CN118114575A - 一种可燃气体泄漏扩散范围预测模拟方法及系统 - Google Patents
一种可燃气体泄漏扩散范围预测模拟方法及系统 Download PDFInfo
- Publication number
- CN118114575A CN118114575A CN202410524009.6A CN202410524009A CN118114575A CN 118114575 A CN118114575 A CN 118114575A CN 202410524009 A CN202410524009 A CN 202410524009A CN 118114575 A CN118114575 A CN 118114575A
- Authority
- CN
- China
- Prior art keywords
- gas
- diffusion
- point
- points
- gas concentration
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 39
- 238000009423 ventilation Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及气体扩散预测领域,尤其涉及一种可燃气体泄漏扩散范围预测模拟方法及系统,方法包括步骤:获取多个时刻采样点的气体浓度和风速,得到每个采样点气体浓度的梯度变化;得到多条气体扩散路线,每条气体扩散路线途径多个采样点,将气体扩散路途径的采样点作为采集点;计算采集点处气体浓度与风速的最优映射关系,将最优映射关系上各个采集点映射关系的导数作为采集点的富集效率,得到每个时刻的富集效率序列;计算所有扩散路线的通风效率;选择采集点的通风效率大于或等于预设阈值的采集点所在的气体扩散路线作为最优扩散路线。本申请具有预测可燃气体泄漏扩散路线的效果,以获得泄漏扩散的范围。
Description
技术领域
本申请涉及气体扩散预测领域,尤其涉及一种可燃气体泄漏扩散范围预测模拟方法及系统。
背景技术
可燃气体以其清洁、高效、方便运输等优点,被广泛的使用在城市生活和石油化工生产中,管道运输是燃气输送的主要方式。但随着管道运行期的延长,管道的老化、腐蚀和管道自身缺陷等问题,会造成管道泄漏。特别是含有可燃气体介质的管道,具有易燃易爆、有毒有害的特性,存在极大的安全隐患。
现有技术中,通过在关键位置安装传感器,可以持续跟踪气体浓度,并在监测到异常时立即发出警报。但是不能够通过分析气体扩散的特征,预测气体扩散的路径及范围。在泄漏发生后,可能无法准确地判断受影响的区域大小和具体位置,从而影响到紧急疏散和救援行动的开展。
发明内容
为了有预测可燃气体泄漏扩散路线,以获得泄漏扩散的范围,本申请提供一种可燃气体泄漏扩散范围预测模拟方法及系统。
第一方面,本申请提供一种可燃气体泄漏扩散范围预测模拟方法,采用如下的技术方案:
一种可燃气体泄漏扩散范围预测模拟方法,包括步骤:
获取多个时刻采样点的气体浓度和风速,得到每个采样点气体浓度的梯度变化;将发生气体泄漏位置处的采样点作为起点,泄漏气体排出建筑物的位置处的采样点作为终点,得到多条气体扩散路线,每条气体扩散路线途径多个采样点,将气体扩散路途径的采样点作为采集点;计算采集点处气体浓度与风速的最优映射关系,将最优映射关系上各个采集点映射关系的导数作为采集点的富集效率,得到每个时刻的富集效率序列;计算所有扩散路线的通风效率,计算公式为:
,其中,/>表示任意一条扩散路线的通风效率,/>表示气体扩散路线上的采集点个数,/>表示第/>个富集效率序列,/>表示第/>个富集效率序列,/>表示皮尔逊相关系数;选择采集点的通风效率大于或等于预设阈值的采集点所在的气体扩散路线作为最优扩散路线。
可选的,计算采集点处气体浓度与风速的最优映射关系,包括步骤:设置映射点,/>为横坐标表示风速,/>为纵坐标表示气体浓度,将映射点代入预设的模板函数中,计算得到/>、/>、/>,其中/>表示第一参数,/>表示第二参数,/>表示第三参数,构建采集点处气体浓度与风速的多个初始映射关系;计算每个初始映射关系的第一损失函数,第一损失值最小的初始映射关系为最优映射关系,第一损失函数的表达式为:
,其中,/>表示第一损失函数,表示最小值函数,/>表示第/>个采集点的风速,/>表示第/>个采集点的气体浓度,/>表示第/>个采集点所在初始映射关系上任意一个采集点的风速,/>表示第/>个采集点所在初始映射关系上任意一个采集点的气体浓度,/>表示采集点的总数。
可选的,还包括步骤:将所有最优扩散路线上的采集点的并集作为实时的扩散点,非扩散点的采集点为聚集点,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据;响应于预测浓度数据大于预设浓度阈值,将预测浓度的时刻与当前采集时刻的差值作为聚集点处的人员参考疏散时间。
可选的,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据,包括步骤:构建神经网络模型,根据气体浓度的历史数据构建训练集;根据训练集,对神经网络模型进行训练,直到第二损失函数符合预设训练次数或达到预设值停止训练,得到预测模型,第二损失函数为:,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数。
