一种室内污染源位置识别方法技术

本发明专利技术公开了一种室内污染源位置识别方法，在正向模拟阶段，根据研究对象，建立相应的物理模型，设定传感器位置、数量及检出限，确定训练样本数，进行正向模拟计算。在网络训练阶段，使用三层网络结构，分别使用三种监测数据作为网络的输入，根据正向计算结果确定输入层神经元个数，将归一化后的污染源空间坐标作为网络的输出，使用贝叶斯正则化算法对网络进行训练，选定合适的训练参数，对网络进行训练，以确定最佳网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出污染源位置；与现有技术相比，本发明专利技术使用CFD技术与BP神经网络技术相结合，实现室内污染源位置的快速识别，且识别结果准确、有效。

【技术实现步骤摘要】

本专利技术涉及，特别是涉及一种基于CFD技术与BP神 经网络相结合的室内污染源位置识别方法。
技术介绍
随着生活水平的提高，人们对室内空气品质的要求越来越高。近年来屡次出现的 室内空气污染事件使室内环境的安全问题受到了公众和社会的广泛关注。室内空气环境中 可能存在的污染物主要为有机污染物，且种类众多。如何快速找到污染源位置，并最终确定 污染源成为当前的研究热点问题。计算流体力学(CFD )方法已经广泛应用于室内空气环境模拟，成本低，效果好。通 过求解粘性流体运动方程(Navier-Stokes) NS方程，CFD方法能够模拟出真实室内空气环 境，因此现有对室内污染源的识别技术往往是结合CFD方法提出的。现有技术的CFD方法主 要有伴随方程法、马尔科夫链蒙特卡洛积分、贝叶斯概率法等，这些方法的计算过程复杂， 计算时间往往较长，当实际污染事件发生时，不能实现快速识别。人工神经网络是在现代神经科学的基础上提出和发展起来的，能反映人脑结构及 功能。它在模式识别、图像处理、智能控制、金融预测与管理，通信等领域得到广泛的应用。 多层前馈网络(back propagation)BP神经网络是使用最为广泛的一类神经网络模型,它实 现了一个从输入到输出的映射功能。BP神经网络的结构包括输入层、隐含层和输出层，计算 过程包括信息正向传递和误差反相传递两部分。求解网络输出值与所需输出值之间的均方 差或总方差最小的过程，即为误差反向传递过程。误差反向传递是根据一定的训练算法，对 权值及阈值进行修正，使网络输出值与真值的均方差或总方差达到设定值。常用的训练算 法包括LM算法、梯度下降法、拟牛顿法、贝叶斯正则化算法等。贝叶斯正则化方法具有较 好的泛化能力。使用BP神经网络技术对污染源位置的识别，虽然前期计算量大，但当实际 污染事件发生时，能够利用训练好的网络进行快速识别。
技术实现思路
基于上述现有技术存在的问题，本专利技术提出了，结 合CFD方法和BP网络，分别使用不同监测数据作为神经网络的输入信息，实现了室内污染 源位置的快速识别。本专利技术提出了，利用流体力学模拟CFD方法与多层 前馈网络BP网络的结合，分为正向模拟阶段、训练阶段和识别阶段，实现神经网络的污染 源位置识别，其特征在于，该方法包括具体以下步骤步骤一，正向模拟阶段利用CFD方法根据研究对象建立物理模型，在要识别的污染源中设定传感器，确 定训练样本数，进行正向模拟计算；利用CFD方法根据研究对象建立物理模型，在要识别的污染源中设定传感器，确定训练样本数，进行正向模拟计算；步骤二、网络训练阶段将训练样本中污染源位置和污染源位置监测信息输入BP网络，根据正向模拟计 算结果确定输入层神经元个数，将归一化后的训练样本中污染源空间坐标作为BP网络的 输出，选定训练参数，使用贝叶斯正则化算法对BP网络进行训练，对BP网络进行训练，以确 定最佳网络参数；步骤三、识别阶段将实际污染污染物监测信息输入BP网络，所述归一化后的污染源空间坐标作为 输出信息，所述输出信息处理即对应得到实际污染源位置。所述实际污染污染物监测信息分为三种类型，包括污染物到达不同监测点的时间 间隔CT ;各监测点处污染物浓度达到峰值的时刻P ;污染物到达监测点与污染物浓度达到 峰值的时间差PC。所述BP网络使用三层神经网络结构，即输入层、隐含层、输出层。与现有技术相比，本专利技术使用CFD技术与BP神经网络技术相结合，实现室内污染 源位置的快速识别，且识别结果准确、有效。附图说明图1为本专利技术的室内污染源位置识别方法流程图2为本专利技术的二维模型实例示意图3为本专利技术的关于二维模型实例的训练样本及实际污染源位置示意图。具体实施方式下面结合附图对本专利技术具体流程作进一步详述，以下通过二维模型、瞬态释放污 染源示例结合附图进一步说明本专利技术。