【技术实现步骤摘要】
本专利技术涉及氢气扩散预测，具体为一种基于informer模型的大型地下车库氢泄漏预测及风险评估方法。
技术介绍
1、地下车库是现代城市交通系统的重要组成部分，具有满足停车需求、提高土地利用率、减少交通拥堵等作用。然而，随着氢能技术的快速发展和广泛应用，氢燃料汽车在地下车库中的数量不断增加。尽管氢燃料具有高效、清洁和可再生的特点，但与传统燃料相比，氢气的泄漏可能带来更高的安全风险。诱导通风系统通过控制空气流动和排放来降低氢气泄漏的风险。它可以有效地排除氢气泄漏区域中的积聚气体，提供良好的通风环境，从而减少潜在的火灾和爆炸风险，通常应用于地下车库。氢气具有较低的密度和高度可燃性，一旦泄漏，它可以快速扩散并形成易燃的混合物。在地下车库的封闭环境中，氢气泄漏可能导致严重的安全问题，如火灾、爆炸和人员伤亡。因此能够精准预测氢气的泄漏扩散范围以及危险程度尤为重要。
技术实现思路
1、本专利技术的目的在于提供一种诱导通风的大型地下车库的氢气泄漏扩散预测方法及风险评估，以解决现有技术对诱导通风情况下以及大型地下停车场泄漏预测不足的问题。
2、为实现上述目的，本专利技术提供了如下方案：一种基于informer模型的大型地下车库的氢泄漏预测及风险评估方法，包括如下步骤：
3、步骤1、采用fluent构建等比例地下车库的仿真模型；在待评估的泄漏口处周围设置用于收集车辆周围氢气浓度数据的传感器；
4、步骤2、设置初始条件和边界条件，对步骤1的仿真模型进行fluent数
5、步骤3、将步骤2所得氢气浓度通过深度神经网络提取特征后输入到informer进行模型训练得到氢气浓度云图预测模型；
6、所述深度神经网络包含全连接的神经层、重塑神经层和反卷积层，全连接的神经层用于提取隐藏的关键特征h1：
7、h1＝relu(ω1*x+b1)
8、其中，relu是激活函数，w1,b1分别是全连接的神经层的权重和偏差，x为传感器的氢气浓度；
9、关键特征h1通过重塑神经层进行非参数化重塑转化为二维特征h2：
10、h2＝reshape(h1)
11、二维特征h2通过反卷积层进行卷积操作提取关键的二维特征，生成空间的氢气浓度y：
12、
13、其中表示卷积运算；ω2,b2分别是反卷积层的权重和偏差；
14、所述informer的编码器中引入概率稀疏自注意机制；
15、步骤4、将传感器实际测量或者模拟得到的氢气浓度输入步骤3的关系模型，预测不同时刻的氢气浓度以及氢气浓度云图；
16、步骤5、根据步骤4的预测结果，计算氢气浓度的tnt当量以及泄漏口处的死亡区域、重伤区域和轻伤区域的半径。
17、数值模拟过程为：对地下车库进行模型建立，得到地下车库的内部流体域，将每个诱导风机设为一个内部流体域，对不同的边界进行群组建立，总体设置为共享拓扑。
18、模型建立结束后，对模型进行网格划分；fluent数值模拟可分为以下三步：(1)前处理阶段，(2)求解阶段，(3)后处理阶段；前处理阶段采用fluent meshing对模型进行六面体网格划分，对泄漏口处、车辆及周围柱子、诱导风机的喷嘴以及风机的进风口进行局部加密；求解阶段采用fluent，通过选择求解方程、设定流体材料和特性、设置边界条件和求解控制参数、云图和传感器位置的设置；针对后处理，得出结果后将保存的文件导入cfd进行后处理。
19、步骤2对氢气泄漏扩散建模及仿真分析首先进行fluent环境设置；
20、模型导入fluent后首先转换单位，在general中选择瞬态模拟，由于氢气的质量轻，泄漏过程中重力对泄漏扩散情况影响较大，因此需考虑重力的影响，在竖直方向上设置重力加速度为-9.8m/s2。
21、采用湍流模型，在model设置中开启能量方程，κ-ε方程和组分运输方程，组分运输方程设置入口扩散(inlet diffusion)并定义组分为氢气和空气，将混合气体设置为理想气体。
22、数值模拟初始条件(泄漏口的孔径大小，氢罐压力，风速)设置，边界条件设置风机喷嘴和风机接触面设置为interior面，诱导风机喷嘴设置为速度入口(velocity-inlet)，通风系统的进风口、排风口设置为速度入口(velocity-inlet)，车库出入口设置为压力出口(pressure-outlet)，设置抑制回流，泄漏口设置为质量流量入口(mass-flow-inlet)，通过计算得到泄漏口的质量流量，计算公式如下：
23、
24、
25、
26、
27、
28、
