基于SSA-PSO混合算法的CO2泄漏源参数反演及地表扩散模拟

贾惠芹; 张胜男

doi:10.12404/j.issn.1671-1815.2504997

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (18) :7961-7968 DOI: 10.12404/j.issn.1671-1815.2504997

环境科学、安全科学

基于SSA-PSO混合算法的CO₂泄漏源参数反演及地表扩散模拟

贾惠芹 ,
张胜男

作者信息 +

Parameter Inversion of CO₂ Leakage Sources and Surface Diffusion Simulation Based on SSA-PSO Hybrid Algorithm

Author information +

文章历史 +

摘要

针对碳捕集、利用与封存(carbon capture, utilization, and storage,CCUS)项目中CO₂泄漏源参数反演精度不足的问题,提出一种融合麻雀搜索算法(sparrow search algorithm,SSA)与粒子群算法(particle swarm optimization,PSO)的混合优化方法。首先,基于高斯烟羽扩散模型构建泄漏正演模型,分析泄漏速率、风速和大气稳定度对地表CO₂浓度分布的影响规律;其次,结合SSA的全局探索能力与PSO的局部开发优势,建立泄漏源位置与泄漏速率的反演模型。仿真结果表明:SSA-PSO算法反演的泄漏速率相对误差仅为0.01%,泄漏源位置坐标的相对误差均为0.10%,相较于PSO、SSA、GA及GA-PSO算法,其泄漏速率反演精度显著提升,最大相对误差降幅达27.99%,泄漏源定位精度最大提升22.3%。实例验证进一步表明,该算法在泄漏速率与位置反演中的相对误差分别为10.50%、4.00%和3.00%,均优于对比算法,且计算效率更高。研究表明,SSA-PSO混合算法能够实现CCUS项目CO₂泄漏源的快速精准定位,为泄漏应急响应与风险防控提供有效技术支撑。

Abstract

To address the issue of insufficient inversion accuracy of CO₂ leak source parameters in CCUS (carbon capture, utilization, and storage) projects, a hybrid optimization method combining SSA (sparrow search algorithm) and PSO (particle swarm optimization) was proposed. First, a forward leakage model was constructed based on the Gaussian plume dispersion model to analyze the influence of leakage rate, wind speed, and atmospheric stability on surface CO₂ concentration distribution. Then, combining the global search capability of SSA with the local development advantages of PSO, an inversion model for leak source location and leakage rate was established. Simulation results show that the SSA-PSO algorithm achieves a relative error of only 0.01% for leakage rate, and relative errors of 0.10% for leak source coordinates. Compared with PSO, SSA, GA, and GA-PSO algorithms, the leakage rate inversion accuracy is significantly improved, with a maximum relative error reduction of 27.99%, and leak source location accuracy increased by up to 22.3%. Case studies further demonstrate that the relative errors for leak rate and location inversion using this algorithm are 10.50%, 4.00%, and 3.00%, respectively, all better than the comparison algorithms, with higher computational efficiency. The study indicates that the SSA-PSO hybrid algorithm can achieve fast and accurate localization of CO₂ leak sources in CCUS projects, providing effective technical support for emergency response and risk prevention of leaks.

Graphical abstract

关键词

CCUS / CO₂泄漏 / 高斯烟羽模型 / 粒子群算法 / 麻雀搜索算法

Key words

CCUS / CO₂ leakage / Gaussian plume model / particle swarm algorithm / sparrow search algorithm

引用本文

引用格式 ▾

贾惠芹, 张胜男. 基于SSA-PSO混合算法的CO₂泄漏源参数反演及地表扩散模拟[J]. 科学技术与工程, 2026, 26(18): 7961-7968 DOI:10.12404/j.issn.1671-1815.2504997

JIA Hui-qin, ZHANG Sheng-nan. Parameter Inversion of CO₂ Leakage Sources and Surface Diffusion Simulation Based on SSA-PSO Hybrid Algorithm[J]. Science Technology and Engineering, 2026, 26(18): 7961-7968 DOI:10.12404/j.issn.1671-1815.2504997

登录浏览全文

4963

注册一个新账户忘记密码

随着全球工业化进程的加速和能源需求的持续增长,CO₂排放量不断增加,对全球气候系统产生了重大影响。碳捕集、利用与封存(carbon capture, utilization, and storage,CCUS)是实现CO₂减排和资源利用的重要技术手段。CCUS产业市场巨大,对于解决全球气候问题具有重大意义,CCUS 技术在实施过程中面临着诸多挑战,其中CO₂泄漏风险是关键问题之一^[1]。泄漏之后的CO₂对土壤植被的生长带来不利影响,直接或间接地危害人类和动物的健康安全。因此能够在较短时间内以较高精度定位泄漏源并估计泄漏速率至关重要。

在泄漏源参数反演研究中,主要采用基于概率的方法、优化方法和机器学习方法。基于概率反演方法研究, 赵锦鹏等^[2]使用 MCMC算法与加装甲烷浓度传感器的无人机相结合的方法,可以同时确定天然气管道的泄漏位置与泄漏速率。基于优化方法进行反演,廖正中^[3]提出一种基于麻雀搜索算法的气态危化品泄漏事故反演方法, 反演源位置坐标和源强精度分别达到±1 m、±1.5 m、±0.2 m,±0.5 kg/s。王富玉等^[4]使用计算流体动力学进行模拟,利用非定常伴随方程建立源-探测器关系,然后利用遗传算法对泄漏进行反演, 计算高效性可实现对泄漏的快速反演。尹超等^[5]利用混合后的人工蜂群算法对溯源模型进行优化求解,得出排放源的位置坐标和源强数值信息,满足油田甲烷排放源溯源的要求。刘若兮等^[6]通过优化麻雀算法(ISSA), 通过最小化模拟质量浓度与监测质量浓度之间的误差进行迭代计算,最终实现了对站场泄漏源参数的准确反演。万邦银等^[7]在源强反演研究中引入了一种混合免疫粒子群优化算法(PSO-IA),其算法定位误差为1.3 m,求解源强误差为0.8%,单次计算时间小于1 s,能够高效精准地实现污染源定位及强度估算。Jiang等^[8]提出了一种结合遗传算法(IGA)和模拟退火算法(SAA)的混合反演方法(IGSAA),用于重建污染物注入地表河流的位置、时间和释放量历史,用于快速应急响应和优化应急处置方案。陈国华等^[9]的研究表明,基于鸡群优化算法的泄漏源反演方法可在较短时间内获得高精度的定位结果。该方法不仅能有效实现化工园区危险化学品泄漏源的快速精准定位,还可对泄漏强度进行可靠估算。基于机器学习反演方法研究,吴育建^[10]将人工智能算法应用于LNG储罐泄漏诊断,通过展平孪生模型和机器视觉,将CNN、LSTM、Self-Attention Mechanism等深度学习算法融入Seq2Seq架构,实现了高精度的泄漏判定、泄漏位置计算与泄漏体积计算。Cho等^[11]在化工厂泄漏事故研究中,利用CFD模拟生成的传感器监测数据训练深度神经网络(deep neural network,DNN)和随机森林(random forest,RF)分类器,实验表明这些机器学习模型在化学品泄漏源定位方面表现出色,可实现化学品泄漏的实时诊断。Zhao等^[12]利用气体传感器网络测量氦气泄漏浓度,生成数据集,并通过人工神经网络和K-DTW算法成功开发出氦气泄漏定位系统。

综上所述,现有泄漏源参数反演研究中还存在一些局限性。基于概率算法的参数反演方法对初始值选取较为敏感,初始值的设定会影响反演结果,导致定位精度和预测准确性不足。同时,该方法计算成本较高,需要大量样本数据且收敛速度较慢;基于优化算法的方法容易陷入局部最优解,导致寻优精度不高,运算效率较低;而机器学习方法虽然具有优势,但在实际应用中面临训练数据不足的问题,获取大量真实的泄漏数据较为困难。