使用CFD技术与BP神经网络技术相结合，快速识别室内污染源位置。分别使用三 种不同类型监测数据作为网络的输入污染物到达不同监测点的时间间隔CT ;各监测点处 污染物浓度达到峰值的时刻P ;污染物到达监测点与污染物浓度达到峰值的时间差PC。使 用CT值能同时处理瞬态源与持续源，使用P值与PC值仅能处理瞬态源。该方法共分为三 个阶段正向模拟阶段、训练阶段和识别阶段。在正向模拟阶段，根据研究对象，建立相应的 物理模型，设定传感器位置、数量及检出限，确定训练样本(污染源可能位置)数，进行正向 模拟计算。在网络训练阶段，使用三层网络结构，分别使用监测数据作为网络的输入，根据 正向计算结果确定输入层神经元个数，将归一化后的污染源空间坐标作为网络的输出，使 用贝叶斯正则化算法对网络进行训练，选定合适的训练参数，对网络进行训练，以确定最佳 网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出污染 源位置。如图1所示，流程共分为三个阶段正向模拟阶段、训练阶段和识别阶段。在正向 模拟阶段，根据研究对象，建立相应的模型，进行正向模拟计算。在网络训练阶段，使用监测 数据作为网络的输入，归一化后的污染源空间坐标作为网络的输出对网络进行训练，选定 合适的训练参数(训练参数是通过经验设定，反复试验后确定的)，对网络进行训练，以确定最佳网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出 污染源位置。其中，二维模型如图2所示，几何尺寸为5mX3m，入口及出口位置见图，在该空间 布置 5 个传感器，位置坐标分别为A(0. 5，1.5)，B(2. 5,0. 5)，C(2. 5,2. 5)，D(4. 5,1. 5), E (4. 8,2. 8)，单位111。如图3所示的45个训练样本点及7个真实污染源位置。本例中的实际污染源位 置的监测数据也使用CFD方法模拟计算得到。正向计算阶段，使用CFD技术，分别将训练样本中的45个位置作为污染源位置，进 行模拟计算，得到相应的监测数据。污染物为瞬态释放，计算时间100s，传感器读取数据时 间间隔为2s，检出限为lOppm，入口空气速度为O. 5m/s。训练阶段，使用三层BP神经网络， 输入层与输出层使用purline转换函数，隐含层使用sigmod转换函数，将归一化后的坐标 作为输出信息。学习速率为O. 0001，动量为O. 09，目标误差为O. 0001。使用CT作为输入信 息时，只需D，E两个监测点的数据就可区分45个样本点，网络结构为2-5-2 (即输入层、隐 含层、输出层分别含有2、5和2个神经元)；使用P时，需要BCDE四个监测点的数据来区分 样本点，网络结构为4-10-2 (即输入层、隐含层、输出层分别含有4、10和2个神经元);使用 PC时，需要用到所有监测点的数据区分样本点网络结构为5-11-2 (即输入层、隐含层、输出 层分别含有5、11和2个神经元)。识别阶段，使用训练好的网络确定污染源位置，根据实际 污染源位置得到的CT，，P，PC分别作为网络的输入信息，归一化形式的污染源坐标作为输 出信息，将输出信息代入归一化方程，即可得到实际污染源位置。实际污染源位置与分别使 用CT，P，PC作为输入信息时的计算结果见表1，可看出利用本专利技术的识别方法计算得出的 结果与实际污染源位置非常接近，对于实际应用，该识别结果准确、有效。表I实本文档来自技高网...

【技术保护点】
一种室内污染源位置识别方法，利用计算流体力学CFD方法与多层前馈网络BP网络的结合，分为正向模拟阶段、训练阶段和识别阶段，实现神经网络的污染源位置识别，其特征在于，该方法包括具体以下步骤：步骤一，正向模拟阶段：利用CFD方法根据研究对象建立物理模型，设定传感器数量、位置为检出限，设定初始条件与边界条件，位确定训练样本的数量及位置，进行正向模拟计算，得到各个监测点处污染物浓度随时间变化的曲线；步骤二、网络训练阶段：将训练样本中污染源位置和污染源位置监测信息输入BP网络，根据正向模拟计算结果确定输入层神经元个数，将归一化后的训练样本中污染源空间坐标作为BP网络的输出，选定训练参数；使用贝叶斯正则化算法对BP网络进行训练，对BP网络进行训练，以确定最佳网络参数；步骤三、识别阶段：将实际污染污染物监测信息输入BP网络，所述归一化后的污染源空间坐标作为输出信息，所述输出信息处理即对应得到实际污染源位置。

【技术特征摘要】

【专利技术属性】
技术研发人员：尤学一，张天虎，
申请(专利权)人：天津大学，
类型：发明
国别省市：