[发明专利]一种化学品泄漏快速预测预警应急响应决策方法

说明书

技术领域

本发明属于工业生产中的安全预警技术领域，特别涉及一种化学品泄漏快速预测预警应急响应决策方法。

背景技术

很多流程工业在生产过程中会使用或者产生一些对人体有害的有毒、有害气体（如氯气，光气等），这些工业园区一旦发生有毒有害气体泄漏事故，泄漏出的有毒有害气体可能会对周边一定范围内的人类造成严重的危害。在有毒有害气体泄漏事故发生时，泄漏的物质和大致泄漏位置能够比较容易地确定，但有害气体的泄漏量或者泄漏速率则很难在现场获得。在有限的时间利用有限的信息预测有毒气体的扩散趋势和影响范围是事故应急响应过程的重要环节。目前，传统的数值扩散预测模型，包括高斯烟羽模型，计算流体力学模型，以及一些较为成熟的扩散模拟软件都需要使用者提供详细的泄漏源泄露速率，并且需要一定的时间计算才能得到结果。因此，泄漏源的泄露速率或者泄漏量以及较长的计算时间限制了这些传统气体扩散模型在事故应急响应以及辅助决策过程中的应用，它们更多地被用于事故发生之后的调查分析。由于历史原因，我国相当一部分可能发生有毒有害气体泄露事故的工业园区周边3～5km范围内即有居民区存在，当发生严重有毒有害气体泄露事故时，这些有毒有害气体很可能扩散至工业园区界区之外，对居民区产生威胁。在没有快速有效地预测有毒有害气体扩散范围的方法时，决策者往往以最坏的情况考虑有害气体的覆盖范围，而最坏情况的预测结果往往意味着政府部门需要疏散几万甚至十几万人，这是非常不现实的。因此一种快速有效地预测有害气体扩散范围的方法对于事故应急响应和辅助决策具有重要意义。

处理有毒有害气体的工厂都会有针对性地在有毒有害气体储罐附近设置一个或多个有害气体传感器，用于监控是否有气体泄漏。这些气体传感器均与控制中心相连，提供有毒气体泄漏报警信息。但目前很多工业园区均没有完全发挥气体传感器的作用，事故发生时，应急响应人员只能通过传感器获得泄漏气体的种类，瞬时浓度，而不能通过这些信息快速地预测泄漏气体的分布情况，进而采取有效的控制措施，制定合理的疏散计划。

目前，世界上普遍使用的事故后果分析方法主要包括使用不同种类的数值模型（高斯烟羽模型，计算流体力学模型（CFD）以及商业模型PHAST，FLACS等对已经发生的事故进行重现，展示在当时的事故泄露条件下泄漏气体的影响范围（包括死亡区，重伤区和影响区），并研究大气扩散条件对泄漏气体扩散范围和浓度分布的影响。但使用数值模型分析的缺点在于必须知道泄漏源的源强（泄露速率）以及泄露形式（爆炸泄露/孔径泄露等），结合气象参数和传质扩散方程进行模拟，模型复杂，计算耗时长，不能用于事故状态下的实时或者快速预测。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种化学品泄漏快速预测预警应急响应决策方法，对工业园区进行风险分析，泄露情景模拟，适量补充并优化园区现有的有毒有害气体传感器系统，将园区的有毒气体报警系统与气体扩散预测分析相结合，为事故应急响应决策提供技术支持。

为了实现上述目的，本发明采用的技术方案是：

一种化学品泄漏快速预测预警应急响应决策方法，包括风险因素识别、情景数值模拟、模拟结果筛选、神经网络训练以及训练结果与传感器系统集成共五个阶段，其中：

风险因素识别包括：识别化工园区的风险因素，量化各个风险要素并根据识别的风险要素及其取值范围，合理取值并组合各种可能发生的泄露情景；

情景数值模拟阶段包括：将园区风险因素识别步骤中组成的所有可能发生的泄露情景进行模拟，以获得不同泄露情景下泄露气体的影响范围；

模拟结果筛选包括：

对一种包括4个气体传感器的布局方案中的关键参数进行优化，利用模拟得到的泄露气体浓度分布进行简单优化，得到最适传感器布局；

根据确定的传感器布局方案，提取在传感器布局可测量风向范围内的虚拟探测数据以及与之匹配的环境敏感点泄漏气体扩散数据，按照神经网络的训练逻辑准备训练数据和校验数据；

神经网络训练步骤包括：

建立用于函数拟合的前向神经网络，将准备好的训练数据作为神经网络训练的输入输出，计算网络参数；

将检验数据输入部分输入神经网络，结果部分与神经网络预测结果对比，评估预测精度；

神经网络与传感器和园区控制系统集成步骤：

将各个风险源的模拟分析以及训练结果与风险源和环境敏感点的地理位置信息以数据库和调用程序的形式结合，并提供与传感器系统的数据接口，实现从事故发生—传感器报警—模型快速预测—辅助决策的工作流程。

所述园区风险识别部分由以下步骤组成：