CN114741974A - 一种公路隧道火灾增长期参数识别与预测方法 - Google Patents

一种公路隧道火灾增长期参数识别与预测方法 Download PDF

Info

Publication number
CN114741974A
CN114741974A CN202210512734.2A CN202210512734A CN114741974A CN 114741974 A CN114741974 A CN 114741974A CN 202210512734 A CN202210512734 A CN 202210512734A CN 114741974 A CN114741974 A CN 114741974A
Authority
CN
China
Prior art keywords
fire
tunnel
model
data
fire source
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.)
Pending
Application number
CN202210512734.2A
Other languages
English (en)
Inventor
徐湃
李亮亮
朱代强
郑体鹏
林贝贝
叶新财
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.)
Chongqing Jiaotong University
Original Assignee
Chongqing Jiaotong University
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 Chongqing Jiaotong University filed Critical Chongqing Jiaotong University
Priority to CN202210512734.2A priority Critical patent/CN114741974A/zh
Publication of CN114741974A publication Critical patent/CN114741974A/zh
Pending legal-status Critical Current

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
    • G06F30/27—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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Fire Alarms (AREA)

Abstract

本发明涉及一种公路隧道火灾增长期参数识别与预测方法，包括以下步骤：S1、隧道火灾增长期火源模型的选取；S2、隧道火灾增长期火源模型参数的确定；S3、隧道火灾增长期FDS数值模拟模型的建立与工况设定；S4、隧道火灾增长期观测数据库的建立；S5、隧道火灾增长期数据标签化、归一化处理；S6、隧道火源增长期参数识别及预测的LSTM神经网络模型建立；S7、隧道火源增长期参数识别及预测的LSTM神经网络模型训练；S8、隧道火源增长期参数识别及预测性能分析。解决现有隧道火灾预测手段未充分分析及利用隧道内各类监测设备在火灾工况下产生的大量数据，不能及时识别火源信息并预测其增长态势，不能为人员安全疏散及消防救援提供决策服务的问题。

Description

一种公路隧道火灾增长期参数识别与预测方法
技术领域
本发明属于隧道火灾安全技术领域，涉及一种公路隧道火灾增长期参数识别与预测方法。
背景技术
公路隧道火灾危害性极大，一旦发生，极易造成交通瘫痪、商贸物流中断，甚至造成群死群伤，导致恶劣的社会反响。目前公路隧道火灾防治手段主要包括远程监控、监测报警、通风排烟、消防队员进入隧道内实施灭火等。但这些防治手段均对火灾增长期考虑不足，多集中于火灾稳定发展阶段。公路隧道火灾增长期作为人员疏散逃生和消防救援的“黄金时段”未受到足够的重视。
由于隧道相对封闭的结构限制以及隧道内火灾监测设备功能的局限性，发生火灾时外界所能获取的信息非常有限，隧道内部受灾人群以及消防救援人员很难及时得知实时火情、火灾发展态势等，导致逃生和救援行为很大程度上是依靠视觉感官做出的经验性判断。然而，当前预测手段大多需要以现场信息作为输入数据，但隧道内的高温浓烟使消防人员及设备无法抵达火源处获取信息，且现有技术手段尚无法对实际火灾场景下热释放速率进行直接测量。同时，隧道内各类监测设备在火灾工况下会产生大量数据，如温度、各组分气体浓度以及风速等，这些数据存在分析及利用程度低的状况。现亟需寻求一种利用可获取数据对公路隧道火灾增长期信息进行高效识别，甚至预测的方法，为人员安全疏散及消防救援提供决策服务。
发明内容
有鉴于此，本发明为了解决现有隧道火灾预测手段未充分分析及利用隧道内各类监测设备在火灾工况下产生的大量数据，不能及时识别火源信息并预测其增长态势的问题，提供一种公路隧道火灾增长期参数识别与预测方法，为人员安全疏散及消防救援提供决策服务。
为达到上述目的，本发明提供如下技术方案：
一种公路隧道火灾增长期参数识别与预测方法，包括以下步骤：
S1、隧道火灾增长期火源模型的选取
依据国内外学者建立的隧道火灾热释放率增长模型，选取能够较好表征隧道内由车辆及货物所引起火灾时火源热释放速率的增长模式，且因参数调整简单而常用于计算机仿真模拟中非稳态火源建立的平方增长模型为基础模型，用以描述火源热释放速率随时间的变化，关系式如下：
Q＝αt2
式中：Q为热释放速率(kW)；t为达到该热释放速率的增长时间(s)；α为火灾增长系数(kW/s2)。
S2、隧道火灾增长期火源模型参数的确定
根据国内外足尺隧道火灾试验实测数据展开分析，获得不同车辆类型(小汽车、公共汽车、载重货车、油罐车)及车辆相关材料(汽油、柴油及车用聚合物)最大热释放速率HRRmax、火灾增长系数α、达到最大热释放速率所需时间tmax的取值范围，进一步验证隧道火灾增长期火源模型的正确性。
S3、隧道火灾增长期FDS数值模拟模型的建立与工况设定
建立隧道火灾增长期FDS数值模拟模型，设定温度传感器、风速传感器的监测位置与密度，考虑不同火源位置、纵向风速、最大热释放速率及其增长系数，设定多种模拟工况。
S4、隧道火灾增长期观测数据库的建立
通过多工况数值模拟获得计算结果，提取各工况计算结果中隧道火灾增长阶段火灾增长系数、HRRmax、HRR、时间、传感器位置、火源位置、温度、纵向风速的数据样本，并以同一时间序列整理存放数据，由此建立隧道火灾增长阶段观测数据库。
S5、隧道火灾增长期数据标签化、归一化处理
从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，对数据进行标签化、归一化处理。
S6、隧道火源增长期参数识别及预测的LSTM神经网络模型建立
搭建LSTM神经网络模型，以HRR为输出变量建立回归预测模型，以火灾增长系数、火源位置、纵向风速为输出变量建立多标签分类模型。
S7、隧道火源增长期参数识别及预测的LSTM神经网络模型训练
在特定训练环境中对数据进行训练，并选用损失函数MSE对LSTM神经模型的训练效果进行评估，通过损失函数最小化不断更新网络中的参数，达到优化模型的目的。
S8、隧道火源增长期参数识别及预测性能分析
采用测试集数据对火源增长期参数识别及预测进行性能分析，包括泛化性、时效性、合理性与实际应用性。
进一步，步骤S3中建立隧道火灾增长期FDS数值模拟模型，隧道模型断面基于高速公路、一级公路两车道隧道的标准内轮廓，线型选择为直线线型，长度100m；
设定传感器监测位置与密度，以5m为间隔在火源上下游25m范围设置11个顶棚温度监测设备，能够用来模拟5m、10m间隔的传感器布置密度，火源上下游10米处设风速监测设备2个。
进一步，步骤S5中从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，将每一份数据表按照30s的时间长度分割成多个数据样本；采用Min-Max归一化方法对数据进行标准化处理，去除不同类型数据之间量纲、数量级的差异，将其转换到[0，1]的范围，归一化公式为：
Figure BDA0003640090960000031
式中：xi为i类型数据初始值；xi*为归一化后数值；max xi为i类型数据最大值；minxi为i类型数据最小值。
进一步，步骤S7中网络训练优化器(Optimizer)为Adam(Adaptive MomentEstimation)，学习率初始值设为0.005，隐藏层神经元数量初始值设为32；MSE指参数预测值与参数真实值之间差值平方的期望值，如下式，MSE值越小则神经网络预测精准度越高；
Figure BDA0003640090960000032
式中：yi为第i个数据初始值；y′i为模型所得的预测值；n为数据数量。
进一步，步骤S8中预测精准度计算如下式：
Figure BDA0003640090960000033
式中：Ryc为预测精准度。
本发明的有益效果在于：
本发明所公开的公路隧道火灾增长期参数识别与预测方法，可靠性与可行性良好，可用于优化传感器(分布式光纤线型感温火灾探测器、光纤光栅线型感温火灾探测器等)布置方法；可根据火源位置等，用于火灾发展阶段早期控火灭火(可与智能灭火器结合)；可根据火源位置与火灾规模、纵向风速等，用于火灾早期识别、人员疏散警示与诱导，为驾乘人员提供灾害实时提示和疏散辅助决策。在实际隧道火灾增长阶段数据获取途径有限的背景下，可及时识别火源信息并预测其增长态势，提高防灾减灾能力。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明公路隧道火灾增长期参数识别与预测方法流程示意图；
图2为本发明不同车辆相关材料燃烧试验实测图；
图3为本发明不同车辆类型火灾燃烧试验实测图；
图4为本发明公路隧道内温度传感器、风速传感器布置示意图；
图5为本发明隧道火灾增长阶段观测数据库示意图；
图6(a)为本发明LSTM神经网络模型中回归预测模型示意图；
图6(b)为本发明LSTM神经网络模型中多标签分类模型示意图；
图7(a)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对纵向风速识别准确率分析结果图；
图7(b)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对火源位置坐标识别准确率分析结果图；
图7(c)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对火灾增长系数识别准确率分析结果图；
图7(d)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集各关键参数平均识别准确率分析结果图；
图8(a)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对纵向风速识别准确率分析结果图；
图8(b)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对火源位置坐标识别准确率分析结果图；
图8(c)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对火灾增长系数识别准确率分析结果图；
图8(d)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集各关键参数平均识别准确率分析结果图；
图9(a)为本发明应用于某全尺寸公路隧道火灾试验时小汽车燃烧HRR增长预测结果图；
图9(b)为本发明应用于某全尺寸公路隧道火灾试验时公共汽车燃烧HRR增长预测结果图。
具体实施方式
以下通过特定的具体实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，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。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示的一种公路隧道火灾增长期参数识别与预测方法，包括以下步骤：
S1、隧道火灾增长期火源模型的选取
依据国内外学者建立的隧道火灾热释放率增长模型，选取能够较好表征隧道内由车辆及货物所引起火灾时火源热释放速率的增长模式，且因参数调整简单而常用于计算机仿真模拟中非稳态火源建立的平方增长模型为基础模型，用以描述火源热释放速率随时间的变化，关系式如下：
Q＝αt2
式中：Q为热释放速率(kW)；t为达到该热释放速率的增长时间(s)；α为火灾增长系数(kW/s2)；
实际隧道火灾场景中描述火源热释放速率随时间的变化极为困难，大多采用线性增长、平方增长和指数增长这3种增长模型对火灾增长与衰减模式进行定量描述，其中平方增长模型能够较好的表征隧道内由车辆及货物所引起火灾时火源热释放速率的增长模式，并且由于参数调整简单而常用于计算机仿真模拟中非稳态火源的建立，故选取平方增长模型为隧道火灾增长阶段基础模型。
S2、隧道火灾增长期火源模型参数的确定
为真实描述隧道火灾场景中火源的增长，对国内外足尺隧道不同车辆类型(小汽车、公共汽车、载重货车)火灾试验及车辆相关材料(汽油、柴油等油池火及车用聚合物)燃烧试验的实测数据进行收集整理，提取并分析最大热释放速率HRRmax及达到最大热释放速率所需时间tmax的关系，如图2、图3所示。图2为不同车辆相关材料燃烧试验实测图；图3为不同车辆类型火灾燃烧试验实测图。结果表明，HRRmax与tmax非一一对应关系，不能以增长时间tmax的大小来预估物质燃烧过程中所能达到的HRRmax。隧道火灾增长期火源模型建立的关键在于，确定火源热释放速率的增长快慢和峰值，即平方增长模型中的火灾增长系数α和热释放速率峰值Qmax。
注：燃烧物在某一燃烧条件下的热释放速率峰值(Qmax)称为最大热释放速率(HRRmax)。Qmax与HRRmax的区别在于，Qmax是燃烧过程中某一时刻的状态量，表示单位时间内物质由燃烧所释放出的热量，而HRRmax则表示某一燃烧条件下燃烧物所具备的最大热释放能力，二者在数值上相等。
基于平方增长模型，为获得隧道火灾增长期增长系数α和最大热释放速率峰值Qmax的关系
Figure BDA0003640090960000061
根据国内外足尺隧道火灾试验实测数据展开进一步分析，结果表明，隧道火灾不同类型车辆燃烧HRRmax取值范围：小汽车2-10MW、公共汽车10MW-50MW、载重货车50MW-200MW、油罐车200MW-300MW；隧道火灾不同类型车辆燃烧增长系数α取值范围：小汽车0.003kW/s2-0.013kW/s2、公共汽车0.05kW/s2-0.15kW/s2、载重货车0.2kW/s2-0.3kW/s2、油罐车0.4kW/s2-0.6kW/s2。
由此确定隧道火灾增长期不同车辆类型燃烧的平方增长模型参数取值，如表1所示。
表1隧道火灾不同车辆类型燃烧的平方增长模型参数取值表
Figure BDA0003640090960000062
Figure BDA0003640090960000071
S3、隧道火灾增长期FDS数值模拟模型的建立与工况设定
建立隧道火灾增长期FDS数值模拟模型，隧道模型断面基于高速公路、一级公路两车道隧道的标准内轮廓，线型选择为隧道最为常见的直线线型，长度100m。
设定传感器监测位置与密度，以5m为间隔在火源上下游25m范围设置11个顶棚温度监测设备(温度传感器)能够用来模拟5m、10m间隔的传感器布置密度，火源上下游10米处设风速监测设备(风速传感器)2个，设备布置情况如图4所示。
基于平方增长模型设定火源参数，考虑不同火源位置、纵向风速、最大热释放速率及其增长系数，设定多种模拟工况(240个工况)，如表2所示。
表2数值模拟工况表
Figure BDA0003640090960000072
S4、隧道火灾增长期观测数据库的建立
通过多工况数值模拟获得计算结果，提取各工况计算结果中隧道火灾增长阶段火灾增长系数、HRRmax、HRR、时间、传感器位置、火源位置、温度、纵向风速等的数据样本，并以同一时间序列整理存放数据，由此建立隧道火灾增长阶段观测数据库，如图5所示。
S5、隧道火灾增长期数据标签化、归一化处理
从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，将每一份数据表按照30s的时间长度分割成多个数据样本，最终形成包含7030份数据的标签化样本集。
采用Min-Max归一化方法(如下式)对数据进行标准化处理，去除不同类型数据之间量纲、数量级的差异，将其转换到[0，1]的范围。
Figure BDA0003640090960000081
式中：xi为i类型数据初始值；xi*为归一化后数值；max xi为i类型数据最大值；minxi为i类型数据最小值。
将所有标记的样本划分成训练数据集和测试数据集，其规模分别为80％和20％。即5590份数据样本训练数据集用于训练模型，1440份数据样本组成测试集用于评估训练后模型的质量。
S6、隧道火源增长期参数识别及预测的LSTM神经网络模型建立
搭建LSTM神经网络模型，其结构如图6(a)和图6(b)所示，以HRR为输出变量建立回归预测模型，以火灾增长系数、火源位置、纵向风速为输出变量建立多标签分类模型。即回归预测模型3个输入神经元，1个输出神经元；多标签分类模型3个输入神经元，3个输出神经元。
S7、隧道火源增长期参数识别及预测的LSTM神经网络模型训练
在特定训练环境中对数据进行训练，并选用损失函数MSE对LSTM神经模型的训练效果进行评估，通过损失函数最小化不断更新网络中的参数，达到优化模型的目的。网络训练优化器(Optimizer)为Adam(Adaptive Moment Estimation)，学习率初始值设为0.005，隐藏层神经元数量初始值设为32。神经网络训练环境如表3所示，最终LSTM神经网络确定参数如表4所示。
MSE指参数预测值与参数真实值之间差值平方的期望值，如下式。MSE值越小则神经网络预测精准度越高，是回归预测类模型最常用的损失函数。
Figure BDA0003640090960000091
式中：yi为第i个数据初始值；y′i为模型所得的预测值；n为数据数量。
表3 LSTM神经网络训练环境
Figure BDA0003640090960000092
表4 LSTM模型参数表
Figure BDA0003640090960000093
S8、隧道火源增长期参数识别及预测性能分析
采用测试集数据对火源增长期参数识别及预测进行性能分析，包括泛化性、时效性、合理性与实际应用性。
预测精准度计算如下式：
Figure BDA0003640090960000094
式中：Ryc为预测精准度。
①泛化性：模型泛化性强。如图7所示，其中图7(a)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对纵向风速识别准确率分析结果图；图7(b)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对火源位置坐标识别准确率分析结果图；图7(c)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集分别对火灾增长系数识别准确率分析结果图；图7(d)为本发明传感器间距10m时LSTM神经网络模型中训练、测试数据集各关键参数平均识别准确率分析结果图。隧道火源增长期热释放速率预测精准度达92％，纵向风速平均识别准确率达95％，火源位置坐标平均识别准确率达94％，火灾增长系数平均识别准确率达93％。
②时效性：模型时效性良好，能够在10s产生响应，70s之内输出准确率90％以上的识别及预测结果。
③合理性：图8(a)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对纵向风速识别准确率分析结果图；图8(b)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对火源位置坐标识别准确率分析结果图；图8(c)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集分别对火灾增长系数识别准确率分析结果图；图8(d)为本发明不同传感器密度下LSTM神经网络模型中训练、测试数据集各关键参数平均识别准确率分析结果图。
传感器密度增加50％仅可提升2％的参数识别及预测精准度，同时减少20s的有效预测时间损耗。在90％以上的精度要求中，传感器布置密度为10m/个是合理的。
④实际应用性：基于某全尺寸公路隧道实车燃烧试验数据进行验证，在非标准工况的实际隧道火灾场景下具有一定的实际应用性，且该模型寻求不适定性问题最优解的性能优良。HRR增长过程预测平均精准度达70％，增长系数识别平均误差在21％之内，纵向风速识别精准度100％，火源坐标误差在2.5m之内。图9(a)为本发明应用于某全尺寸公路隧道火灾试验时小汽车燃烧HRR增长预测结果图；图9(b)为本发明应用于某全尺寸公路隧道火灾试验时公共汽车燃烧HRR增长预测结果图。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种公路隧道火灾增长期参数识别与预测方法，其特征在于，包括以下步骤：
S1、隧道火灾增长期火源模型的选取
依据国内外学者建立的隧道火灾热释放率增长模型，选取能够较好表征隧道内由车辆及货物所引起火灾时火源热释放速率的增长模式，且因参数调整简单而常用于计算机仿真模拟中非稳态火源建立的平方增长模型为基础模型，用以描述火源热释放速率随时间的变化，关系式如下：
Q＝αt2
式中：Q为热释放速率(kW)；t为达到该热释放速率的增长时间(s)；α为火灾增长系数(kW/s2)；
S2、隧道火灾增长期火源模型参数的确定
根据国内外足尺隧道火灾试验实测数据展开分析，获得不同车辆类型(小汽车、公共汽车、载重货车、油罐车)及车辆相关材料(汽油、柴油及车用聚合物)最大热释放速率HRRmax、火灾增长系数α、达到最大热释放速率所需时间tmax的取值范围，进一步验证隧道火灾增长期火源模型的正确性；
S3、隧道火灾增长期FDS数值模拟模型的建立与工况设定
建立隧道火灾增长期FDS数值模拟模型，设定温度传感器、风速传感器的监测位置与密度，考虑不同火源位置、纵向风速、最大热释放速率及其增长系数，设定多种模拟工况；
S4、隧道火灾增长期观测数据库的建立
通过多工况数值模拟获得计算结果，提取各工况计算结果中隧道火灾增长阶段火灾增长系数、HRRmax、HRR、时间、传感器位置、火源位置、温度、纵向风速的数据样本，并以同一时间序列整理存放数据，由此建立隧道火灾增长阶段观测数据库；
S5、隧道火灾增长期数据标签化、归一化处理
从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，对数据进行标签化、归一化处理；
S6、隧道火源增长期参数识别及预测的LSTM神经网络模型建立
搭建LSTM神经网络模型，以HRR为输出变量建立回归预测模型，以火灾增长系数、火源位置、纵向风速为输出变量建立多标签分类模型；
S7、隧道火源增长期参数识别及预测的LSTM神经网络模型训练
在特定训练环境中对数据进行训练，并选用损失函数MSE对LSTM神经模型的训练效果进行评估，通过损失函数最小化不断更新网络中的参数，达到优化模型的目的；
S8、隧道火源增长期参数识别及预测性能分析
采用测试集数据对火源增长期参数识别及预测进行性能分析，包括泛化性、时效性、合理性与实际应用性。
2.如权利要求1所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S3中建立隧道火灾增长期FDS数值模拟模型，隧道模型断面基于高速公路、一级公路两车道隧道的标准内轮廓，线型选择为直线线型，长度100m；设定传感器监测位置与密度，以5m为间隔在火源上下游25m范围设置11个顶棚温度监测设备，能够用来模拟5m、10m间隔的传感器布置密度，火源上下游10米处设风速监测设备2个。
3.如权利要求2所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S5中从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，将每一份数据表按照30s的时间长度分割成多个数据样本；采用Min-Max归一化方法对数据进行标准化处理，去除不同类型数据之间量纲、数量级的差异，将其转换到[0，1]的范围，归一化公式为：
Figure FDA0003640090950000021
式中：xi为i类型数据初始值；xi*为归一化后数值；max xi为i类型数据最大值；min xi为i类型数据最小值。
4.如权利要求3所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S7中MSE指参数预测值与参数真实值之间差值平方的期望值，如下式，MSE值越小则神经网络预测精准度越高；
Figure FDA0003640090950000022
式中：yi为第i个数据初始值；y′i为模型所得的预测值；n为数据数量。
5.如权利要求4所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S8中预测精准度计算如下式：
Figure FDA0003640090950000023
式中：Ryc为预测精准度。
CN202210512734.2A 2022-05-12 2022-05-12 一种公路隧道火灾增长期参数识别与预测方法 Pending CN114741974A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512734.2A CN114741974A (zh) 2022-05-12 2022-05-12 一种公路隧道火灾增长期参数识别与预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512734.2A CN114741974A (zh) 2022-05-12 2022-05-12 一种公路隧道火灾增长期参数识别与预测方法

Publications (1)

Publication Number Publication Date
CN114741974A true CN114741974A (zh) 2022-07-12

Family

ID=82284928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512734.2A Pending CN114741974A (zh) 2022-05-12 2022-05-12 一种公路隧道火灾增长期参数识别与预测方法

Country Status (1)

Country Link
CN (1) CN114741974A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238365A (zh) * 2022-09-07 2022-10-25 西南交通大学 一种基于动态深度学习的隧道灾后损伤预警方法及系统
CN116882268A (zh) * 2023-06-15 2023-10-13 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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238365A (zh) * 2022-09-07 2022-10-25 西南交通大学 一种基于动态深度学习的隧道灾后损伤预警方法及系统
CN116882268A (zh) * 2023-06-15 2023-10-13 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
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

Similar Documents

Publication Publication Date Title
CN114741974A (zh) 一种公路隧道火灾增长期参数识别与预测方法
CN109448369B (zh) 高速公路实时运行风险计算方法
Wu et al. An intelligent tunnel firefighting system and small-scale demonstration
CN113379267B (zh) 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质
CN109002622B (zh) 一种随机车流作用下大跨径桥梁总体荷载响应估算方法
CN110765980A (zh) 一种异常驾驶的检测方法及装置
CN108197731B (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN111027256A (zh) 一种基于车辆荷载空间分布的桥梁风险预测方法及系统
CN114023399A (zh) 一种基于人工智能的空气颗粒物分析预警方法和装置
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
Kadiyala et al. Application of MATLAB to select an optimum performing genetic algorithm for predicting in-vehicle pollutant concentrations
CN116911610A (zh) 运输车辆驾驶安全风险监控及评估预警的方法和系统
CN114417729A (zh) 一种基于bp神经网络的矿区环境安全预警方法
CN109886439A (zh) 电控车辆远程诊断系统及其诊断方法
CN117172379A (zh) 一种基于趋势特征值和改进随机森林的煤矿灾害预警方法
CN117763934A (zh) 一种基于深度学习的微型管廊气体监测方法及系统
CN117033891A (zh) 基于单车交通事故数据库的交通事故严重程度评估方法
CN114155742B (zh) 一种网联车纵向行车风险评估和预警方法
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN115951241A (zh) 一种车载动力锂电池热失控预警保护方法及系统
CN115192026A (zh) 隧道驾驶负荷监测方法及终端
CN114582083A (zh) 一种隧道监控多传感器数据融合火灾预警方法
CN114200334A (zh) 一种蓄电池预警方法、装置、车辆及介质
CN111302173A (zh) 电梯钢丝绳异常检测方法、装置、设备及可读存储介质

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