CN117236198A - 一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法 - Google Patents

Abstract

本发明公开了一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，属于燃爆事故防控技术领域。技术方案为：首先构建相应的气体燃爆实验系统并获取燃爆压力监测点实验数据；之后利用OpenFOAM构建燃爆模型，对k‑ε湍流模型中的表征流体不稳定性与障碍物诱导的湍流参数进行拉丁抽样，并进行仿真模拟形成仿真训练数据集；再之后求出湍流火焰传播模型，嵌入到控制方程与湍流模型中；最后实现稀疏分布障碍物下，油气燃爆多时空演化机制与超压特性的表征，分析流体不稳定性与障碍物共同诱导的湍流效应，指导预防措施的制定。有益效果：该方法能够有效的求解气体燃爆的压力、火焰等参数的演化过程及大小范围，保障石化企业的安全运行。

Description

一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法

技术领域

本发明属于障碍物稀疏分布下的燃爆事故防控技术领域，具体地说是一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法。

背景技术

工业过程中，特别是化工和石油化工生产中，可燃性气体得到广泛应用。由于装置设备本身的缺陷或人为因素导致装置内混入空气形成可燃气体混合物而达到爆炸极限，遇引燃源就会发生气体爆炸事故。一旦发生该类爆炸事故，就有可能导致严重的财产损失和人员伤亡。另外，对于化工与石化企业，由于其设备众多，分布情况复杂，发生事故后，造成的后果更难以分析。

在给定场景相关变量(如点火位置、气体浓度、气体体积等)的情况下，对目标场景燃爆进行建模是支持实时应急响应计划和决策过程的关键。理想情况下，全面的实验测试是最可靠的方法，然而，由于其高成本和高风险，这一方法很难实现。计算流体力学(CFD)已被广泛应用于精确模拟各种气体在不同空间内发生燃爆后产生的超压情况。但是对于化工与石化企业这种开场空间、结构复杂、设备布局不均匀的场景来说，需要进一步分析其燃爆事故中火焰和压力的演化过程。

鉴于化工与石化企业气体燃爆事故的危险性及环境破坏性，并且传统实验方法具有成本高、危险性大的缺点。目前化工与石化企业亟需开展对于危险气体燃爆时空演化数值求解的研究，实现燃爆超压和火焰演化的提前模拟预测，为燃爆的应急处理以及减灾抗爆提供技术保障，因此，本发明提供一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，能够准确预测化工与石化企业燃爆事故的超压和火焰的大小以及演化过程，保障企业的安全运行。

发明内容

为了解决上述技术问题，本发明提供一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法。

一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述求解方法包括以下步骤：

S1、构建障碍物非均匀分布下的气体燃爆实验系统，获取燃爆压力监测点的实验数据；

S2、利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样，并进行仿真模拟形成仿真训练数据集；

S3、利用机器学习进行逆求解流体不稳定性与湍流效应的参数，从而求出湍流火焰传播模型，嵌入到控制方程与湍流模型中；

S4、实现稀疏分布障碍物下，油气燃爆多时空演化机制与超压特性的表征，分析流体不稳定性与障碍物共同诱导的湍流效应，指导预防措施的制定。

进一步地，所述S1中获取燃爆压力监测点所述实验数据的步骤如下：

S11：通过实验模型、危险气体充气系统、点火系统和数据收集系统共同组成障碍物非均匀分布下的所述气体燃爆实验系统并在所述气体燃爆实验系统中的不同位置布置若干压力检测点；

S12：对提前布置好的压力监测点开展燃爆实验，获取模型不同位置的压力数据，即为所述实验数据。

进一步地，所述S2中利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样的的具体步骤如下：

S21：使用CAD与OpenFOAM中的snappyhexmesh功能进行模型构建以及网格的划分，并进行网格敏感性分析；

S22：对湍流模型中的流体不稳定性与湍流效应的参数开展ANOVA分析，以获取重要度高的参数，其中湍流模型表示如下：

其中，为经验参数，/>是雷诺平均密度，/>是时间，/>是/>分量的质量平均速度，/>是湍流能量，/>是湍流能量的耗散，/>是/>的湍流普朗特数，/>是/>的普朗特数，是湍流粘度，/>是雷诺应力，/>为摩擦因数；

S23：对所述流体不稳定性与湍流效应的参数定义上下范围边界，从边界范围内进行拉丁抽样，组成仿真组合。

进一步地，所述S3的具体步骤如下：

S31：使用python实现自动微分变分推理，具体如下：

将贝叶斯推理的后验密度参数化，并将近似类分布和真实后验之间的差异/>最小化，可表示为：

式中，被称为变分密度，是一个参数化的密度，由/>参数化，应易于采样和评估；KL（Kullback-Leibler）散度是衡量两个密度之间“距离”的度量。

随后，将（证据下限）最大化来替代/>的最小化，可表示为：

于是（3）式可表示为：

随后，引入一个固定的变分近似，定义一个一对一的可微函数：

并将转换后的变量识别为ζ=T(θ)；

在自动微分变分推理中，假设所有模型参数都是连续的，并将梯度化，得到：

将梯度放入期望值内，得到：

其中，从标准正态图的中提取z，（μ，σ）是变分均值和标准差。

最后执行某种梯度下降，以获得对的解。可以用自动微分来计算期望内部的梯度。使用随机梯度上升来自动化变分推理。

S32：将注意力机制引入全连接神经网络，具体如下：

对于输入向量x=[x ₁,x ₂,…,x _n]^T，其经过隐含层，先得到线性输出向量z=[z ₁,z ₂,…,z _n]^T，主要通过权重向量W与偏置向量来确定的，表示为：

在得到线性输出向量后，利用非线性函数对输出向量进行转换得到隐含层的输出向量或者输出层的输出向量/>，在神经网络中这种非线性函数也叫做激活函数，其形式如下：

对所有输入矢量进行相似度运算，得到注意力值H=/>，利用SoftMax函数对注意力值进行归一化处理，以得出注意力权重系数，其公式如下：

将所有输入注意力值和相应的权重系数进行加权求和，得到输出矢量Attention(h)，其公式如下：

S33：使用引入注意力机制的全连接神经网络和自动微分变分推理构建流体不稳定性与湍流效应的参数逆求解模型。

有益效果：本发明提出了一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法。该方法可实现对海上平台危险气体燃爆演化的模拟，具有良好的泛化能力，有助于更全面、更合理地预测平台气体燃爆覆盖的危险区域；同时，在传统CFD模型的基础上，进行了逆求解工作，可以更精准的求解出火焰与压力的演化情况，并具有良好的应用潜力。总体而言，本发明提出的一种障碍物非均匀分布下的逆求解燃烧模型是构建应急管理数字孪生体系的合适备选方案，有助于海上平台的安全运行，其所对应的一种机器学习逆求解非均匀障碍物下燃烧模型的构建方法有效的保障了石化企业的安全运行。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述求解方法包括以下步骤：

S1、构建障碍物非均匀分布下的气体燃爆实验系统，获取燃爆压力监测点的实验数据；

S2、利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样，并进行仿真模拟形成仿真训练数据集；

S3、利用机器学习进行逆求解流体不稳定性与湍流效应的参数，从而求出湍流火焰传播模型，嵌入到控制方程与湍流模型中；

S4、实现稀疏分布障碍物下，油气燃爆多时空演化机制与超压特性的表征，分析流体不稳定性与障碍物共同诱导的湍流效应，指导预防措施的制定。

进一步地，所述S1中获取燃爆压力监测点所述实验数据的步骤如下：

S11：通过实验模型、危险气体充气系统、点火系统和数据收集系统共同组成障碍物非均匀分布下的所述气体燃爆实验系统并在所述气体燃爆实验系统中的不同位置布置若干压力检测点；

S12：对提前布置好的压力监测点开展燃爆实验，获取模型不同位置的压力数据，即为所述实验数据。

进一步地，所述S2中利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样的的具体步骤如下：

S21：使用CAD与OpenFOAM中的snappyhexmesh功能进行模型构建以及网格的划分，并进行网格敏感性分析；

S22：对湍流模型中的流体不稳定性与湍流效应的参数开展ANOVA分析，以获取重要度高的参数，其中湍流模型表示如下：

其中，为经验参数，/>是雷诺平均密度，/>是时间，/>是/>分量的质量平均速度，/>是湍流能量，/>是湍流能量的耗散，/>是/>的湍流普朗特数，/>是/>的普朗特数，是湍流粘度，/>是雷诺应力，/>为摩擦因数；

S23：对所述流体不稳定性与湍流效应的参数定义上下范围边界，从边界范围内进行拉丁抽样，组成仿真组合。

进一步地，所述S3的具体步骤如下：

S31：使用python实现自动微分变分推理，具体如下：

将贝叶斯推理的后验密度参数化，并将近似类分布和真实后验之间的差异/>最小化，可表示为：

式中，被称为变分密度，是一个参数化的密度，由/>参数化，应易于采样和评估；KL（Kullback-Leibler）散度是衡量两个密度之间“距离”的度量。

随后，将（证据下限）最大化来替代/>的最小化，可表示为：

于是（3）式可表示为：

随后，引入一个固定的变分近似，定义一个一对一的可微函数：

并将转换后的变量识别为ζ=T(θ)；

在自动微分变分推理中，假设所有模型参数都是连续的，并将梯度化，得到：

将梯度放入期望值内，得到：

其中，从标准正态图的中提取z，（μ，σ）是变分均值和标准差。

最后执行某种梯度下降，以获得对的解。可以用自动微分来计算期望内部的梯度。使用随机梯度上升来自动化变分推理。

S32：将注意力机制引入全连接神经网络，具体如下：

对于输入向量x=[x ₁,x ₂,…,x _n]^T，其经过隐含层，先得到线性输出向量z=[z ₁,z ₂,…,z _n]^T，主要通过权重向量W与偏置向量来确定的，表示为：

在得到线性输出向量后，利用非线性函数对输出向量进行转换得到隐含层的输出向量或者输出层的输出向量/>，在神经网络中这种非线性函数也叫做激活函数，其形式如下：

对所有输入矢量进行相似度运算，得到注意力值H=/>，利用SoftMax函数对注意力值进行归一化处理，以得出注意力权重系数，其公式如下：

将所有输入注意力值和相应的权重系数进行加权求和，得到输出矢量Attention(h)，其公式如下：

S33：使用引入注意力机制的全连接神经网络和自动微分变分推理构建流体不稳定性与湍流效应的参数逆求解模型。

实施例2

一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，具体包括以下步骤：

步骤1、构建障碍物非均匀分布下的气体燃爆实验系统，获取燃爆压力监测点的实验数据：

第一步：通过实验模型、危险气体充气系统、点火系统、数据收集系统共同组成障碍物非均匀分布下的气体燃爆实验系统。

第二步：对提前布置好的压力监测点开展燃爆实验，获取模型不同位置的压力数据，即为所述实验数据。

步骤2、利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样，并进行仿真模拟形成仿真训练数据集；

第一步：使用CAD与OpenFOAM中的snappyhexmesh功能进行模型构建以及网格的划分，并进行网格敏感性分析，最终网格数量为723万。

第二步：对湍流模型中的经验参数开展了ANOVAA分析，最终确定重要经验参数为。

第三步：在上下20%的范围内开展了拉丁抽样，形成了50组仿真训练数据集。

步骤3、对模型开展了敏感性分析，分别对不同网格数量下的模型开展仿真模拟，最终确定最有收敛网格数量为723万；

步骤4、利用机器学习进行逆求解流体不稳定性与湍流效应的参数，从而求出湍流火焰传播模型，嵌入到控制方程与湍流模型中；

步骤5、实现稀疏分布障碍物下，油气燃爆多时空演化机制与超压特性的表征，分析流体不稳定性与障碍物共同诱导的湍流效应，指导预防措施的制定。根据火焰以及压力的演化以及分布情况,得出以下结论：

（1）稀疏分布障碍物下，火焰不稳定性与障碍物诱导的湍流共同作用火焰与超压的传播。

（2）障碍物的约束对火焰模型的转换起着重要作用。

本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (4)

1.一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述求解方法包括以下步骤：

S1、构建障碍物非均匀分布下的气体燃爆实验系统，获取燃爆压力监测点的实验数据；

S2、利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样，并进行仿真模拟形成仿真训练数据集；

S3、利用机器学习进行逆求解流体不稳定性与湍流效应的参数，从而求出湍流火焰传播模型，嵌入到控制方程与湍流模型中；

S4、实现稀疏分布障碍物下，油气燃爆多时空演化机制与超压特性的表征，分析流体不稳定性与障碍物共同诱导的湍流效应，指导预防措施的制定。

2.根据权利要求1所述的一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述S1中获取燃爆压力监测点所述实验数据的步骤如下：

S11：通过实验模型、危险气体充气系统、点火系统和数据收集系统共同组成障碍物非均匀分布下的所述气体燃爆实验系统并在所述气体燃爆实验系统中的不同位置布置若干压力检测点；

S12：对提前布置好的所述压力监测点开展燃爆实验，获取模型不同位置的压力数据，即为所述实验数据。

3.根据权利要求1所述的一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述S2中利用OpenFOAM构建与所述气体燃爆实验系统相同的燃爆模型，对流体不稳定性与湍流效应的参数进行拉丁抽样的具体步骤如下：

S21：使用CAD与OpenFOAM中的snappyhexmesh功能进行模型构建以及网格的划分，并进行网格敏感性分析；

S22：对湍流模型中的流体不稳定性与湍流效应的参数开展ANOVA分析，以获取重要度高的参数；

S23：对所述流体不稳定性与湍流效应的参数定义上下范围边界，从边界范围内进行拉丁抽样，组成仿真组合。

4.根据权利要求1所述的一种稀疏障碍物下燃爆火焰传播模型的机器学习求解方法，其特征在于，所述S3的具体步骤如下：

S31：使用python实现自动微分变分推理；

S32：将注意力机制引入全连接神经网络；

S33：使用引入注意力机制的全连接神经网络和自动微分变分推理构建流体不稳定性与湍流效应的参数逆求解模型。