瓦斯-煤尘-空气混合物爆炸数值计算

为研究煤尘对瓦斯爆炸特性的影响及不同浓度瓦斯-煤尘-空气混合物爆炸特征参数变化规律,对混合物建立均相湍流燃烧模型和混合物参数计算方法,采用Fortran语言对计算流体力学软件AutoReaGas进行二次开发。利用二次开发后软件研究了混合物爆炸特性,得到不同浓度瓦斯-煤尘-空气混合物爆炸规律及瓦斯-空气和瓦斯-煤尘-空气混合物爆炸特性对比。数值计算结果与试验结果吻合较好,表明该方法研究气-固两相爆炸是可行的,煤尘参与使瓦斯爆炸最大超压和最大压力上升速率分别提高1.8倍和4.7倍,反应速率明显上升。     

甲烷煤尘燃烧爆炸试验研究

为揭示甲烷煤尘空气混合物爆炸波的传播规律,采用试验分析的方法,建立甲烷煤尘空气混合物燃烧爆炸的3种试验方案,分析不同体积分数的甲烷和不同质量浓度的煤尘消耗不同体积空气时的爆压和爆速等参数的发展趋势,探究爆轰波传播的稳定性,阐明了甲烷煤尘燃烧爆炸的基本特征。试验结果表明,在最优配比条件下,与单一甲烷空气、煤尘空气混合物相比,甲烷煤尘空气混合物的爆压、爆速明显增加。甲烷煤尘空气混合物爆轰比单一的气相、固相混合物爆轰的爆炸压力、爆速明显增加、爆轰更稳定。     

燃料空气炸药一次引爆爆炸效应实验研究

为了提高燃料空气炸药（FAE）爆炸威力,设计制备了不同相态的FAE,并采用光测和电测方法,开展了开放空间下FAE一次引爆对比实验研究。结果表明:固态、液固混合及液态FAE被一次引爆后,均存在引爆中心装药、抛撒燃料、点火和爆炸4个阶段,云雾存续时间均长于等质量TNT装药的相应值,随着距离增加,固态FAE爆炸场超压变化规律为“减少-增加-减少”,其值高于等质量TNT装药的相应值;液态、液固混合FAE爆炸场超压变化规律为“增加-减少”,远场超压高于等质量TNT装药的相应值。     

石化行业中某些碳氢燃料爆炸危险性分析

借助于激波管测定了几种碳氢燃料和空气混合物的爆轰极限、临界起爆能。根据这些实验数据，分析了所研究的碳氢燃料的爆炸危险性。同时根据烷烃和烯烃键的不同饱和度，分析了它们爆炸危险性差别的原因。     

大型相连容器中火焰传播的研究

为了进一步了解相连装置中粉尘爆炸的火焰传播行为和压力发展,为该结构的安全防护设计提供有价值的信息,采用大型实验装置对相连容器中玉米淀粉/空气混合物爆炸时的火焰传播行为进行了实验研究,同时采用已开发的数值模型对实验进行仿真计算。实验表明:粉尘浓度的变化对粉尘爆炸的火焰传播行为有重要影响;在粉尘浓度很低的情况下,火焰仍然能够在管道中加速传播且爆炸发展的最终结果相当猛烈。数值模型采用欧拉-拉格朗日方法模拟两相流现象,通过求解非稳态的湍流两相反应流守恒方程对实验进行二维仿真,计算结果与实验结果符合性较好,表明该模型可以很好地应用于粉尘爆炸火焰传播的研究。     

低压氢气-空气混合物爆炸试验研究及数值模拟

为了预防或控制密闭容器内氢气爆炸事故,运用20 L密闭球形容器试验研究不同初始低压(0.025~0.1 MPa)下氢气-空气混合物的最大爆炸压力、最大压力上升速率;并采用Fluent数值模拟软件,通过标准k-ε湍流模型和概率密度函数(PDF)燃烧模型,模拟不同初始压力下氢气-空气混合物燃烧过程,直观再现不同初始压力下火焰传播过程及流场扰动状况。研究表明:氢气体积分数一定时,氢气-空气混合物的最大爆炸压力和最大压力上升速率与初始低压均成线性关系;初始压力从0.1MPa降低至0.025 MPa,最大爆炸压力降低75.1%~75.9%,最大压力上升速率降低77.1%~83.7%。另外,初始压力降低,火焰前沿到达器壁的时间变长。     

