基于动态数据驱动的港口水域溢油仿真模.doc

精品论文基于动态数据驱动的港口水域溢油仿真模型与算法曾庆成，杨路燕5（大连海事大学交通运输管理学院，辽宁 大连 116026） 摘要：针对港口水域应急处置过程中，由于系统复杂性、以及环境多变性导致难以准确预测 事故发展趋势的问题，引入动态数据驱动应用系统，提出基于动态数据驱动的溢油应急决策 仿真模型，通过在仿真在运行过程中动态接收实际系统的数据并做出响应，对仿真模型进行 修正。在设计基于动态数据驱动的溢油决策仿真模型框架的基础上，研究实际系统数据映射10到仿真模型的方法、仿真模型状态的更新算法、以及溢油事故模拟算法，最后利用实际案例 进行了验证。结果表明，与一般的溢油仿真模型相比，基于动态数据驱动的仿真模型可以提 高溢油事故预测的准确性。关键词：动态数据驱动；溢油；应急管理；仿真模型中图分类号：N945, TP18文献标识码：A15A dynamic data-driven application simulation model and algorithm for oil spill emergency decision in port water area Zeng Qingcheng, Yang Luyan(Transportation Management College,Dalian Maritime University, LiaoNing DaLian 116026)20Abstract: In order to solve the difficulty in simulation and prediction the evolution of oil spillincidents in port water area caused by system complexity and environment variety, a simulation model based on dynamic data-driven application system (DDDAS) was developed. By assimilating real-time data, simulation model can update its initial condition and solutions, and modify its parameters. Firstly, the framework for DDDAS- based simulation model was designed.25Then the method to mapping real-time data to simulation model, the method to recovery initial data for DDDAS, and the algorithms to simulate the behavior of oil spill were studied. Finally, numerical examples were provided to illustrate the validity of the proposed model. Resultsindicate that the DDDAS-based simulation method can improve the prediction accuracy of oil spill incidents comparing the general oil spill simulation model.30Keywords: dynamic data-driven; oil spill; emergency management; simulation model0引言海上原油运输具有船舶载运量大、流动性强等特点，一旦发生事故会对水域环境与公共 安全造成严重危害。受气象、水文等因素以及溢油扩散与漂移的影响，海上溢油事故的救援35难度大，应急处置过程复杂。港口水域是海上溢油事故高发区域，港口水域溢油事故应急处 置除了考虑海上溢油事故特征外，还要考虑港口水域复杂的船舶交通状况以及港口生产作业 的影响，因而应急决策与应急处置技术要求更高。与此同时，近年来随着我国原油进口量的 迅速增加，我国主要原油接卸港面临的溢油事故风险随之增加。因此，港口水域溢油应急管 理问题的研究具有重要的现实意义。40海上溢油事故具有复杂的发生、发展与演化机理，同时还存在次生灾害与灾害耦合问题。 受系统非线性、时变性、多变量和不确定性等特点的影响，很难通过传统的解析模型与仿真 模型分析和预测溢油事故应急系统中复杂的行为。因此，仿真技术得到广泛应用，如 Lonin1， Chen 等2，Sebastião 与 Soares3，Wang 等4，Guo 与 Wang5，刘彦呈等6，熊德琪等7，基金项目：高等学校博士点基金(20092125120001)作者简介：曾庆成，（1978-），男，教授，主要研究方向：系统仿真与优化. E-mail: zqcheng2000hotmail.com- 7 -孙长青等8，Douglas 等9- 11，Kim 等12，Zhao 等13，Muttil 等14，Parashar 等15分别开发45了海上溢油仿真模型，通过将溢油数值计算模型与 GIS 技术、仿真建模方法结合，对海上 溢油的扩散过程进行仿真与预测。