基于雞群算法的危險(xiǎn)化學(xué)品泄漏擴(kuò)散事故反演方法

陳國華 胡雪薇 周利興 門金坤 陳清光

(1.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640；2.廣東省安全生產(chǎn)科學(xué)技術(shù)研究院，廣東 廣州 510640； 3.廣東省安全生產(chǎn)科技協(xié)同創(chuàng)新中心，廣東 廣州 510640)

由化工廠?；沸孤U(kuò)散引發(fā)的火災(zāi)爆炸事故時(shí)有發(fā)生，例如：2010年中石油蘭州石化公司罐區(qū)一球罐出料管開裂，碳四物料大量泄漏，遇明火爆炸，造成6人死亡，6人受傷[1]；2018年河北省張家口市中國化工集團(tuán)盛華化工有限公司氯乙烯氣柜發(fā)生泄漏，泄漏的氯乙烯擴(kuò)散到廠外遇明火爆炸，造成24人死亡，22人受傷[2]；2019年三門峽市義馬氣化廠空氣液化裝置倒塌，導(dǎo)致液氧貯槽破裂，大量液氧泄漏，泄漏源周圍可燃物在液氧或富氧條件下發(fā)生爆炸、燃燒，造成15人死亡，16人受傷，直接經(jīng)濟(jì)損失8 170萬元[3]。?；沸孤U(kuò)散導(dǎo)致的火災(zāi)爆炸事故對人民生命財(cái)產(chǎn)安全構(gòu)成了巨大損失，因此快速準(zhǔn)確地定位泄漏源位置及計(jì)算泄露源強(qiáng)成為切斷“泄漏-火災(zāi)-爆炸”連鎖事故發(fā)生的關(guān)鍵。

在實(shí)際事故場景中，危險(xiǎn)化學(xué)品氣體擴(kuò)散濃度可由傳感器監(jiān)測得到，但并不能根據(jù)該數(shù)據(jù)直接確定泄漏源位置及強(qiáng)度，因此，需要通過反演方法對泄漏氣體濃度進(jìn)行反演推算，進(jìn)而確定泄漏源強(qiáng)及位置。目前，國內(nèi)外的泄漏擴(kuò)散事故反演方法可分為基于統(tǒng)計(jì)理論的方法與基于優(yōu)化理論的方法兩類。在基于統(tǒng)計(jì)理論的方法方面，Yee[4]使用貝葉斯概率理論推導(dǎo)出了源的數(shù)量，并表征了每個(gè)源參數(shù)的后概率密度函數(shù)，然后通過正時(shí)拉格朗日隨機(jī)模型建立了多源分布與檢測器陣列測量濃度之間的映射；Keats等[5]利用馬爾科夫鏈蒙特卡羅方法對源參數(shù)的后驗(yàn)分布進(jìn)行采樣，驗(yàn)證了該方法在城市環(huán)境的高擾動流場反演問題上的可行性；Iovino等[6]利用統(tǒng)計(jì)歸納方法對城市中苯的來源進(jìn)行辨識，驗(yàn)證了統(tǒng)計(jì)方法在泄漏源反演問題上的有效性。

在基于優(yōu)化理論的方法方面，Lushi等[7]使用線性最小二乘間接優(yōu)化方法逆向估計(jì)泄漏源的排放率；Ma等[8- 9]比較了粒子群優(yōu)化算法、蟻群算法和螢火蟲算法對氣體發(fā)射源的識別能力，提出一種基于濃度分布最優(yōu)相關(guān)匹配的智能優(yōu)化方法，該方法考慮了大氣條件和噪聲數(shù)據(jù)對算法精度的影響，對數(shù)據(jù)精度的依賴性較小；Qiu等[10]使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行擴(kuò)散模擬，采用基于期望最大化的粒子群優(yōu)化算法進(jìn)行反演，有效地加速了收斂過程，但超出訓(xùn)練范圍的神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果不夠準(zhǔn)確。Cho等[11]和Kim等[12]使用隨機(jī)森林分類器來追蹤可疑泄漏源，但溯源結(jié)果準(zhǔn)確度最高僅達(dá)86.5%。Chen等[13]采用粒子群優(yōu)化算法對泄漏源項(xiàng)進(jìn)行反演，算法計(jì)算速度、精度及穩(wěn)定性較強(qiáng)。

基于統(tǒng)計(jì)理論的方法充分利用先驗(yàn)信息給出反演參數(shù)的不確定度和概率分布[14]，但采用這類方法進(jìn)行事故反演前，需獲得參數(shù)的先驗(yàn)分布，并且參數(shù)的后驗(yàn)分布抽樣過程需較大的時(shí)間成本，需要提高算法的計(jì)算效率?；趦?yōu)化理論的方法一般只需提供現(xiàn)場的監(jiān)測數(shù)據(jù)，更適用于數(shù)據(jù)有限、現(xiàn)場情況復(fù)雜、要求快速響應(yīng)的情況。

文中將高斯煙羽模型作為泄漏擴(kuò)散的計(jì)算模型，以氣體濃度傳感器監(jiān)測的氣體濃度數(shù)據(jù)與模型計(jì)算值的誤差最小化為優(yōu)化目標(biāo)，運(yùn)用雞群(Chicken Swarm Optimization，CSO)算法對泄漏擴(kuò)散事故進(jìn)行反演求解。由于初始解集對雞群算法的性能有著較大影響，采用加權(quán)質(zhì)心法生成優(yōu)越的初始種群，從而在最初尋優(yōu)時(shí)有效加速種群收斂，以提升算法求解效率。

1 泄漏擴(kuò)散反演方法

1.1 坐標(biāo)系建立與傳感器布設(shè)

以化工廠內(nèi)的泄漏擴(kuò)散事故為研究背景，為快速有效地獲得氣體濃度數(shù)據(jù)及濃度場分布情況，在廠區(qū)內(nèi)重點(diǎn)罐區(qū)及管道區(qū)域按矩陣陣列布設(shè)傳感器，并以化工廠西南角作為原點(diǎn)、正東方向作為x軸正方向、正北方向作為y軸正方向、垂直于水平面且向上作為z軸正方向建立地理坐標(biāo)系，以此得到各監(jiān)測點(diǎn)所在地理坐標(biāo)系中的坐標(biāo)。氣體濃度傳感器在地理坐標(biāo)系下的布設(shè)示意圖見圖1。

由于危化品泄漏擴(kuò)散的濃度場與風(fēng)場信息密切相關(guān)，氣體的擴(kuò)散會受風(fēng)速、風(fēng)向以及湍流等因素影響，因此在廠區(qū)內(nèi)設(shè)置風(fēng)速風(fēng)向儀，以獲取穩(wěn)態(tài)的風(fēng)速風(fēng)向相關(guān)數(shù)據(jù)。將地理坐標(biāo)系逆時(shí)針旋轉(zhuǎn)角度θ可得標(biāo)準(zhǔn)風(fēng)向坐標(biāo)系，從而將氣體濃度傳感器地理坐標(biāo)系位置轉(zhuǎn)化為標(biāo)準(zhǔn)風(fēng)向坐標(biāo)系位置，如圖2所示。坐標(biāo)系轉(zhuǎn)化關(guān)系可表示為

圖1 氣體濃度傳感器在地理坐標(biāo)系下的布設(shè)

(1)

式中，(xG，yG，zG)為氣體濃度傳感器在地理坐標(biāo)系中的位置坐標(biāo)，(xw，yw，zw)為氣體濃度傳感器在風(fēng)向坐標(biāo)系中的位置坐標(biāo)。

圖2 地理坐標(biāo)轉(zhuǎn)換示意圖

1.2 基于高斯煙羽模型的?；沸孤U(kuò)散反演模型

受泄漏物質(zhì)危險(xiǎn)性、毒害性及實(shí)驗(yàn)場地等因素的限制，危險(xiǎn)化學(xué)品泄露擴(kuò)散實(shí)驗(yàn)難以開展，故文中通過氣體擴(kuò)散模型模擬突發(fā)?；沸孤┦鹿手械臍怏w泄漏擴(kuò)散過程，獲得傳感器接收到的氣體濃度“監(jiān)測數(shù)據(jù)”。模擬氣體擴(kuò)散主要采用高斯模型、箱式模型、拉格朗日/歐拉模型以及計(jì)算流體力學(xué)模型[15]，其中，高斯模型可用于非重氣擴(kuò)散濃度計(jì)算，具有模型簡單、計(jì)算量小、可快速計(jì)算出較好結(jié)果等優(yōu)點(diǎn)，適用于實(shí)時(shí)應(yīng)急信息系統(tǒng)。因此，文中將高斯煙羽模型作為泄漏擴(kuò)散的計(jì)算模型[16]，表示為

(2)

σyi(x)、σzi(x)隨泄漏源與傳感器間的距離x而變化，若僅提供一組氣體濃度數(shù)據(jù)和相應(yīng)的地理坐標(biāo)信息，在泄漏源位置、泄漏點(diǎn)距傳感器距離均未知的情況下，無法確定σyi(x)、σzi(x)。高斯煙羽模型不具備求解此類復(fù)雜組合優(yōu)化問題的能力，因此，將?；沸孤U(kuò)散事故反演問題轉(zhuǎn)化為一個(gè)優(yōu)化目標(biāo)最小化的問題展開研究。以氣體濃度傳感器陣列中n個(gè)測量值發(fā)生明顯變化的氣體濃度傳感器的實(shí)際監(jiān)測值與理論監(jiān)測值之間的誤差絕對值最小化為目標(biāo)函數(shù)，表示為

(3)

1.3 雞群算法

由于初始解集的輸入對雞群算法的結(jié)果精度有一定影響，而加權(quán)質(zhì)心定位算法可通過權(quán)重縮小定位范圍，故采用加權(quán)質(zhì)心法生成初始解集，以提高算法的精確度并加速收斂。在標(biāo)準(zhǔn)風(fēng)向坐標(biāo)系中，基于高斯煙羽模型的氣體濃度分布如圖3所示，在此基礎(chǔ)上建立加權(quán)質(zhì)心公式。

圖3 氣體濃度分布圖

初始解集規(guī)模為pop，任意j∈[1，pop]，其對應(yīng)解集空間(Q0，xw0，yw0，zw0)通過式(4)、(5)求得：

(4)

(5)

式中，L為監(jiān)測點(diǎn)間的距離，i為傳感器索引，j為初始雞群索引，ωi為第i個(gè)監(jiān)測點(diǎn)所占權(quán)重，xi為第i個(gè)監(jiān)測點(diǎn)的橫坐標(biāo)值，yi為第i個(gè)監(jiān)測點(diǎn)的縱坐標(biāo)值，Qmax為源強(qiáng)最大值，PRE為氣體濃度傳感器最小精度。

獲得初始解集后，對雞群個(gè)體進(jìn)行適應(yīng)度計(jì)算，根據(jù)適應(yīng)度值進(jìn)行排序并確定等級秩序。不同等級的雞按相應(yīng)規(guī)則更新其位置，位置更新規(guī)則[17]如下：當(dāng)索引為i的個(gè)體是公雞時(shí)，在搜尋的過程中擁有更大的搜尋范圍，根據(jù)式(6)、(7)更新位置：

(6)

(7)

當(dāng)索引為i的個(gè)體是母雞時(shí)，跟隨其聚類中的公雞搜尋食物，其位置更新如式(8)-(10)所示：

(8)

(9)

S2=exp(fr2-fi)

(10)

式中，Rand為0～1之間的隨機(jī)數(shù)，S1為公雞的索引，S2為小雞的索引。

當(dāng)索引為i的個(gè)體是小雞時(shí)，小雞在與其存在母子關(guān)系的母雞周圍更新位置，如式(11)所示：

(11)

表1 雞群算法偽代碼

算法偽代碼中，f(x)為適應(yīng)度函數(shù)，輸出結(jié)果為最優(yōu)解。Rank(pop)是對雞群根據(jù)適應(yīng)度函數(shù)值進(jìn)行排序，Divide(pop)是將雞群分成不同組別，并確定小雞跟隨母雞關(guān)系。

2 仿真與分析

泄漏擴(kuò)散事故反演模型中雞群算法的相關(guān)參數(shù)選取如表2所示。M、pop是由下述多組測試仿真所確定的最優(yōu)值，在進(jìn)行測試仿真的過程中，每次只改變1個(gè)參數(shù)，通過泄漏源位置、源強(qiáng)與預(yù)設(shè)值的誤差大小來判斷參數(shù)取值是否合理。Pr、Ph、Pc、FL、G參考Yu等[17]的建議取值；平均風(fēng)速u、大氣穩(wěn)定度AT須結(jié)合廠區(qū)實(shí)際環(huán)境取值，文中假設(shè)事故場景發(fā)生在廣州市某化工廠；Q0參考Pang等[18]的建議取值。上述參數(shù)的設(shè)置可以使算法在短時(shí)間內(nèi)找到泄漏源位置并確定泄漏源強(qiáng)，因此，認(rèn)為上述參數(shù)設(shè)置足以滿足文中仿真需要。

表2 仿真參數(shù)[17- 18]

2.1 迭代次數(shù)對收斂過程的影響

在算法優(yōu)化過程中，運(yùn)算時(shí)間與迭代次數(shù)成正比，迭代次數(shù)直接決定了算法的計(jì)算量。算法所得最優(yōu)解會隨著迭代次數(shù)的遞增而逐漸靠近真實(shí)最優(yōu)解，所以迭代次數(shù)的優(yōu)化選擇對最終收斂結(jié)果有著決定性的影響。如圖4所示，優(yōu)化計(jì)算過程中，目標(biāo)函數(shù)、泄漏源強(qiáng)和泄漏源位置(x，y，z)分別在40、50、70、50、100次左右收斂。相較于其他群智能算法收斂速度慢的情況，該算法計(jì)算的5個(gè)參數(shù)基本都收斂于100次以下，證明了雞群算法快速收斂的優(yōu)越性。此外，CSO算法的收斂值都以極小的誤差接近于目標(biāo)值，表明算法未因收斂快而陷入局部最優(yōu)，反映了其快速準(zhǔn)確的特性。

2.2 種群數(shù)量對收斂過程的影響

雞群算法受初始設(shè)置的種群數(shù)量影響較大[17]，種群數(shù)量設(shè)置過小會導(dǎo)致無法收斂或陷入局部最優(yōu)，種群數(shù)量設(shè)置過大有利于找到全局解，但計(jì)算成本也會大大增加。因此，若要在現(xiàn)有算法結(jié)構(gòu)下找到算法的最優(yōu)計(jì)算狀態(tài)，就需要根據(jù)需求選擇一個(gè)合適的種群數(shù)量。本節(jié)選擇種群數(shù)量分別為50、100和200進(jìn)行計(jì)算，結(jié)果如圖5所示。種群數(shù)量為50的曲線在迭代70次左右收斂，種群數(shù)量為100和200的曲線在迭代30次左右收斂。相較于種群數(shù)量為50的情況，種群數(shù)量為100時(shí)整個(gè)優(yōu)化計(jì)算過程的性能明顯提高，而種群數(shù)量為100和200時(shí)的曲線無明顯差異，綜合考慮計(jì)算效率、成本與必要性后，選擇種群數(shù)量為100進(jìn)行優(yōu)化反演。

2.3 監(jiān)測點(diǎn)網(wǎng)格對計(jì)算精度的影響

如圖6所示：監(jiān)測點(diǎn)網(wǎng)格設(shè)置為2×2時(shí)，因網(wǎng)格數(shù)量過少算法不能得到正確解；監(jiān)測點(diǎn)網(wǎng)格設(shè)置為3×3時(shí)，受實(shí)際場景中風(fēng)場等因素的影響，獲得有效監(jiān)測值的監(jiān)測點(diǎn)數(shù)量較少，使得監(jiān)測濃度與計(jì)算濃度差異較小，算法快速達(dá)到終止條件，以致搜索結(jié)果并不能滿足實(shí)際要求。

(a)目標(biāo)函數(shù)的收斂過程

(b)泄漏源強(qiáng)的收斂過程

(c)泄漏位置x的收斂過程

(d)泄漏位置y的收斂過程

(e)泄漏位置z的收斂過程

圖5 種群數(shù)量對收斂過程的影響

(a)監(jiān)測點(diǎn)網(wǎng)格對源強(qiáng)及位置的影響

而當(dāng)網(wǎng)格設(shè)置為5×5及以上時(shí)，監(jiān)測網(wǎng)絡(luò)中能夠提供足夠的監(jiān)測數(shù)據(jù)供反演過程利用，保障了數(shù)據(jù)的充分性，反演得到的源強(qiáng)結(jié)果能夠很好地趨近于真實(shí)源強(qiáng)。相較于3×3網(wǎng)格時(shí)的參數(shù)計(jì)算結(jié)果，5×5網(wǎng)格所得的位置誤差下降了0.3 m左右，源強(qiáng)誤差下降了0.6‰左右，并且計(jì)算時(shí)間僅為1.3 s。而從5×5網(wǎng)格開始，增加監(jiān)測點(diǎn)網(wǎng)格后計(jì)算位置誤差下降小于0.1 m，源強(qiáng)誤差下降小于0.1‰，同時(shí)計(jì)算成本顯著增加，11×11網(wǎng)格時(shí)的計(jì)算時(shí)間最高達(dá)6.9 s。因此，根據(jù)實(shí)際情形需求，綜合考慮監(jiān)測成本和計(jì)算成本，選擇以5×5為合理布置的監(jiān)測點(diǎn)網(wǎng)格。

2.4 魯棒性驗(yàn)證

在真實(shí)的事故場景中，監(jiān)測氣體濃度傳感器可能會由于外界因素干擾出現(xiàn)“異常值”。若輸入數(shù)據(jù)中出現(xiàn)異常值，算法依舊可以實(shí)現(xiàn)優(yōu)化目的，即異常值對算法計(jì)算出的結(jié)果干擾不明顯，說明該算法的魯棒性較強(qiáng)。本節(jié)采用人工輸入有限個(gè)隨機(jī)噪聲數(shù)據(jù)的方法來測試雞群算法的魯棒性。具體做法是：在25個(gè)監(jiān)測點(diǎn)中隨機(jī)選取1至5個(gè)點(diǎn)進(jìn)行不同噪聲強(qiáng)度條件(編號1至14)下的噪聲數(shù)據(jù)干擾。具體的噪聲數(shù)據(jù)見表3。

表3 噪聲數(shù)據(jù)1)

輸入噪聲數(shù)據(jù)后，雞群算法的精度變化如圖7所示。若25個(gè)監(jiān)測點(diǎn)中同時(shí)有5個(gè)點(diǎn)產(chǎn)生超過自身數(shù)據(jù)5%的噪聲，則源強(qiáng)誤差達(dá)到11.67%(小于15%)，處于可接受范圍內(nèi)。若同時(shí)有3個(gè)點(diǎn)產(chǎn)生超過自身數(shù)據(jù)15%的噪聲，對泄漏位置x、y兩個(gè)參數(shù)的精確度影響較大。但若異常值的數(shù)量與噪聲強(qiáng)度組合超過以上兩組數(shù)據(jù)，誤差不可接受。若25個(gè)監(jiān)測點(diǎn)中僅有一個(gè)或兩個(gè)監(jiān)測點(diǎn)數(shù)據(jù)異常，即使噪聲值達(dá)到原值的50%，泄漏源位置x、y和源強(qiáng)Q的計(jì)算結(jié)果的絕對誤差分別不高于4 m、10 m和100 g/s。在實(shí)際場景中，多個(gè)傳感器同時(shí)受外部因素影響導(dǎo)致出現(xiàn)異常值的情況很少，所以，一般情況下，雞群算法的魯棒性可以滿足突發(fā)事故現(xiàn)場的泄漏源定位需求。

(a)噪聲對泄漏位置x的影響

(b)噪聲對泄漏位置y的影響

(c)噪聲對源強(qiáng)的影響

2.5 算法性能對比

粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法和遺傳算法(Genetic Algorithm，GA)是泄漏源擴(kuò)散事故反演中使用較多的兩種智能算法，定位較為準(zhǔn)確且反演速度快。CSO、PSO及GA算法都是啟發(fā)式智能優(yōu)化算法，理論上都可以搜索到全局最優(yōu)解，但尋優(yōu)機(jī)理不同。3種算法的反演精度如圖8所示。采用CSO、PSO、GA算法時(shí)，泄漏位置x的反演結(jié)果誤差分別為0.12、3.00、7.00 m，泄漏位置y的反演結(jié)果誤差分別為0.01、2.00、8.00 m，泄漏位置z的反演結(jié)果誤差均超過1.00 m，波動范圍分別為4.00～5.50 m、3.50～7.00 m、4.50～7.00 m。由此，可計(jì)算出CSO、PSO、GA算法在x方向上的反演結(jié)果相對誤差分別為0.24%、6.00%、14.0%，在y方向上的反演結(jié)果相對誤差分別為0.02%、4.00%、16.00%。CSO算法的在泄漏位置x與y方向上的反演精度顯著高于PSO、GA算法，且通過(x，y)坐標(biāo)已能準(zhǔn)確確定泄漏源的平面位置。此外，在z方向上，3種算法的誤差均超過1.00 m，但CSO算法的反演結(jié)果波動范圍相較于PSO、GA算法更小，這是因?yàn)镃SO算法主要依靠“雞群行為”進(jìn)行仿生模擬，小雞在母雞周圍覓食，母雞跟隨公雞進(jìn)行覓食，通過“代”的更替擴(kuò)大搜索空間；而GA算法是依靠“變異”操作跳脫局部極值、擴(kuò)大搜索空間，以種群適應(yīng)性為評價(jià)準(zhǔn)則，所以實(shí)現(xiàn)群體收斂需要的時(shí)間較長；PSO算法則是依靠粒子與種群的經(jīng)驗(yàn)反饋來確定搜索速度和方向，隱含并行搜索的特性，故搜索效率較高。3種算法的計(jì)算成本(時(shí)間)如圖8(d)所示?？梢园l(fā)現(xiàn)，CSO算法的計(jì)算時(shí)間為0.7 s，PSO、GA算法的計(jì)算時(shí)間分別為0.3與4.5 s，GA算法的計(jì)算成本約為CSO算法的6.43倍，說明CSO算法可極大減少計(jì)算成本。此外，CSO算法的計(jì)算時(shí)間相較于PSO算法僅增加0.4 s，可忽略不計(jì)。綜合考慮反演精度與時(shí)間成本，可以認(rèn)為，CSO算法在?；沸孤U(kuò)散反演中的表現(xiàn)較為突出。

(a)泄漏位置x的反演結(jié)果對比

(b)泄漏位置y的反演結(jié)果對比

(c)泄漏位置z的反演結(jié)果對比

(d)計(jì)算時(shí)間對比

2.6 優(yōu)化結(jié)果分布

智能優(yōu)化算法一般是建立在生物智能或物理現(xiàn)象基礎(chǔ)上的啟發(fā)式算法，由于計(jì)算結(jié)果的隨機(jī)性是啟發(fā)式算法的固有屬性，文中針對同一案例進(jìn)行了100次仿真驗(yàn)證，通過比較仿真結(jié)果與預(yù)設(shè)泄漏參數(shù)的誤差大小，判斷反演效果的好壞。泄漏位置x的反演誤差小于0.12 m，泄漏源強(qiáng)的反演誤差小于1.2 g/s。泄漏位置y的反演效果最好(見圖9(b))，正負(fù)誤差為0.01 m，且大部分?jǐn)?shù)據(jù)分布在50 m左右。泄漏位置z的反演效果最差(見圖9(c))，正負(fù)誤差為1.00 m，且大部分?jǐn)?shù)據(jù)取分布在4.40 m左右。z方向產(chǎn)生較大誤差的主要原因可能是：文中選取的泄漏點(diǎn)高度為5 m，監(jiān)測點(diǎn)高度均為0.8 m，而非重氣?；窔怏w泄漏后不會大規(guī)模向地面下沉，導(dǎo)致部署在0.8 m高度處的氣體濃度傳感器不能準(zhǔn)確得到氣體濃度數(shù)值，從而使得z方向上的精確度不高。但從實(shí)際情況看，事故發(fā)生初期僅需確定發(fā)生泄漏的裝置或儲罐，無需確定泄漏的具體坐標(biāo)點(diǎn)，因此根據(jù)優(yōu)化結(jié)果，文中方法滿足?；沸孤U(kuò)散事故反演的實(shí)際需要。

(a)泄漏位置x的反演結(jié)果

(b)泄漏位置y的反演結(jié)果

(c)泄漏位置z的反演結(jié)果

(d)源強(qiáng)的反演結(jié)果

3 結(jié)語

文中提出的危險(xiǎn)化學(xué)品泄漏擴(kuò)散事故反演方法采用陣列式布設(shè)方式布設(shè)氣體濃度傳感器，同時(shí)考慮了實(shí)際風(fēng)速、風(fēng)向等風(fēng)場信息的影響，并將傳統(tǒng)的地理坐標(biāo)系轉(zhuǎn)化為標(biāo)準(zhǔn)風(fēng)向坐標(biāo)系，簡化了計(jì)算的復(fù)雜度。以氣體泄漏實(shí)際監(jiān)測數(shù)據(jù)與高斯煙羽泄漏擴(kuò)散模型構(gòu)建未知事故源參數(shù)優(yōu)化模型，基于雞群算法對模型進(jìn)行優(yōu)化求解，并采用加權(quán)質(zhì)心算法創(chuàng)建較高質(zhì)量的初始解集，進(jìn)一步提高算法精確度與求解效率。

文中還研究了迭代次數(shù)、種群數(shù)量對算法收斂過程的影響，通過改變單一變量進(jìn)行參數(shù)測試，綜合考慮實(shí)際事故場景與反演結(jié)果的精度，討論了監(jiān)測點(diǎn)網(wǎng)格劃分對反演精度的影響，確定5×5網(wǎng)格為最佳網(wǎng)格劃分方式；并通過算法魯棒性驗(yàn)證、與PSO和GA算法進(jìn)行對比，發(fā)現(xiàn)采用雞群算法時(shí)泄漏位置z的最大誤差在1.00 m范圍內(nèi)，可滿足突發(fā)事故現(xiàn)場的應(yīng)急監(jiān)測及泄漏源定位需要。

優(yōu)化結(jié)果表明，基于雞群算法的泄漏擴(kuò)散事故反演方法能夠?qū)崿F(xiàn)化工廠內(nèi)部氣體泄漏源的快速準(zhǔn)確定位以及泄漏源強(qiáng)的準(zhǔn)確預(yù)估，可滿足突發(fā)事故現(xiàn)場應(yīng)急監(jiān)測及泄漏源定位的需求，為應(yīng)急決策提供及時(shí)有效的技術(shù)支持。后續(xù)研究中，將通過開展實(shí)驗(yàn)研究及事故案例分析等來對CSO算法的有效性進(jìn)行進(jìn)一步驗(yàn)證。