FAE威力评价方法与目标防护分析

对燃料空气炸药（ＦＡＥ）爆炸场特性进行了分析;从冲击波超压－ 冲量毁伤准则出发,提出一种以靶板毁伤效应为评价依据的ＦＡＥ威力评价方法,并结合易损性等效原理,对不同毁伤等级下目标防护问题进行了分析     

多元可燃气体爆炸极限理论预测模型研究*

为准确掌握和预测多元可燃气体的爆炸极限,开展2种多元可燃气体爆炸极限的理论预测模型研究。第1种模型针对“多种可燃气体+多种惰性气体”在空气中或氧气中混合,基于求解可燃气体绝热火焰温度的总比热特性方法以及化学平衡反应中的贫燃料(富氧)反应,提出该多元可燃气体的爆炸下限预测模型;第2种模型针对“可燃气体+惰性气体+氧气”混合,基于热平衡方程及混合气体的各组分浓度、淬灭电势及燃烧潜热,提出该多元可燃气体的爆炸极限预测模型。结果表明:在预测多元可燃气体的爆炸极限时,第1种模型具有较广泛的应用性,且表现出较高的准确度;第2种模型具有使用简单的特点,且扩展了LCR（勒夏特列原理）的应用范围。     

球接管容器气体爆炸尺寸效应的试验研究与数值分析

为了解尺寸对球形容器连接管道甲烷-空气混合物爆炸的影响规律,利用Fluent软件,采用κ-ε湍流模型、涡耗散模型(简称EDC模型)、壁面热耗散、热辐射模型及SIMPLE算法,建立了球形容器连接管道内甲烷-空气混合物爆炸的数值模型,对容器与管道内甲烷-空气预混气体爆炸的尺寸效应进行了数值模拟。结果表明:随管道内径增大,球形容器内最大爆炸压力逐渐增大,管道末端最大爆炸压力变化无明显规律;而随管道长度增加,球形容器内最大爆炸压力逐渐减小;改变管道内径,较大体积球形容器内最大爆炸压力均大于较小体积球形容器内最大爆炸压力,最大爆炸压力上升速率的规律则相反,容器体积对管道末端最大爆炸压力的影响无明显规律。     

氢气爆炸特性研究

本文研究、总结了氢气与空气(氢气与氧气)的混合物的爆炸特性.即氢气在空气中,在比较低燃烧界限的情况下,只有向上的传播和非常少的超压可以观测得到.正因为氢气的这种特性,将氢应用于科技将极大地推进社会进步,氢燃料将成为一种主要的能源.然而,氢技术应用的成功与否主要取决于氢使用的安全性.所以,必须掌握实际使用时氢气燃烧的性能.本文在日本过去十年实验数据的基础上,通过实验研究了氢气与空气混合物的燃点.研究了氢气、氧气混合物经氮气稀释后,按化学当量比例将不同浓度的氢气与空气进行混合,并得出了低温下的爆炸压力特性.随后,分别讨论了在初始压力下一致的情况下,试管直径相同的状况下,氢气与空气混合浓度相同的情况下,这三种爆轰传播限制之间的关系.得出了在空气中直接点燃的发生爆轰的最小试管直径,最小的装药量之间的关系,进行了爆轰危险性分级.最后,文章概括比较了氢与其他燃料的燃烧特性,评估了氢气燃烧过程中的危险与安全因素.     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题，提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据，采用BP与RBF神经网络，通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择，并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差，而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好；通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现，神经网络对气体泄爆中最大超压的预测效果较好；通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明，神经网络相比于传统气体泄爆经验公式具有明显优势。     

Prediction of gas explosion pressures: A machine learning algorithm based on KPCA and an optimized LSSVM

A gas explosion, as a common accident in public life and industry, poses a great threat to the safety of life and property. The determination and prediction of gas explosion pressures are greatly important for safety issues and emergency rescue after an accident occurs. Compared with traditional empirical and numerical models, machine learning models are definitely a superior approach. However, the application of machine learning in gas explosion pressure prediction has not reached its full potential. In this study, a hybrid gas explosion pressure prediction model based on kernel principal component analysis (KPCA), a least square support vector machine (LSSVM), and a gray wolf optimization (GWO) algorithm is proposed. A dataset consisting of 12 influencing factors of gas explosion pressures and 317 groups of data is constructed for developing and evaluating the KPCA-GWO-LSSVM model. The results show that the correlations among the 12 influencing factors are eliminated and dimensioned down by the KPCA method, and 5 composite indicators are obtained. The proposed KPCA-GWO-LSSVM hybrid model performs well in predicting gas explosion pressures, with coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 0.928, 26.234, and 12.494, respectively, for the training set; and 0.826, 25.951, and 13.964, respectively, for the test set. The proposed model outperforms the LSSVM, GWO-LSSVM, KPCA-LSSVM, beetle antennae search improved BP neural network (BAS-BPNN) models and reported empirical models. In addition, the sensitivity of influencing factors to the model is evaluated based on the constructed database, and the geometric parameters X1 and X2 of the confined structure are the most critical variables for gas explosion pressure prediction. The findings of this study can help expand the application of machine learning in gas explosion prediction and can truly benefit the treatment of gas explosion accidents.     

多元混合气爆炸极限的非线性预测研究

根据混合气的爆炸极限与混合气各成分的体积浓度之间具有非线性关系的特点,笔者提出采用神经网络非线性方法来计算含有H2,CH4和CO的多元混合气体的爆炸极限。在模型中,H2,CH4和CO的体积浓度作为输入,爆炸上限和下限作为输出。计算结果表明,该非线性模型预测混合气爆炸下限和上限的最大相对误差为3.90%,3.57%,而模型预测值与计算值的相关系数分别为0.971,0.981;非线性模型的预测结果要好于偏最小二乘回归的预测结果。当H2,CO,CH4在混合气中的体积浓度给定时,非线性模型能够准确预测混合气的爆炸极限。     

基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

A new phenomenological model of gas explosion based on characteristics of flame surface

This paper presents a new model of explosion propagation in a closed vessel. The foundation of the formulation is a sub-model of turbulent burning velocity based on the assumption that the burning velocity of a turbulent wrinkled flame can be determined from the flame surface. In addition, model development includes simple sub-models of heat transfer and free convection. In order to verify the physics, the model was utilized to simulate the explosion of a methane–air mixture in two different test vessels. The results obtained by use of this new model were compared with results obtained by use of the classical model. While the simulations showed that both are accurate, the new model presented in this paper (called “flame surface model” for simplicity) is more flexible and can easily accommodate sub-models of different phenomena that can play an important role in fuel–air explosions.     

应急状态下矿井瓦斯爆炸致灾因子传播快速分类器研究*

为了在矿井瓦斯爆炸灾变发生后，快速确定瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子在井巷网络中的传播情况。利用CFD数值模拟或爆炸实验获得瓦斯爆炸冲击波的压力、温度、有毒有害气体等致灾因子传播大数据，将影响瓦斯爆炸传播的因素以及观测点等参数作为人工神经网络的输入节点，压力、温度等致灾因子作为输出节点，建立瓦斯爆炸致灾因子传播快速预测机器学习模型，解决CFD数值模拟的建模、计算及数据分析处理等过程耗时大、不适应灾变应急的快速响应等问题。研究结果表明:在给定爆炸位置和爆炸当量的均直巷道，获得任一点的爆炸冲击波压力、温度以及有毒有害气体所需时间是瞬时的，人工神经网络平均训练误差为6.92 %，有训练样本的验证误差为5.24 %，无训练样本的验证误差为6.88 %。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

基于灰色神经网络的民航事故征候预测模型研究

通过对民航事故征候的分析和预测,掌握民航事故征候的发展趋势,并据此提出相应的安全措施以预防事故发生。在灰色预测基础上,结合神经网络理论,分析民航事故征候的特点,提出民航事故征候的串联灰色神经网络组合预测模型。首先,运用灰色理论弱化数据序列波动性,然后利用神经网络非线性信息处理能力构建模型。同时,根据最近10年民航事故征候统计数据,分别对灰色预测模型、神经网络模型和灰色神经网络模型进行检验,并预测未来3年的民航事故征候数量。利用Matlab软件进行预测仿真,对3种预测方法的精度和特点进行分析和比较。结果表明:民航事故征候的灰色神经网络模型预测精度高于单一的灰色预测模型或神经网络模型,并且所需样本少,运算简便,易于实现。     

基于支持向量机的室内轰燃预测模型研究

为对室内轰燃进行准确预测,针对室内轰燃样本的不足在一定程度上制约了其应用,为此运用SVM技术构建室内轰燃预测的数学模型。在小样本条件下,应用工具软件LIBSVM进行仿真,并将SVM模型预测结果和人工神经网络预测结果进行对比。结果显示,SVM技术能较好地解决小样本和模型预测精确度之间的矛盾,SVM模型其预测精度及可行性高于神经网络模型。实例表明,由于室内火灾受多种因素影响,传统的预测方法存在一定的局限性,而SVM模型预测法预测的结果与试验结果比较一致。