基于物理信息的机器学习预测家具释放污染物浓度的方法

基于物理信息的机器学习预测家具释放污染物浓度的方法
所属技术领域
1.本发明属于室内环境检验技术领域，特别涉及能实现对家具释放的挥发性有机物浓度的快速预测。


背景技术：

2.随着人类文明的进步和科技的发展，人们生活和工作的重心渐渐从室外向室内转移，人们对于居住环境的要求不再局限于实用性和安全性，而更多地关注居住环境的舒适性和健康性。低劣的室内空气质量是对人体健康有严重危害，对于装修时间短的房屋来说，影响空气质量的主要因素是家具材料中释放的挥发性有机物voc。voc对人体有害，会使得人体产生许多症状，如眼、鼻、喉刺激、呼吸困难、头晕头痛等，被称为病态建筑综合征，在远离建筑后这些症状往往会得到改善。建筑室内环境中存在的voc具有种类繁多、来源广泛、成分复杂、作用时间长等特点。因此，何时室内环境空气中voc的浓度达标也成为大家非常关心的问题。在先前的研究中，描述室内建材和家具中voc释放的物理模型已经得到了很好的发展，并且已经提出了许多方法来测量模型中的三个关键参数，即初始可释放浓度c0，扩散系数dm和分配系数k。从经典的单层模型出发，来表征建材中的voc释放，这已被证明对后续研究有价值。通过结合外部对流传质，或通过考虑从单层材料到多层材料的释放，或将释放过程从单一源扩展到多个源，提出了各种释放模型。另外，已经进行了许多尝试来确定模型中的三个关键参数，并且提出了一系列方法，这是模型预测的基础。典型的方法包括双室法，萃取法，c-history法和非线性回归法。除了上述传统的单一物理模型，构建物理-化学耦合模型也比较成功。对于这些类型的研究，发展精确的模型和参数测量方法有时是一个挑战，尤其是对于实际的室内环境中多层或多源材料的释放情形。在未来10年，将会有超过一万亿个传感器被使用，我们无法脱离来临的大数据时代。相反，合理有效地利用大数据并结合机器学习方法，会给我们的生活提供更多的方便。本发明提出一种可方便、快速的基于物理信息的人工神经网络预测家具释放污染物浓度的方法，通过构建神经网络模型就可以直接对各种环境中家具释放的污染物浓度进行预测。


技术实现要素：

3.现有的家具挥发性有机物voc释放的物理解析模型在用于浓度预测时，需要通过其他方法来同时测定家具voc的三大关键参数，即初始可释放浓度c0、扩散系数dm和分配系数k，预测及参数测定过程均较为复杂，不便于工程应用。本发明的目的是针对现有预测模型的局限性，提出一种快速、准确且无需构建物理模型就可以直接预测家具释放污染物浓度的方法，本发明的预测方法简单、预测周期短、精度高，便于实验室和工程应用，而且为污染物浓度的预测提供了新思路。
4.为实现上述目的，本发明基于家具voc释放过程的瞬态传质控制方程、质量守恒方程，构建了基于物理信息的人工神经网络模型，具体步骤如下：
5.1)搭建基于物理信息的人工神经网络中不带有物理信息的部分，设置不带有物理
信息的人工神经网络的隐藏层及隐藏层神经单元的数量，以及输入变量、输出变量和激活函数；
6.2)建立一个带有物理信息的模型，其通过损失函数来实现；损失函数为非负实数函数，用来量化模型预测值和真实值之间的差异，协助网络通过训练过程的改善而持续减少预测值的波动，将网络计算的数据的偏差与物理方程迭代前后的偏差相结合；损失函数具体可表示为：
[0007][0008][0009][0010]
式中,l为损失函数；l1、l2分别为描述环境舱中家具挥发性有机物voc释放的瞬态传质方程和质量守恒方程所对应的损失；n为迭代次数；t为测试时间,s；x为家具中voc释放方向的坐标，m；cm为家具内voc的浓度，μg/m3；cm(tn,xn)表示x位置、t时刻第n次的家具内voc的浓度，μg/m3；dm为家具内voc扩散系数，m2/s；v为环境舱的体积，m3；ca为环境舱中voc的浓度，μg/m3；ca(tn,xn)表示x位置、t时刻第n次的环境舱中voc的浓度，μg/m3；a为家具释放的表面积，m2；q为通风量，m3/s；
[0011]
3)将不带有物理信息的人工神经网络模型与带有物理信息的模型相融合；
[0012]
4)通过实验获取模型所需的训练数据；实验时，将环境舱的温度、湿度、换气次数设为所需值，环境舱的温度控制精度为
±
0.5℃，湿度控制精度为
±
5％；在放入被测家具之前，打开环境舱的舱门和所有管路阀门，通入净化的不含voc的纯净空气，保证环境舱中voc初始气相浓度为零；
[0013]
5)按照设定的换气次数通入纯净空气后，将待测家具置于环境舱内进行voc的释放测试，由于家具放入过程用时较短，因此可以忽略该过程带来的误差；
[0014]
6)在一定的时间间隔内，对环境舱内voc气体进行多次采样；用二硝基苯腙dnph吸附管或特纳斯tenax-ta吸附管连接高精度采样泵，在环境舱出口处采样voc气体；然后用高效液相色谱仪hplc或气相色谱-质谱联用仪gc-ms进行定量分析，获得环境舱内不同时刻的voc浓度；
[0015]
7)将实验测得的voc浓度数据作为基于物理信息的人工神经网络模型的训练集输入到模型中，完成训练后，利用模型来实现后续时刻环境舱中家具voc释放浓度的快速高效预测；本预测方法对家具voc释放过程的初始条件、边界条件及几何形状无特殊要求，具有较好的通用性。
[0016]
本发明的特点及效果：
[0017]
本发明的预测方法，通过利用人工智能技术中机器学习方法，与室内环境传质领域相结合，得到一种快速、准确且无需构建物理模型就可以直接预测家具释放污染物浓度的方法，克服了以往不仅需要利用数学方法建立复杂的物理传质模型、且模型中关键参数难以快速有效测定的难题。本发明的预测方法简单、预测周期短、精度高，便于实验室和工
程应用，而且为污染物浓度的预测提供了新思路。
附图说明
[0018]
图1为测量家具污染物释放的实验系统示意图。
[0019]
图2为利用基于物理信息的人工神经网络模型进行10次预测的散点图及与实际测量值的对比。
具体实施方式
[0020]
本发明提出的方法无需构建物理模型就可以快速、准确地预测家具释放的污染物浓度，该方法结合附图及实例详细说明如下：
[0021]
实验测试系统如图1所示，室外大气通过空气压缩机1进入活性炭过滤器2，然后通过高效微粒空气过滤器3，目的是获得净化后的纯净空气，防止干扰实验精度。经过处理的空气通过流量控制器4，以便控制进入环境舱6中空气的流量和换气次数。被测家具7置于环境舱中央，内部有风扇8搅拌来保证舱内气体分布均匀，环境舱的温度和相对湿度由温湿度监测仪5监测。实验过程中，在环境舱出口处用二硝基苯腙dnph吸附管或特纳斯tenax-ta吸附管10连接采样泵11进行采样，9为旁通管路。
[0022]
采样时间在实验开始后第2h,4h,8h,12h,24h,28h,32h,48h,52h,56h,72h,78h,96h,102h,120h,126h,144h,150h，为了提高测量精度，在每个采样点选取2～4个样本的均值作为最终的实验结果。前72h每个取样点取样时间为10min，之后每个取样点取样时间为30min，取样流速为300ml/min。然后用高效液相色谱仪hplc或气相色谱-质谱联用仪gc-ms进行定量分析。环境舱的体积为1m3，建材表面积为1m2。
[0023]
本实施例的家具释放污染物浓度预测包括以下具体步骤：
[0024]
1)搭建基于物理信息的人工神经网络中不带有物理信息的部分，不带有物理信息的人工神经网络有3个隐藏层，每个隐藏层的数量分别为10，5，1个神经元，取输入变量为x和t，输出变量为cm和ca，σ(x)＝tanh(x)为激活函数，迭代次数设为300次；
[0025]
2)建立一个带有物理信息的模型，其通过损失函数来实现；损失函数为非负实数函数，用来量化模型预测值和真实值之间的差异，协助网络通过训练过程的改善而持续减少预测值的波动，将网络计算的数据的偏差与物理方程迭代前后的偏差相结合；损失函数具体可表示为：
[0026][0027][0028][0029]
式中,l为损失函数；l1、l2分别为描述环境舱中家具挥发性有机物voc释放的瞬态传质方程和质量守恒方程所对应的损失；n为迭代次数；t为测试时间,s；x为家具中voc释放方向的坐标，m；cm为家具内voc的浓度，μg/m3；cm(tn,xn)表示x位置、t时刻第n次的家具内voc
的浓度，μg/m3；dm为家具内voc扩散系数，m2/s；v为环境舱的体积，m3；ca为环境舱中voc的浓度，μg/m3；ca(tn,xn)表示x位置、t时刻第n次的环境舱中voc的浓度，μg/m3；a为家具释放的表面积，m2；q为通风量，m3/s；
[0030]
3)将不带有物理信息的人工神经网络模型与带有物理信息的模型相融合；
[0031]
4)通过实验获取模型所需的训练数据；实验时，将环境舱设为温度35℃、湿度80％、换气次数0.5h-1
，在放入被测家具之前，打开环境舱的舱门和所有管路阀门，通入净化的不含voc的纯净空气，保证环境舱中voc初始气相浓度为零；
[0032]
5)按照设定的换气次数通入纯净空气后，将一种常见的板式家具置于环境舱内进行voc的释放测试，由于家具放入过程用时较短，因此可以忽略该过程带来的误差；
[0033]
6)本例所选的voc气体为甲醛；用二硝基苯腙dnph吸附管采集出口处的气体，然后用高效液相色谱仪hplc进行定量分析，采样时间在实验开始后第2h,4h,8h,12h,24h,28h,32h,48h,52h,56h,72h,78h,96h,102h,120h,126h,144h,150h，测得环境舱内甲醛的浓度分别为44.52μg/m3、51.47μg/m3、58.52μg/m3、66.52μg/m3、79.33μg/m3、62.36μg/m3、60.55μg/m3、57.98μg/m3、55.66μg/m3、45.58μg/m3、32.66μg/m3、27.28μg/m3、25.36μg/m3、23.09μg/m3、21.52μg/m3、19.9μg/m3、18.5μg/m3；
[0034]
7)选取环境舱中板式家具释放的第2-144h的甲醛浓度数据作为基于物理信息的人工神经网络模型的训练集输入到模型中，完成训练后，预测第150h的甲醛浓度数据，并与实测值18.5μg/m3对比，进行验证；
[0035]
8)利用本模型对第150h的甲醛浓度数据进行10次预测，预测结果为：18.43μg/m3、18.58μg/m3、19.05μg/m3、19.25μg/m3、19.18μg/m3、19.08μg/m3、18.13μg/m3、18.83μg/m3、18.34μg/m3、19.08μg/m3；计算得到与环境舱中甲醛浓度实测值的平均相对误差为2.3％，误差较小，说明预测精度较高。
[0036]
本发明的原理：搭建环境舱以获取用来训练和验证的家具释放污染物浓度数据；建立基于物理信息的人工神经网络预测模型，将瞬态传质方程和质量守恒方程与人工神经网络相结合，使物理方程参与到人工神经网络的训练过程；家具释放方向的坐标和测试时间作为训练过程中的网络输入，环境舱内污染物的气相浓度和家具内污染物的浓度作为训练过程中的网络输出，最终预测结果可以直接得到给定时刻环境舱污染物浓度的预测值。