一种氢气泄漏浓度分布预测方法及系统

1.本发明涉及氢安全利用技术领域，特别是涉及一种氢气泄漏浓度分布预测方法及系统。


背景技术：

2.由于氢气具有高效、清洁和可再生的优点，以氢气作为储能和供能的能源越来越受政界、学界和工业界的关注。但是氢气具有易燃易爆、扩散系数大和易对材料力学性能造成劣化的特征，并且当在空气中氢气达到4%-75.6%体积分数，仅需0.017mj的点火能量就可点燃氢气发生爆炸。在氢气制备、储存、运输、加注和使用过程中均具有潜在的泄漏和爆炸危险，同时氢气的爆炸是在扩散范围内爆燃爆轰的合并连锁反应，产生的火焰传播速度与音速相近。因此研究氢泄漏及扩散规律，预测氢气泄漏时在空气中的浓度分布对研究氢安全具有重要意义。
3.现有的氢气泄漏浓度分布预测方法是基于流体力学的基本控制方程及数值模型，采用低压积分泄漏模型、高压欠膨胀射流模型及简化两区域模型三种模型进行数值模拟研究。然而依靠该方法需要的计算仿真时间长，且准确度不高。


技术实现要素：

4.有鉴于此，本发明提供了一种氢气泄漏浓度分布预测方法及系统，整个流程计算量小，效率高，更贴合现实，准确性高。
5.为实现上述目的，本发明提供了如下方案：一种氢气泄漏浓度分布预测方法，包括：获取若干组训练数据集；所述训练数据集包括训练浓度集和训练图像集；对所述训练图像集进行预处理，得到训练灰度图像集；将所述训练灰度图像集中的灰度值与所述训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集；基于所述训练灰度浓度映射集对灰度浓度转化模型进行训练，得到训练好的所述灰度浓度转化模型；基于所述训练灰度图像集对浓度分布预测模型进行训练，得到训练好的所述浓度分布预测模型；获取实时泄露图像集，基于所述实时泄露图像集和训练好的所述浓度分布预测模型，得到预测灰度序列；基于所述预测灰度序列和训练好的所述灰度浓度转化模型得到预测氢气浓度分布。
6.优选地，所述获取若干组训练数据集，包括：搭建实验台架，布置m1×
m2个浓度传感器，其中m1为高度方向上浓度传感器的数目，m2为宽度方向上浓度传感器的数目；
进行氢气泄漏实验，利用浓度传感器记录氢气泄漏的固定位置点浓度值，得到所述训练浓度集；利用高速摄像机记录氢气泄漏过程的完整图像，得到所述训练图像集。
7.优选地，所述对所述训练图像集进行预处理，得到训练灰度图像集，包括：对所述训练图像集进行灰度处理，得到初始训练灰度图像集；对所述初始训练灰度图像集进行卷积滤波处理，得到训练滤波图像集；对所述训练滤波图像集中的每个训练滤波图像进行划分，得到划分图像集；对所述划分图像集进行采样，得到所述训练灰度图像集。
8.优选地，所述将所述训练灰度图像集中的灰度值与所述训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集，包括：确定各所述浓度值在训练滤波图像集中训练滤波图像的位置，得到初始位置数据集；基于所述初始位置数据集在所述训练灰度图像集进行查找，得到映射关系；所述映射关系为每个所述浓度值对应一个像素块；基于各所述像素块的灰度值、各所述浓度值和所述映射关系得到所述训练灰度浓度映射集。
9.优选地，所述基于所述训练灰度浓度映射集对灰度浓度转化模型进行训练，得到训练好的所述灰度浓度转化模型，具体为：基于所述训练灰度浓度映射集对所述灰度浓度转化模型进行迭代训练，基于误差损失值对所述灰度浓度转化模型进行评价，直至所述误差损失值小于误差损失设定值，得到训练好的所述灰度浓度转化模型；所述损失误差值包括均方误差和正则化损失。
10.本发明还提供了一种氢气泄漏浓度分布预测系统，包括：数据获取模块，获取若干组训练数据集；所述训练数据集包括训练浓度集和训练图像集；预处理模块，对所述训练图像集进行预处理，得到训练灰度图像集；匹配模块，将所述训练灰度图像集中的灰度值与所述训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集；第一训练模块，基于所述训练灰度浓度映射集对灰度浓度转化模型进行训练，得到训练好的所述灰度浓度转化模型；第二训练模块，基于所述训练灰度图像集对浓度分布预测模型进行训练，得到训练好的所述浓度分布预测模型；灰度预测模块，获取实时泄露图像集，基于所述实时泄露图像集和训练好的所述浓度分布预测模型，得到预测灰度序列；浓度分布预测模块，基于所述预测灰度序列和训练好的所述灰度浓度转化模型得到预测氢气浓度分布。
11.优选地，所述数据获取模块包括：实验搭建单元，搭建实验台架，布置m1×
m2个浓度传感器，其中m1为高度方向上浓度传感器的数目，m2为宽度方向上浓度传感器的数目；数据获取单元，进行氢气泄漏实验，利用浓度传感器记录氢气泄漏的固定位置点浓度值，得到所述训练浓度集；利用高速摄像机记录氢气泄漏过程的完整图像，得到所述训
练图像集。
12.优选地，所述预处理模块包括：灰度处理单元，对所述训练图像集进行灰度处理，得到初始训练灰度图像集；滤波单元，对所述初始训练灰度图像集进行卷积滤波处理，得到训练滤波图像集；划分单元，对所述训练滤波图像集中的每个训练滤波图像进行划分，得到划分图像集；采样单元，对所述划分图像集进行采样，得到所述训练灰度图像集。
13.优选地，所述匹配模块包括：位置确定单元，确定各所述浓度值在训练滤波图像集中训练滤波图像的位置，得到初始位置数据集；映射单元，基于所述初始位置数据集在所述训练灰度图像集进行查找，得到映射关系；所述映射关系为每个所述浓度值对应一个像素块；匹配单元，基于各所述像素块的灰度值、各所述浓度值和所述映射关系得到所述训练灰度浓度映射集。
14.优选地，所述第一训练模块具体为：基于所述训练灰度浓度映射集对所述灰度浓度转化模型进行迭代训练，基于误差损失值对所述灰度浓度转化模型进行评价，直至所述误差损失值小于误差损失设定值，得到训练好的所述灰度浓度转化模型；所述损失误差值包括均方误差和正则化损失。
15.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明涉及一种氢气泄漏浓度分布预测方法及系统，方法包括：获取若干组训练数据集；训练数据集包括训练浓度集和训练图像集；对训练图像集进行预处理，得到训练灰度图像集；将训练灰度图像集中的灰度值与训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集；基于训练灰度浓度映射集对灰度浓度转化模型进行训练，基于训练灰度图像集对浓度分布预测模型进行训练；基于实时泄露图像集，结合训练好的浓度分布预测模型，得到预测灰度图像；基于预测灰度图像和训练好的灰度浓度转化模型得到预测氢气浓度分布。本发明提高了浓度分布预测的效率和精度。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明氢气泄漏浓度分布预测方法流程图；图2为本发明浓度传感器布置方式示意图；图3为本发明八位灰度图示意图；图4为本发明训练滤波图像示意图；图5为本发明灰度浓度转化模型结构图；图6为本发明氢气泄漏浓度分布预测系统结构图。
18.符号说明：1-数据获取模块，2-预处理模块，3-匹配模块，4-第一训练模块，5-第二
训练模块，6-灰度预测模块，7-浓度分布预测模块。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.本发明的目的是提供一种氢气泄漏浓度分布预测方法及系统，整个流程计算量小，效率高，更贴合现实，准确性高。
21.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
22.图1为本发明氢气泄漏浓度分布预测方法流程图。如图1所示，本发明提供了一种氢气泄漏浓度分布预测方法，包括：步骤s1，获取若干组训练数据集；所述训练数据集包括训练浓度集和训练图像集。
23.具体地所述步骤s1包括：步骤s11，搭建实验台架，布置m1×
m2个浓度传感器，其中m1为高度方向上浓度传感器的数目，m2为宽度方向上浓度传感器的数目。以10
×
2为例，所述浓度传感器的布置方式如图2所示，图2中每个四角星代表一个所述浓度传感器。
24.步骤s12，进行氢气泄漏实验，利用浓度传感器记录氢气泄漏的固定位置点浓度值，得到所述训练浓度集；利用高速摄像机记录氢气泄漏过程的完整图像，得到所述训练图像集。为了安全性的考虑，实验利用了密度与氢气相近但是不易燃易爆的氦气替代氢气，利用高速摄像机拍摄整个氢气过程，本实施例中，设定氢气的泄漏时长为10s，以0.01s的时间步长对氢泄漏进行图像和浓度分布采样，可以得到1000张x
×
y大小的氢泄漏的训练图像和（m1×
m2）
×
1000大小的氢浓度分布数据，其中x是训练图像的高，y是训练图像的宽。
25.步骤s2，对所述训练图像集进行预处理，得到训练灰度图像集。
