隧道火灾超前预测方法

1.本发明涉及火灾检测技术领域，特别涉及一种隧道火灾超前预测方法、一种计算机可读存储介质和一种计算机设备。


背景技术：

2.近年来，随着我国城市快速发展，隧道数量和复杂性都在不断增加，由于隧道独特的空间特性、交通运输方式等，导致隧道火灾不同于一般工业和民用建筑火灾；隧道火灾受交通工具、车载货物、隧道类型以及火灾时的交通状况等因素影响，使得车辆的流动性会导致起火点随车辆的行驶而发生变化；同时，随着隧道结构的逐渐丰富，分岔隧道数量的增加，导致隧道火灾烟气蔓延情况及控制手段都更为复杂，从而使得隧道发生火灾时人员的安全疏散以及灭火救援难度会高于普通地面建筑。
3.隧道火灾预测不仅可以为火场危险性评估和火灾扑救提供技术支持，同时对应急救援具有重大意义，但是现有的隧道火灾预测方法通常是根据火灾图像进行预测的，导致预测效果差。


技术实现要素：

4.本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种隧道火灾超前预测方法，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
5.本发明的第二个目的在于提出一种计算机可读存储介质。
6.本发明的第三个目的在于提出一种计算机设备。
7.为达到上述目的，本发明第一方面实施例提出了一种隧道火灾超前预测方法，包括建立火灾模型，并根据所述火灾模型获取不同工况下的火灾数据；对所述不同工况下的火灾数据进行处理，并根据处理后的不同工况下的火灾数据建立火灾数据库；建立火灾预测模型，并将所述火灾数据库内的不同工况下的火灾数据分为训练集、验证集和测试集，以便根据所述训练集和验证集对所述火灾预测模型进行训练，以得到训练好的火灾预测模型；将所述测试集输入到所述训练好的火灾预测模块，以得到预测数据；建立数据同化模型，并根据所述数据同化模型将所述预测数据和实时观测数据进行数据融合，以便修正预测数据，得到实时火灾的最佳状态估计。
8.根据本发明实施例的隧道火灾超前预测方法，首先建立火灾模型，并根据火灾模型获取不同工况下的火灾数据；接着对不同工况下的火灾数据进行处理，并根据处理后的不同工况下的火灾数据建立火灾数据库；然后建立火灾预测模型，并将火灾数据库内的不同工况下的火灾数据分为训练集、验证集和测试集，以便根据训练集和验证集对火灾预测模型进行训练，以得到训练好的火灾预测模型；再接着将测试集输入到训练好的火灾预测模块，以得到预测数据；最后建立数据同化模型，并根据数据同化模型将预测数据和实时观测数据进行数据融合，以便修正预测数据，得到实时火灾的最佳状态估计；由此，可以对隧
道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
9.另外，根据本发明上述实施例提出的隧道火灾超前预测方法还可以具有如下附加的技术特征：
10.可选地，建立火灾模型，并根据所述火灾模型获取不同工况下的火灾数据，包括：根据隧道图纸在数值模拟软件中搭建全尺寸隧道仿真模型；预先设置多种不同的火灾工况，并模拟各种火灾工况下的火灾发生及发展情况，以得到对应的火灾数据，其中，所述火灾工况包括火源位置、火源功率和纵向风速，所述火灾数据包括火灾温度、co浓度和能见度。
11.可选地，对所述不同工况下的火灾数据进行处理，并根据处理后的不同工况下的火灾数据建立火灾数据库，包括：对基于数值模拟软件所获得的不同工况下的火灾温度、co浓度和能见度进行分类处理，并根据分类处理后的不同工况下的火灾温度、co浓度和能见度建立火灾数据库。
12.可选地，建立火灾预测模型，包括：基于火灾数据库选择机器学习模型；基于火灾数据库确定所选择的机器学习模型的神经网络的层数、神经元的个数，以及选取适合的激活函数、损失函数，以便构建所述火灾预测模型，其中，激活函数可为sigmoid、tanh或者relu，损失函数可为均方根误差。
13.可选地，将所述火灾数据库内的不同工况下的火灾数据分为训练集、验证集和测试集，包括：对所述火灾数据进行shuffle操作以打乱顺序；选择不同比例将打乱后的火灾数据划分为训练集、验证集和测试集。
14.可选地，根据所述训练集和验证集对所述火灾预测模型进行训练，以得到训练好的火灾预测模型，包括：预先设置火灾预测模型的学习率、数据集训练轮次和每次训练的样本数；将所述训练集中的火源位置、火源功率和纵向风速输入到所述火灾预测模型，以得到任意时刻不同位置的隧道温度；采用所述验证集根据决定系数和相对误差对所述火灾预测模型进行准确性分析。
15.可选地，根据以下公式对所述火灾预测模型进行准确性分析：
[0016][0017][0018]
其中，r2表示决定系数，re表示相对误差，r2取值范围为[0,1]，其值越大，则模型预测效果越好；yi表示样本值，表示模型对样本yi的预测值，表示样本平均值，m表示样本个数。
[0019]
可选地，建立数据同化模型，并根据所述数据同化模型将所述预测数据和实时观测数据进行数据融合，以便修正预测数据，得到实时火灾的最佳状态估计，包括：构建数据同化模型；预设数据同化算法的初始值，并采用数据同化算法对所述预测数据和采用传感器获得的实时观测数据进行数据融合，以得到修正后的预测数据；迭代更新预测数据，直至得到实时火灾的最佳状态估计。
[0020]
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上
存储有隧道火灾超前预测程序，该隧道火灾超前预测程序被处理器执行时实现如上述的隧道火灾超前预测方法。
[0021]
根据本发明实施例的计算机可读存储介质，通过存储隧道火灾超前预测程序，以使得处理器在执行该隧道火灾超前预测程序时，实现如上述的隧道火灾超前预测方法，由此，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
[0022]
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的隧道火灾超前预测方法。
[0023]
根据本发明实施例的计算机设备，通过存储器对隧道火灾超前预测程序进行存储，以使得处理器在执行该隧道火灾超前预测程序时，实现如上述的隧道火灾超前预测方法，由此，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
附图说明
[0024]
图1为根据本发明实施例的隧道火灾超前预测方法的流程示意图；
[0025]
图2为根据本发明一个实施例的数值模拟软件模拟的不同工况下的隧道火灾图；
[0026]
图3为根据本发明一个实施例的神经网络预测模型图；
[0027]
图4为根据本发明一个实施例的火灾预测模型训练和预测过程示意图；
[0028]
图5为根据本发明一个实施例的隧道火灾实时预测流程示意图。
具体实施方式
[0029]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0030]
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0031]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0032]
图1为根据本发明实施例的隧道火灾超前预测方法的流程示意图，如图1所示，该隧道火灾超前预测方法包括以下步骤：
[0033]
s101，建立火灾模型，并根据火灾模型获取不同工况下的火灾数据。
[0034]
作为一个实施例，根据隧道图纸在数值模拟软件中搭建全尺寸隧道仿真模型；预先设置多种不同的火灾工况，并模拟各种火灾工况下的火灾发生及发展情况，以得到对应的火灾数据，其中，火灾工况包括火源位置、火源功率和纵向风速，火灾数据包括火灾温度、co浓度和能见度。
[0035]
也就是说，首先基于已规划或者建造好的隧道，根据隧道图纸，在数值模拟软件中搭建全尺寸隧道仿真模型，其中，数值模拟软件包括但不限于fds、fluent、cfast等区域模拟或场模拟软件；接着提前预设较多的火灾工况，如50-500组火灾工况，模拟各种工况下火
灾发生及发展情况，如不同的火源位置、火源功率、着火时间和纵向风速等；最后模拟不同工况下的隧道火灾实时温度、co浓度、能见度等火灾参数的变化，以便得到不同工况下对应的火灾数据，基于数值模拟软件模拟的不同工况下的隧道火灾图如图2所示。
[0036]
s102，对不同工况下的火灾数据进行处理，并根据处理后的不同工况下的火灾数据建立火灾数据库。
[0037]
作为一个实施例，对基于数值模拟软件所获得的不同工况下的火灾温度、co浓度和能见度进行分类处理，并根据分类处理后的不同工况下的火灾温度、co浓度和能见度建立火灾数据库。
[0038]
需要说明的是，基于已规划或建设好的隧道建立特定的火灾模型，从而创建火灾数据库，使得隧道数据更加真实、完整及充分。
[0039]
s103，建立火灾预测模型，并将火灾数据库内的不同工况下的火灾数据分为训练集、验证集和测试集，以便根据训练集和验证集对火灾预测模型进行训练，以得到训练好的火灾预测模型。
[0040]
作为一个示例，建立火灾预测模型，包括：基于火灾数据库选择机器学习模型；基于火灾数据库确定所选择的机器学习模型的神经网络的层数、神经元的个数，以及选取适合的激活函数、损失函数，以便构建火灾预测模型，其中，激活函数可为sigmoid、tanh或者relu，损失函数可为均方根误差。
[0041]
也就是说，基于隧道火灾数据库，选择机器学习模型，确定所选神经网络的层数、神经元个数，选取适合的激活函数、损失函数，构建神经网络模型，一般常见的激活函数有sigmoid、双曲正切激活函数tanh和relu等，其中，
[0042]
激活函数sigmoid的表达式为：
[0043][0044]
双曲正切激活函数tanh的表达式为:
[0045][0046]
激活函数relu的表达式为：
[0047][0048]
而损失函数可采用训练过程中的均方根误差(root mean square error，rmse)，函数表达式如下：
[0049][0050]
式中，yi为样本值，表示模型对样本yi的预测值，为样本平均值，m为样本个数。
[0051]
需要说明的是，机器学习模型可为bp网络、cnn、tcnn或者cae等神经网络模型，本发明对此不作具体限定。
[0052]
作为一个示例，将火灾数据库内的不同工况下的火灾数据分为训练集、验证集和
测试集，包括：对火灾数据进行shuffle操作以打乱顺序；选择不同比例将打乱后的火灾数据划分为训练集、验证集和测试集。
[0053]
需要说明的是，划分前首先对火灾数据集进行shuffle操作以打乱顺序，从而增加训练数据的随机性，基于打乱后的火灾数据集，根据实际需要选择不同的比例将打乱后的火灾数据划分为训练集、验证集和测试集。
[0054]
作为一个示例，根据训练集和验证集对火灾预测模型进行训练，以得到训练好的火灾预测模型，包括：预先设置火灾预测模型的学习率、数据集训练轮次和每次训练的样本数；将训练集中的火源位置、火源功率和纵向风速输入到火灾预测模型，以得到任意时刻不同位置的隧道温度；采用验证集根据决定系数和相对误差对火灾预测模型进行准确性分析。
[0055]
作为一个示例，根据以下公式对所述火灾预测模型进行准确性分析：
[0056][0057][0058]
其中，r2表示决定系数，re表示相对误差，r2取值范围为[0,1]，其值越大，则模型预测效果越好；yi表示样本值，表示模型对样本yi的预测值，表示样本平均值，m表示样本个数。
[0059]
也就是说，在训练火灾预测模型之前，首先设置该模型的学习率、整个数据集训练的轮次、以及每次训练的样本数，然后将训练集中的火灾位置、热释放速率和纵向风速等变量输入火灾预测模型，以快速获得任意时刻不同位置的隧道温度，最后使用无量纲指标——决定系数(coefficient of determination)r2和相对误差(relative error，re)两个不同的参数量化火灾预测模型的准确率，以及从多角度来评价该火灾预测模型的优劣，即通过验证集对火灾预测模型进行准确性分析。
[0060]
s104，将测试集输入到训练好的火灾预测模块，以得到预测数据。
[0061]
也就是说，如图3-4所示，将测试集中的火灾位置、热释放速率、着火时间和纵向风速等变量输入火灾预测模型，即可快速获得任意时刻不同位置的隧道温度，从而得到预测结果。
[0062]
需要说明的是，基于神经网络隧道火灾预测模型可在毫秒时间内获取隧道内任意时刻、任意位置的温度、co浓度和能见度等信息，模型具有较强的实时性、准确性和泛化能力，可以满足实时火灾预测需求，并可应用于紧急条件下的火灾发展趋势预测。
[0063]
s105，建立数据同化模型，并根据数据同化模型将预测数据和实时观测数据进行数据融合，以便修正预测数据，得到实时火灾的最佳状态估计。
[0064]
作为一个示例，构建数据同化模型；预设数据同化算法的初始值，并采用数据同化算法对预测数据和采用传感器获得的实时观测数据进行数据融合，以得到修正后的预测数据；迭代更新预测数据，直至得到实时火灾的最佳状态估计。
[0065]
也就是说，如图5所示，基于火灾数据库，构建数据同化模型，数据同化算法包括但不限于卡尔曼滤波、粒子滤波、直方图滤波等算法，并设定数据同化算法系统的初始值；将
火灾位置、热释放速率和隧道风速等变量输入隧道火灾快速预测模型，快速获得任意时刻不同位置的隧道温度；将通过传感器或其他手段获得的观测数据与预测模型数据输入数据同化算法进行数据融合，获得温度的最优估计；迭代更新数据同化参数，更新隧道热释放速率、火源位置和风速等参数，带入新的预测模型，进入下一轮数据同化流程。
[0066]
作为一个具体实施例，将数据同化模型初始时刻温度设为系统初始值，达到下一个时刻t1时，依据训练好的温度预测模型预测得到隧道温度状态向量t1，并计算新的卡尔曼增益k1，同时预测下一时刻温度状态t2；如此循环迭代，不断修正更新卡尔曼滤波公式；自行设定每个工况的迭代次数；例如，可设定每个工况迭代50次，结束后显示预测结果。
[0067]
需要说明的是，基于数据同化模型能依据实际火场变化，对火场实时传感器数据与机器学习模型做有效融合，及时修正预测偏差，算法速度快、精度高，可满足火场实际需求，获得复杂火灾的最佳状态估计。
[0068]
综上所述，根据本发明实施例的隧道火灾超前预测方法，首先建立火灾模型，并根据火灾模型获取不同工况下的火灾数据；接着对不同工况下的火灾数据进行处理，并根据处理后的不同工况下的火灾数据建立火灾数据库；然后建立火灾预测模型，并将火灾数据库内的不同工况下的火灾数据分为训练集、验证集和测试集，以便根据训练集和验证集对火灾预测模型进行训练，以得到训练好的火灾预测模型；再接着将测试集输入到训练好的火灾预测模块，以得到预测数据；最后建立数据同化模型，并根据数据同化模型将预测数据和实时观测数据进行数据融合，以便修正预测数据，得到实时火灾的最佳状态估计；由此，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
[0069]
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有隧道火灾超前预测程序，该隧道火灾超前预测程序被处理器执行时实现如上述的隧道火灾超前预测方法。
[0070]
根据本发明实施例的计算机可读存储介质，通过存储隧道火灾超前预测程序，以使得处理器在执行该隧道火灾超前预测程序时，实现如上述的隧道火灾超前预测方法，由此，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
[0071]
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的隧道火灾超前预测方法。
[0072]
根据本发明实施例的计算机设备，通过存储器对隧道火灾超前预测程序进行存储，以使得处理器在执行该隧道火灾超前预测程序时，实现如上述的隧道火灾超前预测方法，由此，可以对隧道火灾进行超前快速预测，从而提高了预测的实时性和准确性。
[0073]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0074]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0075]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0076]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0077]
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0078]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0079]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
[0080]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0081]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。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在本发明中的具体含义。
[0082]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0083]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0084]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。