文档名：基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法
摘要：爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应.借助基于机器学习(MachineLearning,ML)算法的代理模型可以有效缩短定量分析周期,但可供算法学习的数据量少是该项技术在化工事故后果分析中应用所面临的主要问题.因此,将物理模型分析与深度神经网络相融合,通过数据集构建、数据降维、数据回归和数据生成4个步骤,最终构建高效的卷积变分自编码器(VariationalAutoencoderwithDeepConvolutionalLayers,VAEDC)与多层前馈神经网络(Multi-layerForwardNeuralNetwork,MFNN)混合模型,用于实时预测区域爆炸压力场.基于特定区域,根据定义的算法输入与输出,利用CFD技术对各种爆炸过程进行模拟以获得大量的数据;基于CFD模拟数据,利用VAEDC将区域压力场的高维特征降维为隐空间变量,利用MFNN拟合爆炸相关参数、流场观测时刻与隐变量的映射关系,并以储罐区为例进行建模分析.结果表明,所建模型预测结果的平均误差为12.8％,单次预测平均耗时0.0142s,VAEDC与MFNN混合模型可以快速准确地预测特定条件下任意时刻的爆炸压力场.
Abstract：TomakearapidandaccuratepredictionforregionalpressurefieldsproducedbyVaporCloudExplosions(VCEs),thispaperproposedamethodologythatfusesthephysicalmodel-basedanalysiswithaDeepNeuralNetwork(DNN).Thisfusionmethodcomprises4steps,includingtheconstructionofadatabase,dimensionalityreduction,dataregression,anddatageneration.Foraspecificregion,terrainparameterssuchasspatiallayoutandnaturalandgeographicalconditionsnormallyremainthesameforalongtimeorchangeverylittleinashorttime,presentingstaticstates.Besides,whenperformingnumericalsimulationsfordifferenttypesofgenericVCEs,thearrangementofobservationpointswouldbefixed.Therefore,theparametersoftheexplosivesourceandtheobservationtimeweredefinedasexplosionscenario-relatedvariables.Byrandomlychangingtheexplosivesource-relatedparametersofeachgenericVCEandcalculatingthemintheCFDtool,alargenumberofblastdatacouldbeobtained.Afterthat,theinferencealgorithmoftheVariationalAutoencoderwithDeepConvolutionalLayers(VAEDC)modelwasusedtoreducethedimensionsoftheregionalpressurefieldandgetthelatentvariables,meanwhile,thegenerativemodelwasusedtomapthelatentvariablestothepressurefielddata.Theroleofdataregressionistocorrelatethelatentvariableswiththeexplosionscenario-relatedvariablesbytheMulti-layerForwardNeuralNetwork(MFNN)model,makingthehybridmodelcanpredicttheregionalpressurefieldprovidedwithacombinationofexplosionscenario-relatedparameters.Furthermore,aprogressive-trainingapproachwasadoptedtoimprovetheDNN'slearningefficiency.Dataonsimpleexplosionscenarioswerefirstfedintothemodel,andthendataonmoresophisticatedexplosionscenarioswereprovidedtothemodelinturn.VCEsoccurringinatypicaltankfarmwereselectedasanexampleforillustration.ThroughanalyzingtheeffectsoftheVAEDC'sstructureandlatentspacesize,aswellasMFNN'slossfunctiontypeonthegeneralizationcapacityofthemodel,thehybridmodelwasfinallydeveloped.Inaddition,thepredictiveperformanceoftheDNNmodelwasevaluatedfrom4dimensions,includingthenumberofinputvariables,thedensenessofobstacles,thecomparisonofCFDdata,andstatisticsofrelativeL2normerrors.TheresultsshowthattheaveragerelativeL2normerrorofpredictionresultswas12.8％andtheaveragepredictiontimewas0.0142s.Therefore,thishybridmodelcanachievethebalancebetweentheefficiencyandaccuracyofprediction.
作者：周沈楠 王仲琦 李其中 Author：ZHOUShennan WANGZhongqi LIQizhong
作者单位：北京理工大学爆炸科学与技术国家重点实验室,北京100081华北科技学院安全工程学院,河北燕郊065201
刊名：安全与环境学报 ISTICPKU
Journal：JournalofSafetyandEnvironment
年，卷(期)：2024, 24(5)
分类号：X932
关键词：安全工程 爆炸流场 实时预测 CFD模拟 深度神经网络
Keywords：safetyengineering explosionfield real-timeprediction CFDsimulation DeepNeuralNetwork(DNN)
机标分类号：TP391.42TN912.34U674.703
在线出版日期：2024年6月12日
基金项目：国家重点研发计划基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法[
期刊论文] 安全与环境学报--2024, 24(5)周沈楠 王仲琦 李其中爆炸流场预测研究是爆炸安全性分析重要的组成部分,当前基于物理模型的CFD模拟已成为复杂空间环境下爆炸场景定量分析的首选工具,然而其计算效率较低,无法支持实时应急响应.借助基于机器学习(MachineLearning,ML)算法的...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法 Real-time explosion field modeling by fusing physical model-based analysis with deep neural network
基于物理模型分析与深度神经网络融合的爆炸流场实时模拟方法.pdf
- 文件大小:
- 6.65 MB
- 下载次数:
- 60
-
高速下载
|
|