26.优选地，所述步骤s2包括：步骤s21，对所述训练图像集进行灰度处理，得到初始训练灰度图像集。所述初始训练灰度图像集中的初始训练灰度图像为八位灰度图像，如图3所示。
27.步骤s22，对所述初始训练灰度图像集进行卷积滤波处理，得到训练滤波图像集。所述训练滤波图像集中的训练滤波图像如图4所示。优选地，采用3
×
3卷积核进行卷积滤波处理。卷积核中心作为原点（0，0），该卷积核由高斯卷积核与均值滤波叠加，可以消去图像中随机误差，卷积核计算式如下式：，；式中：x为卷积核的横坐标，y为卷积核的纵坐标，为卷积核，为高斯卷积核。
28.步骤s23，对所述训练滤波图像集中的每个训练滤波图像进行划分，得到划分图像
集。
29.由于浓度传感器测得的浓度值是一个区域的浓度，需要对训练滤波图像进行划分，使该区域能由一个像素块表示，划分计算公式如下：；；式中：为训练滤波图像的宽度，为浓度传感器检测区域的宽度，为划分后像素块的宽度，为训练滤波图像的高度，为浓度传感器检测区域的高度，为划分后像素块的高度。
30.步骤s24，对所述划分图像集进行采样，得到所述训练灰度图像集。并且以为高度步长，以为宽度步长对所述划分图像集中的划分图像进行采样，得到训练灰度图像，所述训练灰度图像的大小为。
31.步骤s3，将所述训练灰度图像集中的灰度值与所述训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集。
32.具体地，所述步骤s3包括：步骤s31，确定各所述浓度值在训练滤波图像集中训练滤波图像的位置，得到初始位置数据集。
33.具体地，基于各浓度传感器在训练滤波图像上的位置确定各浓度值在训练滤波图像上的位置，浓度传感器在训练滤波图像上的位置确定过程如下：以一个正方形区域作为氢气扩散的背景，以正方形的右下角为原点建立坐标系；以训练滤波图像的右下角作为坐标系原点，按照下述公式就可以得到浓度传感器在训练滤波图像上的位置：；式中：为浓度传感器在现实中的高度方向上的坐标值，为浓度传感器在现实中的宽度方向上的坐标值，为浓度传感器在训练滤波图像上高度方向的坐标值，为浓度传感器在训练滤波图像上宽度方向的坐标值，为正方形的高度，为正方形的宽度。
34.步骤s32，基于所述初始位置数据集在所述训练灰度图像集进行查找，得到映射关系；所述映射关系为每个所述浓度值对应一个像素块。
35.步骤s33，基于各所述像素块的灰度值、各所述浓度值和所述映射关系得到所述训练灰度浓度映射集。
36.将所述训练灰度图像转换为灰度值序列，遍历所述训练灰度图像集得到灰度值序列集；所述灰度值序列集的大小为，n为训练灰度图像集中训练灰度图像的数量。
37.将所述灰度值序列集基于时间序列按照进行逐步采样，得到灰度值时间序列集。所述灰度值时间序列集包括个灰度值时间序列。即将训练灰度图像每个像素块的灰度值按照时间序列进行采样，得到所述灰度值时间序列集。
38.将所述训练浓度集按照时间序列采样，得到浓度值时间序列集，所述浓度值时间序列集包括m1×
m2个浓度值时间序列，即将每个浓度传感器得到的浓度值按照时间序列进
行采样，得到所述浓度值时间序列集。
39.基于所述初始位置数据集将所述灰度值时间序列集与所述浓度值时间序列集进行匹配，得到所述训练灰度浓度映射集。
40.步骤s4，基于所述训练灰度浓度映射集对灰度浓度转化模型进行训练，得到训练好的所述灰度浓度转化模型。
41.优选地，从所述训练灰度浓度映射集中选出80%用于训练，剩下20%用于测试，搭建所述灰度浓度转化模型，以灰度值作为特征输入，浓度值作为最终输出量，进行迭代训练。所述灰度浓度转化模型的损失函数选用均方误差，激活函数选用relu，并且加入正则化层，将正则化损失和均方误差合在一起作为整体的误差损失值，在反向传播过程中，整个灰度浓度转化模型的尺寸会减小，同时所有的权重系数的会尽可能地变小，减小了随机误差对最终输出量的影响。所述灰度浓度转化模型如图5所示。当所述误差损失值误差损失值小于误差损失设定值且不出现过拟合时，训练结束，得到训练好的所述灰度浓度转化模型。本实施例中，所述误差损失设定值为10%。
42.所述均方误差的计算公式如下：；式中：mse为均方误差，m为当前迭代输入的灰度值的数量，为灰度值对应的真实的浓度值，为灰度值对应的预测的浓度值。
43.所述正则化损失如下：；式中：l2为正则化损失，z为权重系数的个数，λ为正则化系数，θz为第z个权重系数。
44.所述误差损失值计算公式如下：；式中：为误差损失值。
45.步骤s5，基于所述训练灰度图像集对浓度分布预测模型进行训练，得到训练好的所述浓度分布预测模型。
46.优选地，将所述灰度值时间序列集以个时间步为长度进行选取，作为一个灰度预测集，用每个时间步的前步灰度值来预测第个时间步的图像灰度值，所述浓度分布预测模型为长短期记忆网络（long short-term memory，简称lstm），所述浓度分布预测模型的激活函数选relu,损失函数选均方误差，全连接层添加正则化层，训练过程与所述灰度浓度转化模型的训练过程相同，得到训练好的所述浓度分布预测模型。
47.步骤s6，获取实时泄露图像集，基于所述实时泄露图像集和训练好的所述浓度分布预测模型，得到预测灰度序列。
48.采用如步骤s2的过程对所述实时泄露图像集进行预处理，得到实时灰度值时间序列集；基于所述实时灰度值时间序列集和训练好的所述浓度分布预测模型，得到初始预测灰度值序列，对所述初始预测灰度值序列进行插值，得到所述预测灰度值序列。
49.步骤s7，基于所述预测灰度序列和训练好的所述灰度浓度转化模型得到预测氢气浓度分布。
50.图6为本发明氢气泄漏浓度分布预测系统结构图。如图6所示，本发明提供了一种氢气泄漏浓度分布预测系统，包括：数据获取模块1、预处理模块2、匹配模块3、第一训练模块4、第二训练模块5、灰度预测模块6和浓度分布预测模块7。
51.所述数据获取模块1获取若干组训练数据集；所述训练数据集包括训练浓度集和训练图像集。
52.所述预处理模块2对所述训练图像集进行预处理，得到训练灰度图像集；所述匹配模块3将所述训练灰度图像集中的灰度值与所述训练浓度集中的浓度值进行匹配，得到训练灰度浓度映射集。
53.所述第一训练模块4基于所述训练灰度浓度映射集对灰度浓度转化模型进行训练，得到训练好的所述灰度浓度转化模型。
54.所述第二训练模块5基于所述训练灰度图像集对浓度分布预测模型进行训练，得到训练好的所述浓度分布预测模型。
55.所述灰度预测模块6获取实时泄露图像集，基于所述实时泄露图像集和训练好的所述浓度分布预测模型，得到预测灰度序列。
56.所述浓度分布预测模块7基于所述预测灰度序列和训练好的所述灰度浓度转化模型得到预测氢气浓度分布。
57.作为一种可选的实施方式，本发明所述数据获取模块1包括：实验搭建单元和数据获取单元。
58.所述实验搭建单元用于搭建实验台架，布置m1
×
m2个浓度传感器，其中m1为高度方向上浓度传感器的数目，m2为宽度方向上浓度传感器的数目。
59.所述数据获取单元用于进行氢气泄漏实验，利用浓度传感器记录氢气泄漏的固定位置点浓度值，得到所述训练浓度集；利用高速摄像机记录氢气泄漏过程的完整图像，得到所述训练图像集。
60.作为一种可选的实施方式，本发明所述预处理模块2包括：灰度处理单元、滤波单元、划分单元和采样单元。
61.所述灰度处理单元对所述训练图像集进行灰度处理，得到初始训练灰度图像集。
62.所述滤波单元对所述初始训练灰度图像集进行卷积滤波处理，得到训练滤波图像集。
63.所述划分单元对所述训练滤波图像集中的每个训练滤波图像进行划分，得到划分图像集。
64.所述采样单元对所述划分图像集进行采样，得到所述训练灰度图像集。
65.作为一种可选的实施方式，本发明所述匹配模块3包括：位置确定单元、映射单元和匹配单元。
66.所述位置确定单元，确定各所述浓度值在训练滤波图像集中训练滤波图像的位置，得到初始位置数据集。
67.所述映射单元，基于所述初始位置数据集在所述训练灰度图像集进行查找，得到映射关系；所述映射关系为每个所述浓度值对应一个像素块。
68.所述匹配单元，基于各所述像素块的灰度值、各所述浓度值和所述映射关系得到所述训练灰度浓度映射集。
69.作为一种可选的实施方式，本发明所述第一训练模块4具体为：基于所述训练灰度浓度映射集对所述灰度浓度转化模型进行迭代训练，基于误差损失值对所述灰度浓度转化模型进行评价，直至所述误差损失值小于误差损失设定值，得到训练好的所述灰度浓度转化模型；所述损失误差值包括均方误差和正则化损失。
70.本发明不依靠仿真软件，以氢气在空气中扩散的真实情况作为整个系统的输入，更贴合现实，准确性高。
71.本发明能适用于各种气体在空气中扩散的浓度分布预测，并不局限于氢气。
72.本发明基于训练好的模型，整个流程计算量小，效率高。
73.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
74.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。