CN113743015B - 火灾场景数据获取方法、介质及电子设备 - Google Patents
火灾场景数据获取方法、介质及电子设备 Download PDFInfo
- Publication number
- CN113743015B CN113743015B CN202111053090.7A CN202111053090A CN113743015B CN 113743015 B CN113743015 B CN 113743015B CN 202111053090 A CN202111053090 A CN 202111053090A CN 113743015 B CN113743015 B CN 113743015B
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- information near
- source
- environmental information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000007613 environmental effect Effects 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 239000003344 environmental pollutant Substances 0.000 claims description 12
- 231100000719 pollutant Toxicity 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002265 prevention Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fire Alarms (AREA)
Abstract
本发明提供一种火灾场景数据获取方法、介质及电子设备。所述火灾场景数据获取方法包括：在火灾发生时，获取地下建筑火源附近的环境信息；利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数；基于所述火灾关键参数进行理论推导，以得到火灾场景数据。该方法能够快速提供真实准确的火灾场景数据，感知真实全面的火灾场景。
Description
技术领域
本发明涉及一种数据获取方法，特别是涉及一种火灾场景数据获取方法、介质及电子设备。
背景技术
火灾灾害是地下建筑工程面临的重要安全威胁，火灾发生时，准确、实时地获取火灾信息如火源点位置，实时火灾规模和烟气蔓延范围等对火灾场景重构、人员疏散逃生、消防人员救援抢险和应急处置评估具有十分重要的意义。
现在技术中，一般通过火灾理论研究和缩尺模型试验探究地下建筑火灾发展特性和烟气蔓延规律，将实验结果拟合公式和理论推导结果运用于实际工程。然而火灾理论研究部分假设与真实的地下建筑火灾现象不符，且缩尺模型试验中的半经验参数和可量测的参数往往在实际的火灾事故中无法获得，因此现有技术难以获取真实的火灾关键参数和火灾场景数据，导致相关人员无法获知火灾真实状况。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种火灾场景数据获取方法、介质及电子设备，用于解决现有技术难以获取真实的火灾关键参数和火灾场景数据而导致相关人员无法获知火灾真实状况的问题。
为实现上述目的及其他相关目的，本发明的第一方面提供一种火灾场景数据获取方法，所述火灾场景数据获取方法包括：在火灾发生时，获取地下建筑火源附近的环境信息；利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数。基于所述火灾关键参数进行理论推导，以得到火灾场景数据。
于所述第一方面的一实施例中，在火灾发生时，所述获取地下建筑火源附近的环境信息的实现方法包括：通过理论推导和视频监控确定火源位置信息；接收前端感知模块发送的所述火源附近的环境信息，其中，所述火源附近的环境信息由所述前端感知模块通过与中央防控平台进行交互得到、和/或由所述前端感知模块利用传感器采集得到，且所述火源附近的环境信息包括经过预处理之后的多源异构实时数据。
于所述第一方面的一实施例中，所述预处理包括：对所述火源附近的环境信息进行数据清洗，以得到清洗后的数据；对所述清洗后的数据进行缺失值处理和标准化处理。
于所述第一方面的一实施例中，所述火源附近的环境信息包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量。
于所述第一方面的一实施例中，所述火灾关键参数包括火灾热释放速率，所述机器学习模型的训练方法包括：基于火灾热释放率数据库，获取机器学习模型的输入数据、输出数据，其中，所述输入数据包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述输出数据包括：火灾热释放速率、竖向温度数据；基于所述输入数据、输出数据对所述机器学习模型进行训练。
于所述第一方面的一实施例中，所述火灾场景数据获取方法还包括：对所述火源附近的环境信息进行实时更新；利用所述机器学习模型对更新后的火源附近的所述环境信息进行实时处理，以对所述火灾关键参数进行实时更新；基于更新后的所述火灾关键参数进行理论推导，以对所述火灾场景数据进行实时更新。
于所述第一方面的一实施例中，所述火灾场景数据获取方法还包括：根据所述火源附近的环境信息、所述火灾关键参数进行火灾场景重构、火灾动态推演和应急处置方案实施评估。
本发明的第二方面提供一种火灾场景数据获取方法，应用于火灾场景数据获取系统，所述系统包括前端感知模块和后台处理模块，所述火灾场景数据获取方法包括：所述前端感知模块获取地下建筑火源附近的环境信息并发送至所述后台处理模块；所述后台处理模块接收所述前端感知模块发送的所述火源附近的环境信息；在火灾发生时，所述后台处理模块利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数；所述后台处理模块基于所述火灾关键参数进行理论推导，以得到火灾场景数据。
本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面任一项或第二方面所述的火灾场景数据获取方法。
本发明的第四方面提供一种电子设备，其特征在于，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本发明第一方面任一项或第二方面所述的火灾场景数据获取方法；显示器，与所述处理器和所述存储器通信相连，用于显示所述火灾场景数据获取方法的相关GUI交互界面。
如上所述，本发明所述的火灾场景数据获取方法、介质及电子设备，具有以下有益效果：
所述火灾场景数据获取方法能够获取地下建筑火源附近的真实环境信息，并利用机器学习模型对所述真实环境信息进行处理来得到火灾关键参数。并且，所述火灾场景数据获取方法还能够基于所述火灾关键参数进行理论推导，从而得到火灾场景数据。由于所述火灾关键参数是由所述机器学习模型对真实环境信息进行处理得到的，因而所述火灾关键参数能够很好地反映火灾现场的真实参数。此外，所述火灾场景数据获取方法还通过理论和机器学习模型相融合的方式来获取火灾场景数据，有利于相关人员全面了解火灾现场的真实状况，从而为后续应急处置方案的制定和评估提供数据依据。
附图说明
图1显示为本发明所述火灾场景数据获取方法于一具体实施例中的流程图。
图2显示为本发明所述火灾场景数据获取方法于一具体实施例中获取地下建筑火源附近的环境信息的实现方法流程图。
图3显示为本发明所述火灾场景数据获取方法于一具体实施例中对火源附近的环境信息预处理的流程图。
图4显示为本发明所述火灾场景数据获取方法于一具体实施例中机器学习模型的训练方法流程图。
图5显示为本发明所述火灾场景数据获取方法于一具体实施例中的流程图。
图6显示为本发明所述火灾场景数据获取方法于一具体实施例中的流程图。
图7显示为本发明所述电子设备于一具体实施例中的结构示意图
元件标号说明
700 电子设备
710 存储器
720 处理器
730 显示器
S11-S13 步骤
S21-S22 步骤
S31-S33 步骤
S41-S43 步骤
S51-S57 步骤
S61-S64 步骤
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
现在技术中，一般通过火灾理论研究和缩尺模型试验探究地下建筑火灾发展特性和烟气蔓延规律，然而火灾理论研究部分假设与真实的地下建筑火灾现象不符，且缩尺模型试验中的半经验参数和可量测的参数往往在实际火灾事故中无法获得，因此，现有技术难以获取真实的火灾关键参数和火灾场景数据，导致相关人员无法获知火灾真实状况。
针对这一问题，本发明提供一种火灾场景数据获取方法，所述火灾场景数据获取方法能够获取地下建筑火源附近的真实环境信息，并利用机器学习模型对所述真实环境信息进行处理来得到火灾关键参数。并且，所述火灾场景数据获取方法还能够基于所述火灾关键参数进行理论推导，从而得到火灾场景数据。由于所述火灾关键参数是由所述机器学习模型对真实环境信息进行处理得到的，因而所述火灾关键参数能够很好地反映火灾现场的真实参数。此外，所述火灾场景数据获取方法还通过理论和机器学习模型相融合的方式来获取火灾场景数据，有利于相关人员全面了解火灾现场的真实状况，从而为后续应急处置方案的制定和评估提供数据依据。与常用的工业手段相比，本发明所述火灾场景数据获取方法计算耗费时间短、计算资源要求低。
于本发明的一实施例中，所述火灾场景数据获取方法应用于一火灾场景数据获取系统的后处理模块。具体地，请参阅图1，所述火灾场景数据获取方法包括：
S11，在火灾发生时，获取地下建筑火源附近的环境信息。其中，所述地下建筑例如为地下隧道，所述火源附近的概念可以根据实际需求或者行业经验定义，例如，可以将所述火源周围10m或15m的范围定义为所述火源附近，所述环境信息包括火灾的致灾因子、受灾体(地下建筑人员)和/或救灾体如(防灾设备、救援通道)等信息。
S12，利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数。具体地，通过根据地下建筑的不同断面，选择相应断面的机器学习模型进行处理，可以使得所述火灾关键参数更具针对性、可靠性。可选地，所述火灾关键参数包括火灾热释放速率、地下建筑竖向温度数据等无法量测的数据。机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。因此，在本实施例中，通过恰当的训练，能够使得所述机器学习模型具备对所述火源附近的环境信息进行处理来得到所述火灾关键参数的能力。此外，针对不同的地下建筑工程，可以采取相同的策略训练机器学习模型，从而使得此方法能够适用于各种地下建筑火灾场景。需要说明的是，对于不同类型的地下建筑工程，可以采用不同的机器学习模型来获取其火灾关键参数，也可以采用相同的机器学习模型来获取其火灾关键参数，本发明对此不做限制。
S13，基于所述火灾关键参数进行理论推导，以得到火灾场景数据。其中，所述火灾场景数据是重构火灾温度场、评估火灾烟气范围、地下建筑应急通风和安全处置效率的重要参数，基于所述火灾场景数据能够使得相关人员及时了解火灾状况从而制定相应的处置方案。具体地，本实施例中步骤S13可以根据火灾相关的理论，例如火灾基本理论、隧道火灾理论等，对所述火灾关键参数进行理论推导，从而得到所述火灾场景数据，其中，所述理论推导的过程可以采用现有方法实现，此处不做过多赘述。可选地，基于所述火灾关键参数进行理论推导，以得到火灾场景数据的一种实现方法包括：基于所述火灾关键参数和所述火源附近的环境信息进行理论推导，以得到所述火灾场景数据。
可选地，本实施例所述火灾场景数据获取方法还包括：利用显示器对所述火源附近的环境信息、火灾关键参数和/或火灾场景数据进行展示。获得所述数据后，通过工程业内常用的可视化算法和显示器即可得到展示图像，所述展示图像包括烟气场动态云图和温度场动态云图，所述显示器包括计算机电子显示屏。
根据以上描述可知，本实施例所述火灾场景数据获取方法能够获取地下建筑火源附近的真实环境信息，并利用机器学习模型对所述真实环境信息进行处理来得到火灾关键参数。并且，所述火灾场景数据获取方法还能够基于所述火灾关键参数和所述真实环境信息进行理论推导，从而得到火灾场景数据。由于所述火灾关键参数是由所述机器学习模型对真实环境信息进行处理得到的，因而所述火灾关键参数能够很好地反映火灾现场的真实参数。此外，所述火灾场景数据获取方法还通过理论和机器学习模型相融合的方式来获取火灾场景数据，有利于相关人员全面了解火灾现场的真实状况，从而为后续重构火灾温度场、评估火灾烟气范围和应急处置方案的制定和评估等提供数据依据。与常用的工业手段相比，此方法计算耗费时间短、计算资源要求低。
请参阅图2，于本发明的一实施例中，在火灾发生时，获取地下建筑火源附近的环境信息的实现方法包括：
S21，通过理论推导和视频监控确定火源位置信息。可选地，所述火源附近的环境信息包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量。所述纵向温度数据例如为拱顶纵向温度数据和/或侧壁纵向温度信息。在具体应用中，需要利用前端感知模块通过与中央防控平台交互得到地下建筑的纵向温度数据，和/或由前端感知模块利用传感器采集得到地下建筑的纵向温度数据，其中，中央防控平台包括火灾报警系统、环境监测系统和消防系统。基于所述纵向温度数据，步骤S21可以通过地下建筑火灾理论或其他火灾相关理论对纵向温度数据进行推导，并以视频监控为辅助确定火源位置信息，通过此种方式能够获取准确的火源位置信息，在实际应用中，准确地确定火源位置信息对快速了解火灾情况及推测火灾发展态势具有重要的意义。
S22，接收前端感知模块发送的所述火源附近的环境信息，其中，所述火源附近的环境信息由所述前端感知模块通过与中央防控平台进行交互得到、和/或由所述前端感知模块利用传感器采集得到，且所述火源附近的环境信息包括经过预处理之后的多源异构实时数据。其中，多源异构实时数据指的是来源多样且结构不同的数据，包括：传感器采集到的结构化数据，和/或由中央防控平台获取的视频图像等非结构化数据。
由于现有的地下建筑大多已都具有温度传感器、视频监控、火灾报警系统、环境检测系统和消防系统等常见的配套设施，实际应用中可以很容易地通过这些设施获得地下建筑的纵向温度，因此上述获取火源附近的环境信息的实现方法可广泛应用于地下建筑，如隧道、铁道等，实际应用中根据不同的工程环境，灵活的根据配套设施获取拱顶或侧壁纵向温度信息即可。
根据以上描述可知，本实施例能够获得火源位置信息，并根据火源位置信息得到火源附近的环境信息，所述火源附近的环境信息经过预处理之后可直接作为机器学习模型的输入参数。通过上述方法能够获得最接近现实工程环境的数据集，从而使得机器学习模型处理数据的过程准确且高效，因而能够快速获得最贴近真实场景的火灾关键参数数据。
在工程实践中，由于得到的数据会出现缺失值、缺陷值和量纲不同等问题，如果不对这些数据进行处理，将会对机器学习模型的训练和预测影响非常大，因此有必要对上述的多源异构实时数据进行预处理操作。针对这一问题，请参阅图3，于本发明的一实施例中，对所述多源异构实时数据进行预处理的实现方法包括：
S31，对所述火源附近的环境信息进行数据清洗，以得到清洗后的数据。具体地，在获得上述火源附近的环境信息以后，由于环境信息中包含有残缺数据，这些数据可能会导致环境信息不可信或不可用，为了解决此问题，在具体工程中，可以采用错误值检测等数据清洗方法来保证环境信息的可信性和可用性。
S32，对所述清洗后的数据进行缺失值处理和标准化处理。缺失值处理方法包括：识别缺失值；检查导致数据缺失的原因；删除包含缺失值的实例或用合理的数值代替缺失值。具体地，可通过相关性探索缺失值产生原因，灵活地选择缺失值处理方法，包含多重插补方法、简单插补方法等解决缺失值问题。由于所述火源附近地环境信息往往具有不同的量纲和量纲单位，影响机器学习模型处理的结果，为了消除不同量纲的影响，需要使所述火源附近的环境信息处于同一数量级，比如将所述火源附近的环境信息限定在一定范围内如[0，1]，从而消除奇异样本数据导致的机器学习模型训练时间增大或无法收敛的不良影响。因此在具体工程中，根据地下建筑的环境数据采取合适的标准化算法，有利于提高机器学习模型的算法精度和加快算法的收敛速度。
根据以上描述可知，本实施例的预处理方法通过数据清洗、缺失值处理和标准化处理，使上述火源附近的环境信息可作为机器学习模型的特征数据进行处理，且不会因为数据残缺和量纲不同等问题影响机器学习模型的处理，因此所述预处理方法有助于提高本实施例中机器学习模型处理所述火源附近的环境信息的精度和速度，使其更适合应用于实际的工程环境中。
请参阅图4，于本发明的一实施例中，所述机器学习模型的训练方法包括：
S41，基于火灾热释放率数据库，获取机器学习模型的输入数据、输出数据，其中，所述输入数据包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述输出数据包括：火灾热释放速率、竖向温度数据。其中竖向温度数据指的是地下建筑高度方向的温度数据，即垂直于地球表面方向的温度数据，纵向温度数据一般指的是沿着地下建筑前进方向的温度数据。所述火灾热释放率数据库的字段包括：火灾热释放速率、竖向温度数据、纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量。所述火灾热释放率数据库的建立包括：结合地下建筑结构特征，选择特征断面建立模块化火灾热释放率数据库；根据现场火灾试验、缩尺模型试验、数值模拟方法和历史火灾事故记录数据，结合消防规范获取所述输入、输出数据；将不同火灾规模和不同火灾场景下的输入、输出数据按照统一的格式整理并在所述模块化火灾热释放率数据库存储；具体地，例如隧道，由于隧道在匝道出入口、标准段的截面尺寸不同，因此火灾发展特性也不同。通过建立所述模块化火灾热释放率数据库并由所述模块化火灾热释放率数据库提供不同断面的训练数据，可以建立更具针对性和可靠性的训练模型。同时，所述模块化火灾热释放率数据库相比于建立整个地下建筑数据库，占用资源更少，查询效率更高。
S42，基于所述输入数据、输出数据对所述机器学习模型进行训练。具体地，从不同模块的火灾热释放率数据库中取出模块对应断面的输入、输出数据，对所述输入、输出训练，以得到多个分别对应不同断面的机器学习模型。所述机器学习模型可用于步骤S12中对所述火源附近的环境信息进行处理来得到所述火灾关键参数。其中，所述机器学习模型包括长短期记忆人工神经网络、多层神经网络、支持向量回归模型、随机森林模型等。通过此方法训练得到的机器学习模型，具有准确且高效的特点，可根据实际情况广泛应用于地下建筑工程中。
根据以上描述可知，本实施例中机器学习模型的训练方法通过获取多种断面的输入、输出数据，建立了不同断面的机器学习模型，所述训练方法可以使得机器学习模型根据不同断面有选择的处理数据，以得到更具针对性和可靠性的处理结果。
于本发明的一实施例中，所述火灾场景数据获取方法还包括：对所述火源附近的环境信息进行实时更新；利用所述机器学习模型对更新后的所述火源附近的环境信息进行实时处理，以对所述火灾关键参数进行实时更新；基于更新后的所述火灾关键参数进行理论推导，以对所述火灾场景数据进行实时更新。
根据以上描述可知，本实施例能够根据火源附近的环境信息实时更新火灾场景数据，使得相关人员可以及时了解地下建筑的火灾发展态势情况并指导应急处置。
于本发明的一实施例中，所述火灾场景数据获取还包括：根据所述火源附近的环境信息和所述火灾关键参数进行火灾场景实时重构、火灾动态推演和应急处置方案实施评估。具体地，火灾动态推演可以通过可视化工具例如数字仿真实现，实际应用中可以根据工程实际情况，通过遍历地下建筑通风速度、水喷淋系统响应等参数来评估不同的应急处置方案，进而找到最匹配的方案并实施于真实工程中。
请参阅图5，于本发明的一实施例中，所述火灾场景数据获取方法包括：
S51，在火灾发生时，获取地下建筑火源附近的环境信息。其中，所述地下建筑火源附近的环境信息例如可以包括纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量。此外，本实施例中，获取所述地下建筑火源附近的环境信息的实现方法可以为：通过理论推导和视频监控确定火源位置信息；接收前端感知模块发送的所述火源附近的环境信息，其中，所述火源附近的环境信息由所述前端感知模块通过与中央防控平台进行交互得到、和/或由所述前端感知模块利用传感器采集得到，且所述火源附近的环境信息包括经过预处理之后的多源异构实时数据。其中，所述前端感知模块例如可以包括火灾报警系统、环境检测系统和消防系统等，传感器可以包括光线光栅温度传感器和污染物浓度传感器等，理论包括火灾理论和隧道火灾理论等，所述预处理包括：对所述火源附近的环境信息进行数据清洗，以得到清洗后的数据；对所述清洗后的数据进行缺失值处理和标准化处理。
S52，利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数。具体地，通过根据地下建筑的不同断面，选择相应断面的机器学习模型进行处理，可以使得所述火灾关键参数更具针对性、可靠性。其中，所述机器学习模型的训练方法可以包括：基于火灾热释放率数据库，获取机器学习模型的输入、输出数据，其中，所述输入数据包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述输出数据包括：火灾热释放速率、竖向温度数据。所述火灾热释放率数据库的建立包括：结合地下建筑结构特征，选择特征断面建立模块化火灾热释放率数据库；根据现场火灾试验、缩尺模型试验、数值模拟方法和历史火灾事故记录数据，结合消防规范获取所述输入、输出数据；将不同火灾规模和不同火灾场景下的输入、输出数据按照统一的格式整理并在所述模块化火灾热释放率数据库存储；具体地，例如隧道，由于隧道在匝道出入口、标准段的截面尺寸不同，因此火灾发展特性也不同。通过建立所述模块化火灾热释放数据库并由所述模块化火灾热释放数据库提供不同断面的训练数据，可以建立更具针对性和可靠性的训练模型。
基于所述输入、输出数据对所述机器学习模型进行训练。所述机器学习模型的平台框架可以包括Keras框架和Sklearn框架等，机器学习模型包括长短期记忆人工神经网络、多层神经网络、支持向量回归模型、随机森林模型等。通过大量训练建立以所述火源附近的环境信息为输入数据、以火灾关键参数为输出数据的映射关系，以获得具有实时预测能力的机器学习模型。
S53，对所述火源附近的环境信息进行实时更新。具体地，当传感器以一定时间周期持续采集纵向温度数据时，后台处理模块以有线或无线的方式获取更新的火源附近的环境信息，通过理论推导和视频监控确定火源位置并将火源位置发送给前端感知模块，以采集火源附近的环境信息。
S54，利用所述机器学习模型对更新后的所述火源附近的环境信息进行实时处理，以对所述火灾关键参数进行实时更新。例如，后台处理模块以一定的时间周期例如1s持续接收前端感知模块发送的火源附近的环境信息，机器学习模型以平均时间周期例如0.2s对所述火源附近的环境信息进行处理，以此实现火灾关键参数实时更新的效果。具体地，通过根据地下建筑的不同断面，选择相应断面的机器学习模型进行处理，可以使得所述火灾关键参数更具针对性、可靠性。所述火灾关键参数包括火灾热释放速率、地下建筑竖向温度数据等无法量测的数据。
S55，基于更新后的所述火灾关键参数进行理论推导，以对所述火灾场景数据进行实时更新。其中，所述火灾场景数据是重构火灾温度场、评估火灾烟气范围、地下建筑应急通风和安全处置效率的重要参数，基于所述火灾场景数据能够使得相关人员及时了解火灾状况从而制定相应的处置方案。具体地，基于更新后的火灾关键参数，后台处理模块以一定的时间周期完成理论推导过程，并等待火灾关键参数的更新和下一次处理，以此实现火灾场景数据实时更新的效果。
S56，根据S53中获取的更新以后的所述火源附近的环境信息和S54中更新以后的所述火灾关键参数进行火灾场景实时重构、火灾场景动态推演、应急处置方案实时评估。具体地，基于所述更新后的火源附近的环境信息和火灾关键参数，通过可视化算法和显示装置即可得到展示图像。例如在地下建筑三维模型中实时更新火源点位置、火灾发展态势、烟气蔓延范围和消防设备响应情况等参数，将上述获取的更新后的数据进行动态云图绘制，并按照可视化的规则方式，在电脑显示屏或手机上以颜色、数字、曲线等方式实时进行火灾场景重构的展示。其中火灾动态推演和应急处置方案实时评估可通过可视化工具例如数字仿真进行实时推演，根据工程实际情况，例如通过遍历地下建筑通风速度，水喷淋系统响应等参数，评估不同应急处置方案，进而找到最匹配的方案并实施于真实工程中。
S57，根据所述火源附近的环境信息、火灾关键参数以及火灾场景数据进行火灾温度场实时重构、火灾烟气范围、地下建筑应急通风和安全处置效率实时评估。其中可视化方法在S56中已经提及，此处不再赘述。
根据以上描述可知，本实施例中火灾场景数据获取方法包含数据预处理、火灾理论知识和机器学习方法融合以及实时更新数据等内容，相比于工程常用方法，此方法具有装置结构简单、数据获取效率高、鲁棒性高以及可实现功能多的优点。具体体现在，整个防灾系统模块少且前端感知模块中的设备可以复用，无需额外增加设备，成本低。通过理论推导和机器学习模型获得数据的过程用时短，效率高，可以随着火灾态势发展实时更新火灾场景数据。光纤光栅等温度传感器因持续高或其他原因损坏后，其他温度传感器仍可以实时监测温度数据，不会影响机器学习算法处理数据的过程。获得火灾场景数据后，可结合火灾关键参数和火源附近的环境信息实现多种功能，例如火灾场景重构、灾害场景动态推演、评估火灾烟气范围、火灾温度场重构、评估地下建筑应急通风和安全处置效率等。
基于以上对所述火灾场景数据获取方法的描述，本发明还提供另一种火灾场景数据获取方法。具体地，于本发明的一实施例中，所述另一种火灾场景获取方法应用于火灾场景数据获取系统，其中，所述系统包括前端感知模块和后台处理模块，所述前端感知模块和所述后台处理模块可以采用有线或无线的方式通信相连。具体地，请参阅图6，本实施例所述火灾场景数据获取方法包括：
S61，所述前端感知模块获取地下建筑火源附近的环境信息并发送至所述后台处理模块。其中，所述前端感知模块例如可以通过与中央防控平台进行交互来得到所述火源附近的环境信息，和/或利用传感器采集得到所述火源附近的环境信息。
S62，所述后台处理模块接收所述前端感知模块发送的所述火源附近地环境信息。
S63，在火灾发生时，所述后台处理模块利用机器学习模型对所述火源附近地环境信息进行处理，以得到所述地下建筑的火灾关键参数。
S64，所述后台处理模块基于所述火灾关键参数进行理论推导，以得到火灾场景数据。
其中，上述步骤S62～S64与图1所示火灾场景数据获取方法类似，为节省说明书篇幅，此处不做过多赘述。
基于以上对所述火灾场景数据获取方法的描述，本发明还提供一种计算机可读存储介质，其上存储有计算机程序。该计算机程序被处理器执行时实现图1、图5或图6所示的火灾场景数据获取方法。
基于以上对所述火灾场景数据获取方法的描述，本发明还提供一种电子设备。请参阅图7，于本发明的一实施例中，所述电子设备700包括：存储器710，其上存储有计算机程序；处理器720，与所述存储器710通信相连，用于执行所述计算机程序并实现图1、图5或图6所示的火灾场景数据获取方法；显示器730，与所述存储器710和所述处理器720通信相连，用于显示所述火灾场景数据获取方法的相关GUI交互界面。
本发明所述的火灾场景数据获取方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
所述火灾场景数据获取方法通过理论推导确定火源位置和机器学习模型处理火源附近的环境信息等过程，与常用的工业手段相比，此方法计算耗费时间短、计算资源要求低，解决了现有技术中由于缺少获取真实的火灾关键参数如火灾热释放速率和火灾场景数据的方法，导致无法感知真实全面的火灾场景的问题。
本实施通过机器学习模型对地下建筑火源附近的环境信息进行处理，即可获取火灾关键参数。此方法计算耗费时间短、计算资源要求低，解决了现有技术中由于缺少获取真实的火灾关键参数如火灾热释放速率和火灾场景数据的方法，导致无法感知真实全面的火灾场景的问题。
综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种火灾场景数据获取方法，其特征在于，所述火灾场景数据获取方法包括：
在火灾发生时，获取地下建筑火源附近的环境信息，所述获取地下建筑火源附近的环境信息的实现方法包括：通过理论推导和视频监控确定火源位置信息；接收前端感知模块发送的所述火源附近的环境信息，其中，所述火源附近的环境信息由所述前端感知模块通过与中央防控平台进行交互得到、和/或由所述前端感知模块利用传感器采集得到，且所述火源附近的环境信息包括经过预处理之后的多源异构实时数据；
利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数，所述火源附近的环境信息包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述机器学习模型的训练方法包括：基于火灾热释放率数据库，获取机器学习模型的输入数据、输出数据，其中，所述输入数据包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述输出数据包括：火灾热释放速率、竖向温度数据；基于所述输入数据、输出数据对所述机器学习模型进行训练；
基于所述火灾关键参数进行理论推导，以得到火灾场景数据。
2.根据权利要求1所述的火灾场景数据获取方法，其特征在于，所述预处理包括：
对所述火源附近的环境信息进行数据清洗，以得到清洗后的数据；
对所述清洗后的数据进行缺失值处理和标准化处理。
3.根据权利要求1所述的火灾场景数据获取方法，其特征在，所述火灾场景数据获取方法还包括：
对所述环境信息进行实时更新；
利用所述机器学习模型对更新后的所述火源附近的环境信息进行实时处理，以对所述火灾关键参数进行实时更新；
基于更新后的所述火灾关键参数进行理论推导，以对所述火灾场景数据进行实时更新。
4.根据权利要求1所述的火灾场景数据获取方法，其特征在于，所述火灾场景数据获取还包括：
根据所述火源附近的环境信息、所述火灾关键参数进行火灾场景重构、火灾动态推演和应急处置方案实施评估。
5.一种火灾场景数据获取方法，其特征在于，应用于火灾场景数据获取系统，所述系统包括前端感知模块和后台处理模块，所述火灾场景数据获取方法包括：
所述前端感知模块获取地下建筑火源附近的环境信息并发送至所述后台处理模块，所述获取地下建筑火源附近的环境信息的实现方法包括：通过理论推导和视频监控确定火源位置信息；接收前端感知模块发送的所述火源附近的环境信息，其中，所述火源附近的环境信息由所述前端感知模块通过与中央防控平台进行交互得到、和/或由所述前端感知模块利用传感器采集得到，且所述火源附近的环境信息包括经过预处理之后的多源异构实时数据；
所述后台处理模块接收所述前端感知模块发送的所述火源附近的环境信息；
在火灾发生时，所述后台处理模块利用机器学习模型对所述火源附近的环境信息进行处理，以得到所述地下建筑的火灾关键参数，所述火源附近的环境信息包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述机器学习模型的训练方法包括：基于火灾热释放率数据库，获取机器学习模型的输入数据、输出数据，其中，所述输入数据包括：纵向温度数据、风速、污染物浓度数据、消防设施状态数据和/或交通流量，所述输出数据包括：火灾热释放速率、竖向温度数据；基于所述输入数据、输出数据对所述机器学习模型进行训练；
所述后台处理模块基于所述火灾关键参数进行理论推导，以得到火灾场景数据。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1-4任一项所述的火灾场景数据获取方法。
7.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有一计算机程序；
处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1-4任一项所述的火灾场景数据获取方法；
显示器，与所述处理器和所述存储器通信相连，用于显示所述火灾场景数据获取方法的相关GUI交互界面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053090.7A CN113743015B (zh) | 2021-09-07 | 2021-09-07 | 火灾场景数据获取方法、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111053090.7A CN113743015B (zh) | 2021-09-07 | 2021-09-07 | 火灾场景数据获取方法、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113743015A CN113743015A (zh) | 2021-12-03 |
| CN113743015B true CN113743015B (zh) | 2024-03-29 |
Family
ID=78737340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111053090.7A Active CN113743015B (zh) | 2021-09-07 | 2021-09-07 | 火灾场景数据获取方法、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743015B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114282611A (zh) * | 2021-12-24 | 2022-04-05 | 南京工业大学 | 基于深度学习模型的多传感器数据融合火源定位算法 |
| CN116882268B (zh) * | 2023-06-15 | 2024-02-06 | 重庆大学 | 基于数据驱动隧道火灾烟气发展预测方法及智能控制系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109686036A (zh) * | 2019-01-09 | 2019-04-26 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾监控方法、装置及边缘计算装置 |
| CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
| US11620891B2 (en) * | 2019-10-10 | 2023-04-04 | Ai4 International Oy | Method and system for determining area of fire and estimating progression of fire |
-
2021
- 2021-09-07 CN CN202111053090.7A patent/CN113743015B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109686036A (zh) * | 2019-01-09 | 2019-04-26 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾监控方法、装置及边缘计算装置 |
| CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 数值模拟技术在火灾调查中的应用探讨;赵令煌;林熙;;科协论坛(下半月)(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113743015A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023061039A1 (zh) | 基于物联网的尾矿库风险监测预警系统 | |
| CN113743015B (zh) | 火灾场景数据获取方法、介质及电子设备 | |
| Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
| US20210406764A1 (en) | Method, electronic device, and computer program product for monitoring field device | |
| CN104794578A (zh) | 基于云计算的智慧水务管理系统 | |
| CN109408686A (zh) | 一种地下综合管廊大数据可视化系统及方法 | |
| CN111459166A (zh) | 一种灾后救援环境下含受困人员位置信息的情景地图构建方法 | |
| CN111945796A (zh) | 基于bim技术的基坑变形监测同步模拟分析及实时预警系统 | |
| CN108490889A (zh) | 基于te模型的智能工厂安全大数据数据源发生方法及装置 | |
| CN110866161A (zh) | 城市地下空间三维信息可视化系统及方法 | |
| KR101885350B1 (ko) | 대기오염 통합 관리 시스템 | |
| CN107944118A (zh) | 一种有效的建筑安全监测方法 | |
| CN106504122A (zh) | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 | |
| CN111026781A (zh) | 一种基于对象和空间位置的搜索查询工具 | |
| CN112330184B (zh) | 施工风险的预测方法、装置、设备和介质 | |
| CN111062150A (zh) | 一种三维可视化工厂管理系统 | |
| CN111070180A (zh) | 基于ros的灾后救援通道检测机器人 | |
| CN110633540A (zh) | 金属矿山矿井通风三维可视化仿真辅助决策控制系统及方法 | |
| CN113326964B (zh) | 一种基于数据复合多级综合管廊风险管控方法及方法 | |
| CN111523277A (zh) | 火灾预测方法、存储装置、处理器 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| CN114511243A (zh) | 一种基于物联网监测的火灾风险动态评估的方法及系统 | |
| CN113919618A (zh) | 基于bim技术的地下建筑施工管理方法 | |
| US20240311701A1 (en) | Apparatus, method and computer program for deriving digital twin model | |
| Ghasemi et al. | A qualitative study of various aspects of the application of IoT in disaster management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |