基于支持向量回归的室内火灾闪络预测模型的建立

倪ST T echni卡尔注意2163P-Flash– 基于机器学习的Fl ashover预测模型启用智能消防室火灾围,昌明Tam6月王理查德孔雀保罗Reneke尤金·Y ujun傅托马斯·克利里本出版物可从以下网站免费获得：https://doi.org/10.6028/NIST.TN.2163 倪ST T echni卡尔注意2163P-Flash– 基于机器学习的Fl ashover预测模型启用智能消防室火灾围,昌明Tam理查德孔雀保罗Reneke托马斯·克利里美国国家标准与技术研究院火灾研究部6月王尤金·Y ujun傅香港理工大学电脑系本出版物可从以下网站免费获得：https://doi.org/10.6028/NIST.TN.21632021年6月美国商务部的吉娜·m·Raimondo秘书国家标准与技术研究院J ames K. Olthoff，履行商务部副部长的非排他性职能和职责标准与技术部门，美国国家标准与技术研究院院长 在此可能会识别某些商业实体、设备或材料记录以充分描述实验过程或概念。这种识别并不意味着美国国家标准与技术研究院，也不打算暗示实体、材料或设备必然是最适合该目的的。美国国家标准与技术研究院技术说明 2163国家学院站。技术技术笔记 2163，52 页（J une 2021）酵母:NT NOEF本出版物可从以下网站免费获得：https: / / doi支g / 10.6028 / NI圣.T N.2163 (故意留空) 摘要本报告为技术拘留提供了补充。P-Flash– 一个麻吉不基于学习的闪络预测模型，利用恢复的温度数据进行闪络预测.进行了研究以检查使用支持向量回归 （SVR） 来构建预测单层多地房间中可能发生F L Ashover的模型隔间 f 愤怒。不同房间热探测器的合成温度数据为生成，考虑 1000 个模拟案例，共利用 800 万个数据点用于模型开发。热探测器的工作温度限制，其中150他们不固定接触温度遵循实际表现。C和不再提供数据预测模型P-闪光（闪络发生的预测模型）被开发用于使用热探测器温度数据阵列，包括相邻空间的温度数据，用于恢复温度来自火灾起源房间的数据，并预测闪络的可能性。两种特殊处理，提出序列分割和拟合学习，以克服温度在现实生活中火灾场景中限制热探测器，并增强预测能力确定即使在没有温度的情况下是否满足闪络条件来自所有探测器的数据。实验评估表明，P-Flash具有可靠的预测能力。模型性能约为当前和未来的83%和81%，分别是闪络发生，考虑热探测器故障在150结果表明,P -Flash是一种新的数据驱动模型，有可能为消防员提供真正的 - ti me，值得信赖，以及关于加强态势感知、行动和行动，以及对消防安全。关键字机器学习;闪络预处理;火灾建模;热探测器;智能消防。我 (故意留空)2 表的内容介绍。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。1数据生成22.1. 数值设置。22.2. 光盘设置42.3. 数据配置文件5模型 发展 的 P-闪光灯63.1. 序列分割63.2. 特征提取83.3. 训练与测试错误!书签没有定义。03.3.1. 回归模型错误!书签没有定义。13.3.2. 向配件学习错误!书签没有定义。2结果和讨论13结论 桑德展望15引用。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15附录 答: CData 我nput 文件 ............................................................................................ 17附录 B: P-FlashSourceCodes..................171附录 责任: 主要 .......................................................................................................172附录 B.2: 读 数据 ..............................................................................................175附录 B.3: 数据 预处理 和 功能 提取...................................... 177附录 B.4: 培训和测试。43附录 B.5: 拟 合。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47附录 C: P-FlashLimits..................513 (故意留空)4 列表(T)能让表 1.热性能和几何配置摘要。................................3表 2.MRND，指定峰值HRR和峰值时间的随机数生成器HRR.........................................................................................................................................4表 3.提取的 f 食物摘要。.................................................................................9表 4.P-闪存的性能摘要。........................错误!书签没有定义。4表 5.整体模型准确性，包括对潜在发生的早期和晚期预测闪络。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。错误!书签没有定义。5表 B1.P-Flash性能再次为当前预测提供新的测试集52Fi gur es的列表无花果。1.单层三隔间示意图，火灾在起作用。3无花果。2. 峰值 HRR 与峰值时间的散点图。...................................................................4无花果。3. 房间 1、走廊和房间 2 的温度曲线，用于 a） 低速增长的火灾HRR峰值病例和b）中等增长火灾，HRR峰值病例。................................5无花果。4. 平均探测器温度曲线及其在不同隔室中的偏差。........6无花果。5. P-Flash的机器学习管道（从原始数据到特征提取）。..............7无花果。6. P-闪存模型架构概述。.......错误!书签没有定义。0没有找到数据表条目。无花果。8. 地面实况与从P-Flash获得的预测之间的比较没有LFF。.........................................................................错误!书签没有定义。3没有找到数据表条目。无花果。B2.从P-Fl灰获得的地面实况和预测（当前）之间的比较案例352v (故意留空)6 介绍在五年的仙女od f罗2013–2017年,消防部门在美国平均每年回应500，000个结构 f IRE [1]。这些结果是大约2，500名平民火灾死亡，14，000名平民火灾受伤，超过100亿美元美元的直接财产损失。此外，超过31，000名消防员受伤，以及大约 i matel y 其中 360 人在火场上丧生 [2]。统计数据显示，速射由闪络等极端火灾行为引起的发展被确定为在结构 F i 参考 i ghti ng 期间消防员 F atal i nj ury 的主要原因。闪光条件（即热层气体温度约为600C和/或平均热流地面达到20 kW / m2）在火灾研究界是众所周知的，这种有关内部热条件的详细信息通常是 l y unavai l abl e.而是消防员很难了解车厢内的潜在火灾隐患。伊娜结构性的，展期 [3] 是一个可能的指标。V是，它可以看作是火焰滚动隔着天花板。当观察到翻转现象时，潜在的闪络可能会发生。然而，极端火灾指示器不容易识别，可能需要很多多年的经验，以建立必要的熟练程度。因此，如果消防员没有如此高 gh l evel 的态势感知，f l ashover 威胁将 i tsel f 呈现为不可预知的生活e - threateni ng风险。已经进行了几项研究工作，以开发可以估计的数据驱动模型基于从传感器实时获得的信息的放热速率 （HRR）。戴维·福尼[4]开发了一个基于经验相关性的逆火灾模型。提供了估计的HRR，火灾的位置和火灾大小可以得到相反的USI ng建模技术。Y et，该型号仅适用于单间隔间。基于通用算法，Neviackas和Trouvé[5]获得了可以使用的广义HRR确定多房间几何形状中的闪络条件。奥弗霍尔特和埃泽科耶 [6] 阿尔苏开发了一个逆模型USI ng 一种预测校正方法。基于烟 l 艾尔温度测量显示，模型的预测精度在60 s以内。但是，在所有模型 s [4- 6] 中都存在一个 chal l engi ng 问题测量数据集收购环旭电子实验室设备。在实际情况下，传感器例如，热量和/或烟雾探测器将在一定温度升高时停止工作[7]。如果所需的温度/烟雾数据是 mi ssi ng，则获得的估计 HRR 来自这些模型将变得高度不确定，并且推测，闪络发生的预测基于估计嗯是不可靠的。Unl i ke 前面的尝试 [4- 6]，温度 l i mi tati 上为传感器，如热量检测器，在这项工作中被考虑，目的是开发机器学习模型，P-Fl灰（闪络发生的预测模型），可以预测f-l灰分即使由于 Mal f uncti oni ng 热探测器而缺少温度数据。在下一节，将首先描述用于开发模型的合成数据。然后将介绍P-Flash的模型开发。为了证明预测P-Fl ash的capabi l i ty，两个研究案例是 i ncl uded，第 4 节提供了结果和讨论。第 5 节 prov i des addi ti onal model test to hi ghl i ght 当前模型我米塔蒂上。最后，关于P-闪蒸和fture工作的一些结论性意见载于第六节。1 数据生成火灾事件期间建筑传感器真实世界数据的稀缺是挑战之一用于机器 L Earni ng （ML） 范式的使用。数据问题已被提出不同的文献，如[7]。对于消防安全社区来说，可以注意到，获得所需的传感器数据并非微不足道，因为 1） 火灾事件不经常发生，2） TI 我与建筑环境中火灾事件相关的系列数据不向公众开放数据仓库[8]和3）在建筑物中进行全面的火灾实验，例如因为 [9] 是 Ex tremel y 昂贵和 ti me- consumi ng。此外，之前没有研究工作旨在提供有关 ML 应用程序的数据要求的指导。有了那个，就有可能是所获得的实验数据不可用的概率。当传统的ML paradi GM需要大量的数据，CFA ST火灾数据生成器 （CData） [10] 是 uti l i zed 生成合成数据以 f aci l i tate 使用 ML预测建筑物火灾危险的范式。一般来说，CData是一个计算工具，