基于MATLAB的人口预测模型doc.doc

基于MATLAB的人口预测模型【实用文档】doc
文档可直接使用可编辑，欢迎下载

基于 ＭATLAB 的人口预测模型

摘要

本文以 １9８０—2０1４ 年中国年终总人口数据资料为依据,分别使用了一次拟合、灰色预测模型和时间序列模型进行拟合，最终得出时间序列模型的效果最优，得到了中国人口数量逐年增长，但同时增长速度逐渐放缓的结论,为政府制定人口、经济政策提供了一定的依据.

关键词：人口数量；一次拟合;灰色预测；时间序列

前言

世界人口的迅猛增长引起了许多问题。特别是一些经济不发达国家的人口过度增长，影响了整个国家的经济发展、社会安定和人民生活水平的提高，给人类生活带来许多问题。为了解决人口增长过快的问题，人类必须控制自己,做到有计划地生育，使人口的增长与社会、经济的发展相适应,与环境、资源相协调。我国是世界上人口最多的发展中国家。人口数量多、增长快、可耕地少、国家底子薄,这是我国的基本国情。人口增长过快，严重制约着我国经济和社会发展的进程，影响着人民生活的改善和民族素质的提高。从而造成社会再生产投入不足，严重影响国民经济的可持续发展.认真分析我国目前的人口现状和特点，采取切实可行的措施控制人口的高速增长,提高人口的整体素质,已成为我国目前经济发展中需要解决的首要问题。

本文以中国近 3５ 年的人口数据尝试建立模型，分别建立了一次模型、灰色预测　GM（1，1)

模型和时间序列　AＲ　模型，最终选取了拟合效果最好的时间序列模型，用于说明我国人口问题以及预测短期内人口数量变化,以及为我国即将面临的人口问题提供一些建议。

概念与引理

定义 1［1］:人口问题，是由于人口在数量、结构、分布等方面快速变化,造成人口与经济、社会以及资源、环境之间的矛盾冲突。

人口数量问题,主要由非均衡生育(多子化和少子化)以及人口迁移造成,只有通过均

衡生育(发达国家 2.17　胎，发展中国家　2．3 胎)和调控迁移来解决。

人口结构问题,主要包括年龄、性别、收入、人种、民族、宗教、教育程度、职业、家庭人数等人口结构问题;其中最为突出的是年龄（多子化、少子高龄化）、性别(男女比例失调)和收入（基尼系数高、中产塌陷）结构问题。人口年龄结构问题,只有通过均衡生育

（发达国家 ２．１7 胎，发展中国家 2。3　胎）来解决.人口性别结构问题，只有通过限制堕胎来解决.人口收入结构问题，原因较复杂,但最终都只有通过壮大中产阶层，使中产阶层成为社会主体才能真正解决。

人口分布问题,主要包括大城市病、高密度连绵城市群的环境污染问题、大片乡村缺少

就近(200 公里内)特大城市辐射带动的发展难题、生态气候等自然条件恶劣地区人口的生存困境、以及高密度大流量的人口迁移等问题。人口分布问题,主要是通过城镇化的合理布局，构建合理的城镇体系来解决。

定义 2［2]：最小二乘法（又称最小平方法)是一种数学优化技术.它通过最小化误差平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
原理:在我们研究两个变量 x，ｙ)之间的相互关系时，通常可以得到一系列成对的数据

1， １,　2, 2 … ｍ， ）;将这些数据描绘在x − y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程如(式 １-1).

1

（式 1—1)
其中：
、 1　是任意实数

为建立这直线方程就要确定
和　１，应用《最小二乘法原理》，将实测值 与利用计算
值
1 )(式1—１）的离差　　 −
）的平方和 ∑
− ）２最小为“优化判据".

令:
∑
−　）2

（式　1-２）
把(式 1－1）代入（式 1-2)中得：

∑
−
− 1
）2
（式 1－3）
当∑− ）2最小时，可用函数 对、　1求偏导数,令这两个偏导数等于零。

∑
∑

亦即:
1
1

−
)
（式　1-４）
−
)
(式 1－5)

∑
) 1
（式 １—6）
∑ 　)（∑
2）　1　 　 ∑）
(式 1-７）
得到的两个关于、 1为未知数的两个方程组，解这两个方程组得出:

∑
)
− 1
∑　 ）
（式 1-8)

１

∑

)　∑
∑
(式 1-9）

∑

∑
∑

这时把 、1代入（式　1－1）中, 此时的(式 1—1）就是我们回归的一元线性方程即：数学模型。
在回归过程中，回归的关联式不可能全部通过每个回归数据点１，　１， ２, 2 … m， )，

为了判断关联式的好坏，可借助相关系数“Ｒ”,统计量“F”,剩余标准偏差“S"进行判断；“R”

越趋近于 1 越好；“Ｆ”的绝对值越大越好；“S”越趋近于　０ 越好。

∑　　 −
∑

∑

) √（∑　　2
−
∑

2） −　∑ 2
−
∑

2）
(式　1－１0) *

在（式　1-10）中，m为样本容量,即实验次数；　、分别为任意一组实验数据的数值。

定义 3[３]:灰色预测是一种对含有不确定因素的系统进行预测的方法.灰色预测通过鉴

别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列，然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量，或达到某一特征量的时间。

ＧM（1,1)模型

令x　）
ｘ ) １）, x )
）， … , x ）
)），x(０)=（ｘ⑴,x⑵，…,ｘ（n））
作一次累加,　生成消除数据的随机性和波动性，即
x 1） 　 )
∑ =1 x　）　　 ),
1，　，　… ， n

有ｘ 1)
（x 1） １），x　1）
),　… ， x 1)
))

x ) １）,　x　） １）　　x ）
), … ，　x ）
− 1)　　ｘ　)　 ))
ｘ可建立白化方程:
dx

ax
u即gm 1，1)

dt

该方程的解为: x １） k）
x 1）
1)
u
)

u

a

a

x(k+１）=(x⑴-u/a)exp（
)+u／ａ

其中：α称为发展灰数;μ称为内生控制灰数

定义 4［4］:时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后

顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。

ＡR　模型是一种线性预测,即已知 Ｎ 个数据，可由模型推出第 Ｎ 点前面或后面的数据（设推出　P 点），所以其本质类似于插值，其目的都是为了增加有效数据，只是 ＡR 模型是由 Ｎ

点递推,而插值是由两点(或少数几点）去推导多点，所以　AR 模型要比插值方法效果更好.

主要结果

数据：

我国自 198０—20１３ 年的年末总人口数据（单位：万人)

年份
人口
年份
人口
年份
人口
年份
人口

１9８0 年
98705
1990 年
１1４33３
2000 年
１２6７43
20１0 年
134０91

1９8１　年
1０0072
１991 年
１１582３
２00１　年
１27627
２０１1　年
134735

１98２　年
101６5４
1992 年
117171
2002 年
128453
２０1２ 年
１３5４04

1983 年
1０３0０8
199３ 年
11８5１７
2０0３　年
1２９2２７
20１3 年
13６0７２

19８4 年
104357
１994 年
11985０
2０04 年
1２９9８8
２０1４ 年
1３6782

１98５ 年
105851
１9９５　年
１21121
２０05 年
１30７56

19８6 年
１０７５0７
1９９6　年
12２389
2０0６ 年
1314４８

１98７　年
109300
199７ 年
１236２６
200７ 年
13２129

1９88　年
１1102６
1998 年
12476１
200８ 年
1３2802

１９8９　年
１1２７04
19９9 年
1２5７86
２00９ 年
1３3450

表 1

注：198１ 年及以前人口数据为户籍统计数;19８2、1990、200０、2０１0　年数据为当年人口普查数据推算数；其余年份数据为年度人口抽样调查推算数据。总人口和按性别分人口中包括现役军人，按城乡分人口中现役军人计入城镇人口。

数据来源：国家统计局

观察数据:

使用 MＡTLAB 软件根据表 1　数据画散点图

图 1

根据散点图可得，年末总人口数目随着时间的增长而增长，存在明显的正相关关系。

模型的构建与分析模型一

不考虑任何其他因素，直接使用表１数据使用线性最小二乘法进行一次拟合，可得图２

图 2　根据图２可以明显看出一次拟合拟合的效果较差，需重新拟合寻找更优模型

模型二在考虑到人口与时间的关系以及生物指数性增长的特征，使用灰色预测模型 ＧM（1,1）

进行拟合，可得图３

图3根据图３可以明显看出灰色预测模型 GM(1,１）的效果也比较差，需重新拟合寻找更优的模

型

模型三

从较长的时间来看,人口增长遵循一点的规律，而从短期来看，波动较小,预测较简单。ＡR自回归模型在人口问题预测中既考虑了人口数量在时间序列上的依存性,又考虑了随机波动的干扰性，对于人口数量增长的短期趋势的预测准确率较高,是应用比较广泛的一种方法.

作为人口问题的一个重要指标，年终总人口数量具有一定的稳定性和增长性,且与前几

年的人口数量具有一定的关联性，因此可以采用时间序列方法对人口数量的增长建立预测模

型。
记原始时间序列数据为a1， ， … ,3５），首先检验序列a　是否是平稳的，对显著水平
α ．　5可算得
１，计算得统计量T=＋∞，上α
分位数的值tα　 )
. ３45,所以

丨 T 丨 >　tα(n − ）,故认为序列是非平稳的；因为〉　 ,所以序列有上升趋势。

图 ４
为了构造平稳序列，对序列ａ1, , … ，35)作一阶差分运算b ＝a　+1 −　a ,得到序列

ｂ 1，　，　…　，34）。从时间序列b 散点图来看,时间序列是平稳的。可建立如下自回归模型（AR(２)模型）对b进行预测:
ｙc１y1ｃ２y2ε
其中：ｃ1,c2为待定参数；ε为随机扰动项。
根据表 1　的数据，采用最小二乘法可计算得出b的预测模型为

y 　 1.14４　ｙ 1 − .1661ｙ ２ε

利用该模型，求得时间为 2015　年时，年终人口总数的预测值为â

１3８１4９.

15

根据已知数据对上述模型的预测和相对误差见表 2　以及图　5，。可以看出该模型的
拟合效果和预测精度是较高的。

单位：万人

年份
年终总人口数据
年终总人口预测数据

相对误差

1980
９870５
98705

0

19８１
1000７2
１0００７2

0

1９8２
101654
10１4３９

0.0021

1983
１0３00８
1030２１

0。00０1

19８４
10４3５7
1０４375

０.0０02

1９85
1０585１
105７24

0.00１2

1986
1075０7
10７2１8

0。０0２７

１98７
1０93００
１0８8７4

0.00３9

1988
1１10２6
11066７

０．0032

１９89
11２704
11２393

0.0028

19９０
114333
１140７1
0。0023

１9９１
1１５8２3
1157０0
０。０0１１

1９92
１1717１
11719０
0.000２

1９93
1１8５17
１18５３8
0.00０2

1994
119850
11９8８４
０.0０0３

1995
121１21
１２121７
0。００08

1996
12２389
12248８
0．00０8

19９7
1２３62６
123７５６
0。００1１

1998
124761
124993
0.００19

19９９
12５786
１26128
０.0027

2000
126７４3
１27１53
0。0０３2

2001
12７62７
128110
0.00３8

２0０2
12８453
12８994
0。0042

20０3
1２9227
１2９820
0。0046

２０04
１29９８8
13０５94
0.０047

２０05
1３0７５6
１31３55
0.0０46

2０06
１31448
132123
0．0051

2０07
132129
132815
０.０052

2００8
132802
133496
0．０05２

2００９
133450
13４169
0.0０５4

２010
13４091
134817
０。0054

201１
１3473５
１３5458
0。０0５4

2０12
1３5404
13６1０2
0。0052

2013
136072
１36771
０。００5１

20１4
136７82
1３74３９
０。０0４8

２015
—
138149
-

表 2

图　5

问题分析：从上述建模结果来看，我国未来人口还将继续增加,但增长速度有所放缓。

虽然我国人口目前世界第一,增长率在世界上排名靠前,但这并不意味着要禁止人口增长，甚至减少人口，毕竟人口问题归咎到底是经济问题，控制人口的目的也是为了提高国民的物质生活水平和综合素质水平。先来看几个图片：

自然增长率%

20

15

10

5

０

年份

图 6

自然增长率自　1987 年后逐年下降,现在为　5%左右.

6５岁及以上人口占比

12。０0％

１0。０0％

8.00%

6。00％

4.０0%

2.０0%

0.00％

199４年19９5年1996年1997年１998年1999年2０0０年２００1年2002年200３年2004年2005年2006年2007年

1990年
1991年１９92年199３年
２00８年2009年2010年2０11年
201２年2０13年
２014年

图　７

自 ２0０1　年起，中国6５岁以上老年人口占人口总数已经超过7%，且比重越来越大即
中国自　２０01　年已经步入老龄化社会，十多年过去了,老龄化越来越严重。

ＧDＰ增长率

16．０％

14．0%

12．0%

10.0％

8。0%

6．0％

４.0％

2。0％

0。0％

1980年
１９8２年1984年
１98６年１988年199０年1992年１９9４年1996年1998年2000年200２年2０04年
2006年2008年２010年
2012年
2０1４年

图　8

GＤＰ 增长率自 2０08　年之后走下坡路,现已进入“新常态”——GDP 年增长率为　7％

左右.

劳动人口占总人口比重

60．０0%

50.０0％

４0.00％

３0。00％

20。0０％

10.00％

0.０0％

图　９

劳动人口占总人口比重自 1９9０ 年达到 ５6%左右就几乎没什么大变化了。

城镇单位就业人员工资总额占GDP比重

１8.０0％

1６。００％

14.00%

1２.0０％

10.０0%

8．00%

6．00％

4.０0%

2.０0％

0.０0％

图 10

城镇单位就业人员工资总额占 GDP 比重自 ２０0８ 年起逐渐上升,现已达到 １6%左右,

比之前的平台上升了 1／3 左右.

以上数据皆来自国际统计局。通过以上五个图表,我们可以下结论:中国面临老龄化问题,且日益严重；在经济上，处于下行状态，随着劳动力成本的增加，中国也在逐步失去廉价劳动力市场的竞争力，这无疑会使中国面临的的老龄化问题更加严峻.

通过结论再结合现状我们建议：一， 扩大内需，拉动国家经济

二， 放松人口增长控制,既可以让母婴产业促进经济增长又可以稳定未来的劳动力

成本，还可以缓解因养老制度不够完善而面临的社会老龄化压力三,　在之后随着社会老龄化压力降低要逐步加强人口增长控制,使总人口数量趋于

一个合理区间，再通过第三产业、高科技产业来发展经济,从而提高人民生活物质水平和综合素质，达到控制人口的目的。

参考文献

[１]网络.百度百科.链接:

http：//bａiｋｅ。ｂaｉdu.cｏm/link?uｒl=DJa－2bj3kfｈeｗKRD30gＤ－ＤSＹｖTKＭdｖp９ｖｌTJZI７KAunＫpNN75reHHｌＹｖTCｍh　dm２uｋ2xwhｆY3LNiqoＫOJSＺCMia

［２] 网络.百度百科．链接：

http://bａiｋe.baidu。ｃom/ｌiｎk?ｕrl=BeU９kisW6J_EＨWwxbＮqtkhA2Ｙｗｘｃ9DuＲwIyｔVdcBnKIgL4RqaLru３ｈGH7i9S ０nVKＯa９TgmAＩjnfwP6ｚXnd3jＥK
[3] 网络。百度百科．链接:

httｐ：//ｂaｉｋe.baidu.cｏm/liｎk？url＝NＰNxＺｙ_０8GToＣkｋHjK5qLSgM6r6１８PEPRB—hBａＱ6wＹUｄjbｆhXEKaｃeｎａyT8—T9ytＸＨ7ＭxＦＬ0ｒUBeua９bＬKｐd３q

[4］ 网络.百度百科.链接：

htｔp://bａｉｋe.ｂaｉ

O7O72AｐU761MＡ0oSWT—ｃdPX1ＱRHＱｏNNLｖ7aioＴ_

［5]贾凌云.人口预测的灰色增量模型及其应用［D]。南京信息工程大学.2006年［6］方建卫;王文娟;楚霹．基于最小二乘法的 GM(1,1）模型在人口预测中的应用［J］．贵州大学学报(自然科学

版）。2０07(4)

[7]付艳茹.基于 MATＬＡB　的人口预测研究[D]。华东师范大学.２010 年

[8］徐晓飞.人口老龄化对我国 GDP　及其构成的影响[Ｄ].东北财经大学。20１2　年

［9]顾海燕。时间序列分析在人口预测问题中的应用[J］.黑龙江工程学院学报．２007（3)

附录

MAＴLAB 代码清单

１．画散点图代码:

cｌｃ；clｅａｒ

x=1９80：2014；

ｙ＝［98705
100072
１016５4
103００8
１0４357
105８５1
1０75０7
10９3００
11１026
112７04
11４333
１1582３
１１7１71
1１8517
119850
1211２1
122３8９
12３６26
1247６1
１25786
１26７４3
12７６27
１284５3
12９２27
1２9988
130756
131448
132１2９
1328０2
13345０
1３4091
134735
１3５404
136072
13６782］;
ｐlot（x，y，'k＊＇）

title('1９８0 年-2014 年中国年末总人口数据’）

xlabｅｌ（'年份＇）

ylaｂｅl('人口数量(万人）')

２．一次拟合代码：

ｃlc;cｌear

format loｎｇ

ｘ=1980:20１４；

y=[98７05
１00０72
10165４
１03008
104３57
105851
1０７507
1０9３０0
111026
112704
114３3３
115823
117171
11851７
１19850
1２１121
1２２３8９
１23626
12４761
12５786
12６74３
1２7６27
128453
１29２2７
12９９88
130756
1３1448
1３212９
132８02
133４50
134091
134735
1３5４04
1360７2
13６７82］；
％　多项式拟合

n=1; %n 是给定的多项式的次数

A=poｌyｆｉt（x，y,ｎ）;
%A 是拟合出来的系数向量

y1=poｌyval(A，x）；
%计算出拟合的 y　值

plｏt（x，ｙ,'ｋ＊',x，ｙ1,’ｒ-’）； %画出数据对比图,黑点为原始数据，红线是拟合曲线 titｌe('1980　年－２０14 年中国年末总人口数据与预测值’）　xlabel（’年份'）

ｙlaｂel（'人口数量（万人）＇) lｅgeｎd(’原始值＇，’预测值’)；

３．灰色预测模型ＧＭ（１,１）代码: ｃlｃ

clｅａｒ

x0=［98７05　100０72 １0１654 １03008 1０4357 105８5１ 107507 １0９3０0 111026 1１２７０４ １143３3　115823 1１717１ １1８５17 119850 12１121 １2238９ 1236２6 1２476１　１２５786　1２6743 127627 12845３ 129２２7 1２9９88 1３0756　13144８　１３2129 13２802 1334５0 134０9１　1347３５　１35404 136072 13678２］'；

n=lengｔh（ｘ０）＇；

m=1980：2０14； ｌamdａ＝x０（1：n－1）./x0(２：n)％计算级比ｒanｇe=ｍinmａｘ（lamda＇)％计算级比的范围ｘ1=cｕmsuｍ(x0);%累加运算

Ｂ=［－０．５＊（x１（1:ｎ－1)+x1(2:n）),ｏnｅs（n—1,1）］;

Ｙ=x０(２：n)；

u=B\Y ％拟合参数 u（1）=a,u（2）=b x=dsoｌｖｅ（'Dx+a＊x=b＇,’x(０）=x０＇)%求解微分方程的符号解ｘ=subs(x，｛’a＇,＇b＇，'x0'｝，｛u（１），ｕ（2），ｘ０（１）｝)%带入估计参数值和初始值yuce1=ｓubｓ（ｘ，＇t',[0：ｎ－１］)%求已知数据的预测值ｙ＝vpa（x，6)％其中的　6　表示显示 ６ 位数字ｙｕｃｅ=［x０（1),dｉｆｆ（yｕce1）］%差分运算，还原数据 plot（m，x0，’*’,m,yucｅ，＇r＇)

xｌabｅｌ（＇年份’) ｙlaｂｅl（＇年终人口总数量（万人）'） ｔiｔle(’每年年终人口总数目与预测值’） legend(＇原始值'，’预测值’）　eｐsilon=x0'-yuce ％计算残差ｄeｌtａ=abs（eｐｓiｌon。/ｘ0')％计算相对误差

rｈｏ=1—(１－0.5＊u（1））/（1+0.5*u(1））＊lamdａ'%计算级比偏差值，ｕ（1)=ａ

４。时间序列ＡＲ模型代码：

ｃlc

ｃleaｒ

y=１980：20１5；

a=[987０5
10０072
101654
103008
１04３57
10５851
10７５07
１09３00
11１0２6
１１2704
11433３
115823
11717１
118５17
1１98５0
1２112１
1223８9
１236２6
124761
12578６
12674３
127627
128453
129227
129９88
1３07５6
13144８
1３2129
１32802
1334５0
134091
1３4７35
１３54０4
136072
１36７82
];
ｔ1=[９８705
10０072
10１6５４
103０08
10４３５７
１05８5１
１07507
109300
１11026
112704
11433３
1１５823
１１7171
11851７
1198５0
１21121
122389
１2362６
12476１
125786
１2674３
127６2７
1２84５3
12９227
１29988
１3０756
１314４8
13212９
13２８02
１33450
１34０91
１34735
1354０4
136０72
1367８2
０]；

ａ=a’;a=ａ（:）;a=a’；％把原始数据按照时间顺序展开成一个行向量

Rt=tiedrank(a)％求原始时间序列的秩 n=leｎgth(a）；t=1：n； Qｓ＝1－6/（n＊(n^2—1)）＊sum(（t-Rt）．^２) ％计算 Qs 的值 t=Qs*sｑrｔ(n—２）/ｓｑrｔ（1—Qs^２） ％计算 T 统计量的值 ｔ_0=tiｎv(0．975，n－2） ％计算上 alpha/2 分位数 b=ｄiff(a) ％求原始时间序列的一阶差分 m=ar(b，2，'ls'）　％利用最小二乘法估计模型的参数

bhat＝ｐｒｅdｉct（m，［b＇；0]，1） %1 步预测,样本数据必须为列向量,要预测 1 个值，b 后要加

1 个任意数,１　步预测数据使用到 t－1 步的数据ahat=［ａ(１），a+bｈａt(１）’]%求原始数据的预测值，并计算　t=１5 的预测值ｄelta=aｂs((ahat（1：end－1）-a）。/ａ)％计算原始数据预测的相对误差 pｌoｔ([１：3４],b)　title（＇时间序列 bt　散点图＇)　plot（y，t１，’＊’,y,ａhａt，’r－＇）

ｔｉtlｅ（＇1980　年－2014　年中国年末总人口数据与预测值'）　xlaｂel（'年份’） ｙlａbel(＇人口数量(万人）’) leｇeｎｄ（'原始值’,'预测值');
工业煤气基于MATLＡＢ仿真的泄漏扩散影响研究
摘要：本文的研究目的是研究企业范围空间煤气泄漏的扩散规律和影响范围。采用mａtｌaｂ模拟煤气泄漏后CO　的浓度分布和扩散距离规律。通过建立煤气泄漏扩散数学模型， 对其影响煤气扩散的主要因素进行了分析、探讨了煤气毒性范围的划分, 然后在对煤气泄漏造成的危害和泄漏原因的基础上,运用扩散模型，计算煤气泄露扩散影响范围，然后用MATLAＢ对此进行模拟，得出不同的距离下煤气的浓度，并对其进行分析。因为大气稳定度、风速对煤气泄漏扩散的浓度影响起着非常重要的作用。大气稳定度和风速会显著改变有害气体的扩散状态。在风速和泄漏增大时, 煤气在开放空间扩散距离大， 影响范围广,　应合理布置煤气监控点,　预防煤气中毒。本文还鉴于煤气泄漏的危害之大，根据CＯ 的特性，对于煤气柜这种重大危险源的管理和控制可以得出一些经验，为采取措施预防其危害提供一定的依据。
关键词:煤气泄漏；MAＴLAB；数值模拟;扩散
一、前言
煤气泄漏的研究的背景及意义
我国当代工业以煤炭为主要能源的结构特点,决定了我国大多数工业企业的生产性气源以焦炉煤气和高炉煤气等为主，而煤气具有易燃易爆性！易散发性!剧毒性的特点，随着煤气在石油！化工！冶金等行业的广泛应用,也随之增加了煤气在工业场所发生泄漏！扩散并且导致人员中毒!火灾甚至爆炸发生的危险性和可能性＂例如,２０02年12月4日,天津西青开发区某厂房发生一起一氧化碳泄漏事故，造成３人中毒死亡；2005年2月2２日,湖北大冶市一公司发生煤气中毒事故，当班的4名工人因中毒相继坠入料仓死亡;2０05年4月21日，内蒙古自治区乌海市同力冶炼有限责任公司发生高炉煤气泄漏事故,造成２人中毒死亡;2００５年n月５日,包头市大安钢铁公司发生煤气泄漏事故，当场造成5人中毒死亡，1人受伤；２005年的１0月26日，首钢动力厂发生一起煤气中毒事故，共有9人丧生;而时隔8个月,即2006年6月10日首钢动力厂再次煤气泄漏事故,至少有7人中毒,其中2人经抢救无效死亡”此类事故举不胜举"
近几年来市场对煤气及其相关产品的需求增大，企业不断扩大生产能力，同时煤气事故的次数也居高不下,鉴于以上事实，我们发现:工业场所煤气一旦发生事故性泄漏，往往会酿成人员中毒伤亡的严重后果,另外，若遇火源还可能导致火灾或爆炸等事故造成重大损失”因此，为减少因煤气事故泄漏事故带来的人员及财产损失,对工业场所煤气的泄漏！扩散进行数值模拟分析,加强对其微观规律的研究，为制定相应的煤气中毒预防及事故减灾策略有重要的理论意义”近年来我国工业煤气事故性泄漏屡有发生,尤其严重的是2０05年和20０6年首钢动力厂连续两次发生煤气泄漏事故,并造成重大人员伤亡，此事件发人深省”其重要原因之一就是人们对工业场所煤气泄漏扩散的规律不甚了解，尤其是煤气泄漏扩散后中毒伤害范围的变化,安全警戒撤离距离的确定等信息不能及时获得，从而延误了中毒区域内人员的救援时机,造成重大人员和财产损失"工业场所煤气泄漏扩散是一个综合而又复杂的过程,泄漏物质，泄源高度及面积!泄漏速度！泄漏时间！大气稳定度！地形等参数对扩散都有着重要的影响"因此，如何对工业场所煤气泄漏扩散的过程进行有效的模拟，以及时!准确!有效地获得各种参数，为煤气泄漏事故的应急救援提供科学依据就显得十分迫切”
国内外的研究现状
＂国外在这方面的研究相对成熟，直到现在该领域的研究还比较活跃”国外学者提出了不少扩散的计算模型，同时也进行了许多大规模试验＂主要的数值扩散模型有高斯（Gaussianplｕmｅ/Pufｆmｏdeｌ）,BＭ(ＢriｔｔerandMeQｕaid）模型Suttｏｎ模型DＥM(3一DFiniteEｌｅmｅntMoｄｅl)等等”高斯模型适用于点源的扩散，早在五六十年代就己经被应用"它从统计方法入手，考察扩散介质的浓度分布,适用于中等密度气团（非重气)扩散的模拟”烟羽模型（Pluｍｅmoｄｅl)适用于连续源的扩散,烟团模型（Puffmoｄel）适用于短时间泄漏的扩散（即泄放时间相对于扩散时间比较短的情形，如突发性泄漏等)"高斯模型具有简单，易于理解，运算量小的特点，且由于提出的时间比较早，实验数据多，因而较为成熟”
高斯(Gausｓ）模型属于非重气扩散模型,只适用于与空气密度相差不多的气体扩散”但是,大多数危险性物质一旦泄漏到大气环境中就会由于较重的分子质量（如C1２）低温和化学变化（如ＨF)等原因形成比周围环境气体重的重气云,重气云的扩散机理与非重气云完全不同＂因此,重气云扩散机理的研究是国外众多学者竞相研究的热点课题”国际上曾多次召开有关重气云扩散研究及其预防控制方面的系列学术会议，促进了重气云扩散的研究”到目前为止,已提出大约200个重气云扩散模型"重气云扩散模型可分为经验模型、箱模型、浅层模型以及三维流体力学模等等”
随着计算