Bow-tie模型分析在乙烯球罐区的应用实践

针对乙烯球罐区属于一级重大危险源和高风险重点监控区域的特点,将Bow-tie模型分析方法引入到乙烯球罐区的风险管理中,通过识别危险因素和初始事件,确定乙烯泄漏为顶上事件,定性分析了导致乙烯球罐泄漏的原因和后果,设置有针对性的预防和减缓屏障,验证了各屏障的有效性,提出针对性的措施,实现Bow-tie模型分析方法在乙烯球罐区风险管控的成功运用。     

基于Elman神经网络的流体管道泄漏点检测定位

目的通过Elman神经网络预测对泄漏点进行过检测定位。方法基于流体压力波的负压波法及反馈型Elman神经网络方法,开展水力输运管道的泄漏定位研究。利用Flowmaster仿真软件中的水力输运模型建立长度为1100 m的一维管路系统,针对此系统开展不同管路状态参数下的数值仿真计算。结果通过小波变换技术实现了数据降噪与奇异点捕捉,完成了泄漏点位置的估算。同时,借助反馈型Elman神经网络,开展了不同泄漏工况下的网络训练和预测,利用经过训练的神经网络对所选取的5组泄漏点完成了定位预测,最大测试误差为1.83%。结论通过Elman神经网络预测得到的结果与实际泄漏位置进行对比,验证了反馈型神经网络方法在管路泄漏智能定位问题中的准确性与有效性。     

液化烃球罐泄漏温度场及材料适应性研究

针对高压储存的液化烃一旦发生泄漏,会迅速气化并吸热,使得球罐温度降低,严重时温度可能低于标准中允许的球罐材质最低适应温度的问题,建立球罐三维物理模型,基于CFD模拟的方法,采用雷诺时均的Navier-Stokes方程和k-ε湍流模型,分析球罐管线发生泄漏时球罐本体及周围环境的温度分布情况,探讨了不同泄漏孔径对球罐温度的影响。研究结果表明球罐发生泄漏时,球罐外部温度会明显降低,由于保温层的存在,球罐本体温度降幅不大。但在泄漏孔附近会形成较小的低温区,超过了16MnR材质的低温承受能力,存在较大的风险。     

基于半监督卷积神经网络的文本情感分类

针对情感分析需要标注大量高质量的训练集来提高模型的准确率,以及卷积神经网络无法充分利用句子中特有的情感信息,提出了一种基于多通道半监督卷积神经网络的情感分析模型。该模型通过重构卷积神经网络的损失函数以及不改变网络的结构来实现模型的半监督学习。同时,模型针对情感分析任务中特有的情感信息来构建文本输入矩阵以及将句子不同特征信息结合形成不同的网络输入通道,使模型在训练过程中从多方面的特征表示来学习输入句子的情感信息。并在COAE 2014和IMDB数据集上进行试验,验证了所提出方法的有效性。     

面向石化厂区安全风险防控的异常场景图像识别技术研究

针对石化厂区安全风险防控的需求,提出了一种基于卷积神经网络的单分类图像识别算法。为了构建识别模型,首先创建了一个带标签的厂区火灾、烟雾图像数据集用于模型的训练。其次,通过特征提取及分类器模块,实现了对视频监控异常场景的识别。此外,设计了一种全新的损失函数,以增强异常场景识别能力。该算法采用端到端的网络架构,解决了传统目标检测方法的结构臃肿、计算复杂等问题,减少了模型的复杂程度,弥补了现有视频监控资源利用场景的不足,进一步提高了厂区风险识别能力。实验结果表明,所提出的单分类视频监控图像识别算法在准确率等方面优于现有算法。     

事故后果模拟在乙烯储罐定量评价中的应用

针对乙烯储罐发生灾难性破裂事故,建立了相应的评价模型,对事故模拟过程中各种参数的影响进行了较详细的分析,分析了发生泄漏事故后乙烯的扩散距离及影响程度,对乙烯泄漏危害后果进行了定量评价,为装置布局和事故应急救援提供了技术指导和理论依据,尽可能降低乙烯泄漏事故造成的危害。     