可选的,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据,包括步骤:构建神经网络模型,根据气体浓度的历史数据构建训练集;根据训练集,对神经网络模型进行训练,直到第二损失函数符合预设训练次数或达到预设值停止训练,得到预测模型,第二损失函数为:,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数,/>表示/>时刻的气体浓度的置信度。
第二方面,本申请提供一种可燃气体泄漏扩散范围预测模拟系统,采用如下的技术方案:
一种可燃气体泄漏扩散范围预测模拟系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据上述的可燃气体泄漏扩散范围预测模拟方法。
本申请具有以下技术效果:
在可燃气体发生泄漏时,获得各个采样点的气体浓度和风速,根据采样点处气体浓度的梯度变化,找到通风效果好的采样点。根据起点和终点,得到多条气体扩散路线,气体扩散路线上的采样点作为采集点,根据采集点处气体浓度与风速的最优映射关系,计算得到富集效率,进而计算每条扩散路线的通风效率。根据通风效率选择至少一条最优扩散路线,获得可燃气体泄漏扩散范围。选择最优扩散路线的目的是识别出那些在通风效果上表现最佳的路线,将预测浓度的时刻与当前采集时刻的差值作为聚集点处的人员参考疏散时间。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例一种可燃气体泄漏扩散范围预测模拟方法的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动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。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种可燃气体泄漏扩散范围预测模拟方法,参照图1,包括步骤S1-步骤S7:
S1:获取多个时刻采样点的气体浓度和风速,得到每个采样点气体浓度的梯度变化。
气体浓度在扩散过程中主要受到风速的影响,通过安装在各个采样点的气体浓度传感器以及风速传感器实时监测每个采样点的气体浓度和风速,并记录每个采样点的地理位置信息。
对于每个采样点,获得不同时间点的气体浓度值,计算每个采样点在相邻时刻的气体浓度差值,从而得到每个采样点的气体浓度的梯度变化。
S2:将发生气体泄漏位置处的采样点作为起点,泄漏气体排出建筑物的位置处的采样点作为终点,得到多条气体扩散路线,每条气体扩散路线途径多个采样点,将气体扩散路途径的采样点作为采集点。
将发生泄漏的位置所在的房间或走廊的采样点作为气体泄漏的起点,泄漏气体排出建筑物的位置处(建筑物外)的采样点作为终点,一个起点可能对应多个终点,遍历得到多条气体扩散路线。计算起点与终点之间所有的采样点的气体浓度的梯度变化。
当建筑物内发生气体泄漏时,泄漏的气体增加了建筑物内气体的总量,使建筑物内的压力变大,这种压力的增加会促使气体向建筑物外部扩散,以恢复建筑物的内外压力平衡。
将气体扩散路途径的采样点作为采集点,若多条气体扩散路线上包括大量的采集点,此时直接做预测的计算量过大,所以需要对气体扩散路线进行筛选,得到最优的气体扩散路线,具体方法如下:
S3:计算采集点处气体浓度与风速的最优映射关系,将最优映射关系上各个采集点映射关系的导数作为采集点的富集效率,得到每个时刻的富集效率序列。
在一个实施例中,设置映射点,/>为横坐标表示风速,/>为纵坐标表示气体浓度,将映射点代入预设的模板函数/>中,计算得到/>、/>、/>,其中/>表示第一参数,表示第二参数,/>表示第三参数,构建采集点处气体浓度与风速的多个初始映射关系。
计算每个初始映射关系的第一损失函数,第一损失值最小的初始映射关系为最优映射关系,第一损失函数的表达式为:
,其中,/>表示第一损失函数,表示最小值函数,/>表示第/>个采集点的风速,/>表示第/>个采集点的气体浓度,/>表示第/>个采集点所在初始映射关系上任意一个采集点的风速,/>表示第/>个采集点所在初始映射关系上任意一个采集点的气体浓度,/>表示采集点的总数。
S4:计算所有扩散路线的通风效率。
通风效率的计算公式为:
,其中,/>表示任意一条扩散路线的通风效率,/>表示气体扩散路线上的采集点个数,/>表示第/>个富集效率序列,/>表示第/>个富集效率序列。
表示皮尔逊相关系数。/>(Pearson Product-Moment CorrelationCoefficient,皮尔逊相关系数)用于计算两个序列之间的相关性。/>是一种常用的统计方法,用于衡量两个变量之间的线性相关程度。/>的值介于/>和/>之间,/>表示完全正相关,/>表示完全负相关,/>表示无相关性。
S5:选择采集点的通风效率大于或等于预设阈值的采集点所在的气体扩散路线作为最优扩散路线。
当某一条通风效率小于预设阈值时,说该通风扩散路线上存在遮挡物,导致各个采集点的通风效率不一致,选择采集点的通风效率大于或等于预设阈值的采集点,获得若干条最优扩散路线,即最优扩散路线上的采集点的通风效率均大于预设阈值。
预设阈值的设定可以根据实际的应用场景进行人为设置,示例性的,可以设置为0.8。
S6:将所有最优扩散路线上的采集点的并集作为实时的扩散点,非扩散点的采集点为聚集点,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据。
构建神经网络模型,根据气体浓度的历史数据构建训练集。示例性的,神经网络模型为LSTM(Long Short Term Memory,长短期记忆)模型。
