CN117291293A - 隧道火场灾情感知和态势发展预测方法 - Google Patents
隧道火场灾情感知和态势发展预测方法 Download PDFInfo
- Publication number
- CN117291293A CN117291293A CN202311098271.0A CN202311098271A CN117291293A CN 117291293 A CN117291293 A CN 117291293A CN 202311098271 A CN202311098271 A CN 202311098271A CN 117291293 A CN117291293 A CN 117291293A
- Authority
- CN
- China
- Prior art keywords
- fire
- tunnel
- tunnel fire
- situation development
- perception
- 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
Links
- 238000011161 development Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008447 perception Effects 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 230000018109 developmental process Effects 0.000 claims description 87
- 239000000779 smoke Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000010992 reflux Methods 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 230000004907 flux Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000003546 flue gas Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000036284 oxygen consumption Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及隧道火灾技术领域，涉及一种隧道火场灾情感知和态势发展预测方法，其包括以下步骤：1)基于隧道复杂火情火灾实验，提取隧道火灾数据；2)构建隧道复杂火情火灾感知大数据库；3)构建隧道火情感知预测模型；4)建立隧道火灾模型，提取隧道火灾态势发展数据；5)构建隧道火灾态势发展大数据库；6)构建隧道火灾态势发展神经网络预测模型；7)基于实际隧道中各项实时传感器，将实时数据传输到隧道火情感知预测模型，提取隧道火场信息；8)基于提取的隧道火场信息，输入到隧道火灾态势发展神经网络预测模型中，预测后续隧道火灾态势发展，将预测结果可视化。本发明能较佳地进行隧道火场灾情感知和态势发展预测。
Description
技术领域
本发明涉及隧道火灾技术领域，具体地说，涉及一种隧道火场灾情感知和态势发展预测方法。
背景技术
隧道火灾是市政公路隧道中最为严重的灾害。由于公路隧道的封闭式结构特性，公路隧道一旦发生火灾，不仅会导致人员伤亡和财产损失，同时由于事故发生导致高速通行的中断，会造成巨大的社会影响。除此之外，隧道火灾发生时产生的高温和热辐射，同样会导致混凝土爆裂和其力学性能劣化，从而使隧道结构受损。因此，在隧道火灾初期快速发现火灾，对火灾态势发展进行预测，协助应急救援人员扑救火灾并组织人员疏散，对减少隧道火灾损失有着重要意义。
公开号为CN111368771A的专利提供了一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质，该方法包括：获取隧道视频流数据并对数据进行预处理，所述预处理包括灰度化和平滑化；对上述预处理后的数据进行分割，得到分割结果，所述分割结果包括火焰运动前景；从所述火焰运动前景提取火焰运动特征，所述火焰运动特征包括火焰形状特征、火焰纹理特征和火焰面积特征，从所述隧道视频流数据中提取火焰颜色特征；将所述火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后通过预训练好的神经网络进行火焰预测，然后基于火焰预测结果输出火灾预警信息。但该技术只能通过提取图像中的火焰特征来判断是否发生了火灾，不能通过火焰图像获取热释放速率等火场信息；另外，该技术是通过火焰颜色特征、火焰形状特征、火焰纹理特征和火焰面积特征进行多特征融合后，基于预训练好的神经网络来进行火焰预测，判断是否发生火灾，但是不能预测未来火焰图像。
公开号为CN113128412B的专利提供了一种基于深度学习及火灾监控视频的火灾趋势预测方法，具体方法为：1、监控视频分割，构建图像数据集；2、建立监控视频火灾图像检测模型；3、对实时图像进行火灾检测，并对检测结果进行分析，修正火灾图像检测模型；4、将火灾图像转化为灰度值矩阵；5、采用分布式LSTM集成预测模型对灰度值矩阵进行预测，转化为灰度图像。该技术基于ResNet18模型的图像异常检测技术用于火灾图像的识别；在图像异常检测中引入反馈机制；采用分布式LSTM集成预测模型预测下一帧图像的对应列的灰度值。但该技术只能根据某一帧火灾图像预测下一帧图像的对应列的灰度值，所预测的时间较短，对火灾扑救所提供技术支持较为有限；另外，该技术仅通过火灾监控视频图像预测，受烟气等干扰因素影响较大。
发明内容
本发明的内容是提供一种隧道火场灾情感知和态势发展预测方法，其能够基于隧道自身视频监控系统、数字图像处理技术和机器学习进行隧道火场灾情感知和态势发展预测。
根据本发明的隧道火场灾情感知和态势发展预测方法，其包括以下步骤：
1)基于隧道复杂火情火灾实验，提取隧道火灾数据；
2)基于隧道火场数据，通过图像处理和数据处理方法，构建隧道复杂火情火灾感知大数据库；
3)基于机器学习方法，选择合适的神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN模型，构建隧道火情感知预测模型；
4)基于FDS火灾动力学数值模拟软件，建立隧道火灾模型，提取隧道火灾态势发展数据，隧道火灾态势发展数据包括火灾温度、CO浓度、能见度、烟气回流长度；
5)基于隧道火灾态势发展数据，构建隧道火灾态势发展大数据库；
6)选定机器学习模型，基于隧道火灾态势发展数据库，构建隧道火灾态势发展神经网络预测模型；
7)基于实际隧道中各项实时传感器，实时传感器包括视频监控系统、风速仪、光纤光栅、热电偶和无人机，将实时数据传输到隧道火情感知预测模型，提取隧道火场信息；
8)基于提取的隧道火场信息，输入到隧道火灾态势发展神经网络预测模型中，预测后续隧道火灾态势发展，将预测结果可视化。
作为优选，步骤1)中，具体步骤如下：
1-1)基于全尺寸或缩尺寸隧道火灾实验，设置隧道复杂火灾工况，隧道复杂火灾工况包括单火源、多火源、引燃、油罐火、池火泄露；
1-2)在实验布置中，通过布置电子天平、集烟罩、热电偶、热辐射仪和热流计，采集隧道火灾实验中不同工况下的火灾数据，火灾数据包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量、火焰图像火灾位置；
在火源的热释放速率数据采集过程中，采用计算质量损失率和氧消耗法两种方法；
采用质量损失率方法时，在可燃物下方放置电子天平，实时提取可燃物的瞬时质量，然后基于可燃物的质量损失率来计算热释放速率，见公式：
式中，为质量损失速率，ρ0为空气密度，g为重力加速度，cp为空气热容，T0为环境温度，Q为热释放速率，z为火源上方垂直高度；
采用氧消耗法时，需用集烟罩、烟道和烟气分析仪进行，通过集烟罩将烟气收集进入烟道，再基于烟气分析仪分析烟气中氧气浓度，从而获得热释放速率，其计算原理见公式：
式中，Q为热释放速率，E为材料消耗单位质量氧气放出的能量；c为孔板流量计的标定常数；ΔP为管道中压力的变化；Te为气体在孔板处的温度；为进入系统空气中的氧气的摩尔分数；/>为烟气中的氧气的摩尔分数。
作为优选，步骤2)中，具体步骤如下：
2-1)基于数字图像处理技术，对视频监控所提取的火灾图像进行图像分割、空间转换；
在数字图像处理的几何空间转换运算中，采用控制点法来描述空间的变换关系；控制点法是通过测量实际场景中特征比较明显的坐标点的位置变化来确定坐标变换的方程系数，进而建立原始图像坐标与目标坐标之间的映射关系，具体如下：
原始图像与目标图像有四个点相对应，根据这4个控制点可建立方程确定坐标之间的变换关系，见公式：
式中，x0，y0为原始图像控制点的初始坐标；x1，y1为原始图像控制点的目标坐标；a,b,c,d,e,f,g,h为方程系数；
求解上述公式中的8个系数，就可建立满足要求的近似变换关系；上述变换可表示为更一般的幂函数形式，见公式：
式中，i,j是幂函数的次方数，N是幂函数的阶，提高N可提高精度，但是需要控制点对数目的增大，计算量也会随之加大；
2-2)对上述图像再次进行灰度转变、二值化处理，提取火焰信息特征；
在通过进行图像二值化处理之前，首先通过将原图像变成灰度图，然后增强灰度级，再进行中值滤波处理；中值滤波是把数字序列或者数字图像中一点的值用该点的一个邻域中各点值的中值代替，中值的定义为：
一组数x1，x2，x3，…，xn，将n个数按照值的大小顺序进行排列：
xi1≤xi2≤xi3≤…≥xin
上式中，y就称为序列x1，x2，x3，…，xn的中值；
2-3)将每一帧视频图像与实验所采集的热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数一一对应；
