CN114021501A - 一种火灾温度场重构方法、系统、计算机设备、介质及终端 - Google Patents

一种火灾温度场重构方法、系统、计算机设备、介质及终端 Download PDF

Info

Publication number
CN114021501A
CN114021501A CN202111322246.7A CN202111322246A CN114021501A CN 114021501 A CN114021501 A CN 114021501A CN 202111322246 A CN202111322246 A CN 202111322246A CN 114021501 A CN114021501 A CN 114021501A
Authority
CN
China
Prior art keywords
fire
temperature field
neural network
data
model
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.)
Granted
Application number
CN202111322246.7A
Other languages
English (en)
Other versions
CN114021501B (zh
Inventor
沈晓波
曹朝阳
俞天一
丛北华
周锋
王伟业
刘海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202111322246.7A priority Critical patent/CN114021501B/zh
Publication of CN114021501A publication Critical patent/CN114021501A/zh
Application granted granted Critical
Publication of CN114021501B publication Critical patent/CN114021501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于火灾安全中的火灾调查技术领域，公开了一种火灾温度场重构方法、系统、计算机设备、介质及终端，利用计算流体动力学软件构建针对特定场景的火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。本发明可以针对不同场景，快速准确地进行火灾温度场重构，从而为火灾调查和火灾风险评估提供新工具。

Description

一种火灾温度场重构方法、系统、计算机设备、介质及终端
技术领域
本发明属于火灾安全中的火灾调查技术领域，尤其涉及一种火灾温度场重构方法、系统、计算机设备、介质及终端。
背景技术
目前，火灾作为一类多发的灾害，每年都使得公共财产出现巨大损失，对人民生命健康安全造成巨大威胁。有效的火灾预测能为紧急救援人员和被困人员提供早期预警和关键信息。如何制定相应对策来避免或减少建筑中的火灾损失是火灾科研工作者所面临的新挑战。火灾发生具有随机性和确定性的双重特点。其随机性是指火灾发生的起火时间、地点和原因等因素是不确定的，受到各种因素的影响，不遵循一定的统计规律；其确定性指在某一特定场合下发生的火灾，会按照基本确定的规律发展蔓延，其燃烧过程与烟气流动过程都遵循燃烧学、流体力学等物理和化学规律。所以通过CFD计算和火灾模拟软件的对建筑安全进行评估、对火灾发展进行分析和火情的预警和风险评估是可行且必要的。目前常见的火灾模拟与预测评估方法主要有CFD运算、区域模型模拟、场模型模拟等。CFD运算是结合火场的空间、时间条件，通过细致的流体力学计算对火焰的走势及烟气的流动情况做出预测，这种计算精度高，但时间成本巨大；区域模型既可以在一定程度上了解火灾的成长过程，也可以分析火灾烟气的扩散过程。
目前，区域模型在建筑室内火灾的计算机模拟中具有重要地位。但是区域模拟忽略了区域内部的运动过程，不能反映湍流等输运过程以及流场参数的变化，只抓住了火灾的宏观特征，因而其近似结果也是较粗糙的。火灾的场模型研究是利用计算机求解火灾过程中各参数(如速度、温度、组分浓度等)的空间分布及其随时间的变化，是一种物理模拟。场是多种状态参数(如速度、温度与组分浓度)的空间分布，是通过计算这些状态参数的空间分布随着时间的变化来描述火灾发展过程的数学方程集合。然而，由于火灾情况复杂，计算要求高，大多数方法都不能实现实时快速的估算。而近年来深度学习的不断发展，使得高维特征和庞大数据集的耦合运算成为了可能。通过已经训练好的网络模型，可以对对火灾进行快速响应，做出可靠预测。因此，亟需一种基于神经网络的火灾温度场重构方法及系统。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有通过CFD计算和火灾模拟软件对火焰的走势及烟气的流动情况做出预测的方法中，存在时间成本巨大、计算量大的问题。
(2)现有通过区域模型进行建筑室内火灾的计算机模拟的方法中，忽略了区域内部的运动过程，不能反映湍流等输运过程以及流场参数的变化，只抓住了火灾的宏观特征，因而其近似结果也是较粗糙的。
(3)由于火灾情况复杂，计算要求高，现有的大多数火灾模拟方法都不能实现火灾的实时快速估算。
解决以上问题及缺陷的难度为：
在传统的火灾数值仿真中，场模型的网格划分大小将直接决定预测的精度和预测所需的时间，当面临需要高精度预测的情景时，往往需要划分数十万甚至上百万个网格，在每个网格中都将进行复杂的流体力学计算，此时预测的时间可能需要数周；解决此问题寄希望于提升算力或开发更加先进的模型，但这两个方法都需要投入大量资源，这种投入相较于收益来说显然不够合理。
解决以上问题及缺陷的意义为：
改变目前的火灾模拟模式，对计算资源的极大解放，有力提升火灾现场重构技术的适用性、可靠性和经济性。
发明内容
针对现有技术存在的问题，本发明提供了一种火灾温度场重构方法、系统、计算机设备、介质及终端，尤其涉及一种基于神经网络的火灾温度场重构方法、系统、设备及终端，旨在解决传统CFD运算与计算机模拟中存在耗时长、计算量大的问题。
本发明是这样实现的，一种火灾温度场重构方法，所述火灾温度场重构方法包括：
利用计算流体动力学软件构建针对特定场景构建火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
进一步，所述火灾温度场重构方法包括以下步骤：
步骤一，筛选得到火灾温度场的表征参量和关键影响因素；
步骤二，针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于步骤一所筛选物理量的数据集和/或数据库；
步骤三，将所述数据集和/或数据库分为训练集和测试集；
步骤四，将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
步骤五，将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
步骤六，若模型预测精度未达到要求，则重复步骤二～步骤五，直至预测精度满足要求；若预测精度满足要求，则将神经网络结构保存，进行步骤七；
步骤七，将验证后的神经网络模型应用于新的火灾温度场重构。
进一步，步骤一中，所述筛选得到火灾温度场的表征参量和关键影响因素，包括：
(1)在计算流体动力学软件所构建的模型内随机设置温度监测点，获得各监测点在起火后随时间变化的温度曲线，选取特征温度信息作为神经网络模型的输出；
(2)在计算流体动力学软件构建的空间内所选定的固定温度测点在模拟时间内测得的最高温度为神经网络的一个输入；
(3)计算流体动力学软件计算所测得的烟气层高度数据中，烟气稳定后的时段内的烟气平均高度作为输入的烟气特征值，并对所有数据做归一化处理，统一量纲。
通过相关研究，识别火灾影响因素，根据实际数据与实际情况划定火灾影响因素的数值范围，使得模拟工况更加接近实际火灾场景；其中，所述火灾温度场的表征参量包括：房间内任意点最大温度、温度变化率、辐射通量以及房间内烟气层厚度；所述关键影响因素包括：火源热释放速率、燃烧器的数量、火源面积、火源位置、房间具体分布情况、房间通风口位置以及尺寸；所述房间分布情况包括所包括的房间数、各房间的长宽高以及相对位置。
通过以往的经验和相关研究，所述火源功率在500～1000kw/m2内随机取值；所述火源面积在0.5～1m2的范围内随机取值；所述燃烧器表面温度在500～1000℃范围内随机取值；所述燃烧器的数量不少于一个，优选为一个，位置为房间内外任意位置，火源面积为所有燃烧表面面积之和；所述房间主要通风为门窗，门尺寸为1m*1.9m，窗尺寸为0.5m*0.5m；所述房间的通风口包括各房间之间以及房间与外界的门窗；所述火源的位置在房间地板上的任意位置，火源高度固定；所述烟气高度取烟气层稳定后烟气平均高度；所述室内温度检测器的位置是在房间内部空间的任意位置随机选取，温度数值由计算流体动力学软件监测记录。
进一步，步骤二中，所述数据集和/或数据库所使用的温度数据使用计算流体动力学软件模拟过程中该监测位置所记录的最高温度；此温度一定是火灾整个发展阶段过程中该点的最高温度。
步骤三中，所述将所述数据集和/或数据库分为训练集和测试集，包括：
训练集与测试集的划分不由人为划分，由python工具完成，对数据库进行随机划分，并通过random_state语句固定验证集。
进一步，步骤四中，所述将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系，包括：
建立用于迭代学习的神经网络，将步骤三中的训练数据作为神经网络的输入和输出，根据输入的特征数决定输入层的神经元数，得到网络参数；其中，所述神经网络模型包括一个输入层、一个输出层、若干个隐藏的全连接层，所述网络参数包括神经元数和学习率。
由于特征向量往往具有不同的量纲和单位，该情况会影响到数据分析结果，通过进行数据标准化处理，消除指标之间的量纲影响，解决数据之间的差异性；通过消除量纲加速优化过程，使用的归一化公式为：
Figure BDA0003345717670000051
其中，Tx为待处理的数据，minTi为样本数据的理论最小值，maxTi为样本数据的理论最大值；
随着输入特征的不断添加，隐藏层层数与神经元数均会增加，在两隐藏层之间添加Dropout层，避免由于模型复杂程度变高出现的过拟合现象；所述隐藏层的激活函数为sigmoid函数。
其中，所述Dropout层的机理是通过随机丢弃全连接层中的神经元，控制模型的复杂程度，规避过拟合现象，该层包含一个参数，即Dropout系数；所述Dropout的含义是该全连接层中神经元丢弃的比例，该参数的确定由模型的实际学习情况确定。
评估学习误差，若误差不满足要求，则根据学习曲线及学习误差对网络结构进行修正，直至误差满足要求，得到最终网络参数。模型的学习精度由验证集均方差与测试集均方差表征；其中，所述均方差的计算方法为：
Figure BDA0003345717670000052
其中，y值是真实值，而h(x)是观测值，m是观测次数。
进一步，步骤五中，所述将训练后的神经网络模型应用于所述测试集，验证模型预测精度，包括：
将步骤三中的验证集数据输入数据作为神经网络的输入，将网络所计算得到的结果与验证集的数据进行对比，核对计算精度。
本发明的另一目的在于提供一种应用所述的火灾温度场重构方法的火灾温度场重构系统，所述火灾温度场重构系统包括：
影响因素筛选模块，用于筛选得到火灾温度场的表征参量和关键影响因素；
数据集获取模块，用于针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于所述影响因素筛选模块所筛选物理量的数据集和/或数据库；
数据集划分模块，用于将所述数据集和/或数据库分为训练集和测试集；
神经网络模型训练模块，用于将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
模型预测精度验证模块，用于将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
火灾温度场重构模块，用于将验证后的神经网络模型应用于新的火灾温度场重构，实现对火灾温度场的快速精准预测。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
利用计算流体动力学软件构建针对特定场景构建火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
利用计算流体动力学软件构建针对特定场景构建火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的火灾温度场重构系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的火灾温度场重构方法，提出一种火灾预测的快速反应预测机制；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。本发明可以针对不同场景，快速准确地进行火灾温度场重构，从而为火灾调查和火灾风险评估提供新工具。
本发明利用训练好的神经网络将陌生火灾场景的相关表征参量与影响因素输入，可以实现对陌生火灾场景快速响应，提供一个除经验公式和数值模拟软件外的新工具，应用于新的火灾情景的快速温度场重构，可以为火灾调查和火灾风险评估提供有力工具。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的火灾温度场重构方法流程图。
图2是本发明实施例提供的火灾温度场重构方法原理图。
图3是本发明实施例提供的火灾温度场重构系统结构框图；
图中：1、影响因素筛选模块；2、数据集获取模块；3、数据集划分模块；4、神经网络模型训练模块；5、模型预测精度验证模块；6、火灾温度场重构模块。
图4是本发明实施例提供的所使用的神经网络结构示意图。
图5是本发明实施例提供的房间模型效果示意图。
图6是本发明实施例提供的神经网络的学习曲线图。
图7是本发明实施例提供的神经网络的预测结果对比图。
图8是本发明实施例提供的神经网络预测误差可视化示意图。
图9是本发明实施例提供的温度场重构结果演示效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种火灾温度场重构方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的火灾温度场重构方法包括以下步骤：
S101，筛选得到火灾温度场的表征参量和关键影响因素；
S102，针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于S101所筛选物理量的数据集和/或数据库；
S103，将所述数据集和/或数据库分为训练集和测试集；
S104，将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
S105，将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
S106，若模型预测精度未达到要求，则重复S102～S105，直至预测精度满足要求；若预测精度满足要求，则将神经网络结构保存，进行S107；
S107，将验证后的神经网络模型应用于新的火灾温度场重构。
本发明实施例提供的火灾温度场重构方法原理图如图2所示。
如图3所示，本发明实施例提供的火灾温度场重构系统包括：
影响因素筛选模块1，用于筛选得到火灾温度场的表征参量和关键影响因素；
数据集获取模块2，用于针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于所述影响因素筛选模块所筛选物理量的数据集和/或数据库；
数据集划分模块3，用于将所述数据集和/或数据库分为训练集和测试集；
神经网络模型训练模块4，用于将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
模型预测精度验证模块5，用于将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
