基于传感器优化配置的时变气体泄漏源项反演方法研究

《Sustainable Cities and Society》：Sensor configuration optimization for source term estimation of time-varying emissions

本文针对危险气体泄漏事故中时变释放率的源项估计（STE）难题，提出一种融合伴随浓度场梯度目标函数与遗传算法（GA）的传感器优化配置方法。通过对比均匀布点方案，在恒定/周期/衰减三种释放场景下验证了该方法可显著提升源位置与释放强度的估计精度与稳定性，并揭示源强估计需更多传感器的规律。

　　

【术语表】

术语表

C | 污染物浓度（kg/m³）

t | 时间（s）

u | 速度矢量（m/s）

K | 扩散系数（m²/s）

Q(t) | 时变释放强度（kg/s）

Ω | 计算域

λ | 源敏感度阈值

J | 成本函数

θ | 源参数

μ | 观测浓度向量

σ_i| 标准差

H | 建筑高度（m）

ε_d,t| 高斯噪声

α | 风廓线指数

U_H| 建筑高度处风速（m/s）

STE | 源项估计

CFD | 计算流体动力学

GA | 遗传算法

PDF | 后验概率密度

MCMC | 马尔可夫链蒙特卡洛

KDE | 核密度估计

【方法论】

参见图1。

【建模】

研究选取规则街区阵列建筑群作为理想化城市模型（图2）。根据AIJ与COST标准，计算域设置为20H(x)×19H(x)×6H(Z)，其中建筑高度H=60 mm，街区尺度为6×6，建筑间距为H。

【最优传感器配置的STE性能】

为凸显本优化配置的优越性，研究以常用均匀配置为基准进行对比。需注意，均匀配置在规则建筑群中因流场规整而表现良好，但复杂真实城市地形中的适应性仍需深入探讨。当传感器...

【结论】

本研究通过融合伴随浓度场梯度的目标函数与遗传算法（GA），实现了时变释放源项估计（STE）的传感器配置优化。在规则街区阵列中设置85个候选传感器点位，采用贝叶斯推断对比不同配置性能，结果表明优化方案显著提升了源定位与释放强度估计的精度及鲁棒性。