[发明专利]一种基于高斯扩散模型和深度神经网络的液态危化品挥发浓度估算方法

说明书

一种基于高斯扩散模型和深度神经网络的液态危化品挥发浓度估算方法，其特征是首先在待测区域内构建液态危化品挥发物的高斯扩散模型；使用伯努利公式计算泄漏源强，再通过相变公式将液相源强转变为气相源强；然后，通过传感器阵列数值调整高斯扩散模型的参数；最后使用深度神经网络对模型估值进行数值修正，得到待估区域内各位点的挥发物气体浓度预测值。本发明通过使用高斯扩散模型来预估气体扩散规律，再利用深度神经网络和少量传感器的实时数据来修正高斯扩散模型的估算结果，提高了高斯扩散模型在待估区域内各点估算的准确度，从而帮助液态危化品加工企业或石化企业更准确的判断液态危化品的挥发情况，加强安全风险的识别能力，防范安全事故的发生。

技术领域

本发明涉及一种区域内气体浓度泛化估算方法，尤其是一种基于高斯扩散模型和DNN的液态危化品挥发浓度估算方法。将高斯扩散模型运用于液态危化品挥发气体浓度估算上，通过传感器阵列数据和深度神经网络进行结果修正，提升区域内整体估算的准确率，及时发现异常泄漏情况，以提高生产安全风险识别能力,具体的说是一种基于高斯扩散模型和深度神经网络的液态危化品挥发浓度估算方法，其实质上是一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法。

背景技术

液态危化品具有易燃、易爆、有毒和易挥发等特点，在运输危化品压缩气体或液态气体时，事关我国人民的生命财产安全，一旦发生泄漏事故，后果将不堪设想。实践中，石化企业在存储、运输液态危化品的过程中，时常需要监测危化品是否发生泄漏。液态危化品挥发的气体浓度估算是判断意外泄漏爆炸条件的一项重要依据。在理想条件的假设下，高斯扩散模型预估大气中气体扩散规律，估算区域内气体扩散情况，具有极佳的泛化功能，但在实际估算中误差较大。此时，可以使用深度神经网络模型，修正估算结果，估算危化品气体浓度预防爆炸等问题就具备较高的意义和实现价值。

传统的监测方法绝大对数是基于管道或者储罐压力变化的监测，由于在装车卸车过程中管道和储罐压力会发生变化，基于压力变化的泄漏监测会短暂失效。本发明基于液态危化品易挥发的特性，通过传感器阵列监测数据来整体估算气体浓度。在区域内进行整体浓度估算还可以避免单源传感器因位置部署不当造成漏检的问题。针对石化企业对于气体估算和泄漏预警的需求，提出一种基于高斯扩散模型和深度神经网络的气体浓度估算方法，使用高斯扩散模型预估气体扩散规律，同时，使用基于实时传感器数据的深度神经网络模型修正高斯扩散模型的估算结果，从而能够更准确地甄别危化品泄漏情况。

发明内容

本发明的目的是针对区域范围中单源传感器难以整体评估液态危化品挥发程度以及高斯扩散模型预估大气中气体扩散规律误差较大的问题，发明一种基于高斯扩散模型和深度神经网络的液态危化品挥发气体浓度估算方法，利用深度神经网络对高斯扩散模型估算结果进行修正，将液态危化品挥发的探测点从点扩大到面，能够更有效地提供泄漏预警。

本发明的技术方案是：

一种基于高斯扩散模型和深度神经网络的液态危化品挥发浓度估算方法，其特征是：首先在待测区域内构建液态危化品挥发物的高斯扩散模型(Gaussian diffusionmodel,GDM)；使用伯努利公式计算泄漏源强，得到液相源强，再通过相变公式将液相源强转变为气相源强；然后，通过传感器阵列数值调整高斯扩散模型的参数；最后使用深度神经网络(Deep Neural Networks,DNN)对模型估值进行数值修正，得到待估区域内各位点的挥发物气体浓度预测值。上述方法可具体简化为以下步骤：

步骤1：输入泄漏源参数；

步骤2：根据伯努利方程计算液相源强；

步骤3：使用相变模型计算液相源强；

步骤4：高斯扩散模型初步计算区域浓度；

步骤5：输入传感器阵列位点的实测浓度；

步骤6：通过气相源强和传感器实测值调整初始扩散模型；

步骤7：将实测浓度输入深度神经网络，调整网络参数，得到预测浓度；