基于GRU 神經網絡的有毒氣體擴散預測方法*

陳 立，陳賢富

(中國科學技術大學 微電子學院，安徽 合肥230027)

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。

因此，本文提出了一種利用深度學習[6]技術進行有毒氣體擴散預測的方法。 首先根據有毒氣體擴散原理，對經典的公開數據集草原牧場數據集的樣本數據進行特征選取，將選擇的特征參數輸入到基于GRU 的3 層神經網絡模型，最后得到預測點濃度值。 實驗結果表明該模型的平均絕對誤差(MAE)、均方誤差(RMSE)和相關系數(r)均優于BP 神經網絡模型。

1 GRU 神經網絡模型

GRU 神經網絡由CHUNG J[7]等于2014 年提出，是一種改進型循環神經網絡(RNN)。 與人工神經網絡(ANN)的全連接不同，RNN[8-9]的隱藏層之間相互連接。 ANN[10]的輸出是相互獨立的，而RNN 的輸出不僅受當前輸入特征的影響，而且受前一時刻的輸出影響，所以RNN 具有更好的時間序列性能。 但是，RNN 卻很難得到很好的訓練。 主要原因是RNN會產生梯度消失和梯度爆炸。 因此更多的是使用它的變體形式，GRU 就是其中一種變體。 GRU 和RNN具有相似的結構，區別在于隱藏層的存儲單元結構。GRU 的結構圖如圖1 所示。

圖1 GRU 神經網絡結構圖

GRU[11]有兩個門，即一個重置門和一個更新門。重置門決定了新的輸入信息與前面的記憶信息如何結合，更新門決定了之前記憶保存到當前時間步的信息。 GRU 信息處理過程公式如下所示：

其中，rt、zt分別為重置門和輸出門，Wr、Wz、tanh 分別為對應的權值和激勵函數。 當前輸入值、輸出值分別為xt、ht。

2 數據預處理

草原牧場數據集[12]是在1956 年7 月至8 月進行的經典的野外實驗數據集。 實驗地點位于內布拉斯加州奧尼爾東北約5 英里處。 釋放發生在距離地面高度為0.46 m 的點源，SO2作為示蹤劑， 每10 min抽樣測量一次濃度值。 水平方向以180°弧度為中心，利用高度為1.5 m 的采樣器，在順風處的5 個弧度處采樣(50 m，100 m，200 m，400 m，800 m)。 該實驗收集了下風向距離、風速、風向等多個特征數據。對數據集進行整理分析得到68 個不同版本數據，每個版本均有多個觀測值，合計8 173 條有效樣本。 部分特征參數如表1 所示。

分析特征數據，有的特征數值非常大，有的特征數值非常小，為避免數值較高的特征在模型中所占作用較強，相對數值較低的特征被削弱作用，需要對數據進行歸一化操作，本文使用最常用的MinMax 歸一化[13]，它將所有特征都線性映射到0～1 之間，計算公式如下：

表1 部分特征參數

式中表示標準化后的特征矩陣，其中xi表示第i列的特征矩陣，max(xi)、min(xi)分別表示當前特征矩陣的最大值、最小值。

3 實驗分析

3.1 實驗設置

在訓練模型之前需要將標準化后的數據集劃分為訓練集和測試集，由于GRU 是時間相關的，因此將草原牧場數據集數據按時間先后排序。 選擇前58 個版本的7 480 條樣本數據作為訓練集，后10 個版本693 條數據作為測試集。 首先將風速、風向等19 個參數作為特征值輸入，經過具有GRU 結構的3 層神經網絡模型訓練，最終以濃度值作為輸出。再將測試集的特征參數作為輸入，經過訓練好的模型，得到測試集的預測濃度值。

硬件平臺為Intel Core i5-8250U CPU 和8 GB RAM 的Windows 64 操作系統，使用Python 編寫程序。

3.2 評價標準

本文選取平均絕對誤差(MAE)、均方根誤差(RMSE)[14]和相關系數(r)[15]來評估模型的性能。 平均絕對誤差可以避免誤差相互抵消的問題，因而可以準確反映實際預測誤差的大小。均方根誤差表示預測值與與其真實值之間的偏差， 因此MAE 和RMSE 越小越好。 相關系數描述了預測值與真實值之間的相關程度，所以r越接近于1，表示模型效果越好。

3.3 模型預測結果

基于GRU 的神經網絡模型的預測結果如圖2所示，從圖中可以看出，本文方法預測結果未出現負數濃度值，且對于峰值點濃度值的預測較好，可以有效地預測有毒氣體擴散濃度。

圖2 GRU 神經網絡預測結果

為了證明基于GRU 的神經網絡模型方法的性能，將該方法與基于BP 神經網絡模型的方法進行對比。 BP 模型的預測結果如圖3 所示，從圖中看出BP 模型的預測結果在低濃度值時出現了負數濃度值，并且在濃度值較高的點誤差較大。

表2 記錄了通過多次實驗兩種不同模型預測結果的平均值，從表中可以看出，基于GRU 神經網絡模型的MAE、RMSE 均低于BP 神經網絡模型，r值更接近于1，評價指標值均優于BP 模型。

圖3 BP 神經網絡預測結果

表2 不同模型預測結果的對比

4 結論

對于毒害氣體擴散濃度預測問題, 本文提出了基于GRU 模型的有毒氣體擴散模型，實現快速、高效的有毒氣體濃度預測。 此模型在草原牧場數據集上進行了驗證。 結果表明，本文方法對毒氣擴散有更高的預測精度。 在未來工作中，期待將模型擴展到實際應用中。