,对气体扩散进行实时动态预测,确定扩散时间与影响区域范围,根据其受影响程度提前对人员进行疏散、对区域采取应急措施,是高效开展天然气泄漏事故应急处置决策的关键之一。合理地对天然气泄漏扩散态势进行预测,不仅可以降低危害风险,还能形成可指导应急决策者快速做出举措的应急指南。
因此,如何实现天然气泄漏扩散发展态势的预测,直接关系到管理部门应急决策工作的高效性。
发明内容
本发明的目的在于提供基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,能够合理实现天然气泄漏扩散发展态势的预测,提高管理部门应急决策工作的高效性。
本发明解决其技术问题,采用的技术方案是:
基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,包括如下步骤:
采集气象参数、源项参数与坐标系参数,并将其作为初始参数;
考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,并将初始参数代入修正后的高斯多烟团模型,计算泄漏天然气浓度的时空分布;
构建高斯多烟团-元胞自动机耦合模型,利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算;
通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,并可视化天然气扩散运动轨迹,完成天然气泄漏扩散态势预测。
作为进一步优化,所述采集气象参数,是指:
根据泄漏场景的气象采集仪器获取任一状态下的风速与风向参数,并以泄漏发生时即0时刻的风速与风向作为初始数据,其中以正北为0°,顺时针旋转记录风向度数α,以近地面风速作为监测风速u;
根据泄漏场景下的环境日照、风速及云量情况,获取当前状态的大气稳定度等级;
所述采集源项参数,是指:
根据泄漏场景的泄漏点位置及状况,量取位置垂直高度和泄漏孔径,并读取当前压力,获得泄漏速率及泄漏源高度;
所述采集坐标系参数,是指:
根据泄漏场景空间分布,自定义坐标原点o 0,以正东方向为x 0轴正半轴,正北方向为y 0轴正半轴,垂直x 0 o 0 y 0平面向上为z 0轴正半轴建立基准直角坐标系;
基于该基准直角坐标系,获取泄漏源的位置坐标、各周围空间区域之间分界线的位置坐标以及整个空间区域内各点的位置坐标。
作为进一步优化,所述考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,包括如下步骤:
假设天然气持续泄漏,将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加,形成高斯多烟团模型,计算从泄漏事件发生到结束之间任意时刻的浓度分布;
气体泄漏扩散空间内存在边界,属于有界空间,考虑边界面对泄漏气体无吸附作用,按照全反射原理,根据像源法,以地面为对称轴,分析计算连续泄漏实源与像源贡献的浓度值,获取空间某点的实际浓度;
根据天然气泄漏扩散计算所需的时间分辨率将整个扩散过程划分为若干时间单元,在每个时间单元对应一组实时的风速风向数据,在扩散计算过程中,各时间单元均以上一个时间单元的预测结果为初始状态进行计算,假设风速风向参数以Δt为时间步长发生变化,每个时间单元内的风速保持一致为u k ,其坐标系是以泄漏源在地面上的投影为坐标原点,以下风向为x轴正方向的高斯扩散坐标系,在每个时间单元内,扩散计算按各自的高斯扩散坐标系进行,通过坐标旋转与坐标平移,最终的计算结果均转换到基准坐标系x 0 o 0 y 0中。
作为进一步优化,所述假设天然气持续泄漏,将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加,形成高斯多烟团模型,计算从泄漏事件发生到结束之间任意时刻的浓度分布,是指:
以瞬时泄漏源为坐标原点建立高斯扩散坐标系,泄漏点的瞬时泄漏速率为 Q,x轴正方向与风向一致,泄漏发生后,将任意t时刻以步长Δt划分为n段,每个Δt时段产生一个烟团,则无边界空间t时刻在某点处的浓度为n个烟团在该点共同叠加的结果,计算表达式如下:
,
,
式中:C i (x,y,z,t)为任意t时刻第i个烟团在空间某点(x,y,z)处的瞬时浓度;Q i 为第i个烟团产生时的瞬时泄漏速率;Δt为每两个烟团形成的时间步长;u为近地面监测的环境风速;σ x 、σ y 、σ z 分别为x、y、z方向上的扩散系数,扩散系数采用Pasquill-Gifford扩散模型确定;n为泄漏后产生烟团个数;i为第i个烟团,i=1,2,3,....,n;C sum(x,y,z,t)为t时刻时n个烟团在空间某点处的叠加浓度。
作为进一步优化,所述获取空间某点的实际浓度时,假设空间某点为P,则P点的浓度为:无地面反射时P点的浓度值与由于地面反射作用而增加的浓度值之和,此处由于地面反射作用增加的浓度视为由一个位于实源对称位置的像源点(0,0,-H)扩散到P点时产生的浓度,H为泄漏源有效高度;
以泄漏点源在地面的垂直投影点为有界情况下高斯扩散模型坐标系原点,则改进后有边界空间下气体浓度计算模型表达式如下:
,
。
作为进一步优化,所述最终的计算结果均转换到基准坐标系x 0 o 0 y 0中后,在基准坐标系下,修正后的高斯多烟团模型的浓度计算模型表达式为:
,
,
,
式中:(x i , k ,y i , k )为高斯扩散坐标系下第i个烟团在第k个时间单元的预测点A位置坐标;x o(k-i+1)为烟团中心距泄漏源位置的距离;(x 0,y 0)为基准坐标系下预测点A位置坐标;(mm,nn)为泄漏源在基准坐标系下的位置坐标;α i 为第i个时间单元内监测的风向度数。
作为进一步优化,所述构建高斯多烟团-元胞自动机耦合模型,包括如下步骤:
根据建立的基准直角坐标系,将泄漏场景下的整体空间范围离散划分为不同风险的空间并定义为承灾体元胞,通过元胞嵌套思想,在承灾体元胞内再划分出有限个基础元胞,针对性分析各承灾体元胞之间态势影响及转换关系,完成元胞空间嵌套划分;
选择各承灾体元胞边界上的基础元胞,用修正后的高斯多烟团模型计算实时浓度值,按照其所在浓度区间对应的状态指标值从而感知边界元胞所在的承灾体元胞的状态,并获取不同时刻、不同位置的天然气浓度状态,完成元胞状态感知;
根据各元胞状态变化时效性,自定义元胞自适应扫描机制,按照时间步长循环扫描边界基础元胞,每次判断其状态是否更新,更新即可获取到对应元胞存在风险浓度时的预警时间;
建立元胞状态转移规则,通过元胞状态转移规则研判元胞状态的变化情况,结合元胞自适应扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势。
作为进一步优化,所述建立元胞状态转移规则,通过元胞状态转移规则研判元胞状态的变化情况,结合元胞自适应扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势,是指:
每个边界基础元胞当前时刻自身状态、当前时刻邻域元胞状态和其他影响因素综合决定其下一时刻的状态,当风险浓度到达某元胞时,元胞状态转移方程即为状态迭代更新的依据,其状态转移方程为:
,
式中: 代表 T+dT 时刻的某边界元胞状态;
代表 T 时刻的该边界元胞状态;
代表 T时刻该边界元胞的邻域元胞状态;
代表 T 时刻其他影响要素的取值,其他影响要素包括风速、风向和孔径;
T 代表离散时刻;
元胞所包含的边界元胞状态决定每个承灾体元胞的状态,将边界元胞状态传递给承灾体元胞的状态传递方程为:
,
式中: 代表 T 时刻承灾体元胞 A 的状态;
代表 A 元胞内第 1 个边界元胞的状态, 代表 A 元胞内第 2 个边界元胞的状态, 代表 A 元胞内第 3 个边界元胞的状态, 代表 A 元胞内第 n 个边界元胞的状态;A元胞包含有n个边界元胞的中心位置坐标。
作为进一步优化,所述利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算,包括如下步骤:
当泄漏事件发生后,输入初始参数及各元胞当前态势;
启动元胞自适应扫描机制,判断被扫描的基础元胞的状态情况,并记录迭代次数与状态转移时间;
通过比较扫描时间与泄漏扩散稳定时间的大小,决定迭代是否结束;
若扫描时间大于泄漏扩散稳定时间,影响空间区域扫描计算结束,若扫描时间小于或等于泄漏扩散稳定时间,循环扫描计算,直到结束。
作为进一步优化,所述通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,是指:
利用修正后的高斯多烟团模型计算获得泄漏气体浓度的时空分布,基于高斯多烟团-元胞自动机耦合模型,通过分析各承灾体元胞态势变化情况,计算状态持续时间与状态转移时间,获取各风险元胞区域的预警时间,其计算公式为:
,
式中:代表承灾体元胞 A 的状态 S 为 m 时所需的时间;
w 为为元胞迭代扫描次数;
dT 代表元胞扫描时间步长。
本发明的有益效果是:通过上述提供基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,能够在泄漏事件突发后,根据基础信息,利用该方法快速计算天然气浓度场分布、识别泄漏影响区域并预测危险浓度到达其区域的时间,辅助应急部门提前做出合理、高效的管理决策,降低突发泄漏事件造成的人员伤亡与经济损失。
附图说明
图1为本发明实施例1中基于高斯-元胞自动机模型的天然气泄漏扩散预测方法的流程图;
图2为本发明实施例2中的修正的高斯烟团模型计算浓度分布及各风险浓度曲线示意图;
图3为本发明实施例2中的元胞空间嵌套划分示意图;
图4为本发明实施例2中t=5s时的高斯多烟团-元胞自动机耦合模型计算获得的天然气泄漏扩散态势预测结果;
图5为本发明实施例2中t=30s时的高斯多烟团-元胞自动机耦合模型计算获得的天然气泄漏扩散态势预测结果;
图6为本发明实施例2中t=60s时的高斯多烟团-元胞自动机耦合模型计算获得的天然气泄漏扩散态势预测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
本实施例提供的是基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其流程图参见图1,其中,该方法包括如下步骤:
S1、采集气象参数、源项参数与坐标系参数,并将其作为初始参数;
S2、考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,并将初始参数代入修正后的高斯多烟团模型,计算泄漏天然气浓度的时空分布;
S3、构建高斯多烟团-元胞自动机耦合模型,利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算;
S4、通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,并可视化天然气扩散运动轨迹,完成天然气泄漏扩散态势预测。
上述方法中,所述采集气象参数,是指:
根据泄漏场景的气象采集仪器获取任一状态下的风速与风向参数,并以泄漏发生时即0时刻的风速与风向作为初始数据,其中以正北为0°,顺时针旋转记录风向度数α,以近地面风速作为监测风速u;
根据泄漏场景下的环境日照、风速及云量情况,获取当前状态的大气稳定度等级,主要包括A(强不稳定)、B(不稳定)、C(弱不稳定)、D(中性)、E(较稳定)和F(稳定);
所述采集源项参数,是指:
根据泄漏场景的泄漏点位置及状况,量取位置垂直高度和泄漏孔径,并读取当前压力,从而获得泄漏速率及泄漏源高度;
所述采集坐标系参数,是指:
根据泄漏场景空间分布,自定义坐标原点o 0,以正东方向为x 0轴正半轴,正北方向为y 0轴正半轴,垂直x 0 o 0 y 0平面向上为z 0轴正半轴建立基准直角坐标系;
基于该基准直角坐标系,获取泄漏源的位置坐标、各周围空间区域之间分界线的位置坐标以及整个空间区域内各点的位置坐标。
一般来说,高斯模型常规修正步骤主要包括地形修正、稳定度修正、污染源高度修正、气象条件修正、污染物本身特征修正等,本实施例不完全是常规修正,而是基于常规高斯烟团模型,考虑时间连续性与动态性,将烟团叠加形成连续烟羽,并考虑地面对气体的全反射与近地面变化风速与风向,实现高斯烟团模型的综合改进。并且,由于传统高斯烟羽模型缺少时间因素,不能计算任意时刻下的气体浓度分布,无法进行实时动态模拟,传统高斯烟团模型缺乏时间上的连续性,无法实现泄漏气体浓度分布的连续模拟;因此,本实施例将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加,形成高斯多烟团模型,并且考虑模拟场景的实际环境情况,综合地面反射与近地面变化风速风向参数进一步修正,在修正风速风向参数时,还结合坐标转换和平移技术,将随风向变化的高斯扩散坐标系统一到基准直角坐标系下,保证参数参照相同,提高修正模型的计算精度、速度及适用性。
本实施例的修正模型将高斯模型的假设按实际条件分析,基于高斯烟团模型考虑连续泄漏、有界空间因素及风场对扩散的较大扰动影响,该修正模型可实现连续、动态、低风速、多时间点等多条件下的天然泄漏扩散模拟,计算量小,精度高,适用性广。
因此,所述考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,包括如下步骤:
S201、假设天然气持续泄漏,将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加,形成高斯多烟团模型,计算从泄漏事件发生到结束之间任意时刻的浓度分布,其是指:
以瞬时泄漏源为坐标原点建立高斯扩散坐标系,泄漏点的瞬时泄漏速率为 Q,x轴正方向与风向一致,泄漏发生后,将任意t时刻以步长Δt划分为n段,每个Δt时段产生一个烟团,则无边界空间t时刻在某点处的浓度为n个烟团在该点共同叠加的结果,计算表达式如下:
,
,
式中:C i (x,y,z,t)为任意t时刻第i个烟团在空间某点(x,y,z)处的瞬时浓度,单位为mg/m3;Q i 为第i个烟团产生时的瞬时泄漏速率,单位为mg/s;Δt为每两个烟团形成的时间步长,单位为s;u为近地面监测的环境风速,单位为m/s;σ x 、σ y 、σ z 分别为x、y、z方向上的扩散系数,单位为m,扩散系数采用Pasquill-Gifford扩散模型确定;n为泄漏后产生烟团个数;i为第i个烟团,i=1,2,3,....,n;C sum(x,y,z,t)为t时刻时n个烟团在空间某点处的叠加浓度,单位为mg/m3。
S202、气体泄漏扩散空间内一般存在地面、围墙等边界,属于有界空间,考虑边界面对泄漏气体无吸附作用,按照全反射原理,根据像源法,以地面为对称轴,分析计算连续泄漏实源与像源贡献的浓度值,获取空间某点的实际浓度;
本实施例中,所述获取空间某点的实际浓度时,假设空间某点为P,则P点的浓度为:无地面反射时P点的浓度值与由于地面反射作用而增加的浓度值之和,此处由于地面反射作用增加的浓度可视为由一个位于实源对称位置的像源点(0,0,-H)扩散到P点时产生的浓度,H为泄漏源有效高度;
以泄漏点源在地面的垂直投影点为有界情况下高斯扩散模型坐标系原点,则改进后有边界空间下气体浓度计算模型表达式如下:
,
。
S203、在实际泄漏场景下,风速、风向参数随时都在发生变化,为更加合理准确获得天然气泄漏扩散的结果,根据天然气泄漏扩散计算所需的时间分辨率将整个扩散过程划分为若干时间单元,在每个时间单元对应一组实时的风速风向数据,在扩散计算过程中,各时间单元均以上一个时间单元的预测结果为初始状态进行计算,假设风速风向参数以Δt为时间步长发生变化,每个时间单元内的风速保持一致为u k ,其坐标系是以泄漏源在地面上的投影为坐标原点,以下风向为x轴正方向的高斯扩散坐标系,在每个时间单元内,扩散计算按各自的高斯扩散坐标系进行,通过坐标旋转与坐标平移,最终的计算结果均转换到基准坐标系x 0 o 0 y 0中,以保证各数据参照相同;
本实施例中,所述最终的计算结果均转换到基准坐标系x 0 o 0 y 0中后,在基准坐标系下,修正后的高斯多烟团模型的浓度计算模型表达式为:
,
,
,
式中:(x i , k ,y i , k )为高斯扩散坐标系下第i个烟团在第k个时间单元的预测点A位置坐标,单位为m;x o(k-i+1)为烟团中心距泄漏源位置的距离,单位为m;(x 0,y 0)为基准坐标系下预测点A位置坐标,单位为m;(mm,nn)为泄漏源在基准坐标系下的位置坐标,单位为m;α i 为第i个时间单元内监测的风向度数,单位为°。
需要指出的是,单独使用修正的高斯模型,需要人为设定想预测的时间点,不能实时获取从泄漏开始到终止之间的任意过程时间点的浓度分布,无法为后续风险区域的紧急救援提供参考;单独使用三维元胞自动机模型时,划分的每个元胞均需要计算,其计算量大,无法快速给出结果;因此,本实施例中,通过建立高斯多烟团-元胞自动机耦合模型,将风险区域离散成元胞形式展现,基于元胞的时空数据,利用修正高斯模型计算获得天然气动态扩散结果,提高计算精度与速度。
本实施例中,所述构建高斯多烟团-元胞自动机耦合模型,可以包括如下步骤:
S301、根据建立的基准直角坐标系,将泄漏场景下的整体空间范围离散划分为不同风险的空间并定义为承灾体元胞,通过元胞嵌套思想,在承灾体元胞内再划分出有限个基础元胞,针对性分析各承灾体元胞之间态势影响及转换关系,完成元胞空间嵌套划分;
由于模拟场景的研究区域是空间上的一个整体,因此将研究区域离散化成不同风险的承灾体元胞,可针对性获取态势情况并提供应急措施;在承灾体元胞内嵌套基础元胞,便于分析上述已划分的各承灾体元胞之间态势影响及转换关系。
S302、选择各承灾体元胞边界上的基础元胞,用修正后的高斯多烟团模型计算实时浓度值,按照其所在浓度区间对应的状态指标值从而感知边界元胞所在的承灾体元胞的状态,并获取不同时刻、不同位置的天然气浓度状态,完成元胞状态感知;
由于基础元胞数量大,选择各承灾体元胞边界上的基础元胞,用修正高斯模型计算浓度值,按照其所在浓度区间对应的状态指标值从而感知边界元胞所在的承灾体元胞的状态;实现不同时刻、不同位置的天然气浓度状态对应元胞采取不同的处理措施。
S303、根据各元胞状态变化时效性,自定义元胞自适应扫描机制,按照时间步长循环扫描边界基础元胞,每次判断其状态是否更新,更新即可获取到对应元胞存在风险浓度时的预警时间;
耦合模型需要获得各元胞状态发生变化的时间,考虑时效性,自定义扫描机制,按照时间步长循环扫描元胞,每次判断其状态是否更新;更新即可获取到对应元胞存在风险浓度时的预警时间。
S304、建立元胞状态转移规则,通过元胞状态转移规则研判元胞状态的变化情况,结合元胞自适应扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势;
由于每个元胞有不同的状态及不同元胞之间状态会相互影响,当风险浓度到达某元胞时,需要设定下一时刻该元胞状态或受其影响的其他元胞的状态变化的规则,即状态迭代更新的依据;通过规则研判元胞状态的变化情况,结合扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势。
本实施例中,所述步骤S304,是指:
每个边界基础元胞当前时刻自身状态、当前时刻邻域元胞状态和其他影响因素综合决定其下一时刻的状态,当风险浓度到达某元胞时,元胞状态转移方程即为状态迭代更新的依据,其状态转移方程为:
,
式中: 代表 T+dT 时刻的某边界元胞状态;
代表 T 时刻的该边界元胞状态;
代表 T时刻该边界元胞的邻域元胞状态;
代表 T 时刻其他影响要素的取值,其他影响要素包括风速、风向和孔径;
T 代表离散时刻;
元胞所包含的边界元胞状态决定每个承灾体元胞的状态,将边界元胞状态传递给承灾体元胞的状态传递方程为:
,
式中: 代表 T 时刻承灾体元胞 A 的状态;
代表 A 元胞内第 1 个边界元胞的状态, 代表 A 元胞内第 2 个边界元胞的状态, 代表 A 元胞内第 3 个边界元胞的状态, 代表 A 元胞内第 n 个边界元胞的状态;A元胞包含有n个边界元胞的中心位置坐标。
本实施例中,所述利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算,包括如下步骤:
当泄漏事件发生后,输入初始参数及各元胞当前态势;
启动元胞自适应扫描机制,判断被扫描的基础元胞的状态情况,并记录迭代次数与状态转移时间;
通过比较扫描时间与泄漏扩散稳定时间的大小,决定迭代是否结束;
若扫描时间大于泄漏扩散稳定时间,影响空间区域扫描计算结束,若扫描时间小于或等于泄漏扩散稳定时间,循环扫描计算,直到结束,保证能够预测整个扩散过程的态势情况。
这里,当持续泄漏扩散达到稳定后,影响区域基本不变,因此需要设定迭代演化结束时间,确保能预测整个扩散过程的态势情况,保证事故预测的完整性。
因此,利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算之后,能高效、准确地动态预测天然气的泄漏扩散并实时提示风险区域的预警时间,为提前实施应急决策提供技术支持。
需要指出的是,所述通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,是指:
利用修正后的高斯多烟团模型计算获得泄漏气体浓度的时空分布,基于高斯多烟团-元胞自动机耦合模型,通过分析各承灾体元胞态势变化情况,计算状态持续时间与状态转移时间,获取各风险元胞区域的预警时间,其计算公式为:
,
式中:代表承灾体元胞 A 的状态 S 为 m 时所需的时间;
w 为为元胞迭代扫描次数;
dT 代表元胞扫描时间步长,单位为s。
并且,将天然气泄漏扩散的运动轨迹、预测的风险区域态势变化结果进行可视化,可以确保管理者提前做出高效、准确的应急响应决策。
实施例2
在实施例1的基础上,本实施例提供的基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其具体包括以下步骤:
步骤1:本实施例中所模拟的场景是以某燃气站场内天然气泄漏事件为例,采集气象参数、源项参数与坐标系参数等基础数据作为泄漏事件计算的初始参数;
步骤1.1,采集气象参数;
在本实施例中,初始风速取1 m/s,初始风向取270°,3 min内风速与风向变化的情况如表1所示,大气稳定度根据Pasquill法可知取B级;
表1:
步骤1.2,采集源项参数;
