基于动态网络流的区域疏散分析模型与仿真

区域疏散分析是应急管理工作的重要内容。基于CBRN事故区域疏散的特点,引入疏散亚区域的概念,并运用运筹学中图论与离散时间动态网络流的理论和方法,建立CBRN事故区域疏散优化模型。采用RELAX算法求解该模型,并结合CBRN事故时期人员疏散过程详细介绍区域疏散分析的流程。最后将所建模型应用于具体实例,程序运算结果表明群众对紧急疏散通知的反应速度越快,被疏散人数越少以及尽早通知群众疏散时,人员疏散效率明显提高。CBRN事故区域疏散优化模型可为优化和改进CBRN事故区域疏散的方法提供依据。     

蚁群算法在动态疏散路径优化过程中的应用

本文将蚁群算法应用于动态疏散路径优化过程中.针对动态疏散系统的特点,及时跟踪环境变化,通过对环境参数的分析找出当前的最优疏散路径.有效提高了疏散系统的疏散效率,减少火灾、爆炸等重大事故造成的人员伤亡.通过对不同规模节点的模拟结果显示,该算法是一种求解动态疏散最优路径问题的有效算法.     

大型公共场所动态引导人移动路径设计方法

针对方向式动态引导在大型公共场所安全疏散中的重要作用,以及对动态引导人移动路径研究不足的现状,提出利用比值函数设计动态引导人移动路径的方法。并借鉴TSP(旅行商问题)方法的求解思路,提出可用于动态引导人移动路径优化的禁忌搜索算法。以一个内部布局较为复杂的大型公共场所模拟场景为例,利用MA-ESM疏散模型,分别模拟了引导人最优移动路径、最短移动路径和影响面积最大路径3种不同情景下疏散效果。结果表明,利用影响面积和路径长度比值最大的优化算法计算得出的引导人移动路径,既可满足在相同时间内引导更多的人员进行疏散,又可节省总体的疏散时间,充分保证疏散效果,验证了笔者所提出的动态引导人移动路径优化算法的合理性。     

多出口条件下应急疏散路径优化模型

为减少拥堵发生概率,考虑多出口条件下疏散人群路径选择特点,建立应急疏散路径优化模型。首先以疏散通道布置方位为基础,建立疏散网络,确定可行疏散路径集合,考虑人群流量与排队时间动态关系,计算人群雍滞时间,表征路径当量长度,迭代可行路径集合;然后以疏散总时间最短为目标,修正Dijkstra算法目标函数,全局搜索时间最优路径,分配疏散方案;最后通过某多出口疏散案例,对比传统最短路径和优化最短时间疏散方案疏散总时间,验证模型的有效性。结果表明:优化后的疏散方案排队总时间与疏散总时间均小于传统疏散模型,疏散出口利用率更高,人流分布更为均匀,疏散路径重叠概率较小,有效提升了疏散效率。     

有毒气体泄漏场景模拟与区域疏散分析

针对CBRN事故中的毒气泄漏场景进行研究,采用SLAB模型模拟有毒气体的泄漏扩散,并给出模拟流程。以山东某企业光气泄漏灾害应急疏散项目为例,计算不同风速和泄漏孔径的毒气泄漏的最远扩散距离、到达时间与持续时间。通过模拟获得有毒气体浓度的时间空间分布数据,得出致死区、重伤区和轻伤分区的范围变化情况。证明随时间的推移,光气不断向下风向扩散。最后通过系统设计与程序运算,实现了事故信息的获取、划定事故影响区域和疏散范围以及对疏散人口进行预测的目的。有毒气体扩散模拟与区域疏散分析对于合理制定针对CBRN事故的应急疏散方案具有重要意义。     

