一种用于氢气泄漏和爆炸后果的快速级联预测网络
《Chinese Journal of Chemical Engineering》:A rapid cascaded prediction network for hydrogen leakage and explosion consequences
【字体:
大
中
小
】
时间:2026年09月19日
来源:Chinese Journal of Chemical Engineering 3.5
编辑推荐:
• 提出了一种级联深度学习框架,用于快速预测氢气泄漏。
• 该框架将扩散和爆炸后果预测整合到单一工作流中。
• 可燃云体积(Q8)在物理上连接了这两个预测阶段。
• 计算速度比高保真CFD快三个数量级以上。
• 该框架可实现准确的实时预测,用于氢气安全评估。
## 引言
• 提出了一种级联深度学习框架,用于快速预测氢气泄漏。
• 该框架将扩散和爆炸后果预测整合到单一工作流中。
• 可燃云体积(Q8)在物理上连接了这两个预测阶段。
• 计算速度比高保真CFD快三个数量级以上。
• 该框架可实现准确的实时预测,用于氢气安全评估。
## 引言
全球向可持续能源体系的转型将氢气定位为关键的能源载体,可再生能源制氢(P2H2)技术作为实现深度脱碳和碳中和的核心途径之一正在崛起[1], [2]。通过将过剩的可再生电力转化为绿氢,P2H2系统为长期储能、行业耦合和难减排行业的脱碳提供了有前景的解决方案[3], [4]。然而,这些设施的规模化建设和广泛应用面临着氢气独特理化性质的固有挑战——尤其是其宽泛的爆炸极限、低点火能量,以及由于其低分子量而导致的易于泄漏和快速扩散的特性[4], [5]。在密闭或半密闭的工艺区域内(如电解槽区域或纯化单元),非预期的释放可迅速导致可燃气氛-空气混合云的形成[6], [7]。一旦遇到点火源,该混合云可引发蒸气云爆炸(VCE),产生破坏性超压,对人类生命、关键基础设施和周围环境构成灾难性风险[8], [9]。因此,快速、准确、完整地预测下游后果——从初始扩散到潜在爆炸的能力——不仅仅是一项学术练习,更是运营上的迫切需求。它构成了动态风险评估、实时预警系统和有效应急响应方案的关键基础,所有这些都旨在减轻事故严重性并确保氢能经济的可持续增长。
传统上,高保真计算流体力学(CFD)模拟一直是此类后果分析的权威工具。通过数值求解Navier-Stokes方程并结合组分传输和燃烧模型,CFD可以相当详细地重现湍流扩散、云团形成和爆炸动力学的复杂瞬态物理过程,确立了其在安全论证评估和设计评价中的金标准地位[10], [11]。然而,这种物理保真度需要付出巨大的计算代价。单次包含整个泄漏至爆炸时间线的高分辨率三维瞬态模拟,可能需要高性能计算集群数小时甚至数天的计算时间[12], [13]。这种严重的延迟使得传统CFD与应急响应中近实时(秒到分钟级)的决策需求根本不相容,因为每一刻都至关重要[14]。此外,进行大量参数研究以进行安全设计优化或概率风险评估,需要数千次这样的模拟,变得成本和时间上难以承受[6], [15]。
针对这一计算瓶颈,数据驱动代理建模——特别是使用深度学习(DL)——近年来获得了显著关注[16], [17]。研究人员开发了各种架构来加速后果链的特定环节。例如,卷积神经网络(CNN)及其变体已成功作为快速模拟器,用于从固定泄漏场景中预测稳态或准稳态气体浓度场[14], [18]。类似地,包含循环结构(如长短期记忆(LSTM)网络或混合ConvLSTM)的模型在预测扩散羽流的时序演化方面展现出了前景[15], [19]。对于爆炸建模,研究重点在于使用深度网络将简化的源项(如等效TNT质量或火焰速度参数)映射到超压轮廓[20], [21], [22], [23]。尽管这些研究表明与其隔离任务相比,相比CFD具有数量级的加速效果,但主流研究范式仍然是碎片化的。泄漏/扩散阶段和爆炸阶段通常被独立建模,往往依赖于不兼容的假设、简化的桥接模型或人工干预来连接这两个阶段[5]。这种脱节造成了重大的研究和应用差距:缺乏一个无缝的、端到端的计算框架,能够在单一集成工作流中接收基本泄漏参数并直接输出详细的扩散景观和爆炸超压场。这样的框架对于从回顾性分析转向主动的、实时预测至关重要,可为应急场景提供连贯的数字孪生体。
最近,几项研究在基于深度学习的氢气安全预测领域取得了进展[5], [24]。Shi等人[9]开发了一种物理引导的图神经网络用于城市级氢气VCE模拟,通过将火焰传播物理整合到学习过程中,实现了0.97的R2。Zhang等人[6]和Li等人[25]提出了一种基于物理信息GNN的氢气射流扩散预测模型,利用稀疏传感器数据,相比传统PINNs展现出1000倍的精度提升。Li等人[13], [26]引入了一种深度概率时空神经网络用于氢气扩散和爆炸预测,具有量化不确定性。对于集成后果评估,Yuan等人[27]和Shao等人[28]将CFD模型与数据驱动方法相结合,以解决氢隧道和加氢站中氢气扩散的安全评估需求。尽管取得了这些进展,仍持续存在三个关键差距:(1) 现有框架没有一个提供在单一工作流中集成端到端跨越扩散和爆炸的预测;(2) 两个阶段之间的物理联系通常通过简化的经验模型处理,而不是直接从学习的扩散输出中推导;(3) 现有物理信息模型的计算需求虽然比CFD快,但尚未针对P2H2设施中级联多阶段预测进行系统评估。
