一种基于风环境的传染病医院智能规划方法技术

本发明专利技术涉及城市规划技术领域，具体涉及一种基于风环境的传染病医院智能规划方法，包括确定病区初步选址第一顺位；在第一顺位病区初步选址中划分更小的区域，以确定最终选址；建立最终选址的风洞试验，复核最终选址的污染物浓度；在最终选址上确定病区楼栋布局；确定楼栋内病房的布局，以其布局确定病房污染物的扩散路径；在数值模拟中，模拟由病房内至病房外的污染物扩散方式，以病区为污染源，从而重生成污染物扩散流场，使其按照污染物扩散流场扩散，并重新循环执行规划方法，直至污染物浓度最小，得到污染物浓度最小时的最终选址、楼栋和病房布局。本发明专利技术基于风环境与污染物浓度对传染病医院的影响，在被动层面降低传染病二次感染的风险。感染的风险。感染的风险。

【技术实现步骤摘要】
一种基于风环境的传染病医院智能规划方法


[0001]本专利技术涉及城市规划
，具体涉及一种基于风环境的传染病医院智能规划方法。

技术介绍

[0002]与普通医院相比，传染病医院规划与设计过程中需要考虑传染病的特殊性及疾病传播的影响，控制传染源和切断传播途径，隔离易感人群。在满足医院基本功能需要的同时，也要处理好建筑与场地、院区与周边环境的关系，因此，如何降低医院附近居民的感染风险，减少隔离医院带来的二次病毒感染风险，是当前急需解决的现实问题。
[0003]在医院和酒店集中隔离防控过程中，降低空气中病毒的浓度主要采用主动控制法，通过采用降压、过滤、通风等手段引导空气流动进而降低病毒浓度，这种做法不仅会消耗大量能源，且在主动控制过程中，若防护不到位或某一环节出现差错，极有可能产生病毒扩散等危险。以往的研究多采用长期观测试验对医院布局进行勘测设计，时间成本相当大，也缺乏坚实的理论指导。与主动控制法和长期观测试验相比，在已有的楼栋、门窗布局下通过地形、自然通风来降低病毒被动控制法应用较少，被动控制在降低污染物浓度方面有着高效、经济的特点。同时，人工智能研究成果并没有直接运用到传染病医院智能规划与设计中来。因此，亟需对传染病医院周边风环境与污染物浓度进行分析，了解污染物随风扩散的迁移路径，在被动层面降低空气中病毒浓度。

技术实现思路

[0004]因此，本专利技术要解决的技术问题在于传染病医院传统规划设计方法没有科学考虑风环境与污染物浓度的影响，并且存在设计方法单一、以经验为主导的缺陷，从而提供一种基于风环境的传染病医院智能规划方法。
[0005]一种基于风环境的传染病医院智能规划方法，包括如下步骤：
[0006]S1：病区初步选址：设定交通量和污染物浓度的权重因子，得到交通量评价分数和污染物浓度的评价分数，并乘以各自的权重因子，从而得到各个待选区域的总分数，以总分数大小确定病区初步选址第一顺位；
[0007]S2：在第一顺位病区初步选址中划分更小的区域，以确定最终选址：获得第一顺位病区初步选址上的污染物浓度在风速、温度、传播距离因素影响下的分布数据，并将病区初步选址划分为多个小区，根据分布数据以确定每个小区的污染物浓度，以污染物浓度最小的小区作为最终选址；
[0008]S3：依据S2的最终选址设计相应的风洞试验，将数值模拟结果与风洞试验结果对比验证，复核最终选址的污染物浓度；
[0009]S4：在最终选址上确定病区各楼栋的布局，其需满足污染物浓度最小的条件；
[0010]S5：确定楼栋内病房的布局，以其布局确定病房污染物的扩散路径；
[0011]S6：在数值模拟中，以S5中的扩散路径，模拟由病房内至病房外的污染物扩散方
式，以病区为污染源，从而重生成污染物扩散流场，使S1中的污染物按S6中的污染物扩散流场扩散，并重新循环执行S1
‑
S6，直至污染物浓度最小，得到污染物浓度最小时的最终选址、楼栋布局和病房布局。
[0012]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S1中，若以总分数由大到小的排列方式确定病区初步选址的顺位时，则交通量评价分数负相关于交通量的大小，污染物浓度的评价分数负相关于污染物浓度的大小；若以总分数由小到大的排列方式确定初步选址的顺位时，交通量评价分数正相关于交通量的大小，污染物浓度的评价分数正相关于污染物浓度的大小。
[0013]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S1中，确定病区初步选址的具体方式为：
[0014]S1.1：与当地气象、交通部门对接，获得用于训练预测污染物浓度的神经网络模型需要的样本数据，其中包括：
[0015]作为输入量的一个时间段的城市风速、风向、温度、交通量单位时间内的平均数据；
[0016]以及作为输出量的，对应时间段的相应污染物浓度单位时间内的平均数据；
[0017]S1.2：对所有训练数据进行归一化处理，并划分成训练集、测试集和验证集，获得一个基于机器学习的神经网络模型，同时设置相应的损失函数，设定精度值，训练神经网络模型直至预测量收敛于输出量，则优化结束，此优化后的神经网络模型作为最终的污染物背景浓度预测模型；
[0018]S1.3：将代表一个区域的一组风速、风向、温度、交通量作为此区域的背景状态参数作为输入量，使用污染物背景浓度预测模型预测符合此区域的污染物浓度；
[0019]S1.4：建立自变量为交通量和预测量，因变量为第一顺位初步选址得分的目标函数，目标函数与污染物背景浓度预测模型结合为最终的代理模型，以确定病区初步选址。
[0020]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S2中，最终选址的具体确定方式为：
[0021]S2.1：选择第一顺位初步选址作为目标计算域；
[0022]S2.2：建立数公里尺度的数值模型：首先基于“空间地理数据云”获取目标计算域地形地貌的数字高程模型数据，并在地图绘制软件中裁剪目标计算域，通过逆向工程软件基于前述数字高程模型数据，生成目标计算域相应的面文件，最后导入建模软件中生成三维模型，并在网格划分软件中划分流体计算网格；
[0023]S2.3：经仿真模拟计算，确定最终选址。
[0024]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S2.2中：
[0025]S2.21：在“空间地理数据云”中获取目标计算域及其上的各个建筑以及周边基础数据和相应的地形及建筑高程数据；
[0026]S2.22：所述地图绘制软件为Global Mapper，根据S2.21中的数据，进行地形处理，然后生成并裁剪出目标计算域；
[0027]S2.23：所述逆向工程软件为Imageware，导入S2.22中裁剪出的目标计算域以及相应的地形高程数据，生成目标计算域上各个建筑的三维曲面；
[0028]S2.24：所述建模软件为Rhino或SolidWorks，在建模软件中实现建筑或建筑群的
拼接，生成目标计算域上所有的几何模型；
[0029]S2.25：所述网格划分软件为ICEM，将S2.24中的几何模型划分网格，生成CFD计算网格，以建立数公里尺度数值计算模型。
[0030]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S2.25中：
[0031]数公里尺度数值模型有两个缩尺比，其中一个为1：1，另一个为1:250；
[0032]1：1数值模型采用当地气象资料的风速风向联合分布作为其入口风速边界条件；
[0033]1：250数值模型用于与风洞试验进行对比，入口条件和计算参数与风洞试验保持一致。
[0034]作为本专利技术中基于风环境的传染病医院智能规划方法的一种优选，S2.3中：
[0035]将污染物背景浓度预测模型的预测量作为1：1数值模型的污染物浓度边界条件，再基于DPM离散相模型对多组风速、温度条件下的污染物浓度进行仿真模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风环境的传染病医院智能规划方法，其特征在于，包括如下步骤：S1：病区初步选址：设定交通量和污染物浓度的权重因子，得到交通量评价分数和污染物浓度的评价分数，并乘以各自的权重因子，从而得到各个待选区域的总分数，以总分数大小确定病区初步选址第一顺位；S2：在第一顺位病区初步选址中划分更小的区域，以确定最终选址：获得第一顺位病区初步选址上的污染物浓度在风速、温度、传播距离因素影响下的分布数据，并将病区初步选址划分为多个小区，根据分布数据以确定每个小区的污染物浓度，以污染物浓度最小的小区作为最终选址；S3：依据S2的最终选址设计相应的风洞试验，将数值模拟结果与风洞试验结果对比验证，复核最终选址的污染物浓度；S4：在最终选址上确定病区各楼栋的布局，其需满足污染物浓度最小的条件；S5：确定楼栋内病房的布局，以其布局确定病房污染物的扩散路径；S6：在数值模拟中，以S5中的扩散路径，模拟由病房内至病房外的污染物扩散方式，以病区为污染源，从而重生成污染物扩散流场，使S1中的污染物按S6中的污染物扩散流场扩散，并重新循环执行S1
‑
S6，直至污染物浓度最小，得到污染物浓度最小时的最终选址、楼栋布局和病房布局。2.根据权利要求1所述基于风环境的传染病医院智能规划方法，其特征在于，S1中，若以总分数由大到小的排列方式确定病区初步选址的顺位时，则交通量评价分数负相关于交通量的大小，污染物浓度的评价分数负相关于污染物浓度的大小；若以总分数由小到大的排列方式确定初步选址的顺位时，交通量评价分数正相关于交通量的大小，污染物浓度的评价分数正相关于污染物浓度的大小。3.根据权利要求1所述基于风环境的传染病医院智能规划方法，其特征在于，S1中，确定病区初步选址的具体方式为：S1.1：与当地气象、交通部门对接，获得用于训练预测污染物浓度的神经网络模型需要的样本数据，其中包括：作为输入量的一个时间段的城市风速、风向、温度、交通量单位时间内的平均数据；以及作为输出量的，对应时间段的相应污染物浓度单位时间内的平均数据；S1.2：对所有训练数据进行归一化处理，并划分成训练集、测试集和验证集，获得一个基于机器学习的神经网络模型，同时设置相应的损失函数，设定精度值，训练神经网络模型直至预测量收敛于输出量，则优化结束，此优化后的神经网络模型作为最终的污染物背景浓度预测模型；S1.3：将代表一个区域的一组风速、风向、温度、交通量作为此区域的背景状态参数作为输入量，使用污染物背景浓度预测模型预测符合此区域的污染物浓度；S1.4：建立自变量为交通量和预测量，因变量为第一顺位初步选址得分的目标函数，目标函数与污染物背景浓度预测模型结合为最终的代理模型，以确定病区初步选址。4.根据权利要求1所述基于风环境的传染病医院智能规划方法，其特征在于，S2中，最终选址的具体确定方式为：S2.1：选择第一顺位初步选址作为目标计算域；S2.2：建立数公里尺度的数值模型：首先基于“空间地理数据云”获取目标计算域地形
地貌的数字高程模型数据，并在地图绘制软件中裁剪目标计算域，通过逆向工程软件基于前述数字高程模型数据，生成目标计算域相应的面文件，最后导入建模软件中生成三维模型，并在网格划分软件中划分流体计算网格；S2.3：经仿真模拟计算，确定最终选址。5.根据权利要求4所述基于风环境的传染病医院智能规划方法，其特征在于，S2.2中：S2.21：在“空间地理数据云”中获取目标计算域及其上的各个建筑以及周边基础数据和相应的地形及建筑高程数据；S2.22：所述地图绘制软件为Global Mapper，根据S2.21中的数据，进行地形处理，然后生成并裁剪出目标计算域；S2.23：所述逆向工程软...

【专利技术属性】
技术研发人员：沈炼，王培杰，韩艳，汪阔，杨瑛，谭亦高，周品涵，许家陆，黄筑强，
申请(专利权)人：长沙学院，
类型：发明
国别省市：