基于端到端深度学习的有机光伏材料光电转化效率预测

碳中和背景下,亟需开发高效清洁的新型能源,以减少对化石能源的依赖。有机光伏材料作为一种可将太阳能或其他光能直接转化为电能的材料,日益成为一种具有重大应用前景的低碳能源材料。在探索新的高性能有机光伏材料的过程中,机器学习虽然能够提高材料设计效率,但其预测能力极大受制于描述符的开发和选取。利用循环神经网络、卷积神经网络、图神经网络等算法,构建端到端的深度学习模型预测有机光伏材料光电转化效率,所建模型可直接从SMILES符号、分子图像、分子图网络中提取化合物结构信息,而无须人为开发和选取描述符。所得模型不仅能够较为准确地预测有机光伏材料的光电转化效率(其中最优模型五折交叉验证结果和测试集预测结果决定系数均>0.73),而且能够识别影响转化效率的关键结构特征。该研究结果可为新型环境功能材料设计提供理论参考。     

基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM2.5浓度预测

准确预测PM_2.5浓度可以有效避免重污染天气对人体带来的危害。现有方法往往重视本地历史信息对PM_2.5浓度预测的影响,而忽略空间传输的作用。提出了一种长短期记忆网络和卷积神经网络(LSTM-CNN)相结合的方法,利用历史PM_2.5浓度数据、历史气象数据和时间数据,对空气质量监测站未来6 h PM_2.5浓度做出预测。该模型主要由2部分组成:1)基于长短期记忆网络的时序预测模型,模拟本地因素对PM_2.5浓度预测的影响;2)基于一维卷积神经网络的特征提取模型,模拟周边地区污染物的传输与扩散对PM_2.5浓度预测的影响。随机选取了北京市市区及郊区7个监测站在2014-05-01—2015-04-30期间的数据,用于研究和评估LSTM-CNN模型。结果表明:提出的LSTM-CNN模型相比于LSTM模型具有更好的预测效果,且对于郊区站点预测效果的改进略优于市区站点。     

基于模拟-优化方法的地下水污染源溯源辨识

以抚顺市某煤矸石堆放场为研究区,根据研究区的实际条件建立地下水污染质运移模拟模型,预测地下水污染质未来时空变化特征.基于正演预报结果构建了假想例子,应用模拟-优化方法对地下水污染源源强及场地的渗透系数进行反演识别.为减小优化模型反复调用模拟模型所产生的计算负荷,分别采用Kriging方法和BP神经网络方法建立了模拟模型的替代模型.最后运用模拟退火法求解优化模型,得到反演识别结果.研究表明：应用Kriging方法建立的替代模型输出结果的平均相对误差为0.3%;应用BP神经网络方法建立替代模型的输出结果平均相对误差为1.5%,应用两种替代模型对污染源源强识别的相对误差均小于0.5%,对场地两个参数分区渗透系数识别的相对误差均不大于5%.综上,应用Kriging方法建立的替代模型精度高于BP神经网络方法,利用基于两种替代模型的模拟-优化方法对污染源源强和渗透系数进行同步识别精度可以满足实际需求,是有效可行的.     

基于环境空气中VOCs在线监测数据精准识别化工园区VOCs排放源

为精准识别化工园区环境空气VOCs排放源,2017年1月基于连续在线GC-FID法逐时监测某化工园区5个点环境空气中43种VOCs数据,运用统计分析法和PMF模型识别其来源,再结合CPF方法和企业排放信息达到精准化识别各排放源.结果表明,5个监测点平均VOCs体积分数为56.40×10^-9,除一个点其余点均以烷烃含量最高,主要是乙烷、丙烷、乙烯、甲苯、异丁烷、正丁烷和乙炔;园区环境空气中VOCs来自丁烷泄漏、工艺过程中排放、储罐排放、乙烯合成和城区传输这5个来源;基于气象传输路径分析和企业排放信息,识别出园区有7家化工企业以及园区外运河装卸区是观测期间VOCs的主要排放源.本研究以在线监测数据为基础,联合受体模型、气象条件及企业排放信息,实现了化工园区内VOCs污染来源的精准化定位,为园区内企业排放的监督和管理提供依据.     

