粒子群—支持向量机模型在苯储罐泄漏事故中的应用研究

发布时间：2020-05-22 13:18

【摘要】：苯是化工生产中常见的危险化学品,苯储罐一旦发生泄漏,如果不及时采取有效应急处理措施,很容易就会引发毒害甚至火灾、爆炸事故。同时,由于化工生产中存在较多数量的危险物质,容易发生连锁反应,严重威胁人们的生命、财产安全,因此我们需要重视苯储罐泄漏事故。在事故前对苯储罐泄漏事故风险进行预测以及事故中实时预测苯储罐泄漏事故的浓度,对降低苯储罐泄漏事故的风险以及提高苯储罐泄漏事故现场中应急能力方面具有重要意义。目前有关危化品泄漏风险预测研究,主要集中于危险源定性定量相结合分析和事故后果分析,但均难以在事故发生前预测苯储罐泄漏事故风险。关于危化品泄漏浓度预测研究主要包括理论计算、实验测量和数值模拟分析,但分别存在条件受限、计算极其耗时等缺点,不适用于泄漏事故应急场景。支持向量机模型是主要的机器学习算法之一,能有效处理小样本、非线性问题,但其模型的精度会受到其内部参数的影响。因此本文提出采用全局优化算法粒子群(PSO)优化支持向量机(SVM)模型参数,建立粒子群-支持向量机(PSO-SVM)模型,并创新性将其应用于事故前苯储罐泄漏事故风险预测和事故中苯储罐泄漏浓度实时预测。本文主要工作如下:首先我们采用PSO-SVM模型进行事故前苯储罐泄漏事故风险预测,为验证PSO-SVM模型的风险预测性能,我们分别对比了PSO-SVM、GA-SVM、GS-SVM三种模型预测值与测试集的均方误差、相关系数以及参数优化结果,并进一步讨论了PSO-SVM模型中权重调整方式以及种群数量对风险预测值的影响。结果发现PSO-SVM模型预测风险值与测试集的均方差最小,相关系数最高,预测效果最好。权重线性递减所建PSO-SVM风险预测模型与测试集吻合最好,预测效果最佳。群数量不影响PSO-SVM模型预测精度但会影响时间消耗。其次我们采用PSO-SVM模型实时预测苯储罐泄漏事故浓度,在浓度实时预测中我们采用ALOHA模拟获取样本数据。为验证PSO-SVM模型的浓度预测性能,我们分别对比了PSO-SVM、GA-SVM、BP神经网络三种模型浓度预测值和模拟值的相对误差、均方误差以及相关系数。发现PSO-SVM模型浓度预测值与模拟值的相关系数最高,相对误差和均方误差都最小,说明PSO-SVM浓度预测模型性能更好。然后为进一步验证所建立的PSO-SVM浓度预测模型的正确性,我们分别对第12、13泄漏场景的浓度分布进行预测。通过划分事故影响范围,发现所划分的事故影响范围形状与ALOHA模拟形状基本保持一致,而且所预测的的事故影响范围与模拟的范围基本相近。最后我们将PSO-SVM模型应用于某煤化基地苯储罐泄漏场景,采用FDS模拟获取浓度样本数据,建立基于PSO-SVM的危险位置浓度预测模型,并将预测结果与FDS模拟值进行对比,然后进一步计算预测浓度值与模拟值之间的均方误差和相关系数来表征预测结果。结果发现PSO-SVM预测的浓度值与FDS模拟值整体趋势大致相同,误差在可接受范围之内。并且预测值与模拟值之间具有较小的均方误差和较高相关系数,说明基于PSO-SVM危险位置的浓度预测精度比较好,可以用于实际工程应用。
【图文】：

技术路线图,技术路线,储罐,风险

图１．１本文技术路线逡逑

示意图,平面,示意图,最优分类

ＳＶＭ模型是以线性可分的最优分类平面为基础其回归学习策略就是寻逡逑找一个回归面使支持向量到该平面的间隔最大。假设训练样本集Ｂ（ｘｉ，ｙｉ），其中逡逑ｘｉｅｘｅＲｎ，ｙｉｅｙｅ｛－ｉ，ｉ｝，存在一个平面可以将训练集分为两类，如图２．１所示。逡逑图中的矩形与圆形分别代表训练样本集中的两类样本，，实线Ｈ能把样本集逡逑Ｂ（ｘｉ，ｙｉ）进行正确分类，称为最优分类线。上下两条虚线ＨＩ、Ｈ２分别是距离最逡逑优分类线Ｈ最近的两种样本点，且与Ｈ平行。位于Ｈ１和Ｈ２上的两类样本点逡逑称为为支持向量。Ｈｌ、Ｈ２间的距离称为分类间隔。由图可知，最优分类线Ｈ逡逑不仅可以正确分开两类样本，而且能使支持向量到该分类线的间隔最大，那么逡逑这个平面就可以成为最优分类平面，也就是我们所求得回归平面。逡逑？邋？邋？逡逑，＼邋Ｘ．逡逑■逦＿、、、逦＼＼＾ｍ逡逑■逦■、、＇、、间隔〉＾逡逑Ｈ２逡逑图２．１最优平面分类示意图逡逑若最优平面方程记做ｙ＝ｃ0ｘ＋ｂ
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TQ086

【相似文献】