基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法研究

研究了一种基于传感器阵列和卷积神经网络的毒害气体泄漏预测方法,在实验室中布设监测传感器阵列,实验模拟检测氯气、硫化氢和挥发性有机物(VOCs)三类毒害气体泄漏,获取实验室安全监测的扁平化信号。将扁平化信号输入非线性特征计算模型(NFC)得到对应的模型输出信号参数(NFCOP)特征值,根据实时传感器的特征值与阈值下边界之间进行比较,构建传感器响应特征值向量,建立训练集和预测集,并采用卷积神经网络CNN对实验室安全情况进行预测,结果表明基于NFCOP特征分析和卷积神经网络方法,优于BP、PLS等预测方法,预测准确率最高可达93%,表明所探索的方法能够实现毒害气体预测的目标。

基于CALPUFF模型的毒害性气体泄漏事故三维动态模拟方法——以开县井喷事故为例

针对目前基于大气扩散模型开发的应急管理GIS系统中存在的时空分辨率低、未考虑三维地形等问题,提出一套基于CALPUFF模型的三维气体扩散模拟方法。经过多层计算,获得气体扩散浓度的三维时空分布数据。通过Marching Cubes可视化技术读取并显示,可以实现三维空间的气体动态扩散效果。以“12·23”开县特大井喷事故为案例进行模拟,并开展二、三维对比以及模拟数据与实际情况对比分析。结果表明,CALPUFF模型三维计算得到的气体浓度在量级和空间分布上具有较高的精确性,三维时空动态模拟具有较高的时空分辨率和重建效率,可以达到较好的可视化效果,能够更好地表达气体泄漏过程和扩散规律,为应急管理提供重要的辅助手段。