因此,针对现有泄漏检测方法存在的局限性,现提出一种基于混合麻雀搜索算法(SSA)和粒子群算法(PSO)的智能优化方法,用于提升CO₂气体泄漏源参数反演的精度与效率。该方法通过融合SSA强大的全局探索能力和PSO高效的局部开发优势,构建一种协同优化机制。SSA在前期的全局搜索阶段能够有效避免算法陷入局部最优,而PSO在后期的精细搜索阶段可加速收敛并提高反演精度。此外,该混合算法通过动态调整两种优化策略的权重,进一步平衡全局探索与局部开发能力,从而显著提升泄漏源参数反演的准确性和计算效率,为CCUS工程场地地表CO₂泄漏精准溯源提供算法支撑与技术参考,对降低地质封存泄漏风险具有重要的工程应用价值。

1 CO₂泄漏源扩散模型

高斯烟羽模型是基于湍流统计理论的气体扩散模型,一般用于连续点源式气体扩散预测^[13]。将其作为CCUS CO₂泄漏至地表之后在大气中的扩散模型, 为后续确定CO₂泄漏位置与泄漏速率提供基本条件。高斯烟羽模型表达式^[14]为

(1)$ \begin{aligned} C(x, y, z)= & \frac{Q}{2 \pi \sigma_{y} \sigma_{z} u} \exp \left(\frac{y^{2}}{2 \sigma_{y}^{2}}\right)\left\{\exp \left[-\frac{(z-H)^{2}}{2 \sigma_{z}^{2}}\right]+\right. \\ & \left.\exp \left[-\frac{(z+H)^{2}}{2 \sigma_{z}^{2}}\right]\right\} \end{aligned}$

式(1)中:C(x,y,z)为任意坐标点(x,y,z)的浓度;Q为泄漏源的泄漏速率;H为泄漏源有效高度;u为环境中的风速;σ_y和σ_z为气体在y方向和z方向上的扩散系数。

扩散系数与大气稳定度相关,大气稳定度是影响CO₂扩散行为的关键因素。高斯烟羽模型中,大气稳定度分为6个等级:A~F,涵盖了从极不稳定到极稳定的不同大气状态,大气稳定度等级如表1所示。

高斯烟羽扩散系数方程是大气扩散模型中的重要组成部分,它用于描述污染物在大气中的扩散过程。在实际应用中,不同的大气稳定度对应不同的扩散系数方程。高斯烟羽扩散系数方程能够根据大气稳定度的不同,调整其参数,从而更准确地模拟污染物的扩散行为。高斯烟羽扩散系数方程如表2所示。

2 CO₂泄漏分布影响因素分析

为了研究不同因素对CO₂泄漏到大气之中的浓度分布影响,设定点源泄漏场景,泄漏源位置坐标为(20 m,10 m),监测高度z=1.5 m。

2.1 泄漏速率对浓度扩散分布的影响

研究不同泄漏速率对CO₂浓度扩散分布的影响,设置大气稳定度等级为D级,风速为5 m/s,选取泄漏速率为1 000、1 500、2 000、2 500 g/s进行实验模拟。仿真结果如图1所示。

图1显示了在不同泄漏速率下CO₂扩散模拟结果。从图1中可以看出,CO₂扩散范围整体呈椭圆形,并沿着下风方向逐渐扩散。随着泄漏速率的不断增加,CO₂在横向x轴和纵向y轴的扩散距离逐渐增大,同时下风向区域的整体浓度也逐渐升高。所有模拟结果在下风方向x=37.9 m处出现浓度峰值,可以看出随着泄漏速率的增加,最大浓度点浓度值逐渐增加,泄漏速率与峰值浓度成正比。

2.2 风速对浓度扩散分布的影响

研究不同风速对CO₂浓度扩散分布的影响,设置大气稳定度等级为D级,泄漏速率为1 000 g/s, 在此基础上,选取风速分别为4、5、6、7 m/s这4种不同风速进行模拟实验。仿真结果如图2所示。

图2显示了在不同风速下二氧化碳扩散的分布结果,随着风速的不断增加,CO₂浓度分布在横向x轴和纵向y轴的扩散范围明显收缩。可以看出随着风速的增加,最大浓度点浓度逐渐减小,风速与峰值浓度成反比。因此在低风速时应该扩大监测范围,高风速时监测点应该集中在泄漏源附近。

2.3 大气稳定度对浓度扩散分布的影响

研究不同大气稳定度对CO₂浓度扩散分布的影响,将风速设置为2 m/s,泄漏速率为1 500 g/s,选取大气稳定度为A、C、D和E 4个等级进行实验模拟,仿真结果如图3所示。

图3显示了风速和泄漏速率一定的情况下,不同大气稳定度等级对CO₂扩散行为的影响。仿真结果表明,大气稳定度由A到E时变化时,CO₂在横向和纵向的扩散范围显著扩大,呈现出更为分散的分布特征,下风向区域的整体浓度也逐渐下降。可以看大气稳定度由A到E时变化时,最大浓度点的位置逐渐向下风向远端移动。同时,最大浓度点浓度呈现明显的递减趋势。

3 SSA-PSO混合算法

3.1 麻雀搜索算法

麻雀搜索算法一种新型群体智能优化算法, 它通过模拟麻雀群体在捕食和逃避捕食者行为中的互动来寻找最优解。该算法将麻雀按照不同职责分为发现者、追随者和预警者3大类,以实现高效的优化搜索^[15]。并在迭代过程中根据环境反馈动态调整搜索策略,从而平衡全局探索与局部开发能力。麻雀搜索法更新公式如下。

(1)更新发现者位置。

(2)

${\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathrm{t}+1}=\left\{\begin{array}{ll}{\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{-\mathit{i}}{\mathit{\alpha }\mathit{T}}\right),& {\mathit{R}}_{2}<\mathrm{S}\mathrm{T}\\ {\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}+\mathit{Q}\mathit{L},& {\mathit{R}}_{2}\ge \mathrm{S}\mathrm{T}\end{array}\right.$

式(2)中:t为当前迭代数;T为最大迭代次数;α为[0,1]范围内的随机数;

${\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathrm{t}+1}$

为第i个麻雀在第j维空间中t+1次迭代的位置信息;R₂和ST分别为预警值和安全值;Q为服从正态分布的随机数;L为一个1×d的矩阵。

(2)更新加入者位置。

(3)${\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathrm{t}+1}$=$\left\{\begin{array}{ll}\mathit{Q}\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{{\mathit{X}}_{\mathit{w}\mathit{o}\mathit{r}\mathit{s}\mathit{t}}^{\mathit{t}}-{\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}}{{\mathit{i}}^{2}}\right),& \mathit{i}>\frac{\mathit{n}}{2}\\ {\mathit{X}}_{\mathrm{P}}^{\mathrm{t}+1}+|{\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}-{\mathit{X}}_{\mathrm{P}}^{\mathrm{t}+1}|{\mathit{A}}^{+}\mathit{L},& \mathit{i}\le \frac{\mathit{n}}{2}\end{array}\right.$

式(3)中:

${\mathit{X}}_{\mathrm{P}}^{\mathrm{t}+1}$

为第t+1代中发现者所在最优位置;

${\mathit{X}}_{\mathit{w}\mathit{o}\mathit{r}\mathit{s}\mathit{t}}^{\mathit{t}}$

为当前全局最差的位置;A为1×d的矩阵,A⁺=A^T(AA^T)^-1。

(3)更新警戒者位置。

(4)${\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathrm{t}+1}$=$\left\{\begin{array}{ll}{\mathit{X}}_{\mathit{b}\mathit{e}\mathit{s}\mathit{t}}^{\mathit{t}}+\mathit{\beta }|{\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}-{\mathit{X}}_{\mathit{b}\mathit{e}\mathit{s}\mathit{t}}^{\mathit{t}}|,& {\mathit{f}}_{\mathit{i}}>{\mathit{f}}_{\mathrm{b}}\\ {\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}+\mathit{K}\frac{|{\mathit{X}}_{\mathrm{i},\mathrm{j}}^{\mathit{t}}-{\mathit{X}}_{\mathit{w}\mathit{o}\mathit{r}\mathit{s}\mathit{t}}^{\mathit{t}}|}{{\mathit{f}}_{\mathit{i}}-{\mathit{f}}_{\mathrm{W}}+\mathit{\epsilon }},& {\mathit{f}}_{\mathit{i}}={\mathit{f}}_{\mathrm{b}}\end{array}\right.$

式(4)中:

${\mathit{X}}_{\mathit{b}\mathit{e}\mathit{s}\mathit{t}}^{\mathit{t}}$

为当前的全局最优位置;β为步长控制参数;K为随机数,K∈[-1,1];ε为分母不为零的常数;f_i为当前的适应度值;f_b和f_W为当前全局最佳和最差的适应度值。

麻雀搜索算法流程如下。

(1)种群初始化,随机生成初始种群。

(2)根据适应度值将麻雀分为发现者、加入者和警戒者。

(3)发现者通过全局搜索或随机游走更新位置,加入者根据发现者的位置进行局部搜索或随机移动,警戒者当检测到危险时,引导群体逃离危险区域。

(4)重复上述过程,满足终止条件,输出最优解。

3.2 粒子群算法

粒子群算法是一种模拟自然界中鸟群觅食行为的群体智能优化算法。它通过模拟鸟群在迁徙和群聚过程中的信息共享机制,实现对复杂搜索空间中全局最优解的高效逼近。其基本思想是,在解决问题的解空间中,整个种群通过种群中个体间的信息交流,从无序向有序演化,从而获得解决问题的可行方案^[16]。

更新公式为

(5)v_i(t+1)=wv_i(t)+c₁r₁[p_{best_i}-x_i(t)]+c₂r₂[g_{best_i}-x_i(t)]

(6)x_i(t+1)=x_i(t)+v_i(t+1)

式中:v_i为粒子i的速度;x_i为当前粒子i的位置;w为惯性权重;c₁、c₂为学习因子;r₁、r₂为[0,1]的随机数;p_{best_i}和g_{best_i}分别为粒子i的个体最优和全局最优位置。

粒子群算法通过初始化种群、计算适应度函数、迭代等步骤进行优化求解。粒子群算法流程如下。

(1)设置粒子数量,个体学习因子,群体学习因子,最大迭代次数,惯性权重,变量范围。

(2)计算每个粒子当前位置的适应度值。

(3)根据适应度更新其历史最优和全局最优。

(4)更新群体中粒子的速度和位置。

(5)重复上述过程,满足终止条件,输出最优解。

3.3 SSA-PSO算法

使用SSA-PSO算法对泄漏参数进行优化求解。该程序的主要功能是通过高斯烟羽扩散模型生成传感器观测数据,反推出泄漏源的位置和泄漏速率。程序首先初始化混合种群并动态调整SSA和PSO的权重大小。在迭代优化过程中,发现者使用SSA的指数递减或者随机扰动策略进行全局搜索,跟随者结合PSO速度更新和SSA随机扰动进行局部开发,警戒者则根据适应度选择向最优解靠拢或随机探索以离局部最优。利用高斯烟羽扩散模型求解预测浓度和适应度,判断是否满足达到最大迭代次数,输出最优反演结果,SSA-PSO算法寻优流程图如图4所示,伪代码如表3所示。

4 实验验证及其方法对比

4.1 实验设计

为验证SSA-PSO算法在CO₂泄漏反演中的有效性,设计CO₂扩散反演仿真实验。假设在整个区域存在n个传感器,C_obs(i)为第i个传感器的观测浓度,C_pred(i)为第i个传感器的预测浓度,目标函数定义为预测浓度与观测浓度的均方误差,公式为

(7)

$\mathit{m}\mathit{i}\mathit{n}\mathrm{f}({\mathit{x}}_{0},{\mathit{y}}_{0},{\mathit{Q}}_{0})=\frac{1}{\mathit{N}}\stackrel{\mathit{N}}{\sum _{\mathit{i}=1}}\left[{\mathit{C}}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}\right(\mathit{i})-{\mathit{C}}_{\mathrm{o}\mathrm{b}\mathrm{s}}{\left(\mathit{i}\right)]}^{2}$

使用MATLAB进行仿真,选取了40 m×180 m的长方形区域作为研究对象,假设排放源的源强为1 000 g/s,泄漏源位置坐标为x₀=20 m,y₀=10 m,大气稳定度为D,风速为5 m/s,风速方向与x轴正方向一致。由表2可知,CO₂在y方向以及z方向的扩散系数为