根据训练集,对神经网络模型进行训练,直到第二损失函数符合预设训练次数或达到预设值停止训练,得到预测模型。
在一个实施例中,第二损失函数为:
,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数。
在一个实施例中,第二损失函数为:
,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数。
示例性的,预设训练次数为1000次,预设值为0.01。
表示/>时刻的气体浓度的置信度。由于风速存在不稳定变化,对投入神经网络的浓度数据进行置信度计算,将置信度作为损失权重,计算第二损失函数,以提高预测模型的预测准确度。置信度的计算为现有技术,在此不做赘述。
S7:响应于预测浓度数据大于预设浓度阈值,将预测浓度的时刻与当前采集时刻的差值作为聚集点处的人员参考疏散时间。
选择最优扩散路线的目的是识别出那些在通风效果上表现最佳的路线。将预测浓度的时刻与当前采集时刻的差值作为聚集点处的人员参考疏散时间。
根据最优扩散路线,可以采取措施(如增设通风设备等)来优化建筑物的通风系统。也可以根据最优扩散路线,在紧急情况下指导人们安全撤离,引导人员沿最优扩散路线撤离,通常意味着最优扩散路线上的气体浓度变化较快,空气流通性好。
本申请实施例还公开一种可燃气体泄漏扩散范围预测模拟系统,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本申请的可燃气体泄漏扩散范围预测模拟方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中,可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (6)
1.一种可燃气体泄漏扩散范围预测模拟方法,其特征在于,包括步骤:
获取多个时刻采样点的气体浓度和风速,得到每个采样点气体浓度的梯度变化;
将发生气体泄漏位置处的采样点作为起点,泄漏气体排出建筑物的位置处的采样点作为终点,得到多条气体扩散路线,每条气体扩散路线途径多个采样点,将气体扩散路途径的采样点作为采集点;
计算采集点处气体浓度与风速的最优映射关系,将最优映射关系上各个采集点映射关系的导数作为采集点的富集效率,得到每个时刻的富集效率序列;
计算所有扩散路线的通风效率,计算公式为:
,其中,/>表示任意一条扩散路线的通风效率,/>表示气体扩散路线上的采集点个数,/>表示第/>个富集效率序列,/>表示第/>个富集效率序列,/>表示皮尔逊相关系数;
选择采集点的通风效率大于或等于预设阈值的采集点所在的气体扩散路线作为最优扩散路线。
2.根据权利要求1所述的可燃气体泄漏扩散范围预测模拟方法,其特征在于,计算采集点处气体浓度与风速的最优映射关系,包括步骤:
设置映射点,/>为横坐标表示风速,/>为纵坐标表示气体浓度,将映射点代入预设的模板函数/>中,计算得到/>、/>、/>,其中/>表示第一参数,/>表示第二参数,/>表示第三参数,构建采集点处气体浓度与风速的多个初始映射关系;
计算每个初始映射关系的第一损失函数,第一损失值最小的初始映射关系为最优映射关系,第一损失函数的表达式为:
,其中,/>表示第一损失函数,/>表示最小值函数,/>表示第/>个采集点的风速,/>表示第/>个采集点的气体浓度,/>表示第/>个采集点所在初始映射关系上任意一个采集点的风速,/>表示第/>个采集点所在初始映射关系上任意一个采集点的气体浓度,/>表示采集点的总数。
3.根据权利要求1或2所述的可燃气体泄漏扩散范围预测模拟方法,其特征在于,还包括步骤:
将所有最优扩散路线上的采集点的并集作为实时的扩散点,非扩散点的采集点为聚集点,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据;
响应于预测浓度数据大于预设浓度阈值,将预测浓度的时刻与当前采集时刻的差值作为聚集点处的人员参考疏散时间。
4.根据权利要求3所述的可燃气体泄漏扩散范围预测模拟方法,其特征在于,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据,包括步骤:
构建神经网络模型,根据气体浓度的历史数据构建训练集;
根据训练集,对神经网络模型进行训练,直到第二损失函数符合预设训练次数或达到预设值停止训练,得到预测模型,第二损失函数为:
,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数。
5.根据权利要求3所述的可燃气体泄漏扩散范围预测模拟方法,其特征在于,将聚集点处当前时刻的气体浓度投入到预设的预测模型,得到预测浓度数据,包括步骤:
构建神经网络模型,根据气体浓度的历史数据构建训练集;
根据训练集,对神经网络模型进行训练,直到第二损失函数符合预设训练次数或达到预设值停止训练,得到预测模型,第二损失函数为:
,其中,/>为第二损失函数,/>表示训练集中任意一个聚集点处/>时刻的气体浓度的预测值,/>训练集中任意一个聚集点处/>时刻的气体浓度的真实值,/>表示聚集点的总数,/>表示/>时刻的气体浓度的置信度。
6.一种可燃气体泄漏扩散范围预测模拟系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-5任一项所述的可燃气体泄漏扩散范围预测模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410524009.6A CN118114575B (zh) | 2024-04-29 | 一种可燃气体泄漏扩散范围预测模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410524009.6A CN118114575B (zh) | 2024-04-29 | 一种可燃气体泄漏扩散范围预测模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118114575A true CN118114575A (zh) | 2024-05-31 |
CN118114575B CN118114575B (zh) | 2024-07-09 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN108491984A (zh) * | 2018-04-18 | 2018-09-04 | 中国石油大学(华东) | 一种危化企业应急疏散线路优选方法及装置 |
CN115330957A (zh) * | 2022-10-10 | 2022-11-11 | 南京信息工程大学 | 建筑物内部火灾烟气模拟扩散的方法及应急方案调用方法 |
CN117316323A (zh) * | 2023-09-20 | 2023-12-29 | 南京信息工程大学 | 地铁站内生化气体扩散数值模拟方法及应急预案生成系统 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN108491984A (zh) * | 2018-04-18 | 2018-09-04 | 中国石油大学(华东) | 一种危化企业应急疏散线路优选方法及装置 |
CN115330957A (zh) * | 2022-10-10 | 2022-11-11 | 南京信息工程大学 | 建筑物内部火灾烟气模拟扩散的方法及应急方案调用方法 |
CN117316323A (zh) * | 2023-09-20 | 2023-12-29 | 南京信息工程大学 | 地铁站内生化气体扩散数值模拟方法及应急预案生成系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764745B (zh) | 一种危险液体管道泄漏风险评价方法及装置 | |
GB2613296A (en) | Greenhouse gas emission monitoring systems and methods | |
CN111027240B (zh) | 埋地管道安全评估方法及相关设备 | |
CN103914622A (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
CN101071098A (zh) | 地下钢质燃气管网管道腐蚀预测系统 | |
CN113944888B (zh) | 燃气管道泄漏检测方法、装置、设备和存储介质 | |
CN103413036B (zh) | 一种连续化的森林火险天气等级预报方法 | |
CN111797572A (zh) | 一种城市事故灾害演化模拟及风险预测预警方法 | |
US20230368632A1 (en) | Methods, internet of things systems, and storage media for smart gas pipeline network inspection | |
KR102413399B1 (ko) | 기계 학습 기반의 해양 플랜트 파이프라인 누출 진단 시스템 | |
KR20170124124A (ko) | 밀폐공간에서 발생되는 가스 누출 농도 예측 방법 | |
CN118114575B (zh) | 一种可燃气体泄漏扩散范围预测模拟方法及系统 | |
CN118114575A (zh) | 一种可燃气体泄漏扩散范围预测模拟方法及系统 | |
CN111765676A (zh) | 一种多联机的制冷剂充注量故障诊断方法和装置 | |
CN115952926B (zh) | 危险气体扩散范围预测方法、系统、电子设备及存储介质 | |
CN116702477B (zh) | 一种基于大气扩散模型的泄漏源定位方法及系统 | |
CN116228770B (zh) | 一种管道泄漏的识别监测方法及系统 | |
BRPI0708086A2 (pt) | processo e sistema para a identificação do risco de falha de um sistema geológico de retenção | |
CN116792693A (zh) | 一种燃气管道地下泄漏扩散范围的预测分析系统 | |
CN112393125B (zh) | 一种基于反问题分析的燃气管网漏失检测系统及方法 | |
CN115292901A (zh) | 变压器运行状态的评估方法和装置 | |
CN111859254B (zh) | 一种输油管道受限空间泄漏事故后果计算方法和系统 | |
CN114445041A (zh) | 一种危化品在途事故应急处理方法及系统 | |
CN114299693A (zh) | 一种基于gnss的边坡监测预警方法 | |
CN114722721A (zh) | 基于深度编解码卷积网络的电力变压器健康状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |