基于深度学习的舱室火灾和闪络实时预测

张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.103579车厢火灾和闪络的实时预测基于深度学习1建筑环境与能源工程系消防安全工程研究中心香港理工大学,香港2香港理工大学城市可持续发展研究院， 香港3美国国家标准与技术研究院火灾研究部，美国马里兰州盖瑟斯堡*对应 xy.huang@polyu.edu.hk（黄旭）摘要实时预测建筑火灾发展和重大火灾事件具有重要意义消防和救援行动。这项工作提出了一种人工智能（AI）系统来快速基于温度传感器提前预测车厢火灾发展和闪络网络和深度学习算法。该火灾预报系统以 1/5 的比例进行演示具有各种通风条件和燃料负荷的隔间。训练后 21 缩小规模隔间测试，深度学习模型可以很好地识别内部的火灾发展隔室并提前30秒预测温度，相对误差小于10%。这闪络可以在20秒的提前时间内进行预测，并且可以进一步预测容量和准确性通过用于训练的其他测试数据进行了改进。AI 预测模型在火灾中表现良好不同的燃料类型和通风条件，并有可能应用于火灾场景更宽的条件。本研究展示了基于互联网的实时建筑火灾预测物联网 （IoT） 传感器和 AI 系统可以帮助未来的智能消防应用。关键字：人工智能;严重火灾事件;缩放隔间;物联网;智能消防缩写人工智能人工智能玻璃钢假阳性率安AUC计算流体动力学美国有线电视新闻网FDS人工神经网络ROC曲线下的面积计算流体动力学卷积神经网络火灾动力学模拟LSTM长期短期记忆均方误差RNN中华民国TPR均方误差递归神经网络接受者操作特性真阳性率1 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.1035791. 介绍封闭空间，如办公室、教室、大厅等，是最常见的建筑日常生活中的环境。统计数据显示，人们超过85%的时间在室内度过空格 [1];因此，在机柜房间或密闭空间内发生的隔间火灾最多常见火灾对人群的威胁[2 4]。由于通风和散热不良，车厢起火会比开放空间的火灾增长得更快，更危险。特别是闪络现象是从局部火灾到全球火灾的过渡，是车厢火灾发展[5，6]。因此，了解车厢火灾发展和预测闪络的能力一直是上个世纪长期研究的热点。在车厢火灾情况下，未燃烧的燃料将被火焰和上层烟层，如图所示。第1（a）段。随着火势的增长，热烟会积聚在上部部分隔间，对未燃烧燃料的辐射效应相应地变得更强[7]当烟雾温度达到临界值（即热通量大到足以点燃）时未燃烧的燃料），所有可燃表面几乎同时被点燃[8]，标志着一个陡峭的热释放速率和温度升高。这种临界现象被定义为闪络[9]。如果燃料足够，隔间内不能烧掉热解气，火越来越大自燃后控制通气[10]。然后，溢出的火焰从可以观察到隔间开口。上述标准在短时间内不断发生周期，如图所示。第1（b）段。因此，闪络是一个阶段，而不是某个时刻。图1所示。隔间火灾示意图（a）闪络前阶段和（b）闪络现象。在 1950 年代之前，燃料负载被认为是舱室最重要的参数消防安全[11]。标准火灾温度测试结果在结构火灾中被广泛采用阻力设计[12]，尽管仍然没有完全了解隔间火灾的不同阶段。1958年，川越全尺寸隔间防火试验得出结论，通风因素至关重要用于控制隔间内火灾行为和温度增长的参数 [13]。然后逐渐发展区域模型以模拟闪络前阶段，并用于预测闪络的限制条件。基于区域模型假设，McCaffrey等人[14]汇总了100多个防火测试数据，并提出了广泛采用的MQH相关性，用于固定2 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.103579火灾位置。这些关于隔间火灾的早期研究发现了稳定状态隔间火灾[15]，而对复杂时空火灾演变的理解是由于缺乏有限的计算工具。随着 1970 年代后期计算流体动力学 （CFD） 方法的快速发展，计算能力 在2000年代，现场模型被引入火灾研究和建筑消防工程设计[16]。几种成熟的差价合约软件1,如FDS / PyroSim, ANSYS流畅,FireFoam随后被纳入消防研究，并在很大程度上促进了对建筑火灾的理解现象[17 19]。提出了新概念，例如行进火灾和混合模拟解决时空火灾演变[20 24]。但是，CFD 火灾建模非常耗时在设置模型和计算结果方面。例如，关于建筑物的先验知识，构建 CFD 模型需要火灾位置、燃料分配和烟雾通风条件。此外，模型的性能对网格划分和初始条件以及[25]. 在 2010 年代，引入了数据驱动方法来预测隔间火灾增长[26 29]。采用了不同的优化方法 [28 32]，而通过简化模型和牺牲预测来提高计算速度准确性和能力。近年来，人工智能（AI）方法，尤其是深度学习模型，已成为广泛用于数据分析，如机器翻译和成像识别[33]。这些人工智能在火灾研究和智能消防中也逐渐采用方法[34 36]。比如李和同事[19，37]开发了一种混合人工神经网络（ANN）模型来预测车厢火灾中的温度分布，并通过CFD仿真进行了验证。金和拉蒂默[38]建立了一个分类模型来实时识别火灾和烟雾，以支持自主智能消防机器人导航。Dexters等人[39]采用了机器学习方法来确定在给定火灾情况下闪络的发生。Wang等人[40]提出了一个数据恢复算法,-可以在传感器被破坏的情况下恢复丢失的数据多隔间火灾。基于大型数值数据库和深度学习方法，Wu等.[41，42] 提前60秒成功预测隧道火灾发展和烟雾蔓延。苏等.[43]开发了一种创新的人工智能工具，以协助消防工程基于性能的设计心房。Wang等人[44，45]提出了基于烟火图像的深度学习方法来识别火灾热释放率。然而，以前的大多数AI火灾预测模型都是基于火灾模拟数据开发的，而不是从火灾现场测量的实验数据和实时传感器数据。一些专注于预测稳态火灾条件（例如，火灾位置和大小以及闪络标准），但1本文档中可能会标识某些商业实体、设备或材料，以描述实验程序或概念充分。这种识别并不意味着建议或美国国家标准与技术研究院的认可，也不意味着实体，材料或设备必然是为此目的的最佳可用材料。3 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.103579很少有人能够预测实时火灾发展并预测关键火灾事件（例如，闪络和回流）提前。因此，具有物联网 （IoT） 传感器网络的更强大的 AI 模型需要提前预测关键火灾事件并支持现场消防。本研究开发了一种深度学习AI火灾预报系统，可以预测温度增长。以及基于温度传感器网络和深度学习的提前闪络发生算法。防火测试数据库包括一组缩小规模的隔间防火测试，包括各种通风条件和燃料负荷。深度学习模型的训练数据库采用时间温度数据和火灾状态（闪络与否）。最后，这个AI火灾预报系统是通过实验验证和证明，支持未来的智能消防应用。2. 方法2.1. 火室模型试验构建大数据库是训练和应用深度学习模型的基础。在此，在不同的燃料负荷和通风条件下进行了一系列小规模实验。模型隔间的主体结构由4毫米厚的镀锌钢制成，其中一个侧壁由耐火玻璃制成，以观察火灾行为和烟雾运动，如无花果。2.隔间为立方体结构，边长0.5米，大致为1/5比例模型。隔间外部被5厘米厚的石棉板覆盖，以减少冷却。正面面板设计为可拆卸，以修改不同的通风条件。图2所示。（a） 实验系统示意图，（b） 烟雾移动和闪络，（c） 经测试的燃料。丙醇，乙醇和木床在实验中用作燃料。的参数燃料如图所示。2（c），其中对于液体燃料，圆形池的直径范围为使用14厘米至27厘米。燃料的初始厚度为3厘米。两种不同尺寸的木质婴儿床即采用。,40厘米的大(l)×15厘米(w)×27厘米(h),30厘米的小l)×15厘米(w)×21厘米(h).20 mL丙醇用于快速点燃木床。测试用例是总结见表1。防火测试重复两次，以减少随机不确定性。4 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.103579表1。所有测试条件的摘要，其中测试编号 1-21 用于训练 AI 模型，以及22日至23日号用于测试。燃料大小或直径(厘米)开口的大小没有进行测试。燃料类型h(cm)×w(厘米)1-34-6丙醇丙醇丙醇木头床木头床木头床木头床木头床木头床乙醇21, 24, 2721, 24, 2721, 24, 27大,小大,小大,小大,小大,小大,小2440 × 1625 × 2516 × 4040 × 1625 × 2516 × 4030 × 3030 × 2015 × 1540 × 1640 × 1620 × 307-910, 1112, 1314, 1516, 1718, 1920, 212223丙醇木头床1424大2.2. 室火灾过程两种火灾案例（即液体池火灾和木床火灾）与典型温度增长如图所示。3.火灾发展过程如图所示。4. 三可以观察到生长/闪络前、完全发育/闪络后和衰变）。对于液池着火，点火40秒后，温度迅速升高。然后,火焰由于热烟和隔间到游泳池的热反馈而增长，相对较小率。大约320秒，小火焰间歇性地从开口溢出，表明燃料受控火势正在转变为通风控制火势，标志着闪络的开始。在410 s，火势完全通过通风控制，并观察到连续溢出的火焰。温度趋于准稳定，因此隔间火灾达到了完全发展阶段。图3所示。不同燃料的典型温度增长 （a） 直径 24 厘米的液体池火灾0.4米(h)0.16米(w),和(b)大木垛火0.2米(h)×0.3米(w打开.5 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://doi.org/10.1016/j.firesaf.2022.103579对于木床火灾，可以观察到相同的三个阶段，如图所示。3b.T1增加到在这种情况下，木床仍然可以沿着未燃烧的表面蔓延，形成更大的火，如图所示。4b.因此，柴火的天花板温度将继续升高，直到闪络发生大约220秒，之后通过通风控制火势增长速度。一般来说，液体池火在初始阶段增长较快，但需要更长的时间才能达到闪络。Comparativley，木床火先生长较慢，然后迅速达到闪络。严重火灾事件，例如溢出的火焰、下降的烟雾层和所有燃料的点燃[6]本文通过观察溢出的火焰发生来定义闪络的通风。例如，从320秒开始的闪络级，当间歇性溢出的火焰第一次观察到，当溢出的火焰在无花果中变得连续时，到 410 秒。第3（a）条和第4（a）条。图4所示。（a）24厘米池火和（b）木床火的火灾发展过程。2.3. 数据库生成生成了具有各种通风因子和燃料负荷的实验数据库以支持深度学习模型的训练。数据库的框架如图所示。5. 样品空间由三个维度组成：1）燃料负荷，其中包含不同锅的池火直径，以及不同大小的柴火;2）开口尺寸，代表不同的通风条件;3）时间序列，表示隔间火灾的持续时间。对于每个隔间火灾测试用例，三个热电偶测量的温度数据分别为通过滚动窗口扫描并存储为深度学习模型的输入信息。由进行一组初始时间长度独立性研究（图。A1）、卷帘窗口的长度设置为20 s，即每秒三个温度数据，形成3×20的数据矩阵。因此，输入数据为n滚动窗口可以写成6 张涛， 王志， 黄海英， 谭伟强， 黄晓， 肖芳 （2022）实时预测室火灾和基于深度学习的闪络,消防安全》杂志, 103579.https://do