申请/专利权人：中国矿业大学(北京)

申请日：2022-07-06

公开（公告）日：2022-09-20

公开（公告）号：CN114840584B

主分类号：G06F16/2458

分类号：G06F16/2458;G06N3/04;G06N3/08;G06Q10/06;G06Q50/26

优先权：

专利状态码：有效-授权

法律状态：2022.09.20#授权;2022.08.19#实质审查的生效;2022.08.02#公开

摘要：本申请涉及适用于特定应用的数据处理方法技术领域，提供了一种事故灾情信息实时监测与区域重建方法及系统，该方法包括：获取的事故灾情的实时数据，然后基于预先构建的事故灾情信息预测模型，对事故灾情的时空演化规律进行预测，得到事故灾情的预测结果，如此，能够根据实时监测的数据对事故灾情的演化进行快速预判；最后根据事故灾情的预测结果，通过预先构建的事故灾情风险评估模型进行区域风险重建。如此，通过深度学习模型预先构建事故所在地的三维细节流场，大幅度降低事故的流场计算负担；通过事故灾情风险评估模型实现对事故突发时初始信息不足的情况下的区域重建，实现风险预警和应急决策。

主权项：1.一种事故灾情信息实时监测与区域重建方法，其特征在于，该方法应用于城市事故灾情的应急处置，包括：获取所述事故灾情的实时数据；所述事故灾情的实时数据通过事故现场处理人员携带的可穿戴式实时监测设备采集得到；所述事故灾情的实时数据是危险物质的浓度数据；根据所述事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对所述事故灾情的时空演化规律进行预测，得到所述事故灾情的预测结果；其中，所述事故灾情信息预测模型至少包括深度学习模型，所述深度学习模型基于卷积神经网络与长短时记忆神经网络构建；根据所述事故灾情的预测结果，通过预先构建的事故灾情风险评估模型，对所述事故灾情进行区域风险重建；根据所述事故灾情的实时数据，基于预先构建的事故灾情信息预测模型，对所述事故灾情的时空演化规律进行预测，得到所述事故灾情的预测结果，包括：基于大体量的事故灾情的环境数据，对深度学习模型进行参数学习与训练，在此基础上预先构建城市范围内事故灾情的三维细节流场；所述事故灾情的环境数据包括事故所在地的气象数据、所述事故所在地的流场数据、所述事故所在地的三维地图、所述事故所在地的地下管网数据中的一种或多种；根据事故灾情的三维细节流场和事故灾情的实时数据，基于事故灾情信息预测模型中的数据同化模型，对事故灾情的泄漏源项信息进行反演，以对事故灾情中的危险物质的时空演化规律进行预测，得到事故灾情的预测结果；所述事故灾情风险评估模型包括剂量反应模型、概率后果模型、人员密度模型、等效气体云模型中的一个或多个；其中，所述剂量反应模型用于计算所述事故中有毒气体对人体伤害的风险；所述等效气体云模型用于根据所述实时数据中的泄漏物质浓度评估爆炸蒸汽云的体积；所述概率后果模型和所述人员密度模型用于根据所述剂量反应模型的计算结果以及所述等效气体云模型的评估结果，计算所述事故中的个人风险；剂量反应模型和概率后果模型公式如下： 式中，D表示某一位置（）人员对释放的有毒气体的吸入剂量，（）表示该某一位置的坐标；表示危险物质在区域内点（）的浓度；t表示时间；t0表示事故泄漏开始时间；t1表示评估截止时间；n表示模型常数，取值为2.0；P表示人员致死率；Y为与D有关的参数；A和B为常数，取值为A=-16.29，B=1.0，可根据不同的危险物质种类进行确定；x为积分变量；人员密度模型根据特定区域的人员统计数据进行不同时间尺度的转换得到；等效气体云模型公式如下： 式中，Q9表示危险物质的化学计量浓度所占有的体积，可用于将不同梯度的浓度场转换为均质可燃气体，方便计算和评估；V表示危险物质的体积；S表示危险物质的层流点火速度；E为危险物质的体积膨胀率；所述方法基于云端、边端融合技术实现，可穿戴式实时监测设备作为边端设备还包括数据传输模块，用于将可穿戴式实时监测设备采集的事故灾情的实时数据传输至云端的预先构建的事故灾情信息预测模型，和或接收云端的事故灾情信息预测模型得到的事故灾情预测结果，和或，接收云端的事故灾情风险评估模型区域重建得到的当前区域的风险水平。

全文数据：

权利要求：

百度查询： 中国矿业大学(北京) 一种事故灾情信息实时监测与区域重建方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD