基于AI技術(shù)的?；瘹怏w泄露擴散時空演化*

黎泉 關(guān)蔚蔚 李珍寶

1. 蘭州工業(yè)學院 甘肅 蘭州 730050；

2. 蘭州天泉信息科技有限公司 甘肅 蘭州 730030；

3. 蘭州理工大學 甘肅 蘭州 730050

引言

?；泻怏w的排放和泄漏對空氣質(zhì)量和公共健康構(gòu)成嚴重威脅。例如，博帕爾的甲基異氰酸酯泄漏事故（1984年）造成上萬人死亡[1]。與此同時，工業(yè)區(qū)釋放的空氣污染物也對附近居民的生活產(chǎn)生了不利影響。因此近年來，氣化工廠爆炸事故、森林火災等引起的有毒氣體泄漏，已在各國頻繁發(fā)生，嚴重影響人民的生命、健康和財產(chǎn)安全。2019年，我國鹽城發(fā)生化工廠爆炸以及四川發(fā)生森林火災，都造成了大面積的泄漏和擴散，這不僅危害了人們的健康，也極大地阻礙了救援工作。因此，預測有毒氣體擴散規(guī)律以及提高災害應對能力具有十分重要的意義。

1 傳統(tǒng)?；泻怏w的擴散預測

大氣擴散（ADS）模型被廣泛應用于預測氣體在空氣中的傳輸和擴散。已有許多有效的預測氣體擴散的模型。常規(guī)ADS模型可大致分為3種主要類型：高斯模型、拉格朗日隨機（LS）模型和計算流體動力學（CFD）模型。高斯模型是大氣擴散預測中應用最廣泛的模型。該模型只需要幾個輸入?yún)?shù)，使用簡單的表達式且計算速度快。然而，高斯模型建立在幾乎不考慮地形條件的理想的色散環(huán)境上，因此，在某些復雜的環(huán)境條件下（例如具有復雜地形的城市區(qū)域），該模型不夠精確。LS模型采用隨機方法，將氣體輸送描述為一個含有多個顆粒的馬爾可夫過程。CFD模型可以靈活地表示復雜的幾何形狀，并且在城市有建筑物地形的氣體擴散計算中保持較高的精度[2]，因此被廣泛用于各種各樣的城市地形中有毒氣體擴散的預測。然而，計算流體動力學有一個很大的缺點，它需要太長的時間來執(zhí)行必要的計算，有時甚至超過幾個小時。當突然發(fā)生事故時，利用CFD模型難以及時有效地指導救援工作，因此應急響應能力較差。

2 基于人工智能的?；泻怏w擴散預測

綜合上述問題，許多研究人員將機器學習（ML）模型引入到大氣擴散預測中，如人工神經(jīng)網(wǎng)絡（ANN）和支持向量回歸（SVR）。ML模型通常具有很好的預測輸入和輸出之間復雜關(guān)系的能力。這些模型通過一些預先確定的分散場景進行訓練，對于這些場景，往往能夠獲得相對較高的預測精度。此外，經(jīng)過訓練的ANN或SVR預測模型的計算速度相對較快。在各種類型的人工神經(jīng)網(wǎng)絡中，反向傳播（BP）網(wǎng)絡被最廣泛地用于預測大氣擴散。與其他人工神經(jīng)網(wǎng)絡（如徑向基函數(shù)（RBF）網(wǎng)絡）相比，BP網(wǎng)絡需要確定的超參數(shù)較少。因此，BP網(wǎng)絡相對容易建立和訓練。

然而，上述研究中的大多數(shù)ML模型都是直接基于一些原始監(jiān)測參數(shù)的輸入構(gòu)建的。有了這些輸入，ML模型通常會產(chǎn)生可接受的預測結(jié)果。然而，這種輸入?yún)?shù)的選擇可能會增加模型訓練的難度，從而降低預測精度，因為原始監(jiān)測參數(shù)與輸出（濃度）之間的關(guān)系通常非常復雜。因此，盡管在上述研究中成功地測試了這些ML模型，但通過更有效的輸入選擇，可以進一步改進它們。此外，現(xiàn)有的研究通常集中在一個特定的ML模型上，而不是在氣體擴散預測中比較不同的ML模型，并在模型選擇上提供一些指導。事實上，不同的ML模型在性能上有很大差異，例如在擬合和泛化能力上。此外，通過預先確定的場景進行訓練并通過特定案例進行測試，ML模型的性能在很大程度上取決于訓練集和測試集。因此，需要分析訓練集和測試集的大小對預測性能的影響，這一分析也有助于揭示ML模型在擬合和泛化能力上的差異。

在人工智能和數(shù)據(jù)科學學科的推動下，研究人員提出了基于歷史樣本（如神經(jīng)網(wǎng)絡和機器學習）的建模方法來發(fā)現(xiàn)預測的輸入輸出之間的復雜關(guān)系。其中一個新方法是氣體探測器、人工神經(jīng)網(wǎng)絡（ANN）和PHAST模型的集成模型。在該方法中只要對模型進行預先訓練，模型參數(shù)就可以直接用于瓦斯?jié)舛鹊念A測。

雖然上述研究中的神經(jīng)網(wǎng)絡模型在氣體擴散預測方面表現(xiàn)出了突出的能力，但仍存在一些不足之處，如對高濃度點的預測不準確、濃度值為負值等。近年來，在深度學習的熱潮下，許多學者開始研究基于深度學習的預測模型，發(fā)現(xiàn)這些模型能夠更好地描述數(shù)據(jù)特征之間的關(guān)系，在預測和分類方面具有更大的優(yōu)勢。

3 基于人工智能的危化有害氣體擴散預測模型

3.1 基于反向傳播網(wǎng)絡的預測模型

人工神經(jīng)網(wǎng)絡是色散預測中應用最廣泛的ML模型。由于其良好的擬合能力，人工神經(jīng)網(wǎng)絡能夠逼近復雜的非線性函數(shù)。在計算效率方面，經(jīng)過訓練的人工神經(jīng)網(wǎng)絡可以快速計算預測。本文建立了反向傳播擬合網(wǎng)絡來預測特征點的濃度。這種類型的網(wǎng)絡在色散預測研究中非常流行[3]。為了獲得更高的預測精度，這里應用了兩個隱藏層。網(wǎng)絡的輸入通常是與大氣擴散有關(guān)的參數(shù)。這些參數(shù)通常包括氣象參數(shù)、與關(guān)注點相關(guān)的參數(shù)和源項。應仔細選擇這些輸入，以獲得更好的性能。至于激活單元，所有隱藏層的激活函數(shù)都是“傳遞函數(shù)”，以提高收斂速度和求解精度?！皞鬟f函數(shù)”是一種S形函數(shù)，其表達式為：，相比之下，輸出層（只有一個神經(jīng)元）的激活功能是用以輸出濃度的連續(xù)值的“線性傳遞函數(shù)”。

3.2 基于支持向量回歸的預測模型

支持向量回歸（SVR）是為解決回歸問題而開發(fā)的支持向量機（SVM）的擴展。SVR的思想基于高維特征空間中的線性回歸函數(shù)，輸入數(shù)據(jù)通過核函數(shù)映射。此外，SVR并沒有最小化訓練誤差，而是試圖最小化泛化誤差，從而獲得更好的泛化效果。給定一組訓練點，其中是一個輸入，而zi∈R1是目標輸出，SVR的標準式可表示為：

3.3 基于長-短期記憶網(wǎng)絡的預測模型

長-短期記憶網(wǎng)絡(LSTM)是一種特殊類型的遞歸神經(jīng)網(wǎng)絡(RNN)。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(ANN)層與層之間是完全連接的，層內(nèi)部沒有連接，而RNN的隱藏層之間是連接的。ANN和RNN的結(jié)構(gòu)對比如圖1所示。人工神經(jīng)網(wǎng)絡的輸出是相互獨立的，RNN的輸出不僅受當前輸入特征的影響，而且還受前一時刻輸出的影響，因此RNN具有更好的時間序列性能。

圖1 基于LSTM的預測模型

3.4 實驗結(jié)果對比分析

本文以BP模型、RNN模型與LSTM模型的預測值與實驗結(jié)果真實值進行對比，接入如圖2所示。其中，紅色線條為預測值，黑色線條為實驗結(jié)果真實值。從圖2結(jié)果中可以看出：相對于BP模型和RNN模型，LSTM模型的預測結(jié)果更加接近實驗真實值。

圖2 不同模型的預測值與實驗結(jié)果真實值對比結(jié)果

4 結(jié)束語

本文比較分析了用于?；卸練怏w擴散的主要預測模型。尤其對基于人工智能的氣體擴散預測模型進行了分析：首先建立原始輸入?yún)?shù)；然后為了提高預測精度，由原始監(jiān)測參數(shù)形成積分高斯參數(shù)，并將其作為人工智能預測模型的輸入，使用典型的現(xiàn)場數(shù)據(jù)集對兩個不同輸入的預測模型進行了分析；最后還定性分析了訓練集規(guī)模對預測模型精確度的影響。