本研究提出了HyCASCADE——一种新型基于深度学习的级联框架,用于在P2H2相关环境中快速且集成地预测完整的氢气泄漏-扩散-爆炸链。其核心创新是一种结构化的两阶段架构,既反映了潜在的事故物理过程,又利用了神经网络的高计算效率。该框架构建为双网络级联:基于U-Net的DispersionNet学习从基本泄漏参数到详细浓度场的高维映射,随后ExplosionNet接收第一阶段的关键结果——可燃云体积(Q8)——连同点火位置来预测完整的爆炸压力场。这种级联设计通过直接从扩散输出中推导爆炸源项来确保阶段间的物理一致性,从而实现超快的端到端后果预测。
本研究的贡献有三方面:
(1) 提出了一种新颖的级联深度学习架构,为预测耦合的扩散和爆炸阶段提供集成端到端解决方案,超越了传统的单阶段代理模型。
(2) 所提出的框架基于高保真CFD模拟生成的数据集进行训练,对浓度场和压力场均展现出高预测精度,结果与CFD基准高度吻合。
(3) 框架经验证实现了相比传统高保真CFD几个数量级的计算加速,满足工业场景中实时风险评估和应急响应的严格延迟要求。
本文其余部分结构如下:第2节详述方法论,包括整体框架设计、神经网络架构和数据集成过程。第3节描述用于训练和验证的数据集。第4节概述模型优化程序。第5节呈现验证模型性能的综合案例研究。最后,第6节讨论潜在应用和局限性,第7节对全文进行总结。
## 方法
HyCASCADE框架基于双网络级联架构构建。第一个网络DispersionNet学习从基本泄漏参数到详细浓度场的高维映射。第二个网络ExplosionNet接收第一阶段的关键输出——计算得到的Q8——连同点火位置来预测爆炸压力场。DispersionNet和ExplosionNet均设计为编码器-解码器结构,利用其强大的能力进行……
### 氢气释放与爆炸数值建模
CFD模型用于模拟P2H2系统制氢车间内的氢气扩散和爆炸,从而建立基准数据集。数值模拟采用FLACS(Flame Acceleration Simulator)进行,这是由Gexcon开发的商业CFD软件包,被广泛应用于气体扩散和爆炸的安全分析[33]。该软件被广泛应用于与氢气相关场景的安全评估,包括……
### 采样阈值
分析了采样阈值对模型预测的影响。阈值为5×10??、5×10?3和1×10?3的结果汇总在表2中,相应的预测羽流形态如图3所示。表格和图形均表明,所有三个阈值的预测羽流在分布范围和形态上与真实浓度场基本一致。当阈值为5×10?3时,MSE最小(1.67×10??),略……
### 验证与比较
对一个涉及电解槽与分离单元之间中间管道法兰在-X方向泄漏的场景,进行了泄漏和点火后果的对比分析,孔口直径为0.02 m。模型的关键性能指标,包括MSE、MAE、R2、CC和推理时间,汇总在表4中。如图所示,浓度和压力预测的R2值分别为0.83和0.85,表明……
## 讨论
级联框架HyCASCADE为P2H2生产设施中氢气扩散和爆炸的快速集成预测提供了一种高效解决方案。其核心贡献在于通过结构化的两阶段架构建模复杂的事故序列——分别预测浓度场和压力场——然后在级联网络中进行物理连接。这种方法成功地弥合了传统高保真CFD与……之间的差距。
## 结论
本研究开发了一种基于级联双神经网络的集成预测框架。该框架首先通过DispersionNet建立从泄漏参数到空间浓度场的映射,然后计算Q8,最后通过ExplosionNet快速量化爆炸后果。研究结果表明,所提出的模型准确预测了泄漏后的氢气浓度和爆炸压力分布,显示出强烈的……一致性与
## CRediT作者贡献声明
Yi Liu:撰写 – 审阅与编辑、监督、调查、资金获取。Anfeng Yu:撰写 – 审阅与编辑、监督、软件、资金获取。Xinqi Zhang:撰写 – 原稿、软件、方法论、调查、形式分析、数据整理、概念构思。Luyao Liu:软件、数据整理。Guanlin Peng:撰写 – 审阅与编辑、软件、形式分析、数据整理
## 利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
## 致谢
本研究由中国国家重点研发计划资助,合同编号为2023YFE0199100。
Xinqi Zhang | Guanlin Peng | Luyao Liu | Yi Liu | Anfeng Yu
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号