但是，目前的仿真模型主要依靠离线的历史事故数据进行 仿真分析，而不能利用应急系统中的实时数据提高仿真模型预测的精确性。因此，对于类似 溢油事故的应急系统仿真，需要探索新的方法。动态数据应用系统（dynamic data-driven application system, DDDAS）是一种新的仿真应50用模式，其基本思想是将仿真和实验/试验有机结合起来，仿真可以在运行过程中动态地从 实际系统接收数据并做出响应，同时仿真结果可以动态地控制实际系统的运行，使计算结果 更为可靠。针对港口水域应急处置过程中准确预测事故发展趋势的困难，本文引入动态数据 驱动应用系统，提出基于动态数据驱动的溢油应急决策仿真模型，将实际系统数据映射到仿 真模型的方法、仿真模型状态的更新算法、以及溢油事故模拟算法等，目的是提高溢油仿真55模型的预测准确性，提高应急决策的科学性。1基于 DDDAS 仿真的应急决策模型框架由于溢油应急系统复杂性、以及应急环境的多变性，决定了应急处置一旦开始，实际情 况必然会在某种程度上与应急预案或计划不一致，因此，需要根据应急系统的变化情况，在 对溢油事故的演化趋势预测的基础上，对应急计划与决策进行实时调整。60仿真是溢油扩散预测的有效手段，但是如何利用溢油事故的实时数据对仿真模型进行修 正，提高预测准确性，是目前溢油仿真模型不能解决的问题。为此，将 DDDAS 与仿真技术 结合，构建一个基于 DDDAS 仿真的应急决策支持模型，目的是在应急处置期间预测应急系 统发展趋势，从而为决策者提供及时有效的决策支持，提高应急决策的科学性，模型结构如 图 1 所示。65在图 1 所示的基于 DDDAS 的仿真模型中，仿真模型可以同时利用历史数据与实时在线 数据对溢油扩散进行仿真与预测。首先，构建溢油应急管理仿真模型，利用大量的溢油事故 历史数据对仿真模型参数进行标定，标定后的仿真模型可以对溢油扩散进行模拟，对应急处 理过程进行分析。溢油事故发生后，将溢油事故信息输入仿真模型运行仿真。在仿真在运行 过程中，可以动态地从实际系统接收实时数据并做出响应，将事故实际发展情况反馈给仿真70模型，新数据的吸收使得仿真模型可以不断调整其预测结果、同时修正模型。利用修正后的 仿真模型可以更新溢油事故演化的预测，指导应急决策方案的实时调整。通过仿真模型与实 际系统的数据交互提高仿真模型预测的准确性。溢油扩散仿真应急处置过程仿真仿真 仿系 仿真模型库 基础仿真 真统 算法 溢油仿真模型应急响应仿真模型事故演化预测 应 急应急决策方法 指 挥系 应急决策方案统溢油扩散检测数据实 应急救援进展数据际系 统应急资源配置数据图 1 基于 DDDAS 的溢油应急决策仿真模型框架Fig.1 Framework of DDDAS-based simulation model for oil spill emergency decision2仿真模型构建75溢油应急管理仿真模型的构建需要解决两方面问题，一是如何将复杂的空间要素、环境 因素、以及溢油扩散行为等抽象为仿真模型，二是对应急预案过程的描述，如应急救援干预 措施对事故发展的影响，事故中人群行为方式等。为解决上述问题，采用非形式化的面向对象的仿真建模方法，从各个方面描述溢油事故 应急管理系统。将系统中对象分为实体对象、信息对象与控制对象，利用采用非形式化的面80向对象的仿真建模方法进行功能分析，在此基础上，设计仿真模型的总体结构与逻辑流程。 在溢油扩散模型方面，分别建立漂移、扩散、蒸发和乳化等溢油行为的计算模型，全方位计 算模拟溢油扩散过程。设计仿真模型模型中各个模块的集成方法，采用如图 2 所示的方法。以 anylogic 作为 仿真模型开发软件，建立仿真模型的总体结构，设计仿真模型的逻辑流程。以 ArcGIS 作为85GIS 开发工具，将目前通用 S-57, S-52 标准的电子海图转换为 ArcGIS 格式，利用 ArcGIS 处 理地理基础数据。利用 Java 开发控制模块，实现各模块的集成。在运行过程中，仿真模型 接受控制模块仿真指令并返回仿真结果；通过控制模块控制溢油扩散过程、以及仿真数据在 GIS 上的模拟演示；算法模块与应用模型由控制模块控制运行，并且与系统数据库实时进 行数据交互。算法模块应用模型anylogic平台仿真模块控制模块GIS 模块ArcGIS 平台数据 控制90仿真数据库 知识库图 2 海上溢油应急管理仿真模型空间数据库GIS 模型库Fig.2 Simulation model for oil spill emergency management3仿真算法设计951003.1溢油扩散模拟算法在仿真模型中需要设计溢油行为的模拟算法。原油进入海洋后，主要表现为漂移、扩散、 蒸发、乳化、溶解、分散、沉降和生物降解等行为，但在实际溢油事故中，决策者主要是根 据溢油的去向和油膜面积的变化而采取不同的措施，因而本文的仿真模型主要以溢油的漂 移、扩散、蒸发和乳化作为模拟内容。（1）漂移模型 按照粒子模型方程将运动分成平流过程和扩散过程，其中平流主要是潮流与风海流合成结果，同时还受风导输移的影响。