【摘要】：苯是化工生產(chǎn)中常見的危險(xiǎn)化學(xué)品,苯儲(chǔ)罐一旦發(fā)生泄漏,如果不及時(shí)采取有效應(yīng)急處理措施,很容易就會(huì)引發(fā)毒害甚至火災(zāi)、爆炸事故。同時(shí),由于化工生產(chǎn)中存在較多數(shù)量的危險(xiǎn)物質(zhì),容易發(fā)生連鎖反應(yīng),嚴(yán)重威脅人們的生命、財(cái)產(chǎn)安全,因此我們需要重視苯儲(chǔ)罐泄漏事故。在事故前對(duì)苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)以及事故中實(shí)時(shí)預(yù)測(cè)苯儲(chǔ)罐泄漏事故的濃度,對(duì)降低苯儲(chǔ)罐泄漏事故的風(fēng)險(xiǎn)以及提高苯儲(chǔ)罐泄漏事故現(xiàn)場(chǎng)中應(yīng)急能力方面具有重要意義。目前有關(guān)危化品泄漏風(fēng)險(xiǎn)預(yù)測(cè)研究,主要集中于危險(xiǎn)源定性定量相結(jié)合分析和事故后果分析,但均難以在事故發(fā)生前預(yù)測(cè)苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)。關(guān)于危化品泄漏濃度預(yù)測(cè)研究主要包括理論計(jì)算、實(shí)驗(yàn)測(cè)量和數(shù)值模擬分析,但分別存在條件受限、計(jì)算極其耗時(shí)等缺點(diǎn),不適用于泄漏事故應(yīng)急場(chǎng)景。支持向量機(jī)模型是主要的機(jī)器學(xué)習(xí)算法之一,能有效處理小樣本、非線性問題,但其模型的精度會(huì)受到其內(nèi)部參數(shù)的影響。因此本文提出采用全局優(yōu)化算法粒子群(PSO)優(yōu)化支持向量機(jī)(SVM)模型參數(shù),建立粒子群-支持向量機(jī)(PSO-SVM)模型,并創(chuàng)新性將其應(yīng)用于事故前苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè)和事故中苯儲(chǔ)罐泄漏濃度實(shí)時(shí)預(yù)測(cè)。本文主要工作如下:首先我們采用PSO-SVM模型進(jìn)行事故前苯儲(chǔ)罐泄漏事故風(fēng)險(xiǎn)預(yù)測(cè),為驗(yàn)證PSO-SVM模型的風(fēng)險(xiǎn)預(yù)測(cè)性能,我們分別對(duì)比了PSO-SVM、GA-SVM、GS-SVM三種模型預(yù)測(cè)值與測(cè)試集的均方誤差、相關(guān)系數(shù)以及參數(shù)優(yōu)化結(jié)果,并進(jìn)一步討論了PSO-SVM模型中權(quán)重調(diào)整方式以及種群數(shù)量對(duì)風(fēng)險(xiǎn)預(yù)測(cè)值的影響。結(jié)果發(fā)現(xiàn)PSO-SVM模型預(yù)測(cè)風(fēng)險(xiǎn)值與測(cè)試集的均方差最小,相關(guān)系數(shù)最高,預(yù)測(cè)效果最好。權(quán)重線性遞減所建PSO-SVM風(fēng)險(xiǎn)預(yù)測(cè)模型與測(cè)試集吻合最好,預(yù)測(cè)效果最佳。群數(shù)量不影響PSO-SVM模型預(yù)測(cè)精度但會(huì)影響時(shí)間消耗。其次我們采用PSO-SVM模型實(shí)時(shí)預(yù)測(cè)苯儲(chǔ)罐泄漏事故濃度,在濃度實(shí)時(shí)預(yù)測(cè)中我們采用ALOHA模擬獲取樣本數(shù)據(jù)。為驗(yàn)證PSO-SVM模型的濃度預(yù)測(cè)性能,我們分別對(duì)比了PSO-SVM、GA-SVM、BP神經(jīng)網(wǎng)絡(luò)三種模型濃度預(yù)測(cè)值和模擬值的相對(duì)誤差、均方誤差以及相關(guān)系數(shù)。發(fā)現(xiàn)PSO-SVM模型濃度預(yù)測(cè)值與模擬值的相關(guān)系數(shù)最高,相對(duì)誤差和均方誤差都最小,說明PSO-SVM濃度預(yù)測(cè)模型性能更好。然后為進(jìn)一步驗(yàn)證所建立的PSO-SVM濃度預(yù)測(cè)模型的正確性,我們分別對(duì)第12、13泄漏場(chǎng)景的濃度分布進(jìn)行預(yù)測(cè)。通過劃分事故影響范圍,發(fā)現(xiàn)所劃分的事故影響范圍形狀與ALOHA模擬形狀基本保持一致,而且所預(yù)測(cè)的的事故影響范圍與模擬的范圍基本相近。最后我們將PSO-SVM模型應(yīng)用于某煤化基地苯儲(chǔ)罐泄漏場(chǎng)景,采用FDS模擬獲取濃度樣本數(shù)據(jù),建立基于PSO-SVM的危險(xiǎn)位置濃度預(yù)測(cè)模型,并將預(yù)測(cè)結(jié)果與FDS模擬值進(jìn)行對(duì)比,然后進(jìn)一步計(jì)算預(yù)測(cè)濃度值與模擬值之間的均方誤差和相關(guān)系數(shù)來表征預(yù)測(cè)結(jié)果。結(jié)果發(fā)現(xiàn)PSO-SVM預(yù)測(cè)的濃度值與FDS模擬值整體趨勢(shì)大致相同,誤差在可接受范圍之內(nèi)。并且預(yù)測(cè)值與模擬值之間具有較小的均方誤差和較高相關(guān)系數(shù),說明基于PSO-SVM危險(xiǎn)位置的濃度預(yù)測(cè)精度比較好,可以用于實(shí)際工程應(yīng)用。
【圖文】：

圖１．１本文技術(shù)路線逡逑

ＳＶＭ模型是以線性可分的最優(yōu)分類平面為基礎(chǔ)其回歸學(xué)習(xí)策略就是尋逡逑找一個(gè)回歸面使支持向量到該平面的間隔最大。假設(shè)訓(xùn)練樣本集Ｂ（ｘｉ，ｙｉ），其中逡逑ｘｉｅｘｅＲｎ，ｙｉｅｙｅ｛－ｉ，ｉ｝，存在一個(gè)平面可以將訓(xùn)練集分為兩類，如圖２．１所示。逡逑圖中的矩形與圓形分別代表訓(xùn)練樣本集中的兩類樣本，，實(shí)線Ｈ能把樣本集逡逑Ｂ（ｘｉ，ｙｉ）進(jìn)行正確分類，稱為最優(yōu)分類線。上下兩條虛線ＨＩ、Ｈ２分別是距離最逡逑優(yōu)分類線Ｈ最近的兩種樣本點(diǎn)，且與Ｈ平行。位于Ｈ１和Ｈ２上的兩類樣本點(diǎn)逡逑稱為為支持向量。Ｈｌ、Ｈ２間的距離稱為分類間隔。由圖可知，最優(yōu)分類線Ｈ逡逑不僅可以正確分開兩類樣本，而且能使支持向量到該分類線的間隔最大，那么逡逑這個(gè)平面就可以成為最優(yōu)分類平面，也就是我們所求得回歸平面。逡逑？邋？邋？逡逑，＼邋Ｘ．逡逑■邐＿、、、邐＼＼＾ｍ逡逑■邐■、、＇、、間隔〉＾逡逑Ｈ２逡逑圖２．１最優(yōu)平面分類示意圖逡逑若最優(yōu)平面方程記做ｙ＝ｃ0ｘ＋ｂ
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TQ086

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬旭霞;;支持向量機(jī)理論及應(yīng)用[J];科學(xué)技術(shù)創(chuàng)新;2019年02期

2 江少杰;寧紀(jì)鋒;李云松;;加權(quán)間隔結(jié)構(gòu)化支持向量機(jī)目標(biāo)跟蹤算法[J];中國(guó)圖象圖形學(xué)報(bào);2017年09期

3 李娜;孫樂;胡一楠;李笑;王亞南;;模糊型支持向量機(jī)及其在入侵檢測(cè)中的應(yīng)用[J];科技創(chuàng)新與應(yīng)用;2018年11期

4 邵元海;楊凱麗;劉明增;王震;李春娜;陳偉杰;;從支持向量機(jī)到非平行支持向量機(jī)[J];運(yùn)籌學(xué)學(xué)報(bào);2018年02期

5 高欽姣;張勝剛;賈曉薇;;基于支持向量機(jī)的股票價(jià)格預(yù)測(cè)模型研究與應(yīng)用[J];課程教育研究;2016年28期

6 林香亮;袁瑞;孫玉秋;王超;陳長(zhǎng)勝;;支持向量機(jī)的基本理論和研究進(jìn)展[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自科版);2018年17期

7 安悅tD;丁世飛;胡繼普;;孿生支持向量機(jī)綜述[J];計(jì)算機(jī)科學(xué);2018年11期

8 梁武;蘇燕;;一種新的基于類內(nèi)不平衡數(shù)據(jù)學(xué)習(xí)支持向量機(jī)算法[J];科技通報(bào);2017年09期

9 吳青;梁勃;;分段熵光滑支持向量機(jī)性能研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2015年08期

10 牛r

本文編號(hào)：2676054