同济大学：基于深度学习和迁移学习的隧道火灾实时放热速率反演一般框架研究
论论资讯 ｜ 2024-04-29 ｜
50热度
Tunnelling and Underground Space Technology
Explore content
About the journal
Publish with us
Study on the general framework for real-time heat release rate inversion of tunnel fires with deep learning and transfer learning
Guo C.; Hu L.; Zhang Y.; Zhu H.; Yan Z.
Published：2024-06-01
DOI：10.1016/j.tust.2024.105751
研究背景
隧道火灾一直是一个备受关注的社会性话题，如何快速准确地评估火灾风险并调整应急响应计划成为亟待解决的问题。目前，针对特定隧道的单一源火灾场景，仅能使用数值模拟和机器学习来预测隧道火灾状态，但存在一些限制，如缺乏训练数据等。
研究内容
本研究建立了基于深度学习和迁移学习的隧道火灾热释放率反演的通用框架，以进一步扩展隧道火灾状态反演方法的适用范围。通过采用三种不同的全尺寸隧道火灾测试数据作为测试数据集，分析了训练数据集大小对隧道火灾状态反演准确性的影响。成功实现了在不同全尺寸隧道中单一源火灾和双源火灾场景的火灾状态反演模型的迁移，并相关模型的确定系数在全尺寸隧道火灾测试数据集上达到80.2%。基于迁移学习的隧道火灾状态反演模型的效率和可靠性得到了评估。结果表明，模型在完成六种火灾场景的实时隧道火灾状态反演时所需时间不超过1秒，具有显著的计算效率优势，并满足隧道火灾事故应急响应的时效性要求。在全尺寸隧道单一源火灾和双源火灾场景中，当火源附近的一个温度传感器完全损坏时，反演准确性平均仅下降了8%，在复杂的隧道火灾场景中表现出良好的可靠性。
研究意义
本研究的创新点在于建立了一种基于深度学习和迁移学习的通用框架，能够有效反演隧道火灾的热释放率，提高了反演模型的适用性和准确性。这对于提高火灾风险评估和应急响应计划的效率具有重要意义，为隧道火灾事故的应对提供了可靠的技术支持。
学术热榜
查看全部
相关资讯
换一批