基于AI技術的危化氣體泄露擴散時空演化*

黎泉 關蔚蔚 李珍寶

1. 蘭州工業學院 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

危化有害氣體的排放和泄漏對空氣質量和公共健康構成嚴重威脅。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，工業區釋放的空氣污染物也對附近居民的生活產生了不利影響。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，已在各國頻繁發生，嚴重影響人民的生命、健康和財產安全。2019年，我國鹽城發生化工廠爆炸以及四川發生森林火災，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律以及提高災害應對能力具有十分重要的意義。

1 傳統危化有害氣體的擴散預測

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參數，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境上，因此，在某些復雜的環境條件下（例如具有復雜地形的城市區域），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行必要的計算，有時甚至超過幾個小時。當突然發生事故時，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 基于人工智能的危化有害氣體擴散預測

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，如人工神經網絡（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網絡中，反向傳播（BP）網絡被最廣泛地用于預測大氣擴散。與其他人工神經網絡（如徑向基函數（RBF）網絡）相比，BP網絡需要確定的超參數較少。因此，BP網絡相對容易建立和訓練。

然而，上述研究中的大多數ML模型都是直接基于一些原始監測參數的輸入構建的。有了這些輸入，ML模型通常會產生可接受的預測結果。然而，這種輸入參數的選擇可能會增加模型訓練的難度，從而降低預測精度，因為原始監測參數與輸出（濃度）之間的關系通常非常復雜。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。

在人工智能和數據科學學科的推動下，研究人員提出了基于歷史樣本（如神經網絡和機器學習）的建模方法來發現預測的輸入輸出之間的復雜關系。其中一個新方法是氣體探測器、人工神經網絡（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，模型參數就可以直接用于瓦斯濃度的預測。

雖然上述研究中的神經網絡模型在氣體擴散預測方面表現出了突出的能力，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，發現這些模型能夠更好地描述數據特征之間的關系，在預測和分類方面具有更大的優勢。

3 基于人工智能的危化有害氣體擴散預測模型

3.1 基于反向傳播網絡的預測模型

人工神經網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，人工神經網絡能夠逼近復雜的非線性函數。在計算效率方面，經過訓練的人工神經網絡可以快速計算預測。本文建立了反向傳播擬合網絡來預測特征點的濃度。這種類型的網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。網絡的輸入通常是與大氣擴散有關的參數。這些參數通常包括氣象參數、與關注點相關的參數和源項。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都是“傳遞函數”，以提高收斂速度和求解精度。“傳遞函數”是一種S形函數，其表達式為：，相比之下，輸出層（只有一個神經元）的激活功能是用以輸出濃度的連續值的“線性傳遞函數”。

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，輸入數據通過核函數映射。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-短期記憶網絡的預測模型

長-短期記憶網絡(LSTM)是一種特殊類型的遞歸神經網絡(RNN)。傳統的人工神經網絡(ANN)層與層之間是完全連接的，層內部沒有連接，而RNN的隱藏層之間是連接的。ANN和RNN的結構對比如圖1所示。人工神經網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，黑色線條為實驗結果真實值。從圖2結果中可以看出：相對于BP模型和RNN模型，LSTM模型的預測結果更加接近實驗真實值。

圖2 不同模型的預測值與實驗結果真實值對比結果

4 結束語

本文比較分析了用于危化有毒氣體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：首先建立原始輸入參數；然后為了提高預測精度，由原始監測參數形成積分高斯參數，并將其作為人工智能預測模型的輸入，使用典型的現場數據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模對預測模型精確度的影響。