一种基于卷积神经网络的源解析因子识别方法

为解决源解析因子识别过程中人为参与及判定过程复杂的问题,提高源解析因子识别工作的效率,提出基于卷积神经网络（CNN）的 源解析因子识别方法.通过文献调研,构造可供CNN模型训练的因子识别数据集,对因子识别模型进行训练与调试,并以北京市南部采样点的PM_2.5组分观测数据对模型进行验证.同时,利用正定矩阵分解模型（PMF）解析得到不同因子数时的源谱矩阵,输入因子识别模型并与人工分析比对.结果表明,9个因子时模型的识别效果最佳,可以实现既无重复识别又无“无法判定”的情况,与源解析因子人工识别结果吻合,证明了所提出方法的合理性与可行性.该方法不仅对源解析中因子识别问题具有一定的实用价值,同时对减排策略的制定与动态调整也具有积极意义.     

基于Fuzzy-DBN的氨泄漏爆炸事故风险分析

传统的事件树、故障树和静态贝叶斯网络在事故风险分析中存在一定的局限性,动态贝叶斯网络对于描述多态性、相关性、时序性、交互行为的复杂系统在节点的安全风险以及预测未来一段时间内事故发生概率方面较为突出。提出将动态贝叶斯网络模型与模糊数学方法相结合的思路,分析氨制冷系统预防氨泄漏爆炸事故风险的方法。先根据氨泄漏爆炸事故故障树,利用GENIE软件建立了氨泄漏爆炸事故风险评估的模糊动态贝叶斯网络(Fuzzy-DBN)模型;然后利用模糊数学方法确定动态贝叶斯网络模型中的条件概率参数,利用动态贝叶斯网络算法推理计算各根节点发生的后验概率,并进行前向推理,预测事故发生概率;最后将该风险评估模型应用于某氨泄漏爆炸事故风险分析,通过案例分析验证了该模型的可行性。得出导致氨泄漏爆炸事故发生的关键火源因素及泄漏因素,并基于动态贝叶斯网络,根据氨制冷系统发生氨泄漏报警情况,对氨泄漏爆炸事故发生概率进行预测。     

基于SSA-BP与SSA的地下水污染源反演识别

应用基于SSA-BP神经网络替代模型的模拟-优化方法和SSA研究了地下水污染源位置及释放历史的反演识别问题。并在建立地下水水流模型时,应用Cholesky分解方法建立含水层渗透系数连续场,该方法相比于普通的参数分区方法更好地描述了水文地质参数的非均质性。结果表明:SSA-BP神经网络替代模型对模拟模型具有较高的逼近精度,其平均相对误差仅有3.21%。应用SSA求解优化模型,能够快速准确地识别出点污染源的位置及释放历史。SSA对污染源位置的反演识别相对误差在10%左右,对污染源源强的反演识别相对误差不超过4%。因此,本文所提出的方法是一种有效的地下水污染源识别方法,可为污染责任认定及污染修复方案的优化提供参考。     

液化气球罐区消防演练过程问题分析及对策

对液化气球罐区泄漏消防演练过程存在的问题进行了分析,提出了整改措施和建议.     

基于GA-ITA的输油管道泄漏定位研究

针对输油管道泄漏定位问题,提出基于遗传算法(GA)的反瞬态分析(ITA)法输油管道泄漏定位模型(即GA-ITA模型)。首先,采用龙格-库塔法求解管道流体动力学模型;其次,分析输油管道泄漏工况特征,将泄漏定位问题转换为最优化问题,建立了ITA法输油管道泄漏定位模型,分别采用GA、PSO、SAA和TS 4种算法求解该模型,并结合室内试验数据,对比了4种算法的计算速度和精度;最后,根据建立的基于GA-ITA的输油管道泄漏定位模型,设置管长为5～20 km、内径为100～400 mm的管道,当泄漏率为2%～20%时,分析GA-ITA模型的适应性。结果表明:GA-ITA模型的计算速度最快(约2.3 s/次),管道泄漏定位误差最小(0.07%～4.67%);对于不同泄漏工况的仿真管道,GA-ITA模型均具有良好的适应性。     

地下油罐泄漏区污染源的自动识别

地下油罐泄漏隐蔽性大,不易被及时发现,而且泄漏出的烃类化合物毒性强,对地下水会造成严重污染.为了对某一地下油罐污染源位置和强度进行准确识别,本研究结合现场调查结果,建立了该地下油罐泄漏区的石油污染物反应运移模型.在基本确定污染源泄漏区范围的前提下,进一步建立地下油罐泄漏区污染源的识别模型,并利用遗传算法对泄漏区污染源的位置和泄漏强度进行了自动识别,进而通过参数敏感性分析来评价和比较不同参数对污染物运移结果的影响.结果表明,运移模型中与地下水流场变化相关的特征参数（如开采量、水力坡度、渗透系数等）对污染物运移结果的影响相对比较明显.对于污染源来说,研究不同污染组分在含水层中的化学和生物化学变化显得尤为重要.     

液化石油气球罐泄漏扩散的数值模拟

利用流体力学Fluent软件,对液化石油气球罐区泄漏扩散进行了数值模拟,主要研究不同风速和不同形状障碍物存在条件下扩散流场的变化规律。结果表明:风速影响扩散方向、距离、浓度以及扩散平衡时间;障碍物的存在改变了常规扩散轨迹、空腔区浓度积聚,且不同曲率的障碍物在介质扩散过程中所承受的外压不同。该研究结果对球罐区安全事故救援具有指导意义。     

基于遗传神经网络的除湿机故障诊断与寿命预测

目的识别除湿机的性能状态和预测吸附剂的剩余寿命。方法针对除湿机故障过程缓变的特点,提出一种基于数据驱动的遗传神经网络模型。首先,为解决设备失效程度划分模糊的问题,由5个热力参数组成反映吸附剂劣化程度的特征向量,关联分析得到除湿机的5类故障模式。其次,利用遗传神经网络建立状态参数和故障模式的映射关系。最后,对表征设备吸附能力的主参数进行外推预测。结果训练好的诊断网络可准确地识别出设备的劣化程度及其演变过程,预测网络的预测精度非常高。结论该方法可有效地实现对除湿机的故障诊断与预测。。     

深度学习神经网络在管道故障诊断中的应用研究

针对管道故障诊断特征参数选取经验化和诊断准确率低的问题,提出一种基于深度学习神经网络(DLNN)的管道故障诊断方法。首先建立由自动编码器(AE)和分类器SOFTMAX构成的深度学习神经网络分类(CDLNN)模型,并利用该模型对4类数据集进行分类性能测试;然后运用小波分析法提取8种反映管道运行状态的特征参数,输入AE中进行转换,重构反映管道运行状态的特征参数,最后输入分类器SOFTMAX中进行诊断,将这种基于DLNN的故障诊断方法应用于实验室油气储运管道泄漏检测系统中,以验证方法的有效性。结果表明:该方法的管道故障识别平均准确率达92.86%,其与凭借经验选取特征参数的BPNN方法和SVM方法相比,具有更高的稳定性和辨识率。     

基于卷积神经网络的行人人头检测方法对比研究

为提高车站客流统计的精度使其可以准确预警,针对传统的客流统计方法步骤繁琐、准确率低等局限性,对基于卷积神经网络的行人人头检测方法进行研究。首先在常州某车站安检站台处通过高位摄像头采集行人的人头数据库;然后通过不同的行人特征提取网络(Inception模块、Resnet、Mobilenet)与Faster R-CNN、SSD、R-FCN等目标检测结构组合的方式来对比探究各种行人人头检测组合模型的准确率和检测速度,并选择最优的行人人头检测方法;最后通过模型试验分析,结果显示Inception-V2特征提取网络与Faster R-CNN目标检测结构组合的行人人头检测模型具有较高的准确率和较优的实时性,这种行人人头检测方法对客流预警具有重要的意义。