基于GRU神經網絡的有毒氣體擴散預測方法
信息技術與網絡安全
陳 立，陳賢富
(中國科學技術大學 微電子學院，安徽 合肥230027)
摘要： 有毒氣體的擴散預測在應急響應中起著重要作用?，F有的計算流體力學(CFD)方法存在計算耗時長等問題，無法快速進行毒害氣體擴散預測。提出了一種利用深度學習技術進行有毒氣體擴散預測的方法。根據有毒氣體擴散原理，設計基于GRU的神經網絡模型，實現快速、有效的氣體擴散濃度的預測。將本文的方法在經典的公開數據集草原牧場數據集上進行驗證，實驗結果表明本文方法可實現較高精度的氣體擴散濃度的預測，并且優于基于BP神經網絡模型的方法。
中圖分類號： TP18
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.04.007
引用格式： 陳立，陳賢富. 基于GRU神經網絡的有毒氣體擴散預測方法[J].信息技術與網絡安全，2021，40(4)：42-45.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.04.007
引用格式： 陳立，陳賢富. 基于GRU神經網絡的有毒氣體擴散預測方法[J].信息技術與網絡安全，2021，40(4)：42-45.
Prediction method of toxic gas diffusion based on gated recycle unit(GRU)
Chen Li，Chen Xianfu
(School of Microelectronics，University of Science and Technology of China，Hefei 230027，China)
Abstract： The prediction of toxic gas diffusion plays an important role in emergency response. Existing computational fluid dynamics(CFD) methods have problems such as time-consuming calculations and cannot quickly predict the diffusion of toxic gases. This paper proposes a method for predicting the diffusion of toxic gases using deep learning technology. According to the principle of toxic gas diffusion, a neural network model based on GRU is designed to realize fast and effective gas diffusion concentration prediction. The method is verified on the classic open data set of grassland and pasture data set. The experimental results show that the method can achieve high-precision gas diffusion concentration prediction and be better than the method based on BP neural network model.
Key words : toxic gas diffusion；concentration prediction；GRU；deep learning
0 引言
近年來，各國經常發生化工廠爆炸事故、危險品倉庫發生火災爆炸等引發的有毒氣體泄露[1]，嚴重影響人們的生命財產安全。2018年12月18日，江蘇南通一化工廠設備爆裂，設備內的氮氣以及氟化氫泄漏，造成作業人員中毒死亡。2019年中國江蘇鹽城、美國休斯敦的化工廠爆炸均造成了大面積的有毒氣體的泄露。2020年11月9日1，浙江衢州中天東方氟硅材料有限公司發生火災事故，該起火災燃燒物質主要是氯硅烷，屬于高沸物，燃燒產物有毒。目前被廣泛使用的大氣擴散模型主要分為兩大類，一類是基于數理計算的，一類是基于機器學習的。數理計算的典型代表有高斯擴散模型[2]、計算流體力學(CFD)模型等。Mazzoldi[3]用高斯擴散模型模擬二氧化碳運輸和儲存設施泄漏的情況。高斯擴散模型使用簡單的數學表達式，易于計算，耗時少，但只適用于平坦地形上暢通無阻的氣體流動，在復雜環境下的預測往往不準確。PONTIGGIA M[4]用CFD模型模擬城市地區大氣中液化石油氣(LPG)擴散進行后果評估。CFD基于有限元計算，能較為精準地預測濃度擴散，但計算耗時長。2019年中國科學技術大學的程云芳[5]用機器學習算法粒子群－支持向量機模型，對苯儲罐泄漏的濃度進行了危險位置的短距離預測。這些方法仍基于傳統的機器學習方法。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000003476
作者信息：
陳 立，陳賢富
(中國科學技術大學 微電子學院，安徽 合肥230027)
此內容為AET網站原創，未經授權禁止轉載。