在本实施例中,选取站场某天然气管道上表面高度作为泄漏源位置高度,数值为0.5 m,泄漏压力为2.5 MPa,泄漏孔径为25 mm,泄漏速率根据质量流速公式,计算得出结果为2 kg/s;
步骤1.3,采集坐标系参数。
在本实施例中,以燃气站场内工艺区边界线左下角为坐标原点o 0,以正东方向为x 0轴正半轴,正北方向为y 0轴正半轴,垂直x 0 o 0 y 0平面向上为z 0轴正半轴建立基准直角坐标系;基于该基准坐标系,泄漏源O的位置坐标为(3,5,0.5)。
步骤2:考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,并代入基础参数计算天然气三维浓度场分布;
步骤2.1,考虑时间因素,获取动态时间下的扩散浓度计算模型;
以泄漏源O为坐标原点建立高斯扩散坐标系,泄漏点的瞬时泄漏速率为 Q,x轴正方向与风向一致,泄漏发生后,将任意t时刻以步长Δt划分为n段,每个Δt时段产生一个烟团,则无边界空间t时刻在某点处的浓度为n个烟团在该点共同叠加的结果,计算表达式如下:
,
,
式中:C i (x,y,z,t)为任意t时刻第i个烟团在空间某点(x,y,z)处的瞬时浓度,单位为mg/m3;Q i 为第i个烟团产生时的瞬时泄漏速率,单位为mg/s;Δt为每两个烟团形成的时间步长,单位为s;u为近地面监测的环境风速,单位为m/s;σ x 、σ y 、σ z 分别为x、y、z方向上的扩散系数,单位为m,扩散系数采用Pasquill-Gifford扩散模型确定;n为泄漏后产生烟团个数;i为第i个烟团,i=1,2,3,....,n;C sum(x,y,z,t)为t时刻时n个烟团在空间某点处的叠加浓度,单位为mg/m3。
步骤2.2,基于步骤2.1,考虑触面反射,获取经地面反射后的浓度计算模型;
根据像源法,以地面为对称轴,分析计算连续泄漏实源与像源贡献的浓度值,获取空间某点的实际浓度。P点的浓度为:无地面反射时P点的浓度值与由于地面反射作用而增加的浓度值之和,此处由于地面反射作用增加的浓度可视为由一个位于实源对称位置的像源点(0,0,-H)扩散到P点时产生的浓度;
以泄漏点源在地面的垂直投影点为有界情况下高斯扩散模型坐标系原点,则改进后有边界空间下气体浓度计算模型表达式如下:
,
,
式中:H为泄漏源有效高度,单位为m。
步骤2.3,基于步骤2.2,考虑变化风速风向参数,获取变化气象参数下的浓度计算模型。
根据计算所需的时间分辨率将整个天然气泄漏扩散过程划分为若干时间单元,在每个时间单元对应一组实时的风速风向数据,在扩散计算过程中,各时间单元均以上一个时间单元的预测结果为初始状态进行计算。假设风速风向参数以Δt为时间步长发生变化,每个时间单元内的风速保持一致为u k 。其坐标系是以泄漏源在地面上的投影为坐标原点,以下风向为x轴正方向的高斯扩散坐标系。在每个时间单元内,扩散计算按各自的高斯扩散坐标系进行,通过坐标旋转与坐标平移,最终的计算结果均转换到基准坐标系x 0 o 0 y 0中,以保证各数据参照相同。
则在基准坐标系下,修正后的高斯多烟团模型的浓度计算模型表达式为:
,
,
,
式中:(x i , k ,y i , k )为高斯扩散坐标系下第i个烟团在第k个时间单元的预测点A位置坐标,单位为m;x o(k-i+1)为烟团中心距泄漏源位置的距离,单位为m;(x 0,y 0)为基准坐标系下预测点A位置坐标,单位为m;(mm,nn)为泄漏源在基准坐标系下的位置坐标,单位为m;α i 为第i个时间单元内监测的风向度数,单位为°。
在本实施例中,令t=3 min,Δt=0.1 s,由于大气稳定度选取B级,则根据Pasquill-Gifford扩散模型确定扩散系数分别为σ x =σ y =0.14x 0.92,σ z =0.53x 0.73,其余参数上述步骤已给出,因此,可获得修正的高斯烟团模型计算的天然气泄漏扩散浓度分布及各风险浓度曲线(5%、2.5%、1%),如图2所示。
步骤3:基于研究区域分布将其嵌套划分为元胞空间,根据修正模型计算的浓度值实现元胞状态感知,然后自定义元胞空间自适应扫描机制,建立元胞状态转移规则,构建高斯-元胞自动机耦合模型,对天然气扩散态势进行研判;
步骤3.1,元胞空间嵌套划分;
参见图3,根据建立的基准直角坐标系,将泄漏场景下的整体空间范围离散划分为不同风险的空间并定义为承灾体元胞,通过元胞嵌套思想,在承灾体元胞内再划分出有限个基础元胞,针对性分析各承灾体元胞之间态势影响及转换关系;
步骤3.2,元胞状态感知;
选择各承灾体元胞边界上的基础元胞,用修正高斯模型计算实时浓度值,按照其所在浓度区间对应的状态指标值从而感知边界元胞所在的承灾体元胞的状态;获取不同时刻、不同位置的天然气浓度状态;
步骤3.3,自定义元胞空间扫描机制;
根据各元胞状态变化时效性,自定义元胞自适应扫描机制,按照时间步长循环扫描边界基础元胞,每次判断其状态是否更新,更新即可获取到对应元胞存在风险浓度时的预警时间;
步骤3.4,建立元胞状态转移规则;
每个边界基础元胞当前时刻自身状态、当前时刻邻域元胞状态和其他影响因素综合决定其下一时刻的状态,当风险浓度到达某元胞时,元胞状态转移方程就是状态迭代更新的依据,其状态转移方程为:
,
式中: 代表 T+dT 时刻的某边界元胞状态;
代表 T 时刻的该边界元胞状态;
代表 T时刻该边界元胞的邻域元胞状态;
代表 T 时刻其他影响要素的取值,其他影响要素包括风速、风向和孔径;
T 代表离散时刻;
元胞所包含的边界元胞状态决定每个承灾体元胞的状态,将边界元胞状态传递给承灾体元胞的状态传递方程为:
,
式中: 代表 T 时刻承灾体元胞 A 的状态;
