2. 为什么要学习本课程？

长期以来，规章标准、经验公式、历史事故统计以及现场检查是安全工程师开展工作的主要依据。这些传统方法构筑了安全科学的基石，至今依然不可或缺。

随着现代工业系统的体量与复杂度呈指数级增长——从数千米深的智能地下矿井，到数百米高的摩天大楼，再到管网交织的庞大化工园区——我们面临的安全风险正呈现出前所未有的动态性、耦合性与不确定性。与此同时，在数据、算法和算力的强大驱动下，新一轮的数字化与智能化浪潮正在席卷而来，大数据（Big Data）、物联网（IoT）、人工智能（AI）与数字孪生（Digital Twin）等前沿技术正在全面重塑工业界。对于安全工程而言，这不仅是工具的升级，更是一场深刻的数字化范式转型。

2. 为什么要学习本课程？

对于可能发生的失效或事故，传统的“事后”分析与静态风险评估，已难以满足现代工业对“事前”精准预测与“事中”动态干预的迫切需求。如今，“计算”这一强大的工具已深度赋能几乎所有工程领域。新时代的安全工程师也不应局限于做手捧规范图表的“现场检查员”。我们既有技术条件，更有时代必要，将安全工作从传统的“经验驱动”全面跨越至“数据与模型驱动”。

《安全仿真与模拟基础》正是一门立足新时代、面向安全工程前沿的计算方法与程序实践课程。

3. 教学目标

课程的初衷并非要将大家培养成纯粹的底层软件开发者，而是旨在结合安全工程的专业理论，讲授精简、实用的程序开发知识，赋予大家利用计算机解决复杂专业问题的新型能力。课程致力于达成以下目标：

1. 塑造计算思维范式
   这是本课程最底层、最深远的目标。旨在引导大家从“查阅手册找公式、手算理想解析解”的传统思维，蜕变为“拆解复杂系统、设计离散算法、利用算力逼近真实”的现代计算思维。使学生具备将现实物理世界中的安全风险，转化为计算机可处理的逻辑步骤的能力。

3. 教学目标

2. 掌握数字化建模的完整闭环
   使大家能够熟练走通安全工程数字化建模与计算的基本流程的各个标准步骤。面对一个具体的安全工程场景（如流体泄漏、岩体受压），能够独立完成从物理假设、数学方程抽象、网格离散、算法选择，直至最终结果可视化的全套建模流程。
3. 具备解决专业问题的编程实战能力
   以 Python 语言及常用科学计算库为载体，要求大家掌握基础的程序控制结构、数组运算与绘图技能。在课程结束时，学生能够根据自己构建的数字化模型，亲手编写出结构清晰、逻辑正确的代码，以解决安全工程中中等复杂度的数值计算问题。

6. 计算机模拟基础

6.1 模型与数字化建模

安全仿真与模拟基础是围绕模型（Model）展开的。模型是对物、人或系统的信息表示，是用一个较为简单的东西来代表另一个东西。

物理模型

根据相似原理，把真实事物按比例放大或缩小制成的实物模型，其状态变化和原事物基本相同，可以模拟客观事物的某些功能和性质。例如：汽车模型、风洞模型、煤矿采掘系统教学模型、矿山安全研究中常用的相似材料模拟实验、建筑抗震研究中的振动台实验等。物理模型直观、真实，但往往成本高昂、制作周期长，且难以针对不同工况进行快速、反复的参数调整。

6.1 模型与数字化建模

数学模型

使用数学语言（如代数方程、微积分、概率分布等）来描述抽象系统内部变量之间相互关系的表达式。例如，用偏微分方程组来描述瓦斯气体在煤岩裂隙中的渗流规律，或者用威布尔分布来描述某种安全设备的失效概率。数学模型是工程问题的“灵魂”，它揭示了表象背后的机理。

数字化模型

为了在计算机上复现、分析或求解实际工程问题，将抽象的数学模型转化为计算机可以理解和执行的数据结构与算法。数字化模型是本课程的核心。我们将空间几何转化为坐标数组，将物理场转化为矩阵，将随时间演化的事故过程转化为代码中的“循环”。简而言之，数学模型是写在纸上的微积分方程或代数函数，而数字化模型是存在于计算机内存中的矩阵、数组、图以及驱动它们运转的代码。

6.1 模型与数字化建模

系统和抽象

对于安全工程而言，我们面对的往往是极其复杂的系统：它可能是一个深达千米、巷道交错、系统繁忙、致灾因素众多的矿井；也可能是一个包含了上百个阀门、反应釜和交错管网的化工园区。我们无法、也没有必要把系统中的每一个细节都搬进实验室或计算机。因此，建立模型的第一步，是抽象。

抽象是指从复杂的工程现实中，剥离出对研究目的影响微小的次要因素，提炼出决定系统安全状态的核心要素与核心逻辑。

6.1 模型与数字化建模

数字化建模的本质是一个“双重翻译”的过程：

• 第一步，通过物理规律和假设，将物理世界的问题“翻译”成数学语言（数学模型）；
• 第二步，通过离散化和算法，将数学语言进一步“翻译”成计算机语言（数字化模型）。

6.2 解析解与数值解

在完成了物理问题向数学模型（如微积分方程组）的“翻译”之后，下一步便是求解这些方程，以预测系统的安全状态（如瓦斯浓度分布、巷道围岩变形量）。

解析解：理想的精确之美。解析解，又称为闭式解或精确解。它是指通过严格的代数推导和微积分运算，最终得到的一个包含有限个常见数学函数（如多项式、三角函数、指数函数等）的表达式。只要代入任意一组自变量（如空间坐标、时间），就能计算出因变量的绝对精确值。

在绝大多数工程实际问题中，解析解是不存在的，只能追求数值解。

6.2 解析解与数值解

数值解：计算的力量。数值解并不追求推导出一个放之四海而皆准的函数表达式，而是利用计算机进行海量的基础四则运算，求出方程在特定条件下的近似结果。具体而言，它将原本无限、连续的空间和时间，切割成有限个离散的点或网格（如有限差分法、有限元法）。计算机不求出一个连续的函数 \(y=f\left( x,t \right)\)，而是计算并记录下每一个网格节点在每一个时间步长上的具体数值 \(\left( x_i,t_j,y_{ij} \right)\)。

工程师必须掌握如何通过编程和算法，驱使计算机去获取复杂现实的数值解。

6.3 连续与离散

• 物理世界在空间和时间上都是连续的。当我们用数学模型（如微积分方程组）来描述这些现象时，数学推导的基石正是“无限细分”与“连续极限”。
• 尽管微积分在数学上完美地描述了连续，但计算机的物理架构却有着不可逾越的边界。计算机的内存容量是有限的，处理器的算力也是有限的。计算机本质上只能存储和处理有限个数据点，只能执行一步一步的指令。
• 数字化建模中最核心的操作：离散化。这是将客观物理世界真正装进计算机内存的必经之路。
• 离散化一般包括空间的离散化（网格划分）和时间的离散化（时间步长）。
• 离散化不可避免地会带来计算误差，需要在计算精度和计算效率之间进行平衡。

6.4 机理驱动与数据驱动

❶ 机理驱动：探寻物理法则的白盒

机理驱动是以事物客观存在的物理、化学及力学规律为第一性原理构建模型的方法。它要求研究者深入探究导致安全事故的底层逻辑，用严谨的方程将因果关系表达出来。

机理驱动的特点：高度的可解释性；面对未知工况的可靠性；难以建模和求解。

6.4 机理驱动与数据驱动

❷ 数据驱动：挖掘海量信息的黑盒

数据驱动则是另一种思维路径。它不再执着于推导事物内部精确的物理机理，而是将系统视为一个输入与输出的映射集合。依靠现场传感器、历史事故记录积累的海量数据，利用统计学和机器学习算法，让计算机自行去“学习”数据背后的隐藏规律。

机理驱动的特点：绕开复杂的底层机理；严重依赖数据的质量和数量，常导致“垃圾进，垃圾出”。

6.4 机理驱动与数据驱动

对于学习本课程的学生而言，最重要的是建立工具箱思维。安全工程师不应固守某一种单一范式，而是要学会根据工程现实中的数据丰富程度、系统复杂性以及对解释性的要求，灵活选择或组合这两种强大的计算武器。

6.5 计算思维

计算思维并不是要求人像计算机一样机械、刻板地思考，而是指一种能够将复杂的工程问题及其解决方案，表述为计算机能够有效执行的步骤的思维过程。计算思维主要体现在以下几个层面：

• 工程问题的拆解与降维：面对一个庞杂的系统性灾害场景（如整个矿井的通风网络解算或大体积岩体的失稳破坏），计算思维要求我们不要试图寻找一个包治百病的万能公式。相反，我们需要将庞大的系统拆分为有限个节点和网格，将漫长的灾害演化拆分为一个个微小的时间步长，把极其复杂的工程难题降维成计算机可以逐个击破的子任务。
• 物理过程的逻辑转换：安全工程师必须学会将现实中的物理现象或安全规范，翻译成计算机能够理解的逻辑结构。例如，将“时间随着流体运动不断推移”抽象为代码中的循环结构；将“当应力张量超过岩石屈服强度时发生破坏”抽象为程序中的条件分支语句。

6.5 计算思维

• 算法设计与流程控制：传统的解题思路往往是寻找静态的解析解，而计算思维强调构建动态的求解流程。计算机的优势在于其不知疲倦的算力，拥有计算思维的工程师懂得如何设计一套明确、无歧义的迭代规则，让计算机通过成千上万次的基础运算，一步步逼近真实的工程答案。
• 系统误差与边界意识：拥有计算思维意味着深刻理解计算机并非全知全能。数字化模型永远是对现实的近似，数值计算必然伴随着截断误差和舍入误差。优秀的计算者懂得在网格精度与计算资源之间做出工程妥协，并且永远对程序的输出结果保持警惕，善于用安全工程的常识去校验数据的合理性。

6.6 数值模拟的基本流程

6.7 常用的数学建模软件

❶ 商用性质

• MATLAB：由美国 The MathWorks 公司出品的数学软件，是一种用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。
• Mathematica：由 Wolfram Research 公司开发的广泛使用的科学计算软件，内置 Wolfram 语言。
• Wolfram Alpha：由 Wolfram Research 公司开发的一款在线自动问答系统。
• Maple：一个广泛使用的符号运算和数值计算软件平台。
• LINGO：一个用于整数规划、线性规划、非线性规划、随机规划、全局优化的数学软件。
• SPSS：IBM 公司的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称。
• SAS：一个由赛仕软件（SAS Institue Inc.）开发的著名的商用统计学软件。
• Stata：一个由 Statacorp 公司于开发的统计程序，主要被用于经济学、社会学、政治学及流行病学领域。
• Origin：由 OriginLab 公司开发的一个科学绘图、数据分析软件。
• Excel：由 Microsoft 开发的一款电子表格软件。

6.7 常用的数学建模软件

❷ 开源性质

• Python：一种广泛使用的解释型、高级和通用的编程语言，该语言具有许多提供科学计算功能的第三方软件库，如 NumPy、SymPy、SciPy、CuPy、pandas、Dask、Matplotlib、PyTorch、scikit-learn 等。
• R：一种自由软件编程语言与操作环境，主要用于统计分析、绘图以及数据挖掘。
• Julia：一种高级、通用、开源的编程语言，主要用于数值计算。
• GNU Octave：自由和开源的软件，同时也是一种高级编程语言，主要用于数值计算，是 MATLAB 的主要自由替代品之一。
• Scilab：自由和开源的软件，同时也是一种高级编程语言，主要用于数值计算，是 MATLAB 的主要自由替代品之一。
• Maxima：一种计算机代数系统，用于公式推导和符号计算，可在一定程度上取代 Mathematica 或 Maple。