一种化学品泄漏快速预测预警应急响应决策方法技术

本发明专利技术一种化学品泄漏快速预测预警应急响应决策方法，将扩散模型模拟与神经网络和气体传感器系统相结合，应用于工业园区有害气体泄漏的快速预警及辅助决策，包括：园区风险因素识别，用于识别可能发生的各类泄露事故；数值模拟，对所有可能发生的事故进行模拟，得到有害气体的影响范围；数据筛选，根据实际的传感器布局提取和重组数值模拟结果中有效部分；神经网络训练，利用筛选后的数据对特定神经网络模型进行训练，以获得针对特定工业园区及周边条件的模型参数，并使用冗余数据参数验证；传感器系统与神经网络模型整合，将模型与传感器DCS结合起来。

【技术实现步骤摘要】
一种化学品泄漏快速预测预警应急响应决策方法
本专利技术属于工业生产中的安全预警
，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。
技术介绍
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。
技术实现思路
为了克服上述现有技术的缺点，本专利技术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，本专利技术采用的技术方案是：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：步骤一、利用风险评估识别风险因子及事故情景因素并判定可能发生的各类泄漏情景的必备要素，包括风险要素和事故情景要素。这些要素包括并不限于风险物质种类（有毒/易燃的气体或易挥发液体）、储量/用量、储存位置（空间坐标）、储存形式（压力，温度，设备）、风速、湿度、温度、大气稳定度、周边环境敏感点位置（空间坐标）等。步骤二、分别确定各个风险因子以及事故情境因素的取值范围（针对连续变量），在各个因素的取值范围内分别以一定步长划分数值序列（步长不得超过该因素取值范围的10%），最后将不同的风险因子/事故情景因素的各个取值组合成大量的可能发生的泄露情景。如共有n种风险因素，各个风险因素有Ni种取值（Ni≥1,整数），则共有种泄露情景。所述情景数值模拟阶段使用的数值模型包括：高斯及类高斯扩散模型(GaussianPlumeModel)、计算流体力学（CFD）模型以及PHAST、FLACS、SLAB、ALOHA、HGSYSTEM等整合模型。最后得到J种泄露情景模拟结果。所述模拟结果筛选步骤需要对一组4个传感器进行布局优化，且4个传感器采用正多边形结构，顺序编号为1～4，相邻编号传感器的间距相等，优化步骤如下：步骤一、根据泄漏源的位置以及园区布局，传感器的检测限，确定基本布局参数L1，d和α的取值范围。其中L1为1号传感器距离泄漏源的距离，d为传感器间距，α为1-2和1-4传感器夹角的1/2.步骤二、根据风频信息确定主导风向，传感器对称布置在主导风向下风向上，实际风向与主导风向夹角为β。并取一个较大值β0做为优化区间，将其离散为实际风向序列(β1,β2,…,βM)，序列长度为M。（一般取β0=50°，将区间[-50°,50°]离散为间隔1°的风向序列）步骤三、对布局参数L1，d，α在取值范围内离散成参数序列，长度分别为P1,P2,P3，组成种布局方案。步骤四、对第k种布局方案(k=1,2,…,K)使用数据筛选算法，针对第j种情景模拟结果（j=1,2,…,J），筛选出该布局方案在风向为βm(m=1,2,…,M)时的有效布局数目步骤五、对第k种布局方案(k=1,2,…,K)计算不同风向βm(m=1,2,…,M)时的情景适用率记录满足m=1,2,,…,M的最大风向范围Wk，取满足{max(Wk),k=1,2,…,K}的布局为最优化布局。所述模拟结果筛选步骤中判断有效布局的标准为：对于任意传感器布局，对特定风向下的每种泄漏情景，4个传感器中有3个或3个以上被烟羽覆盖则称该布局为在该风向和泄露情景条件下的有效布局。所属模拟结果筛选步骤中，情景适用率为(m=1,2,…,Mk=1,2,…,K)。所述模拟结果数据筛选部分包含以下筛选算法：步骤一、检查传感器布局参数L1，d，α，实际风向β，下风向敏感源位置(L本文档来自技高网...

【技术保护点】
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：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；其特征在于，所述神经网络与传感器系统集成部分包括如下步骤：步骤一、建立单一风险源与主导风向下风向的环境敏感点的区域地图；步骤二、对某单一风险源进行风险分析，识别可能的泄露情景并对泄露情景进行模拟；步骤三、执行数据筛选步骤的传感器布局优化，获得该传感器布局在主导风向下风向的最大适用角度；步骤四、对该风险源主导风向下风向最大使用角度范围内的所有环境敏感点进行数据筛选，得到一组神经网络训练的输入输出矩阵；步骤五、使用数据筛选得到的神经网络输入输出矩阵进行训练和预测精度评估；步骤六、将训练得到的神经网络参数制作成能够自动调用的应用程序，使传感器的DCS数据能够通过数据接口采集并使用应用程序计算；步骤七、真实事故发生时，传感器报警—启动预制好的应用程序—预测泄露扩散对环境敏感点的影响—决策人员判断是否需要疏散。...

【技术特征摘要】
1.一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：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；其特征在于，所述神经网络与传感器系统集成部分包括如下步骤：步骤一、建立单一风险源与主导风向下风向的环境敏感点的区域地图；步骤二、对某单一风险源进行风险分析，识别可能的泄露情景并对泄露情景进行模拟；步骤三、执行数据筛选步骤的传感器布局优化，获得该传感器布局在主导风向下风向的最大适用角度；步骤四、对该风险源主导风向下风向最大使用角度范围内的所有环境敏感点进行数据筛选，得到一组神经网络训练的输入输出矩阵；步骤五、使用数据筛选得到的神经网络输入输出矩阵进行训练和预测精度评估；步骤六、将训练得到的神经网络参数制作成能够自动调用的应用程序，使传感器的DCS数据能够通过数据接口采集并使用应用程序计算；步骤七、真实事故发生时，传感器报警—启动预制好的应用程序—预测泄露扩散对环境敏感点的影响—决策人员判断是否需要疏散。2.根据权利要求1所述的化学品泄漏快速预测预警应急响应决策方法，其特征在于，所述园区风险因素识别部分由以下步骤组成：步骤一、利用风险评估识别风险因子及事故情景因素并判定可能发生的各类泄漏情景的必备要素，包括风险要素和事故情景要素；步骤二、分别确定各个风险因子以及事故情境因素的取值范围，在各个因素的取值范围内分别以一定步长划分数值序列，其中步长不得超过该因素取值范围的10％，最后将不同的风险因子/事故情景因素的各个取值组合成大量的可能发生的泄露情景，当共有n种风险因素时，各个风险因素有Ni种取值，其中Ni≥1，且Ni为整数，则共有种泄露情景。3.根据权利要求2所述的化学品泄漏快速预测预警应急响应决策方法，其特征在于，所述情景数值模拟阶段使用的数值模型包括：高斯及类高斯扩散模型(GaussianPlumeModel)、计算流体力学(CFD)模型以及PHAST、FLACS、SLAB、ALOHA以及HGSYSTEM整合模型，最后得到J种泄露情景模拟结果。4.根据权利要求2所述的化学品泄漏快速预测预警应急响应决策方法，其特征在于，所述模拟结果筛选步骤对一组4个传感器进行布局优化，且4个传感器采用正多边形结构，顺序编号为1～4，相邻编号传感器的间距相等，优化步骤如下：步骤一、根据泄漏源的位置以及园区布局，传感器的检测限，确定基本布局参数L1，d和α的取值范围，其中L1为1号传感器距离泄漏源的距离，d为传感器间距，α为1-2和1-4传感器夹角的1/2；步骤二、根据风频信息确定主导风向，传感器对称布置在主导风向的下风向上，实际风向与主导风向夹角为β，并...

【专利技术属性】
技术研发人员：赵劲松，王冰，陈丙珍，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11