代表 A 元胞内第 1 个边界元胞的状态, 代表 A 元胞内第 2 个边界元胞的状态, 代表 A 元胞内第 3 个边界元胞的状态, 代表 A 元胞内第n 个边界元胞的状态;A元胞包含有n个边界元胞的中心位置坐标。
参见图4、图5和图6,通过规则研判元胞状态的变化情况,结合扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势。
在本实施例中,基础元胞浓度与状态的对应关系如表2所示。
表2:
步骤3.5,完成影响空间区域的扫描计算。
当泄漏事件发生后,首先输入初始参数及各元胞当前态势,然后启动元胞自适应扫描机制,判断被扫描的基础元胞的状态情况,并记录迭代次数与状态转移时间,通过比较扫描时间与泄漏扩散稳定时间的大小,决定迭代是否结束;若扫描时间大于泄漏扩散稳定时间,影响空间区域扫描计算结束;若扫描时间小于或等于泄漏扩散稳定时间,循环扫描计算,直到结束,保证能够预测整个扩散过程的态势情况。
步骤4:通过耦合模型计算天然气风险浓度到达各元胞空间区域的预警时间并可视化天然气扩散运动轨迹,实现天然气泄漏扩散态势预测。
步骤4.1,通过耦合模型计算天然气风险浓度到达各元胞空间区域的预警时间;
利用修正模型计算获得泄漏气体浓度的时空分布,通过分析各承灾体元胞态势变化情况,计算状态持续时间与状态转移时间,获取各风险元胞区域的预警时间:
,
式中:代表承灾体元胞 A 的状态 S 为 m 时所需的时间;
w 为为元胞迭代扫描次数;
dT 代表元胞扫描时间步长,单位为s。
步骤4.2,可视化天然气扩散运动轨迹,实现天然气泄漏扩散态势预测。
本实施例中,高斯多烟团-元胞自动机耦合模型计算获得的危险浓度到达不同元胞区域的预测时间结果如下:
当前泄漏场景扩散的开始时间为09:17:14;
绿化区边界浓度达到5%的预测时间为09:17:15;
生活辅助区边界浓度达到5%的预测时间为09:17:16;
瓷砖厂边界浓度达到2.5%的预测时间为09:17:19;
瓷砖厂边界浓度达到5%的预测时间为09:17:20;
燃气公司边界浓度达到1%的预测时间为09:17:20;
燃气公司边界浓度达到2.5%的预测时间为09:17:21;
燃气公司边界浓度达到5%的预测时间为09:17:22;
当前泄漏场景扩散的稳定时间为09:17:26。
将天然气泄漏扩散的运动轨迹、预测的风险区域态势变化结果进行可视化,确保管理者提前做出高效、准确的应急响应决策。
因此,本实施例提出的一种基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,能够在泄漏事件突发后,根据基础信息,利用该方法快速计算天然气浓度场分布、识别泄漏影响区域并预测危险浓度到达其区域的时间,辅助应急部门提前做出合理、高效的管理决策,降低突发泄漏事件造成的人员伤亡与经济损失。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其特征在于,包括如下步骤: 采集气象参数、源项参数与坐标系参数,并将其作为初始参数;
考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,并将初始参数代入修正后的高斯多烟团模型,计算泄漏天然气浓度的时空分布;
构建高斯多烟团-元胞自动机耦合模型,利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后,影响空间区域的扫描计算;
通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,并可视化天然气扩散运动轨迹,完成天然气泄漏扩散态势预测;
所述采集气象参数,是指:
根据泄漏场景的气象采集仪器获取任一状态下的风速与风向参数,并以泄漏发生时即0 时刻的风速与风向作为初始数据,其中以正北为 0°,顺时针旋转记录风向度数 α,以近地面风速作为监测风速 u;
根据泄漏场景下的环境日照、风速及云量情况,获取当前状态的大气稳定度等级;采集源项参数,是指:
根据泄漏场景的泄漏点位置及状况,量取位置垂直高度和泄漏孔径,并读取当前压力,获得泄漏速率及泄漏源高度;
采集坐标系参数,是指:
根据泄漏场景空间分布,自定义坐标原点 o 0,以正东方向为 x 0 轴正半轴,正北方向为y 0 轴正半轴,垂直 x 0 o 0 y 0 平面向上为 z 0 轴正半轴建立基准直角坐标系;
基于该基准直角坐标系,获取泄漏源的位置坐标、各周围空间区域之间分界线的位置坐标以及整个空间区域内各点的位置坐标;
所述考虑时间因素、触面反射与变化风速风向参数,修正传统的高斯烟团模型,包括如下步骤:
假设天然气持续泄漏,将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加,形成高斯多烟团模型,计算从泄漏事件发生到结束之间任意时刻的浓度分布;
气体泄漏扩散空间内存在边界,属于有界空间,考虑边界面对泄漏气体无吸附作用,按照全反射原理,根据像源法,以地面为对称轴,分析计算连续泄漏实源与像源贡献的浓度值,获取空间某点的实际浓度;
根据天然气泄漏扩散计算所需的时间分辨率将整个扩散过程划分为若干时间单元,在每个时间单元对应一组实时的风速风向数据,在扩散计算过程中,各时间单元均以上一个时间单元的预测结果为初始状态进行计算,假设风速风向参数以 Δt 为时间步长发生变化,每个时间单元内的风速保持一致为 u k ,其坐标系是以泄漏源在地面上的投影为坐标原点,以下风向为 x 轴正方向的高斯扩散坐标系,在每个时间单元内,扩散计算按各自的高斯扩散坐标系进行, 通过坐标旋转与坐标平移,最终的计算结果均转换到基准坐标系x 0 o 0 y 0 中;
