(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211030160.1 (22)申请日 2022.08.26 (71)申请人 长沙学院 地址 410022 湖南省长 沙市开福区洪山路 98号 (72)发明人 沈炼　王培杰　韩艳　汪阔　杨瑛　 谭亦高　周品涵　许家陆　黄筑强　 (74)专利代理 机构 长沙惟盛赟鼎知识产权代理 事务所(普通 合伙) 43228 专利代理师 张丁日 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/08(2006.01)G16H 40/20(2018.01) G06F 111/10(2020.01) (54)发明名称 一种基于风环境的传染病医院智能规划方 法 (57)摘要 本发明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。 权利要求书3页 说明书9页 附图5页 CN 115408753 A 2022.11.29 CN 115408753 A 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权　利　要　求　书 1/3 页 2 CN 115408753 A 2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； 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； 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。 6.根据权利要求5所述基于风环境的传染病医院智能规划方法， 其特 征在于， S2.25中： 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1:25 0； 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； 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。 7.根据权利要求6所述基于风环境的传染病医院智能规划方法， 其特 征在于， S2.3中： 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拟计算， 获得多组风 速、 温度条件 下的污染物浓度分布； 模拟过程中拟采用八种风速梯度， 分别为0 m/s， 0.3m/s， 0.6m/s， 1m/s， 1.5m/s， 2m/s， 2.5m/s， 3m/s， 温度采用6种梯度， 分别为5 °， 10°， 15°， 20°， 25°， 30°； 使用经CFD数值计算形成的流场， 结合风环 境分布及污染物浓度分布， 选择污染物浓度 最小的区域， 确定为 最终选址。 8.根据权利要求7 所述基于风环境的传染病医院智能规划方法， 其特 征在于， S3中： 在所述风洞试验中建立最终选址缩体模型， 风洞试验满足浮力尺度和动 量尺度相似准 则， 选取风场风速和污染物排放流量初始值后进行风洞试验， 采用污染物发射与采集装置 维持风洞试验中污染物的分布以及使用污染物扩散与浓度监测装置实时监控污染物的浓 度， 并得到多组风速， 风向， 温度与传播距离条件下的污染物浓度分布； 风洞试验与数值模 拟试验使用同样的八种风速梯度以及六种温度梯度条件， 最 终将风洞试验的结果与数值模 拟试验的结果对照验证， 以复核数值模拟试验的污染物浓度分布。 9.根据权利要求8所述基于风环境的传染病医院智能规划方法， 其特征在于， S4中： 采 用风洞试验与数值模拟试验对照验证的方式， 以确定病区楼栋的最 终布局， 包括： 楼栋的朝 向以及布局， 具体方式如下： S4.1： 建立数百米尺度计算域CFD数值模型， 数值模拟楼栋按拟建实体楼栋的缩放比例 1： 200缩小； S4.2： 定义平均初始污染物浓度场， 对病区楼栋进行全方位数值模拟； 模拟拟建实体楼权　利　要　求　书 2/3 页 3 CN 115408753 A 3