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

第24卷第5期安全与环境学报Vol.24No.5

2024年5月JournalofSafetyandEnvironmentMay,2024

文章编号:1009-6094(2024)05-1681-10化液化气罐车事故、2019年3月21日发生的江苏响

水天嘉宜化工厂储罐事故。爆炸流场模拟可以为安

基于物理模型分析与深度神经网

全性评估、厂区设计和应急救援等所需的参数赋值

∗

络融合的爆炸流场实时模拟方法[1]

提供量化依据,因此,预测方法及其结果的时效性

112和准确性会影响爆炸灾害效应防控。当前,关于爆

周沈楠,王仲琦,李其中

炸最大压力的快速预测多使用经验模型或唯象模

(1北京理工大学爆炸科学与技术国家重点实验室,[2]

型,这类方法大多简化了实际场景的几何条件,无

北京100081;法准确反映冲击波传播过程中与障碍物的相互作

2华北科技学院安全工程学院,河北燕郊065201)用。通过试验模拟方法可以直接获得爆炸过程参

数,但开展全尺寸的爆炸试验不太可行,且试验成本

摘要:爆炸流场预测研究是爆炸安全性分析重要的组成部

较高。基于物理模型的计算流体动力学

分,当前基于物理模型的CFD模拟已成为复杂空间环境下

(ComputationalFluidDynamics,CFD)技术可实现燃

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,爆过程的精确描述,并提供爆炸演化的详细信息,已

[34]

ML)算法的代理模型可以有效缩短定量分析周期,但可供算被广泛用于爆炸后果定量分析。然而,开展区域

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性爆炸灾变过程模拟对计算资源的要求较高且计算

所面临的主要问题。因此,将物理模型分析与深度神经网络耗时较长,这一缺点限制了该技术在灾害应急救援

相融合,通过数据集构建、数据降维、数据回归和数据生成4[5]

中的应用。1995年,Lee等最先利用机器学习

个步骤,最终构建高效的卷积变分自编码器(Variational(MachineLearning,ML)算法对化工物质毒性进行预

AutoencoderwithDeepConvolutionalLayers,VAEDC)与多层前测,由于其强大的能力,此后ML算法被越来越多地

馈神经网络(Multi-layerForwardNeuralNetwork,MFNN)混合[69][10]