基于卷积变分自编码器和映射神经网络的毒气扩散预测方法

本发明属于环境科学预测方法，涉及基于卷积变分自编码器和映射神经网络的毒气扩散预测方法。

背景技术：

1、化工厂中的毒气泄露事故时有发生，毒气体在大气扩散的作用下会迁移到周围或下游地区，由于化工厂多位于城市郊区，事故泄漏的有毒气体会逐渐蔓延到邻近居民区，对居民的健康构成了严重的威胁，甚至有时会危及生命。在此背景下，对城市建筑中有毒云团扩散的影响进行研究变得至关重要。现有技术中对泄漏事故发生后的毒气浓度进行预测的研究较少。

2、cfd方法需要较高的时间和计算成本，无法有效服务于紧急事故处理；石欣等人基于cfd方法和lstm算法来模拟预测建筑室内全局的温度空间序列变化。具有时间序列预测函数的循环神经网络适用于有实时性要求的氢气扩散浓度预测问题，当使用convlstm进行氢气浓度预测时，会出现局部不符合实际的情况；xu等人基于时间序列的预测模型提出了基于物理的convlstm代理模型来对氢气浓度进行预测，但此模型需要提前获得事故发生后早期的毒气浓度数据来对后期的数据进行预测，但是对于城市建筑中毒气浓度扩散事故来说，要想提前获得数据并不现实，因为这关系到城市中传感器网络的建设，需要高额的经济代价。mendil等人提出的编码器/解码器深度神经网络模型模拟了城市障碍物的影响并预测了污染物的分布，但未考虑到城市建筑的多样性以及气象因素的复杂性对有毒云团扩散的影响。

技术实现思路

1、本发明的目的是提供基于卷积变分自编码器和映射神经网络的毒气扩散预测方法，解决了现有技术中存在的未考虑到城市建筑的多样性以及气象因素以及需要较多时间的问题。

2、本发明所采用的技术方案是，基于卷积变分自编码器和映射神经网络的毒气扩散预测方法，具体按照如下步骤实施：

3、步骤1，构建数据集，对数据集中的数据进行预处理，将预处理后的数据集分为训练集和测试集；

4、步骤2，构建cvae-dnn预测模型；

5、步骤3，使用训练集中的数据对cvae-dnn预测模型进行训练，得到经过训练的cvae-dnn预测模型；

6、步骤4，使用测试集数据对经过训练的cvae-dnn预测模型进行评估，计算相关性能指标；

7、步骤5，使用经过评估的cvae-dnn预测模型对毒气扩散进行预测。

8、优选地，步骤1具体为：

9、步骤1.1，确认建筑高度、建筑长度、风速、风向和泄露率选取范围；

10、步骤1.2，根据步骤1.1的选取范围通过哈默斯利序列采样方法在建筑高度、建筑长度、风速、风向和泄露率选取范围内生成ndoe个边界条件组合，每个边界条件组合均包含建筑高度、建筑长度、风速、风向和泄露率，构成边界条件数据集其中，xi为ndoe个边界条件数据数据中第i个边界条件数据，1≤i≤ndoe，其中，分别表示第i个边界条件数据中的建筑高度、建筑长度、风速、风向和泄露率；

11、步骤1.2，利用数据集中的边界条件数据，计算毒气浓度数据，得到毒气浓度数据集其中，yi表示第i个样本数据xi经过计算后得到的毒气浓度数据；

12、步骤1.3，边界条件数据集和毒气浓度数据集组合得到构建的数据集并将数据集分为训练集和测试集。

13、优选地，步骤1.2中的将数据集输入到gaussian-cfd双耦合模型中得到毒气浓度数据集的具体过程为：

14、步骤1.2.1，采用pasquill稳定度分类法得到风速为时大气稳定度等级，其中，为输入的样本数据xi中的风速；

15、步骤1.2.2，利用高斯烟雨或者高斯烟团模型模拟在泄露率qi时，风速为和步骤1.2.1确定的大气稳定度等级下毒气扩散到无害浓度阈值时的最远扩散距离，即就下风向距离；

16、步骤1.2.3，通过高斯烟雨或者高斯烟团模型获得毒气由泄漏点扩散至下风向剖面上的质量浓度数据；

17、步骤1.2.4，利用反距离加权插值方法缩小步骤1.2.3获得数据的尺度间隔，从而适应cfd模拟时的网格尺度要求；

18、步骤1.2.5，利用cfd软件模拟城市居民区区域，确定居民区中的建筑布局，并进行建模与网格划分；

19、步骤1.2.6，根据样本数据xi中的建筑高度建筑长度风速风向边界条件，使用fluent设置边界条件并进行cfd数值模拟，得到最终的毒气浓度数据yi；

20、步骤1.2.7，重复步骤1.2.1-1.2.6，得到每组边界条件数据对应的毒气浓度数据并放入集合中形成毒气浓度数据集

21、优选地，步骤1中的预处理具体为：

22、对边界条件数据集和中的每个数据进行归一化处理，分别获得归一化处理后的边界条件数据集和毒气浓度数据集。

23、优选地，步骤2中cvae-dnn预测模型包括基于卷积的变分自编码器模块和深度全连接神经网络模块；

24、基于卷积的变分自编码器模块包括依次连接编码器和解码器；

25、编码器包括依次连接的输入层、三个卷积层、reshape层、全连接层、变分层；

26、解码器包括依次连接的全连接层、reshape层以及四个卷积层；

27、编码器的变分层的输出作为解码器全连接层的输入；

28、基于卷积的变分自编码器模块的输入为毒气浓度数据集中的为毒气浓度数据，输出为解码器重构的毒气浓度数据；

29、深度全连接神经网络模块包括依次连接的输入层、四层全连接层以及输出层；

30、深度全连接神经网络模块的输入为归一化处理后的边界条件数据集中的边界条件数据，输出为预测编码。

31、优选地，编码器的三个卷积层每一层的卷积滤波器数量是前一层的两倍，三个卷积层每层的卷积滤波器数量分别为16、32、64，卷积核大小为(3，3)，三个卷积层的激活函数均为relu激活函数，reshape层获得最后一个卷积层的所有特征图，全连接层有2048个神经元，全连接层连接到计算高斯分布参数的变分层，生成采样向量

32、解码器的全连接层为2400个神经元，解码器四个卷积层中的前三层每一层的卷积滤波器数量是前一层的一半，分别为64、32、16，卷积核大小为(3，3)，步长为2，使用relu激活函数，采用“same”方式填充，最后一个卷积层为2d转置卷积层，作为输出层，卷积滤波器数量为1，卷积核大小为(3，3)，步长为1，使用sigmoid激活函数；

33、深度全连接神经网络模块的隐藏层，即就是四层全连接层使用relu激活函数，如公式(12)：

34、

35、为神经网络第l层的输入，是神经网络第l层的输入经过激活函数后的输出，在神经网络的最后一层输出层，即l＝l层，l代表输出层。

36、优选地，步骤3具体如下：

37、步骤3.1，对基于卷积的变分自编码器模块进行训练；

38、步骤3.2，对深度全连接神经网络模块进行训练。

39、优选地，步骤3.1具体如下：

40、步骤3.1.1，将经过归一化处理后的训练集中的毒气浓度数据集中的毒气浓度数据输入到编码器的输入层后通过向前传播算法计算出编码向量和编码向量

41、步骤3.1.2，编码向量和输入到变分层中，在变分层生成编码向量具体为：

42、z＝μ+ε·σ  (6)

43、

44、其中，和分别表示为生成的对应毒气浓度数据均值向量μ和对数方差向量logσ2，μ和σ分别代表对应毒气浓度数据的均值和标准差，ε～n(0,1)；

45、步骤3.1.3，变分层将计算得到的编码向量传递给解码器的全连接层，依次处理最终得到重构数据

46、步骤3.1.4，在训练过程中定义损失函数由重构损失和正则化损失两部分组成，其中，重构损失使用均方误差损失mse，正则化损失是基于标准正态分布和编码分布之间的kl散度，kl散度由公式(9)计算：

47、

48、其中，lz为全连接层神经元个数，和分别代表向量的第g个分量；

49、使用公式(10)来计算重构损失，其中为输入数据，为重构数据，n为毒气浓度数据集中毒气浓度数据样本的个数；

50、

51、则损失函数由式(11)计算：

52、

53、设置epoch：2500，学习率：0.01，以使损失函数最小化为目的进行训练。

54、优选地，步骤3.2具体为：

55、步骤3.2.1，将经过归一化处理后的毒气浓度数据集中的毒气浓度数据输入到步骤3.1训练好的基于卷积的变分自编码器模块中，编码器的全连接层生成真实编码

56、步骤3.2.2，将归一化处理后的训练集中的边界条件数据集中的边界条件数据输入到深度全连接神经网络模块的输入层，输出边界条件映射到预测编码

57、步骤3.2.3，训练过程中使用均方误差损失函数进行训练，使损失函数最小化：

58、

59、其中，为第j为样本在步骤3.1中生成的真实编码，为第j为样本在步骤3.2中生成的预测编码；

60、设置epoch：2500，学习率：0.01，以使损失函数最小化为目的进行训练。

61、优选地，步骤4具体为：使用测试集通过cvae-dnn预测模型得到预测毒气浓度数据通过比较与原始毒气浓度数据ytest来评估预测模型的性能。

62、本发明的有益效果是：

63、本发明将具有深度卷积层的变分自编码器和具有批归一化层的全连接深度神经网络相结合，考虑了建筑几何特征和气象特征，使用时，只需要将输入事故发生时的建筑几何特征和气象特征，就能快速预测生成毒气扩散浓度数据，本发明通过验证表明，本发明的预测模型在数据精度和时间效率整体上能更有效服务于毒气泄漏事故。