(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111058534.6 (22)申请日 2021.09.10 (65)同一申请的已公布的文献号 申请公布号 CN 113962164 A (43)申请公布日 2022.01.21 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 师吉浩　陈国明　朱渊　谢伟康　 李俊杰　王晴　常博　李传坤　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 陈海滨 (51)Int.Cl. G06F 30/28(2020.01)G06F 30/27(2020.01) G06N 5/04(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01) (56)对比文件 CN 111144055 A,2020.0 5.12 CN 111145633 A,2020.0 5.12 尹爱军等.基 于变分自编码器的轴承健康状 态评估. 《振动.测试与诊断》 .2020,(第0 5期), 吴雅菊等.毒气泄漏扩散风险的参数不确定 性分析. 《中国安全生产科 学技术》 .2016,(第04 期), 章博等.基 于场景集的危险气体 检测报警仪 选址方法. 《中国石油大 学学报(自然科 学版)》 .2016,(第0 6期), 审查员 李祖布 (54)发明名称 考虑不确定性推理的有机气体泄漏扩散实 时智能预警方法 (57)摘要 本发明公开一种考虑不确定性推理的有机 气体泄漏扩散实时智能预警方法， 基于FLACS建 立油气扩散数值模型， 开展典型场景下的扩散模 拟； 将气体浓度作为数据集， 结合Conv ‑VAE无监 督模型耦合算法， 构建卷积概率编码器与概率解 码器； 将气体扩散场景有关参数、 潜在空间变量 作为训练数据集及标签， 通过VBnn开展有 监督学 习， 建立输入 特征和潜在空间变量分布之间的概 率密度映射 关系； 将VBnn模型与Conv ‑VAE模型解 码器相结合， 建立考虑不确定性推理的有机气体 泄漏扩散实时在线智能预警模型； 该方法实现对 扩散浓度的概率时序预测， 能够更全面、 更合理 地估计扩散气体覆盖的危险区域， 保障油气处理 系统的安全运行。 权利要求书3页 说明书8页 附图2页 CN 113962164 B 2022.09.30 CN 113962164 B 1.考虑不确定性推理的有机气体泄漏扩散实时智能预警方法， 其特征在于， 所述预警 方法包括以下步骤： 步骤1、 基于FLACS， 建立油气扩散数值模型， 根据所建立的油气扩散数值模型结合研究 对象的油气处 理系统所在区域的通 风情况， 开展通 风数值模拟； 步骤2、 以通风数值模拟结果为基础， 开展典型扩散场景I下的扩散模拟， 获取典型扩散 场景I下不同时刻气体浓度数据集X： 式中， n1是扩散场景的数量， n2是与扩散场景相关变量的数量， n3和n4表示在任何特定 时间t内由研究域长度x、 宽度y和高度h三个维度中的任意两个维度组成的方向矩 阵的维 数； 步骤3、 将具有高维时空特征的气体浓度数据 集X通过Conv ‑VAE无监督模型耦合算法降 维至具有连续分布特征 的低维度潜在空间变量z， 构建具有不确定性分布特征 的气体浓度 概率分布P(X)， 计算表示如下： P(X)＝ ∫P(X|z)P(z)dz， z～P(z|X)       (2) 式中， P(z)为潜在空间变量z的分布， 其中z的分布服从卷积概 率编码器P(z|X)； 通过Conv ‑VAE无监督模型耦合算法构建卷积概率编 码器Pθ(z|X)， θ为Pθ(z|X)对应潜在 空间变量z的分布 参数、 每个θ对应一个具有 特定分布的z， 通过输入步骤2中公 式(1)的气体 浓度数据集X， 