2-4)整理上述步骤2-1)处理后的图像和步骤2-2)对应的参数，建立隧道复杂火情火灾感知大数据库。
作为优选，步骤3)中，具体步骤如下：
3-1)基于数据类型，选定神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN神经网络预测模型；
3-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
3-3)基于步骤2)所述的隧道复杂火情火灾感知大数据库和上述选取的神经网络模型，搭建隧道火情感知预测模型，实现输入连续几帧火灾图像便可获取该隧道火灾的热释放速率；
3-4)基于步骤3-3)所搭建的隧道火情感知预测模型和步骤2)中建立的隧道复杂火情火灾感知大数据库，划分训练集和测试集比例，训练隧道火情感知预测模型。
作为优选，步骤4)中，具体步骤如下：
4-1)基于火灾动力学数值模拟软件，针对已经规划或者建设好的隧道，构建隧道物理结构模型和火灾模型，上述隧道物理结构模型包括长直隧道、分岔隧道和大型互通隧道群；
4-2)设定多组火灾工况，火灾工况包括火灾位置、热释放速率、纵向通风风速，模拟不同工况下的隧道火灾发展态势，提取隧道火灾态势发展数据。
作为优选，步骤5)中，具体步骤如下：
5-1)通过分类处理数据，分别整理步骤4-2)中提取到的隧道火灾态势发展数据；
5-2)基于上述整理好的数据，建立隧道火灾态势发展大数据库。
作为优选，步骤6)中，具体步骤如下：
6-1)基于步骤5)所述的隧道火灾态势发展大数据库，选定人工智能模型，人工智能模型包括CNN、LSTM、ANN神经网络模型。
6-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
6-3)基于步骤4-1)中隧道结构和选定的神经网络模型，构建隧道火灾态势发展神经网络预测模型；
6-4)基于步骤6-3)中构建的隧道火灾态势发展神经网络预测模型和步骤5)中所构建的隧道火灾态势发展大数据库，划分训练集和测试集比例，训练隧道火灾态势发展神经网络预测模型。
作为优选，步骤7)中，具体步骤如下：
7-1)基于实际隧道中各项实时传感器，提取隧道中火场实时数据，实时数据包括但不限于火灾图像、风速风向、火灾位置、温度参数；
7-2)将步骤7-1)所提取的火场实时数据经步骤2-1)所述的数字图像处理技术预处理后，将几帧连续的隧道火灾图像输入步骤3)所述的隧道火情感知预测模型中，输出该隧道此时对应的火灾信息，火灾信息包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数；
7-3)隧道火情感知预测模型还可基于已有几帧连续隧道火灾图像预测未来隧道火灾图像，提前获取未来可能的隧道火场信息。
作为优选，步骤8)中，具体步骤如下：
8-1)将步骤7-1)所提取的风速风向、火灾位置和基于步骤7-2)中隧道火情感知预测模型所得的热释放功率输入到步骤6)中构建的隧道火灾态势发展神经网络预测模型中，输出得到预测的后续火灾发展态势，火灾发展态势包括隧道顶棚温度、烟气回流长度、CO浓度、能见度数据；
8-2)基于预测的后续火灾发展态势，用可视化软件对隧道火灾态势进行可视化展示，为隧道火灾提供应急救援指导，可视化软件包括3Dmax、Unity3D。
本发明的有益效果如下：
1)基于真实隧道火灾实验和专业的火灾动力学数值模拟软件获取隧道火灾各项数据，针对不同的预测模型，分别构建隧道复杂火情火灾感知大数据库和隧道火灾态势发展大数据库，使得隧道火灾数据更加完整、真实且利用率高；
2)针对不同的输入参数，选择不同的神经网络预测模型，构建隧道火情感知预测模型，通过连续几帧处理后的隧道火灾图像，提取火场热释放速率、风速、火灾位置、热辐射、热通量等隧道关键火灾信息，并可基于连续几帧火灾图像预测后续火灾图像发展情况。
3)基于隧道火情感知预测模型和隧道自身各项实时传感器，上述传感器包括但不限于视频监控系统、风速仪、光纤光栅、热电偶和无人机等，提取隧道中的火灾热释放速率、风速风向、火源位置等信息，将上述信息输入隧道火灾态势发展神经网络预测模型中，可快速输出所预测的未来隧道火灾发展态势，得到隧道火灾发生后任意时刻、任意位置的隧道顶棚温度、能见度和烟气回流长度等数据，为隧道火灾应急救援提供指导意见。
附图说明
图1为实施例中一种隧道火场灾情感知和态势发展预测方法的流程图；
图2为实施例中隧道复杂火情火灾实验示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例
如图1所示，本实施例提供了一种隧道火场灾情感知和态势发展预测方法，其包括以下步骤：
1)基于隧道复杂火情火灾实验，如图2所示，提取隧道火灾数据；具体为：
1-1)基于全尺寸或缩尺寸隧道火灾实验，设置隧道复杂火灾工况，隧道复杂火灾工况包括单火源、多火源、引燃、油罐火、池火泄露；
1-2)在实验布置中，通过布置电子天平、集烟罩、热电偶、热辐射仪和热流计，采集隧道火灾实验中不同工况下的火灾数据，火灾数据包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量、火焰图像火灾位置；
在火源的热释放速率数据采集过程中，采用计算质量损失率和氧消耗法两种方法；
采用质量损失率方法时，在可燃物下方放置电子天平，实时提取可燃物的瞬时质量，然后基于可燃物的质量损失率来计算热释放速率，见公式：
式中，为质量损失速率，ρ0为空气密度，g为重力加速度，cp为空气热容，T0为环境温度，Q为热释放速率，z为火源上方垂直高度；
采用氧消耗法时，需用集烟罩、烟道和烟气分析仪进行，通过集烟罩将烟气收集进入烟道，再基于烟气分析仪分析烟气中氧气浓度，从而获得热释放速率，其计算原理见公式：
式中，Q为热释放速率，E为材料消耗单位质量氧气放出的能量，一般取13.1MJ/kg；c为孔板流量计的标定常数；ΔP为管道中压力的变化，单位Pa；Te为气体在孔板处的温度，单位K；为进入系统空气中的氧气的摩尔分数；/>为烟气中的氧气的摩尔分数。
2)基于隧道火场数据，通过图像处理和数据处理方法，构建隧道复杂火情火灾感知大数据库；具体为：
2-1)基于数字图像处理技术，对视频监控所提取的火灾图像进行图像分割、空间转换；
在数字图像处理的几何空间转换运算中，采用控制点法来描述空间的变换关系；控制点法是通过测量实际场景中特征比较明显的坐标点的位置变化来确定坐标变换的方程系数，进而建立原始图像坐标与目标坐标之间的映射关系，具体如下：
原始图像与目标图像有四个点相对应，根据这4个控制点可建立方程确定坐标之间的变换关系，见公式：
式中，x0，y0为原始图像控制点的初始坐标；x1，y1为原始图像控制点的目标坐标；a,b,c,d,e,f,g,h为方程系数；
求解上述公式中的8个系数，就可建立满足要求的近似变换关系；上述变换可表示为更一般的幂函数形式，见公式：
式中，i,j是幂函数的次方数，N是幂函数的阶，提高N可提高精度，但是需要控制点对数目的增大，计算量也会随之加大；在实际应用中，一般取N＝2-3就可以满足精度要求。
2-2)对上述图像再次进行灰度转变、二值化处理，提取火焰信息特征；
在通过进行图像二值化处理之前，首先通过将原图像变成灰度图，然后增强灰度级，再进行中值滤波处理；中值滤波是把数字序列或者数字图像中一点的值用该点的一个邻域中各点值的中值代替，中值的定义为：
一组数x1，x2，x3，…，xn，将n个数按照值的大小顺序进行排列：
xi1≤xi2≤xi3≤…≥xin
上式中，y就称为序列x1，x2，x3，…，xn的中值；
2-3)将每一帧视频图像与实验所采集的热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数一一对应；
2-4)整理上述步骤2-1)处理后的图像和步骤2-2)对应的参数，建立隧道复杂火情火灾感知大数据库。
3)基于机器学习方法，选择合适的神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN模型，构建隧道火情感知预测模型；具体为：
3-1)基于数据类型，选定神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN神经网络预测模型；
3-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
神经元是一个多输入单输出的信息处理单元，它对信息的处理是非线性的，大量形式相同的神经元连结在—起就组成了神经网络。但神经元的个数并不是越多越好，需根据实际情况中的模型特点、数据集的特征确定。在神经网络的隐藏层中，神经元个数过少会导致欠拟合，而神经元个数过多会导致过拟合现象。
激活函数(Activation functions)有利于神经网络对非线性、复杂的函数进行学习理解，通过在神经元中引入非线性因素，使得神经网络可以任意逼近任何非线性函数，从而使神经网络应用到众多非线性模型。在神经网络中，常用的激活函数有Relu函数、Sigmoid函数、Tanh函数。
神经网络模型进行训练时，迭代次数—Epoch数是一个超参数，它定义了学习算法在整个训练数据集中的工作次数。一个Epoch意味着训练数据集中的每个样本都有机会更新内部模型参数。模型训练过程中的迭代次数并不是越多越好，更需要考虑预测的准确度。
3-3)基于步骤2)所述的隧道复杂火情火灾感知大数据库和上述选取的神经网络模型，搭建隧道火情感知预测模型，实现输入连续几帧火灾图像便可获取该隧道火灾的热释放速率；
3-4)基于步骤3-3)所搭建的隧道火情感知预测模型和步骤2)中建立的隧道复杂火情火灾感知大数据库，划分训练集和测试集比例，训练隧道火情感知预测模型。
4)基于FDS火灾动力学数值模拟软件，建立隧道火灾模型，提取隧道火灾态势发展数据，隧道火灾态势发展数据包括火灾温度、CO浓度、能见度、烟气回流长度；具体为：
4-1)基于火灾动力学数值模拟软件，针对已经规划或者建设好的隧道，构建隧道物理结构模型和火灾模型，上述隧道物理结构模型包括长直隧道、分岔隧道和大型互通隧道群；
4-2)设定多组火灾工况，如100-1000组火灾工况，火灾工况包括火灾位置、热释放速率、纵向通风风速，模拟不同工况下的隧道火灾发展态势，提取隧道火灾态势发展数据。
5)基于隧道火灾态势发展数据，构建隧道火灾态势发展大数据库；具体为：
5-1)通过分类处理数据，分别整理步骤4-2)中提取到的隧道火灾态势发展数据；
5-2)基于上述整理好的数据，建立隧道火灾态势发展大数据库。
6)选定机器学习模型，基于隧道火灾态势发展数据库，构建隧道火灾态势发展神经网络预测模型；具体为：
6-1)基于步骤5)所述的隧道火灾态势发展大数据库，选定人工智能模型，人工智能模型包括CNN、LSTM、ANN神经网络模型。
6-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
6-3)基于步骤4-1)中隧道结构和选定的神经网络模型，构建隧道火灾态势发展神经网络预测模型；
6-4)基于步骤6-3)中构建的隧道火灾态势发展神经网络预测模型和步骤5)中所构建的隧道火灾态势发展大数据库，划分训练集和测试集比例，训练隧道火灾态势发展神经网络预测模型。
将数据库随机划分成训练集和测试集，训练集数据用于训练神经网络模型，测试集数据用于检验模型经过训练后的预测准确程度，检验预测模型的泛化能力。训练集比例不同时，模型的测试集也会发生相应变化。
7)基于实际隧道中各项实时传感器，实时传感器包括视频监控系统、风速仪、光纤光栅、热电偶和无人机，将实时数据传输到隧道火情感知预测模型，提取隧道火场信息；具体为：
7-1)基于实际隧道中各项实时传感器，提取隧道中火场实时数据，实时数据包括但不限于火灾图像、风速风向、火灾位置、温度参数；
7-2)将步骤7-1)所提取的火场实时数据经步骤2-1)所述的数字图像处理技术预处理后，将几帧连续的隧道火灾图像输入步骤3)所述的隧道火情感知预测模型中，输出该隧道此时对应的火灾信息，火灾信息包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数；
7-3)隧道火情感知预测模型还可基于已有几帧连续隧道火灾图像预测未来隧道火灾图像，提前获取未来可能的隧道火场信息。
8)基于提取的隧道火场信息，输入到隧道火灾态势发展神经网络预测模型中，预测后续隧道火灾态势发展，将预测结果可视化；具体为：
8-1)将步骤7-1)所提取的风速风向、火灾位置和基于步骤7-2)中隧道火情感知预测模型所得的热释放功率输入到步骤6)中构建的隧道火灾态势发展神经网络预测模型中，输出得到预测的后续火灾发展态势，火灾发展态势包括隧道顶棚温度、烟气回流长度、CO浓度、能见度数据；
8-2)基于预测的后续火灾发展态势，用可视化软件对隧道火灾态势进行可视化展示，为隧道火灾提供应急救援指导，可视化软件包括3Dmax、Unity3D。
本实施例基于全尺寸或缩尺寸隧道火灾实验，设置隧道复杂火灾工况，采集不同场景下的火场信息，使得隧道火灾数据更加完整、真实且利用率高；
本实施例基于隧道自身视频监控系统提取隧道火场初期图像，通过数字图像处理技术，构建隧道复杂火情火灾感知大数据库，根据隧道火灾图像便可提取到火场热释放速率、热辐射、热通量等隧道火灾信息，更为快捷、便利；并基于机器学习可预测后续火场图像，从而获取未来火场发展趋势；
本实施例针对已经规划或者建设好的隧道，基于工程实际或工程图纸，通过专业的火灾动力学数值模拟软件，构建其物理结构模型和火灾模型，获取火灾动态发展数据。相较于普通长直隧道，大型互通隧道结构更为复杂，火灾规律难以预测。而本方法不仅可以针对长直隧道，同样也可对有坡度、曲率的大型互通隧道群的灾情态势发展进行预测。
现有技术所预测的温度数据一般以线型图的方式展示，但是在火灾救援过程中，简单的线型图难以直观展示火灾危险程度和区域，而本技术基于可视化软件，将隧道灾情预测结果直观展示，便于应急救援人员扑救火灾并组织人员疏散。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (9)
1.隧道火场灾情感知和态势发展预测方法，其特征在于：包括以下步骤：
1)基于隧道复杂火情火灾实验，提取隧道火灾数据；
2)基于隧道火场数据，通过图像处理和数据处理方法，构建隧道复杂火情火灾感知大数据库；
3)基于机器学习方法，选择合适的神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN模型，构建隧道火情感知预测模型；
4)基于FDS火灾动力学数值模拟软件，建立隧道火灾模型，提取隧道火灾态势发展数据，隧道火灾态势发展数据包括火灾温度、CO浓度、能见度、烟气回流长度；
5)基于隧道火灾态势发展数据，构建隧道火灾态势发展大数据库；
6)选定机器学习模型，基于隧道火灾态势发展数据库，构建隧道火灾态势发展神经网络预测模型；
7)基于实际隧道中各项实时传感器，实时传感器包括视频监控系统、风速仪、光纤光栅、热电偶和无人机，将实时数据传输到隧道火情感知预测模型，提取隧道火场信息；
8)基于提取的隧道火场信息，输入到隧道火灾态势发展神经网络预测模型中，预测后续隧道火灾态势发展，将预测结果可视化。
2.根据权利要求1所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤1)中，具体步骤如下：
1-1)基于全尺寸或缩尺寸隧道火灾实验，设置隧道复杂火灾工况，隧道复杂火灾工况包括单火源、多火源、引燃、油罐火、池火泄露；
1-2)在实验布置中，通过布置电子天平、集烟罩、热电偶、热辐射仪和热流计，采集隧道火灾实验中不同工况下的火灾数据，火灾数据包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量、火焰图像火灾位置；
在火源的热释放速率数据采集过程中，采用计算质量损失率和氧消耗法两种方法；
采用质量损失率方法时，在可燃物下方放置电子天平，实时提取可燃物的瞬时质量，然后基于可燃物的质量损失率来计算热释放速率，见公式：
式中，为质量损失速率，ρ0为空气密度，g为重力加速度，cp为空气热容，T0为环境温度，Q为热释放速率，z为火源上方垂直高度；
采用氧消耗法时，需用集烟罩、烟道和烟气分析仪进行，通过集烟罩将烟气收集进入烟道，再基于烟气分析仪分析烟气中氧气浓度，从而获得热释放速率，其计算原理见公式：
式中，Q为热释放速率，E为材料消耗单位质量氧气放出的能量；c为孔板流量计的标定常数；ΔP为管道中压力的变化；Te为气体在孔板处的温度；为进入系统空气中的氧气的摩尔分数；/>为烟气中的氧气的摩尔分数。
3.根据权利要求2所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤2)中，具体步骤如下：
2-1)基于数字图像处理技术，对视频监控所提取的火灾图像进行图像分割、空间转换；
在数字图像处理的几何空间转换运算中，采用控制点法来描述空间的变换关系；控制点法是通过测量实际场景中特征比较明显的坐标点的位置变化来确定坐标变换的方程系数，进而建立原始图像坐标与目标坐标之间的映射关系，具体如下：
原始图像与目标图像有四个点相对应，根据这4个控制点可建立方程确定坐标之间的变换关系，见公式：
x1＝ax0+by0+cx0y0+d
y1＝ex0+fy0+gx0y0+h
式中，x0，y0为原始图像控制点的初始坐标；x1，y1为原始图像控制点的目标坐标；a,b,c,d,e,f,g,h为方程系数；
求解上述公式中的8个系数，就可建立满足要求的近似变换关系；上述变换可表示为更一般的幂函数形式，见公式：
式中，i,j是幂函数的次方数，N是幂函数的阶，提高N可提高精度，但是需要控制点对数目的增大，计算量也会随之加大。
2-2)对上述图像再次进行灰度转变、二值化处理，提取火焰信息特征；
在通过进行图像二值化处理之前，首先通过将原图像变成灰度图，然后增强灰度级，再进行中值滤波处理；中值滤波是把数字序列或者数字图像中一点的值用该点的一个邻域中各点值的中值代替，中值的定义为：
一组数x1，x2，x3，…，xn，将n个数按照值的大小顺序进行排列：
xi1≤xi2≤xi3≤…≥xin
上式中，y就称为序列x1，x2，x3，…，xn的中值；
2-3)将每一帧视频图像与实验所采集的热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数一一对应；
2-4)整理上述步骤2-1)处理后的图像和步骤2-2)对应的参数，建立隧道复杂火情火灾感知大数据库。
4.根据权利要求3所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤3)中，具体步骤如下：
3-1)基于数据类型，选定神经网络预测模型，神经网络预测模型包括ConvLSTM、CNN神经网络预测模型；
3-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
3-3)基于步骤2)所述的隧道复杂火情火灾感知大数据库和上述选取的神经网络模型，搭建隧道火情感知预测模型，实现输入连续几帧火灾图像便可获取该隧道火灾的热释放速率；
3-4)基于步骤3-3)所搭建的隧道火情感知预测模型和步骤2)中建立的隧道复杂火情火灾感知大数据库，划分训练集和测试集比例，训练隧道火情感知预测模型。
5.根据权利要求4所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤4)中，具体步骤如下：
4-1)基于火灾动力学数值模拟软件，针对已经规划或者建设好的隧道，构建隧道物理结构模型和火灾模型，上述隧道物理结构模型包括长直隧道、分岔隧道和大型互通隧道群；
4-2)设定多组火灾工况，火灾工况包括火灾位置、热释放速率、纵向通风风速，模拟不同工况下的隧道火灾发展态势，提取隧道火灾态势发展数据。
6.根据权利要求5所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤5)中，具体步骤如下：
5-1)通过分类处理数据，分别整理步骤4-2)中提取到的隧道火灾态势发展数据；
5-2)基于上述整理好的数据，建立隧道火灾态势发展大数据库。
7.根据权利要求6所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤6)中，具体步骤如下：
6-1)基于步骤5)所述的隧道火灾态势发展大数据库，选定人工智能模型，人工智能模型包括CNN、LSTM、ANN神经网络模型。
6-2)确定模型参数，模型参数包括隐藏层结构、神经元个数、损失函数的选取、激活函数的选取、迭代次数；
6-3)基于步骤4-1)中隧道结构和选定的神经网络模型，构建隧道火灾态势发展神经网络预测模型；
6-4)基于步骤6-3)中构建的隧道火灾态势发展神经网络预测模型和步骤5)中所构建的隧道火灾态势发展大数据库，划分训练集和测试集比例，训练隧道火灾态势发展神经网络预测模型。
8.根据权利要求7所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤7)中，具体步骤如下：
7-1)基于实际隧道中各项实时传感器，提取隧道中火场实时数据，实时数据包括但不限于火灾图像、风速风向、火灾位置、温度参数；
7-2)将步骤7-1)所提取的火场实时数据经步骤2-1)所述的数字图像处理技术预处理后，将几帧连续的隧道火灾图像输入步骤3)所述的隧道火情感知预测模型中，输出该隧道此时对应的火灾信息，火灾信息包括热释放速率、隧道顶棚温度、烟气回流长度、热辐射、热通量参数；
7-3)隧道火情感知预测模型还可基于已有几帧连续隧道火灾图像预测未来隧道火灾图像，提前获取未来可能的隧道火场信息。
9.根据权利要求8所述的隧道火场灾情感知和态势发展预测方法，其特征在于：步骤8)中，具体步骤如下：
8-1)将步骤7-1)所提取的风速风向、火灾位置和基于步骤7-2)中隧道火情感知预测模型所得的热释放功率输入到步骤6)中构建的隧道火灾态势发展神经网络预测模型中，输出得到预测的后续火灾发展态势，火灾发展态势包括隧道顶棚温度、烟气回流长度、CO浓度、能见度数据；
8-2)基于预测的后续火灾发展态势，用可视化软件对隧道火灾态势进行可视化展示，为隧道火灾提供应急救援指导，可视化软件包括3Dmax、Unity3D。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098271.0A CN117291293A (zh) | 2023-08-29 | 2023-08-29 | 隧道火场灾情感知和态势发展预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098271.0A CN117291293A (zh) | 2023-08-29 | 2023-08-29 | 隧道火场灾情感知和态势发展预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291293A true CN117291293A (zh) | 2023-12-26 |
Family
ID=89237975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311098271.0A Pending CN117291293A (zh) | 2023-08-29 | 2023-08-29 | 隧道火场灾情感知和态势发展预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291293A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
| 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 |
| CN114663415A (zh) * | 2022-03-31 | 2022-06-24 | 北京工业大学 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
| CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
| CN115662041A (zh) * | 2022-10-17 | 2023-01-31 | 国网山东省电力公司电力科学研究院 | 一种基于变电站火灾感知与后果预测的消防系统 |
-
2023
- 2023-08-29 CN CN202311098271.0A patent/CN117291293A/zh active Pending
Patent Citations (5)
| 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 |
| CN111368771A (zh) * | 2020-03-11 | 2020-07-03 | 四川路桥建设集团交通工程有限公司 | 一种基于图像处理的隧道火灾预警方法、装置、计算机设备以及计算机可读存储介质 |
| CN114663415A (zh) * | 2022-03-31 | 2022-06-24 | 北京工业大学 | 一种基于火焰图像灰度处理技术的公路隧道火灾预测方法及智能控制装置 |
| CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
| CN115662041A (zh) * | 2022-10-17 | 2023-01-31 | 国网山东省电力公司电力科学研究院 | 一种基于变电站火灾感知与后果预测的消防系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
| CN102999664B (zh) | 一种室内污染源位置识别方法 | |
| CN111240350A (zh) | 一种无人机飞行员动态行为评估系统 | |
| CN104897853A (zh) | 基于塔式扩散模型的火电厂污染物排放监测显示方法 | |
| CN111912937B (zh) | 一种室内突发污染物智能实时溯源方法及系统 | |
| CN109377810A (zh) | 采场风流参数监测与自动调节实验平台和系统 | |
| CN115563683A (zh) | 一种基于数字孪生的水利工程自动化安全监测管理系统 | |
| CN114880935A (zh) | 隧道火灾超前预测方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| CN114741974A (zh) | 一种公路隧道火灾增长期参数识别与预测方法 | |
| Liu et al. | Real-time monitoring and prediction method of commercial building fire temperature field based on distributed optical fiber sensor temperature measurement system | |
| CN117291293A (zh) | 隧道火场灾情感知和态势发展预测方法 | |
| CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
| CN116958188A (zh) | 一种基于物理信息约束神经网络的烟雾场多参数预测方法 | |
| CN115510732B (zh) | 一种基于深度学习的方舱红外特性仿真快速算法 | |
| CN114495421B (zh) | 智能化开放式道路施工作业监测预警方法及系统 | |
| Sambatti et al. | Automatic configuration for neural network applied to atmospheric temperature profile identification | |
| CN113743015B (zh) | 火灾场景数据获取方法、介质及电子设备 | |
| CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
| CN115184563A (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
| CN115526123A (zh) | 基于数据同化隧道火灾烟气顶棚射流发展预报方法及系统 | |
| Cao et al. | Field detection of indoor fire threat situation based on LSTM-Kriging network | |
| CN103337000A (zh) | 一种油气集输系统安全监测预警方法 | |
| Zhou et al. | Fast prediction of mine flow field based on convolution neural network | |
| CN116882268B (zh) | 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 |
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 |