城镇油气管道事故应急疏散决策优化

为实现油气管道事故中城镇大规模应急疏散的智慧决策,构建基于改进的自适应蚁群算法的应急疏散路径优化模型,开发基于油气管道典型事故后果分析的城镇大规模应急疏散决策优化系统平台(LSSED)。LSSED在地理信息系统平台上,针对油气管道泄漏引起的扩散、喷射火、池火、BLEVE、蒸气云爆炸等典型事故进行事故后果分析,对疏散通道当量长度和疏散时间成本函数进行定量评价,实现大规模应急疏散方案的智慧决策和避难方案的全局优化。案例分析表明,LSSED平台实现了基于地理信息系统的典型事故时变环境信息和应急疏散路径优化算法的数据传递及系统集成,实现了基于事故后果分析的城镇大规模人群疏散路径和避难方案优化,可为城镇安全规划和应急管理提供参考和借鉴。     

一种基于人工蜂群算法的多目标路径决策方法

为兼顾火灾中人员疏散的安全性与效率,使得人员避免遭受火灾风险侵害的同时尽可能节省人员疏散所需时间,提出一种基于人工蜂群算法的最优疏散路径决策方法。首先,通过将一个考虑逃逸代价的单目标模型以及一个考虑路径复杂度的单目标模型合并为一个双目标路径规划模型,实现以火灾风险、路径长度及路径复杂度为最终优化目标;然后,以某建筑为例,运用Pyrosim软件进行建筑内火灾模拟,利用本文的最优疏散路径决策方法得到该火灾场景下的最优路径。结果显示：该决策方法可以有效帮助人员避开风险水平较高的区域,同时尽可能降低所选疏散路径的复杂度,验证了该方法用于考虑火灾蔓延对疏散路线影响的可行性。     

有毒化学品泄漏事故应急疏散决策优化模型研究

采用高斯烟团模型模拟有毒化学品泄漏后的扩散区域,确定应急疏散范围;采用线性规划方法,建立应急疏散优化模型,并利用Lingo优化软件求解该模型.以液氯泄漏事故为例,研究危险区域的人员疏散,确定最佳应急疏散方案.本研究为一线指挥人员的最优疏散方案决策提供了参考.     

人群分区疏散优化算法研究

在疏散过程中,出口利用不均现象时有发生,距离最短路径并不一定是最快的路径。提出了大规模人群分区疏散优化算法,该算法以疏散时间最短为目标,综合考虑了人群分布、出口位置、出口宽度等因素,通过迭代计算,求解每个行人的最优出口选择,从而得到优化疏散分区结果。以具有多个出口的某大型步行商业街区疏散为例,利用经典的无后退有偏随机行走模型进行模拟计算,对是否采用优化分区的疏散时间进行了比较分析。结果表明:采用优化分区疏散时,部分人员放弃路径最短的疏散出口,而被导向选择宽度较宽和附近人员密度较低的出口,从而提高整体疏散效率。该算法解决了以距离最短为目标的疏散分区方式导致的出口利用不均和不充分的现象,有效提高了疏散效率,对于区域分区疏散策略的制定具有一定指导意义。     

考虑火灾动态扩散过程的高层建筑疏散路径研究

为给火灾中高层建筑人员提供最优逃生路径,提高高层人员面对火灾的应急能力,提出基于涟漪扩散算法(RSA)的协同进化路径优化方法(CEPO);借助火灾动力学软件(FDS)模拟北京某高层建筑的火灾扩散情况,采用CEPO方法优化人员疏散路径,并选取传统动态路径优化方法(DPO)验证CEPO方法的有效性。结果表明:CEPO方法总的疏散时间较传统DPO方法缩短约8%,DPO方法无法成功疏散的总人数是CEPO方法未能成功疏散总人数的270%;用CEPO方法能获得实际最优疏散路径,避免出现绕远的不合理现象,有效提高高层建筑的火灾疏散效果。     

基于改进PSO-BPNN的输油管道内腐蚀速率研究

为解决输油管道易腐蚀,且腐蚀程度难以测量的问题,提出使用改进的粒子群算法（PSO）优化误差反向传播神经网络（BPNN）对输油管道内腐蚀速率进行预测。改进的PSO算法提升了自身搜索到全局最优的能力,可为BPNN提供最优初始权值和阈值,从而有效避免BPNN易陷入局部最优的问题发生。以某条输油管线为例,分别运用标准的BPNN模型、PSO-BPNN以及改进的PSO-BPNN对该管线内腐蚀速率进行预测。结果表明:基于改进的PSO-BPNN的预测结果平均相对误差为5.57%,预测精度较BPNN和PSO-BPNN有明显提升。使用改进的PSO-BPNN预测输油管道的腐蚀速率可为管道的检测维修提供可靠的理论和技术支撑。     

