基于GRU神经网络的有毒气体扩散预测方法
信息技术与网络安全
陈 立，陈贤富
(中国科学技术大学 微电子学院，安徽 合肥230027)
摘要：有毒气体的扩散预测在应急响应中起着重要作用。现有的计算流体力学(CFD)方法存在计算耗时长等问题，无法快速进行毒害气体扩散预测。提出了一种利用深度学习技术进行有毒气体扩散预测的方法。根据有毒气体扩散原理，设计基于GRU的神经网络模型，实现快速、有效的气体扩散浓度的预测。将本文的方法在经典的公开数据集草原牧场数据集上进行验证，实验结果表明本文方法可实现较高精度的气体扩散浓度的预测，并且优于基于BP神经网络模型的方法。
中图分类号：TP18
文献标识码：A
DOI：10.19358/j.issn.2096-5133.2021.04.007
引用格式： 陈立，陈贤富. 基于GRU神经网络的有毒气体扩散预测方法[J].信息技术与网络安全，2021，40(4)：42-45.
文献标识码：A
DOI：10.19358/j.issn.2096-5133.2021.04.007
引用格式： 陈立，陈贤富. 基于GRU神经网络的有毒气体扩散预测方法[J].信息技术与网络安全，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
近年来，各国经常发生化工厂爆炸事故、危险品仓库发生火灾爆炸等引发的有毒气体泄露[1]，严重影响人们的生命财产安全。2018年12月18日，江苏南通一化工厂设备爆裂，设备内的氮气以及氟化氢泄漏，造成作业人员中毒死亡。2019年中国江苏盐城、美国休斯敦的化工厂爆炸均造成了大面积的有毒气体的泄露。2020年11月9日1，浙江衢州中天东方氟硅材料有限公司发生火灾事故，该起火灾燃烧物质主要是氯硅烷，属于高沸物，燃烧产物有毒。目前被广泛使用的大气扩散模型主要分为两大类，一类是基于数理计算的，一类是基于机器学习的。数理计算的典型代表有高斯扩散模型[2]、计算流体力学(CFD)模型等。Mazzoldi[3]用高斯扩散模型模拟二氧化碳运输和储存设施泄漏的情况。高斯扩散模型使用简单的数学表达式，易于计算，耗时少，但只适用于平坦地形上畅通无阻的气体流动，在复杂环境下的预测往往不准确。PONTIGGIA M[4]用CFD模型模拟城市地区大气中液化石油气(LPG)扩散进行后果评估。CFD基于有限元计算，能较为精准地预测浓度扩散，但计算耗时长。2019年中国科学技术大学的程云芳[5]用机器学习算法粒子群－支持向量机模型，对苯储罐泄漏的浓度进行了危险位置的短距离预测。这些方法仍基于传统的机器学习方法。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003476
作者信息：
陈 立，陈贤富
(中国科学技术大学 微电子学院，安徽 合肥230027)
此内容为AET网站原创，未经授权禁止转载。