基于深度学习的有毒重气点源扩散浓度实时预测研究

作     者：倪婧 

作者单位：苏州大学 

学位级别：硕士

导师姓名：杨宏兵

授予年度：2019年

学科分类：08[工学] 0837[工学-安全科学与工程] 

主      题：有毒重气 深度学习 浓度预测 CFD模型 GIS 

摘      要：准确、高效的气体扩散浓度预测模型在突发性有毒重质气体泄漏应急救援中发挥着至关重要的作用。然而,现有的扩散模型很难同时满足预测精度和实时性要求。为解决这一困局,论文基于深度学习理论提出了可用于重气扩散浓度实时预测的新型模型,并将模型预测结果与地理信息系统(Geographic Information System,GIS)耦合,为应急救援行动提供更直观的决策依据。论文首先以平原、郊区(非城市)环境为研究对象,利用Prairie Grass野外实验数据分别构建了基于深度信念网络(Deep belief networks,DBN)及卷积神经网络(Convolution Neural Networks,CNN)的有毒重气扩散浓度预测模型,通过交叉验证法和网格寻优法确定模型的关键参数。将模型预测结果与实际数据进行比较,评价预测数据与原始数据的拟合度。此外,分别利用现有的计算流体力学(Computational Fluid Dynamics,CFD)方法以及基于传统机器学习的预测模型对相同条件下同样的泄漏场景进行浓度预测,并从时间和精度两方面,将深度学习模型与现有的预测方法进行分析比较,评价优劣。结果表明,CNN扩散浓度预测模型有着显著的优势。然后,对城市环境下的有毒重气扩散浓度预测模型进行研究。针对城市环境气体释放实验数据量过少无法构建模型的难题,利用CFD模型模拟仿真大量氯气泄露数据并以此来构建CNN扩散浓度预测模型,在保证预测精度与CFD模型相近的同时,大大降低其时间成本,为有毒重气扩散浓度预测提供一种新思路。此外,为进一步提高CNN预测模型的学习效率和预测精度,在上述研究的基础上,引入遗传算法(Genetic Algorithm,GA),实现CNN模型结构参数及训练参数的自适应寻优,并采取优化的权重及偏置初始化方式,提高CNN模型的预测效果。将优化后的CNN预测模型的预测结果同现有的一些预测模型进行对比,结果表明,CNN预测模型的性能最佳。最终,将CNN预测模型的预测结果按照氯气浓度危险等级进行划分,并将划分结果与在Arc Map中构建的二维建筑模型相耦合,实现氯气泄漏扩散的可视化表达。为有毒重气泄露后的应急救援行动提供更丰富、更直观的决策依据。