基于改进蝴蝶算法和社会力模型的多出口疏散模型研究*

为提高多出口场景下行人疏散效率和精度,基于蝴蝶算法和社会力模型,提出一种新的应急疏散仿真路径规划方法。在原有社会力模型中,考虑距离出口远近及行人所处位置拥挤度对运动过程中期望速度的影响,引入速度调节因子,描述行人在疏散中的期望速度变化;针对蝴蝶算法中后期收敛速度慢和易陷入局部最优的缺陷,提出自适应感知概率参数以增强局部搜索和全局搜索之间的平衡;在每轮迭代结束时引入迭代局部搜索策略,扰动局部最优解获得中间状态,并重新搜索上述中间状态得到全局最优解。研究结果表明:提出的应急疏散仿真路径规划方法在多出口环境下能够更有效地利用出口资源,提高疏散效率。     

遗传禁忌搜索的能量均衡深井安全监测WSN分簇路由算法

针对深井巷道无线传感器网络（Wireless Sensor Networks，WSN）安全监测中节点能量消耗不均匀导致网络生命周期较短的问题，在分析低功耗自适应集簇分层型算法（Low Energy Adaptive Clustering Hierarchy，LEACH）、遗传算法（Genetic Algorithm，GA）和禁忌搜索算法（Tabu Search Algorithm，TS）的基础上，提出遗传禁忌搜索的能量均衡深井安全监测WSN分簇路由算法（GTSR-EB），以分簇方式来减少数据发送量与寻优开销，利用优化GA算法和TS算法进行多路径搜索以选出一条能耗均衡、路径传输距离最短的最优路径。仿真实验表明:GTSR-EB算法网络存活周期为LEACH算法的2.17倍、GA算法的1.18倍，GTSR-EB网络能量利用率更高、生存周期更长。     

基于遗传-蚁群算法的单层建筑火灾疏散路径规划研究

为解决如何快速、有效地找出单层建筑火灾最佳疏散路径问题，分析火灾发生时可能影响人员逃生及最佳路径生成的因素。提出基于遗传-蚁群算法求解火灾时期人员疏散路径。运用遗传算法的快速全局搜索能力，对蚁群算法初期所需要的信息素进行快速处理；利用蚁群算法的正反馈机制，快速找出可行路径，缩短搜索时间；并运用Matlab软件对其进行仿真。结果表明:遗传-蚁群算法所求得的路径生成质量有明显提高，并缩短路径生成时间，有助于提高人员逃生效率，降低人员伤亡率。     

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。     

基于蚁群算法的烟气中人员疏散路径选择优化

针对火灾烟气环境下的人员疏散问题，分析人员密度以及烟气能见度对疏散速度以及最佳疏散路径的影响。首先，得到烟气及人员密度对疏散速度的修正函数，并将该函数同蚁群算法的启发式信息函数进行耦合；其次，改进蚁群算法求解最佳路径的局限性，建立1种基于蚁群算法的人员疏散路径算法模型；最后，将算法模型应用于实例研究。研究结果表明:所提出的模型可较好地优化人员疏散路径，并进一步提高人员疏散效率。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

基于BERT的灾害三元组信息抽取优化研究

为从网络媒体文本中快速、准确提取灾害三元组信息,利用 自然语言处理(NLP)技术,研究灾害三元组信息抽取应用及其算法优化.通过双向编码器表示(BERT)预训练语言模型,应用于地质灾害三元组信息提取的实例中,针对模型由于底层多头注意力(MHA)机制会导致"低秩瓶颈"问题,对此,通过增大模型key-size对其进行优化.结...     

基于属性约简的绝缘节破损预测

准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。     

基于Multi-class SVM的车辆换道行为识别模型研究

自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。