29、其中，ρ1为初始氢浓度，p1为初始压力，b为阿贝尔-诺布尔剩余容量系数，rh2为氢气常数，t1为初始温度，κ为绝热指数，ρ3,t3,p3,u3分别为泄漏口处的氢气密度、氢气温度、氢气压力和氢气速度，qm为质量流量，d为泄漏口的直径。
30、设置完成之后对初始条件和边界条件进行全局初始化，然后设置步长进行模拟计算。
31、构建数据集：将数值模拟得到的各传感器瞬态氢气浓度进行数据预处理，预处理的方法为：对所有单位时刻点的氢气浓度数据进行数据清洗，去除数据中的异常值；将所有工况和环境变量转化为数值型特征，对预处理得到的数据集通过使用均值和标准差进行z-score归一化，将数据集划分为训练集、验证集和测试集。计算公式为：
32、
33、其中，x为原始数据集，mean(x)为均值，std(x)为数据的标准差，将瞬态氢气浓度数据与特征进行拼接。输入序列的每个时间步氢气浓度进行特征提取和嵌入，转换后的特征向量作为输入传递给模型的编码器层，使用多个transformer编码器层来提取输入序列特征表示，每个编码器层包含多头注意力机制和前馈神经网络。
34、将特征序列输入到informer中进行编码，引入概率稀疏自注意力机制(probsparse self-attention)，计算公式为:
35、自注意力得分(self-attention score)：
36、
37、自注意力权重(self-attention weight)：
38、attention(q,k,v)＝softmax(score(q,k))v
39、其中，q表示查询向量(query),k表示键向量(key),v表示值向量(value)；
40、为每个query都随机采样部分的key，计算每个query的稀疏性得分选择稀疏性分数最高的n个query，只计算n个query和所有key的点积结果，进而得到attention结果,其余的l-n个query不计算，将self-attention层的输入取均值作为输出。<本文档来自技高网...
【技术保护点】
1.一种基于Informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于Informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于：所述的概率稀疏自注意力机制的计算公式为:
3.根据权利要求1所述的一种基于Informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于：所述的步骤3中，将编码器的输出和历史预测值作为解码器的输入，解码器由多个Decoder Block组成，Decoder Block的输入是上一时间步的氢气浓度预测值，经过多头自注意力机制后，与编码器的输出进行编码器-解码器关注机制的融合，再通过全连接前馈网络进行处理，得到当前时间步氢气浓度的预测值：
4.根据权利要求1所述的基于Informer模型的大型地下车库的氢泄漏预测方法，其特征在于：所述步骤3模型训练的过程中，使用损失函数来度量预测序列与真实序列之间的差异，损失函数采用均方误差：
5.根据权利要求1所述的一种基于Informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于
6.根据权利要求1所述的基于Informer模型的大型地下车库的氢泄漏预测方法，其特征在于：所述步骤5通过预测所得的不同时刻的瞬态氢气浓度数据采用下式计算TNT当量：
...【技术特征摘要】
1.一种基于informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于：所述的概率稀疏自注意力机制的计算公式为:
3.根据权利要求1所述的一种基于informer模型的大型地下车库氢泄漏预测及风险评估方法，其特征在于：所述的步骤3中，将编码器的输出和历史预测值作为解码器的输入，解码器由多个decoder block组成，decoder block的输入是上一时间步的氢气浓度预测值，经过多头自注意力机制后，与编码器的输出进行编码器-解码器关注机制的融合，再通过全连接前馈网络进行处理，得到...
【专利技术属性】
技术研发人员：毕钰帛，王贇博，王石露，吴秋兰，许磊，董文辉，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。