所述假设天然气持续泄漏,将连续源扩散的烟羽模型看作是有限个瞬时烟团模型的叠加, 形成高斯多烟团模型,计算从泄漏事件发生到结束之间任意时刻的浓度分布,是指:
以瞬时泄漏源为坐标原点建立高斯扩散坐标系,泄漏点的瞬时泄漏速率为 Q,x 轴正方向与风向一致,泄漏发生后,将任意 t 时刻以步长 Δt 划分为 n 段,每个 Δt 时段产生一个烟团, 则无边界空间 t 时刻在某点处的浓度为 n 个烟团在该点共同叠加的结果,计算表达式如下:
,
,
式中:C i (x,y,z,t)为任意 t 时刻第 i 个烟团在空间某点(x,y,z)处的瞬时浓度;Q i 为第 i 个烟团产生时的瞬时泄漏速率;Δt 为每两个烟团形成的时间步长;u 为近地面监测的环境风速;σ x 、
σ y 、σ z 分别为 x、y、z 方向上的扩散系数,扩散系数采用 Pasquill-Gifford 扩散模型确定;n为泄漏后产生烟团个数;i 为第 i 个烟团,i=1,2,3,....,n;C sum(x,y,z,t)为 t 时刻时 n 个烟团在空间某点处的叠加浓度;
所述获取空间某点的实际浓度时,假设空间某点为 P,则 P 点的浓度为:无地面反射时 P 点的浓度值与由于地面反射作用而增加的浓度值之和,此处由于地面反射作用增加的浓度视为由一个位于实源对称位置的像源点(0,0,-H)扩散到 P 点时产生的浓度,H 为泄漏源有效高度:
以泄漏点源在地面的垂直投影点为有界情况下高斯扩散模型坐标系原点,则改进后有边界空间下气体浓度计算模型表达式如下:
,
,
所述最终的计算结果均转换到基准坐标系 x 0 o 0 y 0 中后,在基准坐标系下,修正后的高斯多烟团模型的浓度计算模型表达式为:
,
,
,
式中:(x i , k ,y i , k )为高斯扩散坐标系下第 i 个烟团在第 k 个时间单元的预测点 A 位置坐标;x o(k-i+1)
为烟团中心距泄漏源位置的距离;(x 0,y 0)为基准坐标系下预测点 A 位置坐标;(mm,nn)为泄漏源在基准坐标系下的位置坐标;α i 为第 i 个时间单元内监测的风向度数;
所述构建高斯多烟团-元胞自动机耦合模型,包括如下步骤:
根据建立的基准直角坐标系,将泄漏场景下的整体空间范围离散划分为不同风险的空间并定义为承灾体元胞,通过元胞嵌套思想,在承灾体元胞内再划分出有限个基础元胞,针对性分析各承灾体元胞之间态势影响及转换关系,完成元胞空间嵌套划分;
选择各承灾体元胞边界上的基础元胞,用修正后的高斯多烟团模型计算实时浓度值,按照其所在浓度区间对应的状态指标值从而感知边界元胞所在的承灾体元胞的状态,并获取不同时刻、不同位置的天然气浓度状态,完成元胞状态感知;
根据各元胞状态变化时效性,自定义元胞自适应扫描机制,按照时间步长循环扫描边界基础元胞,每次判断其状态是否更新,更新即可获取到对应元胞存在风险浓度时的预警时间; 建立元胞状态转移规则,通过元胞状态转移规则研判元胞状态的变化情况,结合元胞自适应扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势。
2.根据权利要求 1所述的基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其特征在
于,所述建立元胞状态转移规则,通过元胞状态转移规则研判元胞状态的变化情况,结合元胞自适应扫描机制获取状态持续时间与状态转移时间,体现扩散过程中各阶段的状态与趋势, 是指:
每个边界基础元胞当前时刻自身状态、当前时刻邻域元胞状态和其他影响因素综合决定其下一时刻的状态,当风险浓度到达某元胞时,元胞状态转移方程即为状态迭代更新的依据,其状态转移方程为:
,
式中: 代表 T+dT 时刻的某边界元胞状态;
代表 T 时刻的该边界元胞状态;
代表 T 时刻该边界元胞的邻域元胞状态;
代表 T 时刻其他影响要素的取值,其他影响要素包括风速、风向和孔径;
T 代表离散时刻;
元胞所包含的边界元胞状态决定每个承灾体元胞的状态,将边界元胞状态传递给承灾体元胞的状态传递方程为:
,
式中: 代表 T 时刻承灾体元胞 A 的状态;
代表 A 元胞内第 1 个边界元胞的状态, 代表 A 元胞内第 2 个边界元胞的状态, 代表 A 元胞内第 3 个边界元胞的状态, 代表 A 元胞内第 n个边界元胞的状态;
A 元胞包含有 n 个边界元胞的中心位置坐标。
3.根据权利要求 2所述的基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其特征在于,所述利用高斯多烟团-元胞自动机耦合模型进行泄漏事件发生后, 影响空间区域的扫描计算,包括如下步骤:
当泄漏事件发生后,输入初始参数及各元胞当前态势;
启动元胞自适应扫描机制,判断被扫描的基础元胞的状态情况,并记录迭代次数与状态转移时间;
通过比较扫描时间与泄漏扩散稳定时间的大小,决定迭代是否结束;
若扫描时间大于泄漏扩散稳定时间,影响空间区域扫描计算结束,若扫描时间小于或等于泄漏扩散稳定时间,循环扫描计算,直到结束。
4.根据权利要求 3所述的基于高斯-元胞自动机模型的天然气泄漏扩散预测方法,其特征在于,所述通过高斯多烟团-元胞自动机耦合模型计算泄漏天然气风险浓度到达各元胞空间区域的预警时间,是指:
利用修正后的高斯多烟团模型计算获得泄漏气体浓度的时空分布,基于高斯多烟团-元胞自动机耦合模型,通过分析各承灾体元胞态势变化情况,计算状态持续时间与状态转移时间, 获取各风险元胞区域的预警时间,其计算公式为:
,
式中:代表承灾体元胞 A 的状态 S 为 m 时所需的时间;
w 为为元胞迭代扫描次数;
dT 代表元胞扫描时间步长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410497453.3A CN118070986B (zh) | 2024-04-24 | 基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410497453.3A CN118070986B (zh) | 2024-04-24 | 基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118070986A CN118070986A (zh) | 2024-05-24 |
CN118070986B true CN118070986B (zh) | 2024-07-02 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401945A (zh) * | 2023-04-07 | 2023-07-07 | 西安交通大学 | 核电厂场内人员应急疏散时间估计方法 |
CN116595766A (zh) * | 2023-05-18 | 2023-08-15 | 北京化工大学 | 一种危化品园区泄露事故的应急人员疏散路线设计方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401945A (zh) * | 2023-04-07 | 2023-07-07 | 西安交通大学 | 核电厂场内人员应急疏散时间估计方法 |
CN116595766A (zh) * | 2023-05-18 | 2023-08-15 | 北京化工大学 | 一种危化品园区泄露事故的应急人员疏散路线设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749478B (zh) | 一种基于高斯扩散模型大气污染溯源扩散分析系统及方法 | |
CN105675448B (zh) | 一种面向水环境质量监测的动态模拟污染物扩散的方法 | |
CN109271683B (zh) | 一种面向日照约束的建筑群自动排布算法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN101882184A (zh) | 基于gis技术和aermode模型的大气环评系统与环评方法 | |
Lu et al. | A vector-based cellular automata model for simulating urban land use change | |
Quan | Smart design for sustainable neighborhood development | |
TWM548837U (zh) | 運用類神經網路學習之綠建築效能模擬分析系統 | |
CN112347705A (zh) | 一种建立变电站厂界噪声模型的方法和系统 | |
CN114662344A (zh) | 基于连续在线观测数据的大气污染溯源预测方法及系统 | |
CN116703679A (zh) | 一种用于工业企业和工业园区的环保管理系统及管理方法 | |
CN111505205A (zh) | 一种气体泄漏源强反算改进型搜索算法 | |
CN118070986B (zh) | 基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 | |
Jia et al. | Regional air quality forecast using a machine learning method and the WRF model over the Yangtze River Delta, east China | |
CN118070986A (zh) | 基于高斯-元胞自动机模型的天然气泄漏扩散预测方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN108090317A (zh) | 一种采用案例推理的二噁英浓度软测量方法 | |
CN116050772A (zh) | 一种基于bim的工程监理方法及系统 | |
CN103049614B (zh) | 一种控制智慧楼宇中声波运动轨迹的方法、装置 | |
CN105528423A (zh) | 顾及空间实例距离权重的自适应同位模式获取方法和装置 | |
CN114091271A (zh) | 一种设备模型的简化方法、装置、电子设备及存储介质 | |
Alsaidan et al. | Solar energy forecasting using intelligent techniques: A step towards sustainable power generating system | |
CN112884310A (zh) | 一种污染物扩散规律计算机辅助评估方法、系统及装置 | |
Karkazis | The problem of locating facilities causing airborne pollution revisited | |
Wang et al. | Strategy of hybrid optimization algorithms for source parameters estimation of hazardous gas in field cases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |