陈 立，陈贤富

(中国科学技术大学 微电子学院，安徽 合肥230027)

0 引言

近年来，各国经常发生化工厂爆炸事故、危险品仓库发生火灾爆炸等引发的有毒气体泄露[1]，严重影响人们的生命财产安全。 2018 年12 月18 日，江苏南通一化工厂设备爆裂，设备内的氮气以及氟化氢泄漏，造成作业人员中毒死亡。 2019 年中国江苏盐城、美国休斯敦的化工厂爆炸均造成了大面积的有毒气体的泄露。 2020 年11 月9 日1，浙江衢州中天东方氟硅材料有限公司发生火灾事故，该起火灾燃烧物质主要是氯硅烷，属于高沸物，燃烧产物有毒。目前被广泛使用的大气扩散模型主要分为两大类，一类是基于数理计算的，一类是基于机器学习的。 数理计算的典型代表有高斯扩散模型[2]、计算流体力学(CFD)模型等。 Mazzoldi[3]用高斯扩散模型模拟二氧化碳运输和储存设施泄漏的情况。高斯扩散模型使用简单的数学表达式，易于计算，耗时少，但只适用于平坦地形上畅通无阻的气体流动，在复杂环境下的预测往往不准确。 PONTIGGIA M[4]用CFD 模型模拟城市地区大气中液化石油气(LPG)扩散进行后果评估。 CFD 基于有限元计算，能较为精准地预测浓度扩散，但计算耗时长。 2019 年中国科学技术大学的程云芳[5]用机器学习算法粒子群－支持向量机模型，对苯储罐泄漏的浓度进行了危险位置的短距离预测。这些方法仍基于传统的机器学习方法。

因此，本文提出了一种利用深度学习[6]技术进行有毒气体扩散预测的方法。 首先根据有毒气体扩散原理，对经典的公开数据集草原牧场数据集的样本数据进行特征选取，将选择的特征参数输入到基于GRU 的3 层神经网络模型，最后得到预测点浓度值。……