火灾温度场重构模块6，用于将验证后的神经网络模型应用于新的火灾温度场重构，实现对火灾温度场的快速精准预测。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1
本发明是一种基于神经网络技术的火灾温度场重构方法，旨在解决传统的CFD运算与计算机模拟中存在的耗时长、计算量大的问题，提出一种火灾预测的快速反应预测机制；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
(1)筛选出火灾温度场的表征参量和关键影响因素：
通过相关研究，识别火灾影响因素，根据实际数据与实际情况划定火灾影响因素的数值范围，使得模拟工况更加接近实际火灾场景；
火灾温度场的表征参量包括但不限于：房间内任意点最大温度、温度变化率、辐射通量和房间内烟气层厚度；关键影响因素包括但不限于：火源热释放速率、燃烧器的数量、火源面积、火源位置、房间具体分布情况、房间通风口位置和尺寸，通过以往的经验和相关研究：
较优地，火源功率在500～1000kw/m2内随机取值；
较优地，火源面积在0.5～1m2的范围内随机取值；
较优地，燃烧器表面温度在500～1000℃范围内随机取值；
较优地，燃烧器数量为一个；
较优地，房间主要通风为门窗，门尺寸为1m*1.9m，窗尺寸为0.5m*0.5m；
较优地，火源的位置在房间地板上的任意位置，火源高度固定；
较优地，烟气高度取烟气层稳定后烟气平均高度；
室内温度检测器的位置是在房间内部空间的任意位置随机选取，温度数值由计算流体动力学软件监测记录；
(2)针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于(1)中所筛选物理量的数据集(库)：
数据集(库)所使用的温度数据使用计算流体动力学软件模拟过程中该监测位置所记录的最高温度；此温度一定是火灾整个发展阶段过程中该点的最高温度；
(3)将前述数据集(库)分为训练集和测试集：
训练集与测试集的划分不由人为划分，由python工具完成，对数据集(库)进行随机划分，并通过random_state语句固定验证集；
(4)将前述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系：
建立用于迭代学习的神经网络，将步骤(3)中的训练数据作为神经网络的输入和输出，得到网络参数；以上表述的神经网络模型：
由于特征向量往往具有不同的量纲和单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据之间的差异性。同时，消除量纲可以加速优化过程。本方法中使用的归一化公式为：
Figure BDA0003345717670000111
其中Tx为待处理的数据，minTi为样本数据的理论最小值，maxTi为样本数据的理论最大值；
随着输入特征的不断添加，隐藏层层数与神经元数均会增加，为了避免由于模型复杂程度变高出现的过拟合现象，在两隐藏层之间添加Dropout层；
其中Dropout层的机理是通过随机丢弃全连接层中的神经元，控制模型的复杂程度，规避过拟合现象，该层包含一个参数，即Dropout系数，Dropout的含义是该全连接层中神经元丢弃的比例，该参数的确定由模型的实际学习情况确定；
模型的学习精度由验证集均方差与测试集均方差表征，其中均方差的计算方法为：
Figure BDA0003345717670000112
其中y值是真实值，而h(x)是观测值，m是观测次数；
(5)将训练后的神经网络模型应用于前述测试集，验证模型的预测精度：
将步骤(3)中的验证集数据输入数据作为神经网络的输入，将网络所计算得到的结果与验证集的数据进行对比，核对计算精度；
(6)如模型预测精度未达到要求，则重复步骤(2)～(5)，直至预测精度满足要求；
若预测精度满足要求，则将神经网络结构保存，进行步骤(7)；
(7)将验证后的神经网络模型应用于新的火灾温度场重构。本方法可以针对不同场景，快速准确地进行火灾温度场重构，从而为火灾调查和火灾风险评估提供新工具。
本发明实施例中所使用的神经网络结构如图4所示。
实施例2
本发明实施例中使用单室模型，但在本发明所声明的方法下双室及多室模型等其他模型基于神经网络的温度场重构方法均落在本发明的保护范围内。
本实施例欲对一单室内的温度场进行重构预测，该房间墙壁一侧设有通风门，相邻的墙面有尺寸为0.5×0.5m的通风窗，其大小为1m×1.9m，房间及火源的其他信息如表1所示。
表1房间及火源的其他信息
Figure BDA0003345717670000121
参见图2，本发明所述的基于神经网络技术的火灾温度场重构方法的流程图，接下来对该方法所述步骤做详细说明。
步骤1：筛选出火灾温度场的表征参数和关键影响因素：
利用风险评估识别风险因子及事故情景因素并判定可能发生的各类火场情况的必备要素，包括火源相关参数以及情景因素。这些要素包括但不限于在本实施实例中选取的表征参量与关键影响因素：火源热释放速率、火源的面积、火源的温度、火源的位置(空间坐标)、室内温度监测装置所测得的温度、房间几何尺寸、房间的通风门的位置(空间坐标)、房间通风门的尺寸，烟气层的厚度；
步骤2：样本数据的收集：
本次实例在单室模型中进行模拟，监控温度、烟气等相关变量，使用大量模拟数据构成的数据集进行神经网络预测的测试；基于此来对模型进行调整。单室模型的部分相关参数见表2，墙壁一侧设有通风门，相邻的墙面设有尺寸为0.5×0.5m的通风窗，其大小为1m×1.9m，房间的实况图见图5。
表2模型部分参数
Figure BDA0003345717670000122
Figure BDA0003345717670000131
本实例的模拟时间定为120秒，该时间的意义是使得火灾充分发生，可以使得测点测得火灾发展过程中的最高温度；火源的表面温度为500～1000℃，燃烧器大小和位置见表1，火源的功率取值于500～1000kw/m2，每个火源功率对应一个工况，每一工况下包含五个在房间内随机位置的温度测点和一个固定位置的温度测点，测点的三维位置数据、火源功率、燃烧器表面温度、固定测点的温度、烟气层厚度、燃烧表面面积、燃烧器位置将作为神经网络的输入，随机测点的温度将作为神经网络的输出；通过大量模拟后得到的数据经整合后得到本实例所使用的数据集，本次学习使用的数据集共有数据374组，数据集情况见表3。其中HRR为火源功率，X、Y、Z为随机测点的位置坐标，TEM为随机测点所测的最高温度，MAX为固定测点所测最高温度，XF、YF为火源的位置坐标，S(F)为火源面积，LH为烟气层高度。其中Tem为标签数据，其余为特征数据。
表3神经网络使用的数据集
HRR X Y Z MAX XF YF S(F) LH Tem
0 502.69 2.14 0.56 1.98 98.0015 1.57 2.1 0.2809 0.9217 130.2823
1 502.69 0.92 0.4 1.78 98.0015 1.57 2.1 0.2809 0.9217 102.4308
2 502.69 2.78 0.17 0.98 98.0015 1.57 2.1 0.2809 0.9217 89.5494
3 502.69 1.11 0.58 1.98 98.0015 1.57 2.1 0.2809 0.9217 87.5036
4 502.69 2.92 0.36 0.21 98.0015 1.57 2.1 0.2809 0.9217 26.8129
... ... ... ... ... ... ... ... ... ... ...
369 622.1 2.97 2.96 1.83 224.9768 1.57 2.47 0.81 0.660365 354.8731
370 622.1 1.64 2.13 1.09 224.9768 1.57 2.47 0.81 0.660365 227.8406
371 622.1 1.91 1.08 1.55 224.9768 1.57 2.47 0.81 0.660365 216.7653
372 622.1 0.67 2.28 0.69 224.9768 1.57 2.47 0.81 0.660365 97.6750
373 622.1 1.21 2.43 0.19 224.9768 1.57 2.47 0.81 0.660365 89.9613
步骤3：划分训练集与测试集
步骤2中的数据组一部分作为训练集，将训练集的数据作为网络的输入和输出，训练网格结构，而验证集则是用来测试网格精度是否达到要求；
两者的划分通过python语言，pandas工具包中的：
frac＝x，random_state＝0；
来实现，其中x为训练集比例，在本实例中，训练集比例为80％，0则代表着训练集划分后将固定。
步骤4：神经网络训练：
训练前进行归一化处理，消除特征量的量纲，方便后续网络进行学习，加快网络优化速度，随后将步骤3中所得的训练集输入神经网络，该网络由输入层、输出层和2个全连接层共四层组成，batch_size为20，优化器选用“Adam”优化器，学习率为0.0001，全连接层的激活函数为“relu”函数，输入层的激活函数为“linear”函数，输入层神经元数与输入特征数相同为9，输出为温度，最终采用均方差“Mse”来评估训练结果。
步骤5：判定精度条件：
网络投入使用之前需要判定其预测效果，本实例中使用mse判别神经网络的学习效果，mse的计算公式为：
Figure BDA0003345717670000141
其中y值是真实值，在本实施例中为验证集温度，而h(x)是观测值，在本实施例中为神经网络输出温度，m是观测次数，在本实施例为75；
步骤6：核准模型精度：
在步骤3中，数据被分为训练集与测试集，在本实施例中，模型的精度判别条件为训练集与测试集的mse；
若判别结果满足精度要求，则直接进行步骤7的温度场重构，若精度不满足要求，则进行步骤6；
步骤7：调整模型至满足精度要求：
若步骤4输出的损失结果超过阈值，则需要调整神经网络的隐藏层数、神经元数、学习率等相关参数。再次重复步骤4进行学习，若输出的损失满足阈值和精度要求，则保存神经网络的参数和结构。最终不断调试得到的神经网络共有10层，输入层神经元数为9，第一个全连接层神经元数为110，其余全连接层神经元数为90，网络输出为温度数据，学习率为0.0001，学习次数为2000。学习曲线见图6，图6的横坐标为学习次数，纵坐标为损失值，两条曲线分别代表训练集与测试集。
步骤8：进行温度预测和温度场的重构：
在网络的学习过程中，模型已经对验证集的75组工况进行预测，将预测结果反归一化，得到温度数据，反归一化公式为：
T＝out*(max(Ti)-min(Ti))+min(Ti)，
将此公式的输出结果与真实值进行比较预测结果见图6，图6的横坐标为真实温度值，纵坐标为预测温度值，通过图7可以看出，模型对于整个温度区间的温度都可以进行准确的预测；其误差分布情况见图8，图8横坐标为误差区间，纵坐标为区间内数据个数，绝大部分的误差集中在靠近零误差的区间，综上说明，模型对验证集的预测是十分有效的。
证明部分：最后将使用训练好的模型对温度场进行重构，并将其结果与数值模拟结果温度场重构主要包括以下几个步骤：
1.为方便最终结果的展示，取一确定工况y＝1m的截面，在该界面均匀的选取16个点，作为要预测的点位，通过这些点的预测情况表征该截面、该房间的温度场重构效果；
2.将这些点的数据进行归一化处理，统一量纲；
3.将归一化后的数据输入步骤6调整好的神经网络中，进行温度的预测；
4.将输出值进行反归一化，得到预测温度数据；
5.将预测数据与数值模拟结果进行对比，验证该模型的温度场重构效果；
6.对目标工况的温度场进行预测重构，温度场重构效果图见图9，该图取距离地面1m高的16个位置进行温度预测，将预测温度与数值模拟软件的模拟结果对比，以此来评估温度场重构效果，此方法仅仅是为了方便展示预测结果，本方法可以对房间内任意位置进行温度预测并完整地重构温度场，图中括号外数值为基于本方法的预测温度，而括号内数值为基于数值模拟软件的模拟温度。从图中可以看出，该模型的预测精度为与模拟结果基本一致，16个点位与数值模拟结果的误差分别为：4.77％、0.44％、14.8％、0.52％、3.56％、1.34％、1.24％、3.47％、4.83％、12.75％、8.10％、7.37％、29.4％、2.42％、1.08％、8.00％，该模型的预测结果完全可以满足要求,但数值模拟所用的时间为104分钟，而使用本发明所主张的方法所构建的模型仅使用数秒时间便完成了预测任务，极大缩短了时间和运算成本，且该模型可以用于其他陌生工况的快速响应，具有优秀的适用性。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种火灾温度场重构方法，其特征在于，所述火灾温度场重构方法包括：
利用计算流体动力学软件针对特定场景构建火灾数值模型，并进行不同工况火灾情景模拟；并基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；
通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的预测。
2.如权利要求1所述火灾温度场重构方法，其特征在于，所述火灾温度场重构方法包括以下步骤：
步骤一，筛选得到火灾温度场的表征参量和关键影响因素；
步骤二，针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于步骤一所筛选物理量的数据集和/或数据库；
步骤三，将所述数据集和/或数据库分为训练集和测试集；
步骤四，将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
步骤五，将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
步骤六，若模型预测精度未达到要求，则重复步骤二～步骤五，直至预测精度满足要求；若预测精度满足要求，则将神经网络结构保存，进行步骤七；
步骤七，将验证后的神经网络模型应用于新的火灾温度场重构。
3.如权利要求2所述火灾温度场重构方法，其特征在于，步骤一中，所述筛选得到火灾温度场的表征参量和关键影响因素，包括：
(1)在计算流体动力学软件构建的模型内随机设置温度监测点，获得各监测点在起火后随时间变化的温度曲线，选取特征温度信息作为神经网络模型的输出；
(2)在计算流体动力学软件构建的空间内所选定的固定温度测点在模拟时间内测得的最高温度为神经网络的一个输入；
(3)计算流体动力学软件所测得的烟气层高度数据中，烟气稳定后的时段内的烟气平均高度作为输入的烟气特征值，并对所有数据做归一化处理，统一量纲；
识别火灾影响因素，根据实际数据与实际情况划定火灾影响因素的数值范围，使得模拟工况更加接近实际火灾场景；其中，所述火灾温度场的表征参量包括：房间内任意点最高温度、温度变化率、辐射通量以及房间内烟气层厚度；所述关键影响因素包括：火源热释放速率、燃烧器的数量、火源面积、火源位置、房间具体分布情况、房间通风口位置以及尺寸；所述房间分布情况包括所包括的房间数、各房间的长宽高以及相对位置；
所述火源功率在500～1000kw/m2内随机取值；所述火源面积在0.5～1m2的范围内随机取值；所述燃烧器表面温度在500～1000℃范围内随机取值；所述燃烧器的数量不少于一个，位置为房间内外任意位置，火源面积为所有燃烧表面面积之和；所述房间主要通风为门窗，门尺寸为1m*1.9m，窗尺寸为0.5m*0.5m；所述房间的通风口包括各房间之间以及房间与外界的门窗；所述火源的位置在房间地面上的任意位置，火源高度固定；所述烟气高度取烟气层稳定后烟气平均高度；所述室内温度检测器的位置是在房间内部空间的任意位置随机选取，温度数值由计算流体动力学软件监测记录。
4.如权利要求2所述火灾温度场重构方法，其特征在于，步骤二中，所述数据集和/或数据库所使用的温度数据使用计算流体动力学软件模拟过程中该监测位置所记录的最高温度；此温度一定是火灾整个发展阶段过程中该点的最高温度；
步骤三中，将所述数据集和/或数据库分为训练集和测试集，包括：
训练集与测试集的划分不由人为划分，由python工具完成，对数据库进行随机划分，并通过random_state语句固定验证集。
5.如权利要求2所述火灾温度场重构方法，其特征在于，步骤四中，将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系，包括：
建立用于迭代学习的神经网络，将步骤三中的训练数据作为神经网络的输入和输出，根据输入的特征数决定输入层的神经元数，得到网络参数；其中，所述神经网络模型包括一个输入层、一个输出层、若干个隐藏的全连接层，所述网络参数包括神经元数和学习率；
由于特征向量往往具有不同的量纲和单位，该情况会影响到数据分析结果，通过进行数据标准化处理，消除指标之间的量纲影响，解决数据之间的差异性；通过消除量纲加速优化过程，使用的归一化公式为：
Figure FDA0003345717660000031
其中，Tx为待处理的数据，minTi为样本数据的理论最小值，maxTi为样本数据的理论最大值；
随着输入特征的不断添加，隐藏层层数与神经元数均会相应增加，在两隐藏层之间添加Dropout层，避免由于模型复杂程度变高出现的过拟合现象；所述隐藏层的激活函数为sigmoid函数；
其中，所述Dropout层的机理是通过随机丢弃全连接层中的神经元，控制模型的复杂程度，规避过拟合现象，该层包含一个参数，即Dropout系数；所述Dropout的含义是该全连接层中神经元丢弃的比例，该参数的确定由模型的实际学习情况确定；
评估学习误差，若误差不满足要求，则根据学习曲线及学习误差对网络结构进行修正，直至误差满足要求，得到最终网络参数；模型的学习精度由验证集均方差与测试集均方差表征；其中，所述均方差的计算方法为：
Figure FDA0003345717660000032
其中，y值是真实值，而h(x)是观测值，m是观测次数。
6.如权利要求2所述火灾温度场重构方法，其特征在于，步骤五中，所述将训练后的神经网络模型应用于所述测试集，验证模型预测精度，包括：
将步骤三中的验证集数据输入数据作为神经网络的输入，将网络所计算得到的结果与验证集的数据进行对比，核对计算精度。
7.一种应用如权利要求1～6任意一项所述火灾温度场重构方法的火灾温度场重构系统，其特征在于，所述火灾温度场重构系统包括：
影响因素筛选模块，用于筛选得到火灾温度场的表征参量和关键影响因素；
数据集获取模块，用于针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工况火灾情景模拟，获得基于所述影响因素筛选模块所筛选物理量的数据集和/或数据库；
数据集划分模块，用于将所述数据集和/或数据库分为训练集和测试集；
神经网络模型训练模块，用于将所述训练集用于训练神经网络模型，建立火灾温度场表征参数和影响因素之间的映射关系；
模型预测精度验证模块，用于将训练后的神经网络模型应用于所述测试集，验证模型预测精度；
火灾温度场重构模块，用于将验证后的神经网络模型应用于新的火灾温度场重构，实现对火灾温度场的快速精准预测。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
利用计算流体动力学软件构建针对特定场景构建火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
利用计算流体动力学软件针对特定场景构建火灾数值模型，并开展大量不同工况火灾情景模拟，进而基于神经网络技术，建立火灾温度场和关键影响因素之间的映射关系；通过基于神经网络模型构建火灾表征参量、关键影响因素与火灾温度场之间的深度关联，实现对火灾温度场的快速精准预测。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述火灾温度场重构系统。
CN202111322246.7A 2021-11-09 2021-11-09 一种火灾温度场重构方法、系统、计算机设备、介质及终端 Active CN114021501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111322246.7A CN114021501B (zh) 2021-11-09 2021-11-09 一种火灾温度场重构方法、系统、计算机设备、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111322246.7A CN114021501B (zh) 2021-11-09 2021-11-09 一种火灾温度场重构方法、系统、计算机设备、介质及终端

Publications (2)

Publication Number Publication Date
CN114021501A true CN114021501A (zh) 2022-02-08
CN114021501B CN114021501B (zh) 2023-08-08

Family

ID=80062799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111322246.7A Active CN114021501B (zh) 2021-11-09 2021-11-09 一种火灾温度场重构方法、系统、计算机设备、介质及终端

Country Status (1)

Country Link
CN (1) CN114021501B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693088A (zh) * 2022-03-11 2022-07-01 三峡大学 一种水库温度场影响因素分析方法、装置及存储介质
CN114880935A (zh) * 2022-05-13 2022-08-09 西南交通大学 隧道火灾超前预测方法
CN115206047A (zh) * 2022-05-24 2022-10-18 华能宁夏中卫光伏发电有限公司 一种光伏组件地区防火报警方法及系统
CN115600643A (zh) * 2022-10-17 2023-01-13 中国科学技术大学（Cn） 一种毒害气体快速预测方法及系统
CN116341397A (zh) * 2023-05-30 2023-06-27 湖南光华防务科技集团有限公司 一种基于深度神经网络的灭火弹温度场模拟方法
CN116451582A (zh) * 2023-04-19 2023-07-18 中国矿业大学 基于机器学习融合模型的火灾热释放速率测量系统和方法
CN117197986A (zh) * 2023-11-08 2023-12-08 南通辉迈信息科技有限公司 建筑楼层的消防报警系统
CN118335211A (zh) * 2024-06-11 2024-07-12 中国科学技术大学 一种人工智能优化的动态增厚火焰模型构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200242202A1 (en) * 2019-01-29 2020-07-30 Shenzhen Fugui Precision Ind. Co., Ltd. Fire development situation prediction device and method
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200242202A1 (en) * 2019-01-29 2020-07-30 Shenzhen Fugui Precision Ind. Co., Ltd. Fire development situation prediction device and method
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 (2)

* Cited by examiner, † Cited by third party
Title
刘晓平,周德闯,李振华: "大型建筑内部火灾温度场的数值模拟", 火灾科学, no. 02 *
张嘉琪;刘阳;王晓丽;郑嗣华;赵晖;: "虚拟仪器技术在神经网络火灾识别模型中的应用研究", 中国安全科学学报, no. 11 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693088A (zh) * 2022-03-11 2022-07-01 三峡大学 一种水库温度场影响因素分析方法、装置及存储介质
CN114693088B (zh) * 2022-03-11 2023-06-20 三峡大学 一种水库温度场影响因素分析方法、装置及存储介质
CN114880935A (zh) * 2022-05-13 2022-08-09 西南交通大学 隧道火灾超前预测方法
CN115206047A (zh) * 2022-05-24 2022-10-18 华能宁夏中卫光伏发电有限公司 一种光伏组件地区防火报警方法及系统
CN115206047B (zh) * 2022-05-24 2024-04-30 华能宁夏中卫光伏发电有限公司 一种光伏组件地区防火报警方法及系统
CN115600643A (zh) * 2022-10-17 2023-01-13 中国科学技术大学（Cn） 一种毒害气体快速预测方法及系统
CN116451582A (zh) * 2023-04-19 2023-07-18 中国矿业大学 基于机器学习融合模型的火灾热释放速率测量系统和方法
CN116451582B (zh) * 2023-04-19 2023-10-17 中国矿业大学 基于机器学习融合模型的火灾热释放速率测量系统和方法
CN116341397B (zh) * 2023-05-30 2023-09-05 湖南光华防务科技集团有限公司 一种基于深度神经网络的灭火弹温度场模拟方法
CN116341397A (zh) * 2023-05-30 2023-06-27 湖南光华防务科技集团有限公司 一种基于深度神经网络的灭火弹温度场模拟方法
CN117197986A (zh) * 2023-11-08 2023-12-08 南通辉迈信息科技有限公司 建筑楼层的消防报警系统
CN117197986B (zh) * 2023-11-08 2024-02-20 南通辉迈信息科技有限公司 建筑楼层的消防报警系统
CN118335211A (zh) * 2024-06-11 2024-07-12 中国科学技术大学 一种人工智能优化的动态增厚火焰模型构建方法
CN118335211B (zh) * 2024-06-11 2024-08-20 中国科学技术大学 一种人工智能优化的动态增厚火焰模型构建方法

Also Published As

Publication number Publication date
CN114021501B (zh) 2023-08-08

Similar Documents

Publication Publication Date Title
CN114021501B (zh) 一种火灾温度场重构方法、系统、计算机设备、介质及终端
CN112270122B (zh) 一种建筑火灾火源参数反演评估方法
CN107725283A (zh) 一种基于深度信念网络模型的风机故障检测方法
CN112149962B (zh) 一种施工事故致因行为的风险定量评估方法及系统
Vukovic et al. Real-time identification of indoor pollutant source positions based on neural network locator of contaminant sources and optimized sensor networks
Mao et al. Automated Bayesian operational modal analysis of the long-span bridge using machine-learning algorithms
Wang Accuracy, validity and relevance of probabilistic building energy models
CN118133695B (zh) 基于大数据处理和神经网络的地铁站火灾温度场模拟系统及方法
CN112257935A (zh) 一种基于lstm—rbf神经网络模型的航空安全预测方法
Wu et al. Remaining useful life estimation based on a nonlinear Wiener process model with CSN random effects
Lim et al. Estimating unknown parameters of a building stock using a stochastic-deterministic-coupled approach
CN117760063A (zh) 一种基于空气焓值的地铁空调负荷预测方法
Sreedharan et al. Influence of indoor transport and mixing time scales on the performance of sensor systems for characterizing contaminant releases
CN108647817A (zh) 一种能耗负荷的预测方法及预测系统
Shin et al. Parameter estimation for building energy models using GRcGAN
Li et al. Sensitivity and uncertainty analysis of a fire spread model with correlated inputs
KR102408444B1 (ko) 인공신경망을 이용한 실내공기질 가상 모니터링 방법 및 시스템
Zong et al. Implementation of occupant behaviour models for window control using co-simulation approach
JPH09128361A (ja) レカレントニューラルネットの入力量処理方法
Wen A unified view of false discovery rate control: Reconciliation of bayesian and frequentist approaches
Magnusson Uncertainty Analysis: identification, quantification and propagation
CN117436770B (zh) 基于bim的建筑工程建设管理方法及系统
CN118114887B (zh) 一种疏散通道人群流量的预测方法和装置
Vorger et al. Reconstruction of Building Occupation by Machine Learning
Shin et al. GAN-based parameter estimation of building energy model.

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