CN118824408B 半封闭空间内有害气体扩散的预测方法、装置、设备及存储介质 （江苏经贸职业技术学院）

本发明公开了一种半封闭空间内有害气体2收集初始数据；初始数据包括半封闭空间的三维结构信构建深度强化学习模型，并通过空间网格模型的每个网格中的初始数据进行学习训通过结合深度强化学习模型和蒙特卡洛树搜索算法，并基于实时的气根据激光雷达与环境传感器网络收集的空间信息，生成基础的均2N-1根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格gi计算一个调整因子，网格调整函数为：AdjustGridDensityAdjustGridDensity函数接受网格gi、浓度梯度量ΔC和流体动力学因子Λ,返回调整因子ttttt为第t个网格历史各个时刻网格浓度，t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间步的网tt代表第t个网格历史各个时刻各个时间步的扩初始化深度神经网络，输入层为状态向量，隐藏层结3卷积层：使用多个卷积核来捕捉每个网格及其邻近网格之间输出层：预测每个可能动作a的预期回报，即在给定状态下采取通过深度强化学习模型根据当前状态向量S输出一个预测的动作向通过蒙特卡洛树搜索算法将当前状态作为根节点，根据深度强通过蒙特卡洛树搜索算法让每个子节点继续生成其子节点，直到达到预设终止状态，t经过多次迭代后，通过蒙特卡洛树搜索算法根据每个节点的第二构建模块，用于构建深度强化学习模型，并通过空间网4预测模块，用于通过结合深度强化学习模型和蒙特卡洛树搜索算法根据激光雷达与环境传感器网络收集的空间信息，生成基础的均2N-1根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格gi计算一个调整因子，网格调整函数为：AdjustGridDensityAdjustGridDensity函数接受网格gi、浓度梯度量ΔC和流体动力学因子Λ,返回调整因子ttttt为第t个网格历史各个时刻网格浓度，t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间步的网tt代表第t个网格历史各个时刻各个时间步的扩初始化深度神经网络，输入层为状态向量，隐藏层结卷积层：使用多个卷积核来捕捉每个网格及其邻近网格之间输出层：预测每个可能动作a的预期回报，即在给定状态下采取5通过深度强化学习模型根据当前状态向量S输出一个预测的动作向通过蒙特卡洛树搜索算法将当前状态作为根节点，根据深度强通过蒙特卡洛树搜索算法让每个子节点继续生成其子节点，直到达到预设终止状态，t经过多次迭代后，通过蒙特卡洛树搜索算法根据每个节点的算机程序时实现如权利要求1至3中任意一项所述的半封闭空间内有害气体扩散的预测方8.一种计算机可读存储介质，其特征在于，所利要求1至3中任意一项所述的半封闭空间内有害气体扩散6g12N-17g[0013]对每个网格gi计算出其浓度梯度量ΔC和[0014]根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格AdjustGridDensity函数接受网格gi、浓度梯度量ΔC和流体动力学因子Λ,返回调整因子[0017]对从动态网格模型的每个网格的初始数据进行环境状态st提取ttttt]其中ct为第t个网格历史各个时刻网格浓t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间步t代表第t个网格历史各个时刻各个时间步[0024]作为上述方案的改进，所述通过结合深度强化学习模型8[0035]本发明另一实施例对应提供了一种半封闭空间内有害气体扩散的预测装置，包g[0043]对每个网格gi计算出其浓度梯度量ΔC和[0044]根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格gi计算一个调整因子，网格调整函数为：AdjustGridDensity(gi,△C,Λ)->scaAdjustGridDensity函数接受网格gi、浓度梯度量ΔC和流体动力学因子Λ,返回调整因子9[0047]对从动态网格模型的每个网格的初始数据进行环境状态st提取tttttt为第t个网格历史各个时刻网格t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间t代表第t个网格历史各个时刻各个时间理器执行所述计算机程序时实现上述发明实施例所述的半封闭空间内有害气体扩散的预述发明实施例所述的半封闭空间内有害气体扩[0069]图1是本发明一实施例提供的一种半封闭空间内有害气体扩散的预测方法的流程[0070]图2是本发明一实施例提供的一种半封闭空间内有害气体扩散的预测装置的结构[0072]参见图1，是本发明一实施例提供的一种半封闭空间内有害气体扩散的预测方法g12N-1g[0082]对每个网格gi计算出其浓度梯度量ΔC和[0083]根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格gi计算一个调整因子，网格调整函数为：AdjustGridDensity(gi,△C,Λ)->scaleFactor:[0087]对从动态网格模型的每个网格的初始数据进行环境状态st提取t]其中ct为第t个网格历史各个时刻网格浓t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间步t代表第t个网格历史各个时刻各个时间步能准确评估状态的价值(价值函数优化)。A3C[0099]通过在A3C的损失函数中引入元学习损失项，鼓励模型学习如何快速调整其参数扩散浓度预测视为一系列可学习的动作。通过设计包含卷积神经网络的深度神经网络架[0102]作为上述方案的改进，所述通过结合深度强化学习模型[0115]状态初始化：当前状态向量构建包含化工厂各监测点的实时氯气浓度(如点A:[0122]参见图2，是本发明一实施例提供的一种半封闭空间内有害气体扩散的预测装置时的气体浓度分布数据和实时环境参数，预测得到半封闭空间内有害气体的未来扩散路[0131]对每个网格gi计算出其浓度梯度量ΔC和[0132]根据气体浓度变化率ΔCi和流体动力学因子Λ,并基于网格调整函数为每个网格AdjustGridDensity函数接受网格gi、浓度梯度量ΔC和流体动力学因子Λ,返回调整因子[0135]对从动态网格模型的每个网格的初始数据进行环境状态st提取ttt为第t个网格历史各个时刻网格t代表第t个网格的历史时刻的数量；设计动作空间定义为历史时间t代表第t个网格历史各个时刻各个时间处理器执行所述计算机程序时实现上述各个半封闭空间内有害气体扩散的预测方法实施个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述半封闭空间内有害气体扩散的预测设气体扩散的预测设备的示例，并不构成对半封闭空间内有害气体扩散的预测设备的限定，他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器和线路连接整个半封闭空间内有害气体扩散的预测设备的[0157]所