计算n1个扩散场景下具有连续分布特征的NZ维潜在空间变量z， 计算表示如 下： 构建卷积 概率解码器Pθ(X|z)， 低维的潜在空间变量z通过解码器Pθ(X|z)升维生成具有 与对应气体浓度X 具有相同时空分布特 征的气体浓度数据X ′， 计算表示如下： 式中， NZ代表潜在空间的维数、 表征潜在空间大小， 是变分参数； 代表潜在空间变 量z的第NZ维度， 为气体浓度数据集X经过具有变分参数 的编码器Encoder后 转换为具有NZ维的潜在空间变量z， 为将潜在空间变量 经过 Decoder再转换为气体浓度数据集X ′； 步骤4： 构 建输入典型扩散场景I和 潜在空间变量z之间 的概率密度P(z|I)的映射关系， 将(I， z)作为训练数据集及标签， 假定权重w遵循密度分布P(w|z， I)， 通过VBnn开展有监督 学习确定权重w， 将 权重w作为最优化变 分参数χ， 建立 典型扩散场景I和潜在空间变量z 之间 的概率密度映射关系P(z|I)； 步骤5： 将VBnn有监督的学习模型与Conv ‑VAE无监督模型耦合算法模型的解码器部分 相结合， 建立考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型， 在线智能预 警模型通过 给定与扩散场景I有关的参数， 以实现对 扩散浓度X的概 率时序预测P(X|I)； 根据步骤3中构建的卷积概率解码器P(X|z)以及步骤4 中构建的映射关系P(z|I)， 构 建权　利　要　求　书 1/3 页 2 CN 113962164 B 2考虑不确定性推理的有机气体泄漏扩散实时在线智能预警模型P(X|I)： P(X|I)＝ ∫P(X|z)P(z|I)dz,z～P(z|I)and  I＝f‑1(X) 式中， z为潜在空间变量。 2.根据权利要求1所述的考虑不确定性推理的有机气体泄漏扩散实时智能预警方法， 其特征在于， 所述的步骤3中卷积概率解码器Pθ(X|z)构建过程使用适用于深度学习的变分 贝叶斯推理， 具体详细过程如下： 第一步： 引入变分分布 逼近代替卷积概率编码器Pθ(z|X)， 通过求解变分分布 与卷积概率编码器Pθ(z|X)两者之间 的KL散度的最小值使得 能够逼近代替 Pθ(z|X)， KL散度表示如下： 式中， P(X)为气体浓度数据集X对应的概率分布， 为证据下 界， 为 和Pθ(z|X)之间的KL散度， θ是权重、 偏差， 其中的潜在空间变量z可参数化为z＝ μ +σ * ε( ε～N(0,1) )， 代表潜在空间变量z的特 征值， 即均值、 偏差； 不确定性分布特征的气体浓度概率分布P(X)为气体浓度数据集X对应的概率分布， logP(X)对于每个确定气体浓度是固定的， 因此求解KL散度最小值可变为求解证据下界 最大值； 第二步： 对第一步 中的公式(5)中证据下界 进行变形处理， 在Conv ‑VAE无 监督模型耦合 算法模型中， 计算为： 式中， 为 与Pθ(z)的KL散度， 为重构损 失， Pθ(z)为潜在空间变量z对应的概 率分布； 假设Pθ(z)为中心各向同性高斯分布并且 是具有对角协方差结构的多元高斯分 布， 进一步表示为： 式中， J为训练次数； σj代表第j次训练的方差； μj代表第j次训练的均值， X'为对应气体 浓度X具有相同时空分布特 征的气体浓度数据； 第三步： 确定变分分布 及Conv‑VAE模型中编码器卷积层输出， 最大化第二步中 的式(7)中证据下界 使用变分分布 逼近替代Pθ(z|X)， 同时将最大化 对应的μ和 ε作为Co nv‑VAE编码器中卷积层的输出； 第四步： 根据 μ和 ε， 确定编码器 和解码器Pθ(X|z)， 通过编码器输入公 式(1)的气 体浓度X来计算 n1个扩散场景 下具有NZ维的潜在空间变量z矩阵， 计算表示如下： 权　利　要　求　书 2/3 页 3 CN 113962164 B 3