一种基于集成大气扩散模型的源项释放反演和扩散预测方法与流程

本发明涉及环境预测领域，特别是一种基于集成大气扩散模型的源项释放反演和扩散预测方法。

背景技术：

福岛核事故后，源项反演成为一种重要的核事故反射性释放源项定量计算分析方法。核事故放射性释放源项描述了放射性释放方式、放射性物质的种类和总量，是确定核事故分级、评价核事故幅射后果、采取应急相应措施的重要依据。核事故放射性释放主要是气态放射性释放，包括经烟囱和不经烟囱这2种主要释放方式。核电厂在排放烟囱设有事故后放射性监测系统，可以直接测量经烟囱排放的气态放射性释放源项，但在严重事故时可能失效，因此事故释放源项需要通过间接信息的评估获得。事故释放源项可利用堆芯状态监测数据，通过事故分析，按照预设事故序列推导计算得到，如美国原子能委员会的《核电站风险报告》。然而在核电厂严重事故状态下，堆芯状态监测数据不完整甚至根本无法获得，依靠模拟事故进程不能准确获得事故释放源项。核电厂周围建有完善的环境监测系统，可获取多点连续的应急监测数据，事故应急监测车、应急取样检测等也可提供大量应急监测数据。依据核电厂周围环境辐射应急监测数据，通过反演放射性物质在环境中的传输过程，可以有效地获得核事故放射性释放源项。环境辐射应急监测数据基本不受核事故对电厂设施破坏的影响，确保了数据获取的可靠性。

现有技术中有通过四维变分(4dvar)资料同化法，结合中尺度大气扩散模型进行的针对核电厂事故的放射性释放源项反演方法，利用核电厂周围监测数据，使用伴随方法迭代计算四维变分代价函数梯度，得到对释放源项的最佳估计，考虑了完整时间序列上的放射性传输过程，对释放源项的估计结果为全局最优，误差比较小，在连续时间序列上保持物理扩散模型协调性和对有效观测资料利用均匀的优点。现有技术中使用的核事故中放射性物质传输模型rimpuff，是在中国与欧洲广泛使用的核事故早期放射性物质大气扩散模型，该模型运用局地气象数据，计算烟团的平流、扩散和沉积过程，从而对放射性物质的释放与传输进行模拟，可以应用于平坦的或不十分复杂的地形条件。设释放点在每个离散时刻i释放出一个烟团，则在中尺度范围内，监测点l处k时刻的放射性物质体积活度浓度可以采用所有已经释放的烟团贡献值的总和进行表示，涉及烟团的释放量，监测点的位置，烟团的中心点位置，逆温层高度，烟团水平和垂直扩散参数，因此假设电厂周围监测点的数量l，则k时刻所有监测点处放射性物质体积活度浓度可以计算，并引入观测算子hk表示k时刻释放率与环境中放射性物质体积活度浓度的物理关系。将开始释放到k时刻的放射性释放源项带入rimpuff大气扩散模型，从而结算出k时刻监测点处放射性物质体集活度浓度的估计值。根据以上计算过程可以获知现有技术的方法属于“发生事件——分析因果关系——采取应对措施”的反向溯源传统模式，然而这种方法主要集中在通过事故后的长期环境监测数据和全球尺度传播模型估算事故源项，由于核事故早期检测数据的不确定度大，且中尺度放射性核素的传输模型比大尺度模型更为复杂，因此在使用中存在局限性。

技术实现要素：

为了克服现有技术的缺陷，本发明提供一种基于集成大气扩散模型的源项释放反演和扩散预测方法，其发明构思在于利用目前的大数据技术及计算机计算速度的提升，提前做好大量的准备工作，跳出了“发生事件——分析因果关系——采取应对措施”的传统模式，而是在反应堆等核事故的黑箱外按照数据“收集——存储——分析——输出”的流程进行快速响应和应对。即基于大量的辐射监测数据及数据的统计分析，实现源项释放情况的反演，然后得到更为精确的扩散预测，并结合三维地图实现三维可视化的源项释放及扩散情况的动态演示、行动决策辅助等功能。

本发明的目的在于提供一种基于集成大气扩散模型的源项释放反演和扩散预测方法，包括如下步骤：

步骤一，将cfd，aermod和calpuff三种大气扩散模型集成，用于不同尺度的模拟计算；

步骤二，基于烟羽应急计划区的概念，针对核电厂近区区域，即内区5km、外区10km，单独采用cfd，aermod和calpuff三种大气扩散模型进行提前建模；

步骤三，将各种典型风场计算、各种事故源项及其释放规律和各种事故情景下，特征位置处监测或模拟的浓度变化规律同时保存在数据库中；

步骤四，发生放射性泄漏事故情况下，根据特征位置处的浓度变化规律，自动反演出释放位置和事故类型，并基于实时天气预报信息，快速计算未来污染的扩散方向、范围和严重程度，协助决策者提前定向发布预警，并制定最贴近实际的应急响应方案。

优选地，所述步骤二包括：由模拟范围推荐大气扩散模型，即0-20km推荐cfd大气扩散模型；20-50km推荐aermod大气扩散模型；超过50km推荐calpuff大气扩散模型。

优选地，所述步骤三还包括：构建多种放射性核素数据库，方便选取多种污染物和设置多种释放方案。

优选地，所述步骤三还包括：建立人口数据库及交通网络数据库。

优选地，所述步骤四所述浓度变化规律通过计算获得，所述计算过程中实时显示浓度结果、目标区域公众的预期辐照剂量结果以及应急方案建议。

优选地，所述步骤四还包括：对地形数据进行提取、处理和参数设置，实现一步加载所需地形数据；

优选地，尽可能释放并行计算核数以大量缩短运行时间。

优选地，所述步骤一和所述步骤二的所述cfd模型用于进行正向扩散模拟，包括：首先是针对具体厂址，收集、构建和筛选出现频率最高的气象条件，逐一计算和存储在各个气象条件下的稳态风场；然后，再针对不同事故的源项特征和严重程度，计算和确定各特征监测点的核素种类、浓度范围以及对各目标区域的辐射影响和辐射限值；最后一旦发生未知严重程度的核事故时，根据各特征监测点、关键核素的浓度变化及与临界值的差距，快速分析和判断辐射环境风险的安全裕度，进而推断事故类型、释放途径、严重程度以及合适的应急响应措施，所述步骤一和所述步骤二的所述cfd模型还包括，基于前述计算结果的数据库资源，在事故工况下，通过自动输入预测的气象信息，超前逐时模拟和预测出放射性核素的扩散轨迹、分布特征和辐射影响，从而可以提前掌握环境风险的动态信息，显著提升区域核事故风险预测预警能力，并在紧急状态下给出应急响应建议。

优选地，所述步骤一和所述步骤二的所述aermod模型的输入中地面气象数据(sf.oqa)、高空气象数据(ua.oqa)、地表参数、aermet、地面气象数据(.sfc)、廓线气象数据(.pfl)、污染源参数、网格和关心点坐标、aermod以及结果分析为所述方法运行必须数据和模块，所述aermod模型的输出包括扩散模块，用于计算出给定污染物的小时、日均或年平均浓度分布及烟羽抬升高度、干湿沉降，所述输出还包括通过控制流中设定的“最大浓度”指令从各种时段平均浓度数据中挑选出任意指定数量的最大浓度和次最大浓度。

优选地，所述步骤一和所述步骤二的所述calpuff模型的输入包括下垫面前处理模块，calmet模块、calpuff模块、以及calopst后处理模块，所述下垫面前处理模块接收土地利用类型数据和地形高程数据作为输入，并且经过所述下垫面前处理模块处理的数据以及mm5模拟结果输入calmm5前处理工具后经过处理的数据同时被输入所述calmet模块，点源数据以及经过calmet模块处理的数据输入calpuff模块，经过calpuff模块处理的数据输入calpost后处理模块后输出最终结果；所述calpuff模型的输出包括后处理，直接利用calpost或作图软件进行结果提取和演示。

本发明的有益效果：

利用目前的大数据技术及计算机计算速度的提升，提前做好大量的准备工作，跳出了“发生事件——分析因果关系——采取应对措施”的传统模式，而是在反应堆等核事故的黑箱外按照数据“收集——存储——分析——输出”的流程进行快速响应和应对。即基于大量的辐射监测数据及数据的统计分析，实现源项释放情况的反演，然后得到更为精确的扩散预测，并结合三维地图实现三维可视化的源项释放及扩散情况的动态演示、行动决策辅助等功能。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：

附图1为根据本发明实施例的以3d显示的基于集成大气扩散模型的源项释放反演和扩散预测系统；

附图2为根据本发明实施例的在谷歌地图上逼真显示的污染物对区域的影响范围和程度；

附图3为根据本发明实施例的aermod模型的输入文件结构形式；

附图4为根据本发明实施例的软件中aermodtest压缩包所在文件路径图；

附图5为根据本发明实施例的软件中calpuff模型的输入输出文件结构。

具体实施方式

一、本实施例的设计思路：

基于集成大气扩散模型的源项释放反演和扩散预测方法具有两种设计思路：一种是将cfd(0-20km)，aermod(20-50km，法规推荐的高斯模式)和calpuff(50-500km，法规推荐的拉格朗日模式)三种大气扩散模型集成到一个软件上，用于不同尺度的模拟计算，这个虽然稍显复杂也不易集成，每种软件都需要单独设置和调试，但是可以利用每种模型的优势，在扩散预测方面具有更加优化的优势；另一种是针对核电厂近区(基于烟羽应急计划区的概念，一般针对内区5km、外区10km)，就是单独采用cfd(0-20km)，aermod(20-50km，法规推荐的高斯模式)和calpuff(50-500km，法规推荐的拉格朗日模式)三种大气扩散模型，提前建模后，将各种典型风场计算、各种事故源项及其释放规律和各种事故情景下，特征位置处监测或模拟的浓度变化规律同时保存在数据库中；一旦发生放射性泄漏事故，只要根据特征位置处的浓度变化规律，自动反演出释放位置和事故类型，并基于实时天气预报信息，快速计算未来污染的扩散方向、范围和严重程度，协助决策者提前定向发布预警(为了跑赢时间差，所以范围也可以扩大到30km，类似福岛核事故)，并制定最贴近实际的应急响应方案。

大气扩散部分尽可能达到的预期目标(需要配置好大气扩散软件中的气象数据和地形数据，以及后续的计量计算模块等少量源程序开发，但calpuff对气象数据的要求较高，特别是需要weatherresearchandforecasting(wrf)或mm5输出的庞大网格气象数据，可以通过calwrf.exe或calmm5.exe直接转化后读取相关结果，原始wrf和mm5是在linux系统下运行的，转化为windows下运行的界面程序，可直接集成wrfview，或根据所需的数据要求摸索自行开发)。

具备功能强大的数据输入、数据分析和图形处理功能，支持国内外多种标准地面和高空数据格式的导入和转换，提供针对地面气象数据的风向、风速等统计功能以及绘制风玫瑰图等；针对探空数据的风、温、湿廓线分析等(常规需求外的功能还需再次确认)；

具备多种网格设置功能，可基于直角坐标网格、极坐标网格和离散点矩阵实现网格等间距布点和近密远疏布点，还应可以利用离散点矩阵实现只计算厂界外的区域等功能；

如图1所示，模拟区域本身不仅可以完全3d可视化显示，即释放源、构筑物、沉积物浓度和等高线的结果可以显示在环境地形上。参见图2，还应允许导出构筑物、释放源、探测器及浓度等信息到谷歌地图上，以更加逼真地显示污染物对区域的影响范围和程度；

构建多种放射性核素数据库，方便选取多种污染物和设置多种释放方案，并可在计算过程中实时给出浓度结果和目标区域公众的预期辐照剂量结果以及应急方案建议，因此，还应同时建立人口数据库及交通网络数据库；

具备先进的地形处理能力并提前配置和构建庞大的地形信息数据库，以达到只需设定项目位置和区域经纬度信息，软件可以自动对地形数据进行提取、处理和参数设置，实现一步加载所需地形数据；

支持位图、cad和shp文件的导入作为背景图，导入的cad和shp图形还可以转化为软件中的模型对象；

尽可能释放并行计算核数以大量缩短运行时间；

有模拟范围推荐大气扩散模型：0-20km推荐cfd；20-50km推荐aermod；超过50km推荐calpuff；

二、cfd模型的输入输出文件结构

1、输入：

cfd的输入文件的集成包括源项、地形、气象和求解器设置等文件，其中后两项易于实现，但前两项由于涉及地表构筑物及土地类型等的位置和形状设置以及网格的优化和调试，很难通过简单输入就设定好，需要调出软件在cfd界面中构建、设置、调试及保存后再通过导入接口进行读取和模拟。

2、输出：

cfd输出的结果以结果文件的形式保存和输出。

3、cfd模型的作用：

正向扩散模拟上，主要体现在下述两个方面，首先是针对具体厂址，收集、构建和筛选出现频率最高的气象条件，逐一计算和存储在各个气象条件下的稳态风场；然后，再针对不同事故的源项特征和严重程度，计算和确定各特征监测点的核素种类、浓度范围以及对各目标区域的辐射影响和辐射限值。从而一旦发生未知严重程度的核事故时，根据各特征监测点、关键核素的浓度变化及与临界值的差距，快速分析和判断辐射环境风险的安全裕度，进而推断事故类型、释放途径、严重程度以及合适的应急响应措施。另一方面，基于前述计算结果的数据库资源，在事故工况下，通过自动输入预测的气象信息，超前逐时模拟和预测出放射性核素的扩散轨迹、分布特征和辐射影响，从而可以提前掌握环境风险的动态信息，显著提升区域核事故风险预测预警能力，并在紧急状态下给出应急响应建议，即主要是想利用目前的大数据技术及计算机计算速度的提升，提前做好大量的准备工作，跳出了“发生事件——分析因果关系——采取应对措施”的传统模式，而是在反应堆等核事故的黑箱外按照数据“收集——存储——分析——输出”的流程进行快速响应和应对。针对各具体潜在泄露辐射源，其可能的泄漏点位根据各自临近监测点数据比较容易确定，特别是对于中大尺度来说，可以非常确定发生核设施泄漏的定位，如果更为精确的定位需要根据cfd大气扩散模型依据监测数据进行反向模拟即溯源的功能(主要针对化工厂等典型气体泄露具体项目进行开发同时搭配出售探测器等硬件设备及位置优化)，另外两种模型模拟精度较差，溯源的意义不大。

三、aermod模型的输入输出文件结构

1、输入：参见图3，其中地面气象数据(sf.oqa)、高空气象数据(ua.oqa)、地表参数、aermet、地面气象数据(.sfc)、廓线气象数据(.pfl)、污染源参数、网格和关心点坐标、aermod以及结果分析为软件运行必须数据和模块，以地面气象数据为例(ex05_sf.oqa，详见压缩包)，其所需气象信息种类和数量较calpuff少，且相对简单，数据含义易于分析和转化，且作为法规推荐模型，也有源文件和可执行程序，仅需针对核素等进行少量开发如下：

其对应意义如下：

2、输出：

如图4所示，详见aermodtest压缩包，扩散模块可以计算出给定污染物的小时、日均或年平均浓度分布及烟羽抬升高度、干湿沉降。控制流中设定的“最大浓度”指令可以从各种时段平均浓度数据中挑选出任意指定数量的最大浓度(最大、次最大等)，需后期进一步提取和展示。

四、calpuff模型的输入输出文件结构

1、输入：如图5所示，包括下垫面前处理模块，calmet模块、calpuff模块、以及calopst后处理模块，所述下垫面前处理模块接收土地利用类型数据和地形高程数据作为输入，并且经过所述下垫面前处理模块处理的数据以及mm5模拟结果输入calmm5前处理工具后经过处理的数据同时被输入所述calmet模块，点源数据以及经过calmet模块处理的数据输入calpuff模块，经过calpuff模块处理的数据输入calpost后处理模块后输出最终结果。

calpuff与aermod类似，只是对气象及地形数据的要求更高，因此容易自检报错，甚至必须需要wrf/mm5等数值模拟结果作为输入的气象数据，地形数据也是必须的，但是这些数据量都较大，且计算费时，无法通过电子邮件的形式进行数据传递。

2、输出：

主要体现在模拟结果的后处理方面，直接利用calpost或其他作图软件进行结果提取和演示。

本实施例利用目前的大数据技术及计算机计算速度的提升，提前做好大量的准备工作，跳出了“发生事件——分析因果关系——采取应对措施”的传统模式，而是在反应堆等核事故的黑箱外按照数据“收集——存储——分析——输出”的流程进行快速响应和应对。即基于大量的辐射监测数据及数据的统计分析，实现源项释放情况的反演，然后得到更为精确的扩散预测，并结合三维地图实现三维可视化的源项释放及扩散情况的动态演示、行动决策辅助等功能。

其中本实施例中的大数据技术的应用包括：分布式参数系统的模型建立对精确描述和有效控制许多物理和工程应用中的过程起着关键作用。本实施例中实时利用观察站或者传感器获得的测量数据确定污染的位置、扩散情况和污染程度等。这类问题的简单模型采用对流-扩散模型给出，其中对流扩散模型采用迪拉克函数，流速，扩散系数，污染物降解率并辅以边界条件形成方程，边界条件假定c(x,t)在x＝x0(0<x0<l)的分布已知或c(x,t)在t＝t时的分布已知，那么源项识别反问题就是根据已知的分布来确定源项，即确定污染源的位置xi或污染物排放强度mi。此类问题还可以有另外一种解释，即希望未来某个时刻t时的污染物浓度是c(x,t)，或空间某一位置x0的污染物浓度为c(x0,t)，其中c(x,t)或c(xo,t)为符合环境要求的浓度分布，应如何选择排污位置xi及排放强度mi(i＝1，2，…q)，此类问题的解决在核污染领域日渐重要。采用非线性优化及遗传算法进行源项反演，为了确定污染源位置xi及污染强度mi，需要附加先验条件，本实施例选择v(t＝t)＝v(x,t)为已知，将求解v(x,t)记为v＝v(x,t,xi,x2,…xq,m1,m2,…mq)，根据已知附加条件，将源项识别反问题可转为非线性优化问题如下：

min∑[v(xi,t,x1,x2,…xq,m1,m2,…mq)-v(xi,t)]²(1)

即使(1)式最小的xi，mi，i＝1，2…q就是源项识别反问题的最优解。由于式(1)是一高度非线性优化问题，采用现有方法例如梯度法，单纯形法求解难度非常但。采用遗传算法(ga)模拟自然界的生物演化过程，借鉴生物界的自然选择和自然遗传机制而发展起来的一类问题求解的策略和随机计算模型，利用复制、交叉、变异等操作，使优胜者繁殖，劣败者淘汰，一代一代重复同样的操作最终找到最优解或者接近最优解，最大特点是直接以目标函数作为搜索信息，无需目标函数的导数值等其他一些辅助信息，特别对高度非线性优化问题显示出较强的适应性。遗传算法本身具有自组织，自适应和自学习等智能特点以及本质的并行性易于操作通用性强的特点，已经被应用于机器学习、模式识别、经济预测、优化控制及其各种复杂数据的分析和计算等。本实施例将遗传算法应用于对流-扩散方程源项识别反问题，精度较高，适应性强，易于计算机实现。如果将式(1)作为遗传算法的适应值函数，这是调整参数使(1)式最小，便可得到参数的全局最优估计，具体的遗传算法描述如下：

(1)产生初始群体，在给定的参数范围内均匀随机产生采用实数编码方式表达的初始种群，种群数量为n。

(2)交叉，将选出的n个个体两两杂交，生成n个新的个体，将杂交计算为：

xt＝rx+(1-r)y

yt＝ry+(1-r)x

其中x和y为父代个体，xt和yt为新生的子代个体，r为[0，1]上的均匀实数。

(3)计算适应值，式(1)作为遗传算法的适应值函数，作为遗传算法的驱动力。

(4)选择，对(3)中得到的由子代和父代共2n个个体的适应度按照从小到大的顺序进行排序，挑选出排在前面的n个个体作为新一代个体。

(5)对(4)中选出的n个个体按一定的变异率进行变异，变异的方式可以采用在原个体上加上一个随机实数的方式。

(6)判断新一代群体是否满足结束条件，结果满足则停止，否则转到第(2)进行迭代计算。

进行数值模拟：

给定xi和mi，可由式(1)计算出v(x,t)在t＝t时的浓度分布，并将其作为已知观测数据，试验中取t＝2.5，其中v(x,2.5)在9个点处的计算值可以分为两种情况：

第一种情况：假定污染源xi的位置已知，设为x1,x2,x3,x4，需要反演污染强度m1，m2，m3，m4，利用遗传算法，参数设置如下：

群体大小：50

参数范围：0<mi<10,i＝1,2,3,4

交叉概率p1＝0.8

变异概率p2＝0.2

终止代数：1000

第二种情况：如果源项中的xi及mi均未知，需要利用观测数据确定xi及mi，试验中取x＝1，2，t＝1，其中v(x,t)的观测数据产生为遗传算法参数设定为与第一种情况相同，并设定0<xi<1，i＝1，2。

由于遗传算法具有极好的全局优化性能，减少了陷入局部极值的风险，特别对非线性问题具有很强的适应性，因此对于源项反沿此类反问题的算法，只要有相应的正问题算法，就可以与遗传算法相结合。

虽然本发明已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。