(8)σ_y=0.08x(1+0.000 1x)^-0^.⁵

(9)σ_z=0.06x(1+0.001 5x)^-0^.⁵

在监测区域内,需要布置传感器来获取监测数据,由在不同条件下CO₂扩散仿真结果可知,最大浓度点在25~90 m,考虑到节约成本并且能够准确地进行泄漏反演,沿着x轴形成主监测线,(40 m,10 m),(60 m,10 m)为近场监测点,(120 m,10 m)远场监测点,(60 m,5 m),(60 m,15 m)为横向偏移监测点,根据高斯烟羽扩散模型公式来计算出传感器的测量浓度值C_obs(i)。

在优化过程中, 将粒子群种群大小设置为30,最大迭代次数为100,算法的基本参数参考文献[17-18],参数设置如表4所示。

4.2 仿真验证

使用SSA-PSO算法对其进行优化求解,反演结果如表5所示。

结果表明该算法在CO₂泄漏源参数反演方面具有极高的精度。SSA-PSO算法反演得到的泄漏源源强与实际泄漏源源强Q₀的相对误差为0.01%,位置坐标x₀和y₀两者的相对误差均为0.1%,3个泄漏源参数的反演误差均可接受。验证了该算法在泄漏监测中的可靠性和准确性。SSA-PSO算法在求解目标函数时,各反演参数的收敛如图5所示。

在反演参数寻优的过程中,SSA-PSO算法表现出了显著的优化能力。算法目标函数值随迭代次数的增加呈现单调递减趋势,并在40次迭代后逐渐收敛至稳定状态。实验结果表明,参数x₀、y₀和Q₀的估计值均在迭代次数40次之后逐渐趋于稳定。并且算法收敛速度较快,各项参数最终估计值都与真实值十分接近,充分证明了 SSA-PSO算法在反演问题求解中的高效性和准确性。

4.3 不同优化算法反演结果对比

为系统评估SSA-PSO混合优化算法在CO₂泄漏源反演中的可靠性,使用4种算法进行反演对比。设置风速为5 m/s,大气稳定度为D。遗传算法变异概率设置为0.1,交叉概率设置为0.8,其他算法中的参数值均与表5中参数设置一致。考虑到优化算法每次生成的初始值不一致,为消除初始值随机性带来的影响,进行100次实验,选取均值作为最后的反演结果,如表6所示。

表6详细列出了5种不同算法在泄漏源反演中的性能对比结果,由表6中数据可知,在源强Q₀反演方面:SSA-PSO算法的相对误差仅为0.01%,显著低于粒子群算法的28%、麻雀搜索算法的1.27%及遗传算法的1.34%;此外,PSO-GA 算法与 SSA-PSO 算法的源强反演相对误差均小于 1%,表现出更优的源强估算精度。在泄漏源位置x₀和y₀的反演方面:SSA-PSO算法对x₀和y₀定位的相对误差均为0.10%,而其他4种算法的x₀相对误差为0.15%~22.35%,y₀相对误差为0.10%~0.80%,整体定位精度显著低于 SSA-PSO 算法。在计算效率方面,SSA-PSO算法的计算时间最短,体现出更高效的优化求解能力。综上所述,相较于 PSO、SSA、GA 和PSO-GA 算法,SSA-PSO算法反演结果的精准性与计算效率均优于其他4种算法,更适用于泄漏反演问题。

4.4 实例验证

在真实的泄漏场景中,气体浓度传感器可能会由于外界因素干扰出现异常值。为了进一步验证所构建的SSA-PSO混合算法的正确性与实用性,搭建一个泄漏模拟场景,设定真实泄漏源位置坐标为x₀=2.00 m,y₀= 1.00 m,泄漏速率为0.02 g/s。仿真参数设置与前述仿真实验保持一致。通过分析算法反演得到的泄漏源位置和泄漏速率与真实值的误差,验证其在接近真实环境的有效性和鲁棒性。反演结果如表7所示。

如表7所示的泄漏模拟实验中,SSA-PSO混合算法的反演性能显著优于其他对比算法。该算法在泄漏速率与源位置反演相对误差分别为10.50%, 4.00%和3.00%,计算时间为7.08 s,各项参数均优于其他算法。综合来看,SSA-PSO算法在反演精度、计算效率及应对实际干扰的鲁棒性方面达到了最佳平衡,验证了其在解决实际泄漏溯源问题中的有效性与工程应用潜力。

5 结论

针对CCUS项目中泄漏源监测与定位需求,提出了一种基于SSA-PSO混合优化算法的泄漏源参数反演方法,进一步结合全局搜索与局部优化能力,有效提升了反演精度和效率。通过仿真实验和实例实验验证,该方法在CO₂泄漏源反演中表现出显著优势,并得出以下结论。

(1)SSA-PSO混合优化算法通过融合麻雀搜索算法的全局探索能力与粒子群优化的局部开发特性,有效避免了传统优化算法易陷入局部最优的问题,显著提高了收敛精度。

(2)仿真泄漏实验和实际模拟泄漏实验结果表明,该方法反演精度均优于其他算法,且平均收敛时间更短,验证了其在泄漏源参数反演中的高效性与准确性。

(3)该方法为CCUS项目的安全监测提供了可靠的技术支持,适用于突发泄漏事件的快速响应与精准定位,为泄漏风险防控提供了新的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	郭百红, 顾学华, 赵文景. 碳达峰碳中和背景下CCUS产业发展现状及未来发展策略研究[J]. 环境科学与管理, 2025, 50(4): 23-28.

[2]	Guo Baihong, Gu Xuehua, Zhao Wenjing, et al. Current status and future strategies of CCUS industry under background of carbon peak and carbon neutrality[J]. Environmental Science and Management, 2025, 50(4): 23-28.

[3]	赵锦鹏, 周文静, 白云龙, 等. 基于MCMC算法的天然气管道泄漏检测方法[J]. 油气储运, 2024, 43(1): 49-56.

[4]	Zhao Jinpeng, Zhou Wenjing, Bai Yunlong, et al. Leakage detection approach of natural gas pipelines based on MCMC algorithm[J]. Oil & Gas Storage and Transportation, 2024, 43(1): 49-56.

[5]	廖正中. 典型气态危化品泄漏扩散规律及泄漏源定位研究[D]. 武汉: 武汉科技大学, 2024.

[6]	Liao Zhengzhong. Investigating on the diffusion law and source localization of typical hazardous gases leak[D]. Wuhan: Wuhan University of Science and Technology, 2024.

[7]	王富玉, 周晅毅. 结合非定常伴随方程和遗传算法的化工区反演[J]. 化工学报, 2025, 76(6): 3104-3114.

[8]	Wang Fuyu, Zhou Xuanyi. Leakage estimation in a chemical tank farm with unsteady adjoint equation and genetic algorithm[J]. CIESC Journal, 2025, 76(6): 3104-3114.

[9]	尹超, 戴永寿. 基于混合人工蜂群算法的甲烷排放源溯源方法研究[J]. 物联网技术, 2025, 15(6): 92-96.

[10]	Yin Chao, Dai Yongshou. Research on methane emission source tracing method based on hybrid artificial bee colony algorithm[J]. Internet of Things Technologies, 2025, 15(6): 92-96.

[11]	刘若兮, 陶野, 赵元东, 等. 基于高斯烟羽模型和ISSA算法的油气站场泄漏检测研究[J]. 石油工程建设, 2024, 50(2): 71-76, 81.

[12]	Liu Ruoxi, Tao Ye, Zhao Yuandong, et al. Research on leak detection of oil and gas station based on Gauss plume model and ISSA algorithm[J]. Petroleum Engineering Construction, 2024, 50(2): 71-76, 81.

[13]	万邦银, 蒯念生, 何雄元, 等. 免疫粒子群算法在修正高斯模型下的源强反演[J]. 中国安全科学学报, 2024, 34(7): 132-138.

[14]	Wan Bangyin, Kuai Niansheng, He Xiongyuan, et al. Source strength inversion of PSO-IA under modified Gaussian models[J]. China Safety Science Journal, 2024, 34(7): 132-138.

[15]	Jiang D X, Zhu H, Wang P, et al. Inverse identification of pollution source release information for surface river chemical spills using a hybrid optimization model[J]. Journal of Environmental Management, 2021, 294: 113022.

[16]	陈国华, 胡雪薇, 周利兴, 等. 基于鸡群算法的危险化学品泄漏扩散事故反演方法[J]. 华南理工大学学报(自然科学版), 2021, 49(9): 56-64.

[17]	Chen Guohua, Hu Xuewei, Zhou Lixing, et al. Inversion method based on chicken swarm optimization for hazardous chemicals lea-kage and diffusion accident[J]. Journal of South China University of Technology (Natural Science Edition), 2021, 49(9): 56-64.

[18]	吴育建. 基于数字孪生的LNG储罐泄漏监测和智能诊断研究[D]. 大连: 大连海事大学, 2024.

[19]	Wu Yujian. Research on leakage monitoring and intelligent diagnosis of LNG tanks based on digital twins[D]. Dalian: Dalian Maritime University, 2024.

[20]	Cho J, Kim H, Gebreselassie A L, et al. Deep neural network and random forest classifier for source tracking of chemical leaks using fence monitoring data[J]. Journal of Loss Prevention in the Process Industries, 2018, 56: 548-558.

[21]	Zhao M B, Huang T, Liu C H, et al. Leak localization using distributed sensor sand machine learning for hydrogen releases from a fuelcell vehicle in a parking garage[J]. International Journal of Hydrogen Energy, 2020, 46 (1): 1420-1433.

[22]	常波峰, 刘欣, 杨臻, 等. 基于煤矿巷道瓦斯分布模型定位瓦斯泄漏源技术研究[J]. 煤炭科技, 2023, 44(4): 119-123, 130.

[23]	Chang Bofeng, Liu Xin, Yang Zhen, et al. Research on technology of locating gas leakage sources based on gas distribution model in coal mine roadway[J]. Coal Science & Technology Magazine, 2023, 44(4): 119-123, 130.

[24]	Zhang X P, Chen Z Q. Back-calculation of the strength and location of hazardous materials releases using the pattern search method[J]. Journal of Hazardous Materials, 2010, 183(1/2/3): 474-481.

[25]	刘建娟, 李志伟, 姬淼鑫, 等. 多策略改进麻雀搜索算法优化无迹卡尔曼滤波方法[J]. 科学技术与工程, 2025, 25(1): 227-237.

[26]	Liu Jianjuan, Li Zhiwei, Ji Miaoxin, et al. Multi-strategy improvement of the sparrow search algorithm for optimizing the UKF method[J]. Science Technology and Engineering, 2025, 25(1): 227-237.

[27]	陈攀, 孙鉴, 吴隹伟, 等. 基于改进粒子群的云计算任务调度算法[J]. 科学技术与工程, 2025, 25(12): 5045-5057.

[28]	Chen Pan, Sun Jian, Wu Zhuiwei, et al. Cloud computing task scheduling algorithm based on improved particle swarm optimization[J]. Science Technology and Engineering, 2025, 25(12): 5045-5057.

[29]	周围, 孟凡钦, 汪芮, 等. 基于改进粒子群优化算法的气体源定位研究[J]. 传感器与微系统, 2023, 42(7): 36-39.

[30]	Zhou Wei, Meng Fanqin, Wang Rui, et al. Research on gas source localization based on improved PSO algorithm[J]. Transducer and Microsystem Technologies, 2023, 42(7): 36-39.

[31]	张辉, 刘宁宁, 王振华, 等. 基于SSA-BP的自压灌溉管网泄漏定位模型研究[J]. 水利学报, 2025, 56(4): 488-498.

[32]	Zhang Hui, Liu Ningning, Wang Zhenhua, et al. Research on leakage positioning model of self-pressure irrigation pipenetwork based on SSA-BP[J]. Journal of Hydraulic Engineering, 2025, 56(4): 488-498.

基金资助

陕西省重点研发计划(2024GX-YBXM-229)

PDF (6061KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-03	2026-06-28	2025-12-16
Online Date
2026-07-29

摘要