溢油在每一时刻的三维空间位置和分布是各种运动综合作用的结果，根据拉格朗日方程，单个油粒子在 t 时间内的位移可以由式(1)表示。' i= Ui t+ Wit+ i(1)'105其中， i 表示第i 个粒子的位置，U i 表示粒子的平流速度，Wi 表示垂直沉降速度，表示随即走动距离。（2）扩散模型 溢油海上扩散包括水平扩散与垂直扩散。近年来，许多学者采用随机走动法模拟湍流扩散过程，这种方法将某一油粒子在某段时间内形成视为平流漂移和湍流漂移的迭加。对于三 维情况，可以将随机走动距离表示为式(2)。110a = R6K a t(2)其中，a 为 a 方向上的湍流扩散距离，R 是-1, 1之间的均匀分布随机数，K a 表示 a方向上的湍流扩散系数， t 为时间步长。处在水体内部的油滴在湍流作用下做铅直向德随机走动，随机走动距离可以表示为：Z = 6K(z)t(3)115其中，K(z)为垂向扩散系数， 为-1, 1之间的均匀分布的随机数。垂向扩散系数K(z)s可以用式(4)表示， H 2 表示有效波高，k 表示波数，T 表示波周期，z 表示深度。（3）蒸发模型K(z) =H 2TG0.028( s )e 2kzT(4)采用 Stiver 和 Mackay 提出的参数化公式模拟溢油蒸发过程，蒸发率公式可以表示为：120TF = ln 1 + B ' TG 'eA' B' T0 Tv B'T(5)其中，Fv 为蒸发率，TG 为沸点曲线的梯度，T 为油温度，T0 为油的初始沸点温度， 为蒸发系数， A' =6.3 ， B ' = 10.3。wA（4）乳化模型采用 Mackay 等的公式计算乳化物的含水量(如式(6)所示)，其中，Yw 表示乳化物含水量，125K A =4.5 × 106 ，U 表示风速， K 1.25 。1Yw = K1 e K AK B (1+ UW )2t (6)B3.2仿真数据更新算法130在基于 DDDAS 仿真的应急决策模型中，通过不断吸取实时数据对仿真模型的初始状态 进行更新，对仿真模型进行修正，从而提高仿真模型预测效果。此处的实时数据主要是通过 传感器获得，而初始状态是指在前一决策时刻点仿真模型的状态，而不是仿真模型开始运行 时的状态，之所以如此假设主要是为了提高仿真模型运行效率。假设 N s 表示传感器的数量， xj ( j= 1，.，N s )表示第j 个传感器的位置， Nt 表示决策时刻点的数量，tk ( k= 1，.，Nt )表示第k 个时刻点， j(tk )表示在tk 时刻第j 个传感器获得的数据， M( ,tk ) = j(tk ),jt= 1,.,N s 。以Ci(X )( i= 1，.，N c )135表示在t 时刻仿真模型的状态值，此状态值可以是溢油扩散状态值，也可以是乳化、蒸发等 状态值，其中 N c 表示仿真模型中数据的维数。定义仿真模型的初始状态为：N cC 0(X ) = i C i (X )(7)i = 1ii利用迭加原理，以C 0(X )为初始值，代入式(8)进行求解可以获得解C0可以将仿真模型状态表示为式(9)。(X ,t)，进一步140C + vCt (DC ) = 0(8)N cC(X ,t) = i C i(X ,t)i = 1(9)为定量化实际数据与仿真数据的差异，以 为基础，构建如式(10)所示的目标函数：N s N C2N C2F( ) = ij = 1 i = 1C i(x j,t) j (t)+ i = 1ki ( i i )(10)其中，k= (k ,k ,.,k)表示对初始状态前系统信息的惩罚系数，对仿真模型进12N c145行数据更新的目标是最小化式(10)，即求解式(11)。F( ) = 0 , mN sm = (1,2,.,N C )(11)令 A= R ，Amn= C m(x j ,t)C n(xj ,t) + mn km ，其中，R 表示仿真模型更新j = 1后的状态值，如果 m =示。n ， mn= 1 ，否则=0。于是，仿真模型数据更新可以用式(12)表N s1504结论R m = C m(xj ,t)(t) +j = 1km m(12)1551601）提出基于动态数据驱动的溢油应急决策仿真模型，通过在仿真在运行过程中动态接 收实际系统的数据并做出响应，对仿真模型进行修正。结果表明，与一般的溢油仿真模型相 比，基于动态数据驱动的仿真模型可以提高溢油事故预测的准确性。2）在实际应用方面，可以通过在港口水域安装传感器的方式获得实时数据，目前传感 技术的快速发展为 DDDAS 方法应用提供了良好的条件。在缺少传感器的情况下，可以通过 目前的观测技术获得实时数据，也可以在一定程度上提高溢油模拟的准确性。在基于 DDDAS 的模型中，如何使仿真模型在运行过程中动态地从实际系统接收数据并 做出响应是其中的关键问题之一，目前在实际系统数据映射到仿真模型的方法、仿真模型状 态的更新算法等方面还有待改进，是需要进一步研究的问题。参考文献 (References)1651701751801851 Lonin Serguei A, 1999. Lagrangian model for oil spill diffusion at sea. Spill Science & Technology Bulletin,5(5): 331-336.2 Chen Haizhou, Li Daming, Li Xiao, 2007. Mathematical modeling of oil spill on the sea and application of the modeling in Daya Bay. Journal of Hydrodynamics, 19(3):282-291.3 Sebastião P, Soares C. Guedes, 2007.Uncertainty in predictions of oil spill trajectories in open sea. OceanEngineering, 34(3):576-584.4 Wang Shou-Dong, Shen Yong-Ming, and Guo Ya-Kun, 2008. Three-dimensional numerical simulation for transport of oil spills in seas, Ocean Engineering, 35(5):503-510.5 Guo W.J, Wang Y.X, 2009.A numerical oil spill model based on a hybrid method. Marine Pollution Bulletin,58(5):726- 734.6 刘彦呈, 殷佩海, 林建国, 2002. 基于 GIS 的海上溢油扩散和漂移的预测研究. 大连海事大学学报.,28(3):41-44.7 熊德琪, 杜川, 赵德祥, 2002.大连海域溢油应急预报信息系统及其应用.交通环保.2002, 23(3):5-8.8 孙长青, 赵可胜, 郭耀同, 2003. 渤海湾海面溢油数值计算. 海洋科学, 27(11): 63-67.9 Douglas, C.C., Shannon, C.E., Efendiev, Y., Ewing, R., Ginting, V., Lazarov, R., Cole, M.J., Jones, G., Johnson, C.R., Simpson, J., 2004. A note on data-driven contaminant simulation. Lecturer Notes in Computation Science. 3038: 701-708.10 Douglas, C.C., Efendiev, Y, 2006. A dynamic data-driven application simulation framework for contaminant transportproblems. Computer and Mathematics with Application. 51(1), 1633-1646.11 Douglas C.C, Shannon C.E, Efendiev Y, Ewing R, Ginting V, 2005. Towards a Dynamic Data DrivenApplication System for Wildfire Simulation. Lecturer Notes in Computation Science. 3515: 632-639.12 Kim, S., Heller, M., 2006. Emerging cyber infrastructure: challenges for the chemical process control community. Computation Chemical Engineering. 30(5), 1497-1501.13 Zhao, H., Knight, D., Taskinoglu, E., Jovanovic, V., 2004. Data driven design optimization methodology190development and application. Lecturer Notes in Computation Science, 3038, 748-755.14 Muttil, M., Lee, J.H.W., 2005. Genetic programming for analysis and real-time prediction of coastal algal blooms. Ecology Modelling,189, 363-376.15 Parashar, M., Klie, H., Ctalynrek, U., Kurc, T., Bangerth, W., Matossian, V., Saltz, J., Wheeler, M.F., 2004. Application of grid-enabled technologies for solving optimization problems in data-driven reservoir studies. Future Generation computation System. 21(1), 19-26.