CN116882268A - 基于数据驱动隧道火灾烟气发展预测方法及智能控制*** - Google Patents
基于数据驱动隧道火灾烟气发展预测方法及智能控制*** Download PDFInfo
- Publication number
- CN116882268A CN116882268A CN202310708482.5A CN202310708482A CN116882268A CN 116882268 A CN116882268 A CN 116882268A CN 202310708482 A CN202310708482 A CN 202310708482A CN 116882268 A CN116882268 A CN 116882268A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- temperature
- data
- temperature sensors
- deep learning
- 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.)
- Granted
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011161 development Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 238000012502 risk assessment Methods 0.000 claims abstract description 30
- 238000002474 experimental method Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 28
- 239000003546 flue gas Substances 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 10
- 239000003570 air Substances 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 239000012080 ambient air Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000001276 controlling effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 230000007480 spreading Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种基于数据驱动隧道火灾烟气发展预测方法和智能控制***,方法包括:在模型实验隧道内沿纵向布置温度传感器,其位置坐标和温度时序数据构成验证数据集;对模型实验隧道进行数值模拟构建模拟隧道模型,温度传感器的位置坐标和温度时序数据构成深度学习数据集;通过验证数据集验证是否成功构建模拟隧道模型;采用深度学习数据集进行训练,得到深度学习预测模型;将温度时序数据输入深度学习预测模型,映射得到沿竖向布置的温度传感器的温度时序数据;进行风险评估。本发明将少量隧道固定式传感器数据映射得到整个隧道空间竖向上的流场分布,所需执行时间较短,实现了利用隧道内有限传感器对隧道火灾烟气发展的超实时预测与有效评估。
Description
技术领域
本发明涉及一种基于数据驱动隧道内火灾烟气发展预测方法,还涉及使用该基于数据驱动隧道内火灾烟气发展预测方法的智能控制***。
背景技术
公路隧道在城市中十分常见,已成为我国公路交通的重要部分。相对于普通建筑,隧道结构狭长,纵横比大而横截面小,空间相对封闭受限。隧道一旦发生火灾此类突发事故,容易造成群死群伤事故。通过少量的隧道固定式温度传感器获得隧道火灾烟气发展参数,对隧道火灾进行快速报警,可以为事故的应急响应、救援策略的制定提供有力的指导。
现阶段隧道火灾烟气发展预报方法主要有三种:第一种是通过布置于隧道顶棚的传感器实时采集温度数据,但其缺陷在于传感器数据只能对其所在局部位置的情况进行反映;第二种是通过物理模型预测,但目前物理模型获取一定的烟气发展信息的前提是准确的输入关键参数,而在实际火灾中往往难以准确的确定输入参数;第三种是CFD场模拟重构预测,但是,一个简单的十几分钟的火灾场景,使用CFD方法往往需要花费十几个小时甚至几天才能重现,就目前的计算机水平来看,并不能满足实时预报所需要的计算速度的要求。
另外,目前的火灾烟气通风控制措施基本是通过控制风机的开启使烟雾迅速扩散,但是现阶段无法根据隧道内火灾烟气真实动态变化来调控风机的风速,而且由于火灾烟气对人体存在多种危害机理,仅通过有限的传感器数据也无法真实反映烟气对人员的危害程度。因此,采用上述方法监测和控制隧道火灾的烟气蔓延,并不能对被困人员进行精准的救援。
发明内容
本发明的第一个目的在于提供一种基于数据驱动隧道火灾烟气发展预测方法,能够实现利用隧道内有限传感器对隧道火灾烟气发展的可靠预报与有效评估。
本发明的第一个目的通过以下技术措施实现:一种基于数据驱动隧道火灾烟气发展预测方法,其特征在于包括以下步骤:
S1、在模型实验隧道内沿纵向布置若干个温度传感器,获得不同工况下各温度传感器所在位置上的温度时序数据,在模型实验隧道内建立坐标系,记录温度传感器的位置坐标,与相应位置上温度传感器采集的温度时序数据构成验证数据集;
S2、对模型实验隧道进行数值模拟构建模拟隧道模型,对应于模型实验隧道,在模拟隧道内沿其纵向布置若干个温度传感器,并沿竖向布置若干个温度传感器,沿竖向布置的温度传感器为若干组,每组与每个沿纵向布置的温度传感器相对应,通过模拟得到不同工况下各沿纵向布置的温度传感器的温度时序数据,在模拟隧道内建立坐标系,记录温度传感器的位置坐标,与相应位置上温度传感器的温度时序数据构成深度学习数据集;
S3、通过验证数据集验证是否成功构建模拟隧道模型,若构建成功,转入步骤S4;若构建不成功,转入步骤S2;
S4、将深度学习数据集处理为供深度学习预测模型训练使用的训练集、验证集和测试集,对深度学习预测模型进行训练、验证和测试,得到训练后的深度学习预测模型;
S5、将沿纵向布置的温度传感器所采集的温度时序数据输入训练后的深度学习预测模型,映射得到沿竖向布置的温度传感器的温度时序数据,即得到模拟隧道竖向温度分布;
S6、根据模拟隧道竖向温度分布,进行风险评估,得到模拟隧道各位置处的危险性指数,若危险性指数高于设定值,控制开启排风装置,重复步骤S5、S6,直至危险性指数不超过设定值为止。
本发明利用隧道内有限的传感器数据,通过数据驱动的方式,将少量的隧道固定式传感器数据映射得到整个隧道空间竖向上的流场分布,所需执行时间远小于CFD在长大隧道模拟中的执行时间,也远小于隧道火灾早期烟气实际蔓延时间,实现了超实时预测,并拓展了隧道洞内环境参数实时监测数据的用途,而且可以通过风险分析反馈到控制***,实现对隧道烟气的智能控制,能够实现利用隧道内有限传感器对隧道火灾烟气发展的可靠预报与有效评估。
本发明所述风险评估具体包括以下步骤:
⑴计算烟气层平均温度和烟气层厚度:
烟气温度的积分比为:
新鲜空气温度的积分比为:
积分比的总和:
γ=γup+γlow 公式(3)
当γ最小时,相应的hint为烟气层界面的高度,此时烟气层平均温度为:
式中:Tavg为烟气层平均温度(K),T(z)为烟气在隧道竖向的温度分布(K),h为隧道高度(m);
⑵计算无量纲温度比ΔTcf/ΔTavg:
ΔTavg=Tavg-Ta 公式(5)
ΔTcf=Tc-Tf 公式(6)
式中:Tc为隧道顶部温度(K),Tf为隧道地面温度(K),Ta为环境空气平均温度(K);
⑶判断烟气是否分层较好,计算风险评估指标I1:
若I1小于0,表示所在区域的烟气分层较为良好;
若I1大于0,表示所在区域的烟气分层较差;
⑷设定烟气温度阈值T阈值,计算风险评估指标I2:
⑸综合考虑风险评估指标I1和I2,得到模拟隧道各位置处的危险性指数。
本发明将模拟隧道各位置处的危险性指数结合受困人员数量位置、阻塞车辆数量类型,判定隧道内火灾烟气对人员的危害程度。
本发明在所述步骤S1、S2中,以隧道地面所在高程为基准构建坐标系,且坐标系的坐标原点是火源所在位置。
本发明所述深度学习预测模型由多层卷积神经网络和长短期记忆网络等深度学习算法构成,沿隧道纵向布置的温度传感器所采集的温度时序数据作为输入层,而与输入层样本对应的沿隧道竖向布置的温度传感器的温度时序数据作为输出层,构建深度学习预测模型。
本发明沿纵向布置的温度传感器是沿着隧道中轴线等间距设置在隧道顶棚上,且距离顶棚10~100cm,间距不超过10~40m。
本发明的第二个目的在于提供一种使用上述基于数据驱动隧道火灾烟气发展预测方法的智能控制***。
本发明的第二个目的通过以下的技术措施来实现:一种使用上述基于数据驱动隧道火灾烟气发展预测方法的智能控制***,其特征在于包括:
在线监测模块,用于实时获取沿纵向布置的温度传感器的位置坐标和由其采集的火灾烟气的温度时序数据;
预测模块,用于将数据获取模块获取的数据输入至深度学习预测模型中,映射得到模拟隧道竖向温度分布;
风险评估模块,用于根据模拟隧道竖向温度分布,进行风险评估;
智能控制模块,用于根据风险评估结果控制排风装置,并提供消防策略参考和控制消防装置。
本发明所述在线监测模块包括数据实验单元和数据模拟单元,所述数据实验单元包括若干个温度传感器和与之连接的主机,所述主机由中央处理器、分别连接中央处理器的坐标系构建模块、报警模块和显示模块组成;所述数据模拟单元依据模拟的隧道几何参数与事故工况条件参数,采用计算流体模拟方法模拟得到数据集。
与现有技术相比,本发明具有如下显著的效果:
⑴在实际隧道中,可以使用的固定式传感器十分有限,本发明利用隧道内有限的传感器数据,通过数据驱动的方式,将少量的隧道固定式传感器数据映射得到整个隧道空间竖向上的流场分布,所需执行时间远小于CFD在长大隧道模拟中的执行时间,也远小于隧道火灾早期烟气实际蔓延时间,可实现超实时预测,能够实现对隧道火灾烟气发展的可靠预报与有效评估。
⑵本发明拓展了隧道洞内环境参数实时监测数据的用途,并且提出了相应的风险评估指标,结合受困人员数量及位置,研判在时空上的危害性,再反馈到控制***,实现对隧道烟气的智能控制,对于隧道火灾消防具有重要的工程意义。
⑶本发明将隧道火灾态势预测、研判及控制功能集中到一个***上,对被困人员进行精准的救援,并提供一定的消防策略参考。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明。
图1是本发明方法的流程框图;
图2是本发明方法的数据集提取及划分示意图;
图3是本发明方法的预测流程框图;
图4是本发明方法的风险评估流程框图;
图5是本发明智能控制***的组成结构示意图。
具体实施方式
下面结合实施例及其附图对本发明进行详细说明,以帮助本领域的技术人员更好的理解本发明的发明构思,但本发明权利要求的保护范围不限于下述实施例,对于本领域的技术人员来说,在不脱离本发明之发明构思的前提下,没有做出创造性劳动所获得的所有其他实施例,都属于本发明的保护范围。
如图1~4所示,本发明一种基于数据驱动隧道火灾烟气发展预测方法,包括以下步骤:
S1、在模型实验隧道内沿纵向中轴线等间距在顶棚上设置温度传感器,温度传感器距离顶棚20cm,设置间距不超过20m一组。不同工况是指不同的火源功率和隧道环境条件,获得各温度传感器所在位置上的温度时序数据,在模型实验隧道内建立坐标系(以隧道地面所在高程为基准构建坐标系,且坐标系的坐标原点是火源所在位置),记录温度传感器的位置坐标,与相应位置上温度传感器采集的温度时序数据构成验证数据集;
S2、按照弗劳德相似准则将模型实验隧道的关键尺寸放大,以此为标准通过数值模拟构建模拟隧道模型,对应于模型实验隧道,在模拟隧道内沿其纵向在顶棚的相应位置上布置温度传感器,并等间距沿竖向布置若干个温度传感器,沿竖向布置的温度传感器为若干组,每组与每个沿纵向布置的温度传感器相对应,控制关键的火灾环境边界条件(变火源功率,变通风速度、变火源位置),通过模拟得到不同火源功率条件和隧道环境条件下各沿纵向布置的温度传感器的温度时序数据,共对m种工况进行模拟,在模拟隧道内建立坐标系(以隧道地面所在高程为基准构建坐标系,且坐标系的坐标原点是火源所在位置),记录温度传感器的位置坐标,与相应位置上温度传感器的温度时序数据构成深度学习数据集;
具体的:
⑴在隧道内构建x-y-z坐标系,以火源所在位置为原点(0,0,0),x表示沿隧道长度方向,朝向隧道空气出口方向为正向。y表示沿隧道宽度方向,朝向隧道前面为正向。z表示隧道高度方向,朝向隧道顶部为正向。
⑵根据坐标系对应记录n个隧道顶棚固定温度传感器的数据集(x1,y1,z1),(x2,y2,z2),……,(xn,yn,zn)。分别在m种工况中提取上述n个坐标点在各时刻的值,即可获得相应坐标处传感器采集到的温度时序数据集(x1,y1,z1,T1),(x2,y2,z2,T2),……,(xn,yn,zn,Tn)。
⑶根据顶棚固定温度传感器数据所在的坐标系(即(xn,yn)相同)记录隧道竖向温度分布的数据集。比如在(x1,y1,z1)处对应记录(x1,y1,z’1,1),(x2,y2,z’1,2),……,(xn,yn,z’1,j)的隧道竖向温度分布(x1,y1,z’1,1,T’1,1),(x2,y2,z’1,2,T’1,2),……,(xn,yn,z’1,j,T’1,j)。
⑷以Δx作为传感器组在隧道长度方向(x方向)上的平移距离,将传感器组的坐标平移至(x1+Δx,y1,z1),(x2+Δx,y2,z2),……,(xn+Δx,yn,zn),对应获得隧道固定温度传感器和隧道竖向温度分布的时序数据。
⑸将传感器组的坐标按照间距Δx平移k次,并重复步骤⑷。最终获得(k+1)×m组隧道固定温度传感器和对应隧道竖向温度分布的时序数据。
S3、根据弗劳德数相似定律,通过验证数据集验证是否成功构建模拟隧道模型,若构建成功,转入步骤S4;若构建不成功,转入步骤S2;
S4、将深度学习数据集处理为供深度学习预测模型训练使用的训练集、验证集和测试集,对深度学习预测模型进行训练、验证和测试,得到训练后的深度学习预测模型;
具体将深度学习数据集划分为60%训练集、20%验证集和20%测试集。对预处理后的训练集样本进行训练,选择相应的损失函数和优化器后,经过多次训练后得到相应的深度学习预测模型。
S5、将沿纵向布置的温度传感器所采集的温度时序数据输入训练后的深度学习预测模型,映射得到沿竖向布置的温度传感器的温度时序数据,即得到模拟隧道竖向温度分布;
深度学习预测模型由多层卷积神经网络和长短期记忆网络等深度学习算法构成,最终输出结果是对隧道竖向温度分布的预测结果,此处的模型结构并没有固定是某一种超参数和模型架构的组合。
将沿隧道纵向布置的温度传感器所采集的温度时序数据作为输入层,而与输入层样本对应的沿隧道竖向布置的温度传感器的温度时序数据作为输出层,构建深度学习预测模型。
将训练后的深度学习预测模型输出的结果经过反归一化处理得到相应的隧道竖向温度分布。
S6、根据模拟隧道竖向温度分布,进行风险评估,得到模拟隧道各位置处的危险性指数,若危险性指数高于设定值,控制开启排风装置,重复步骤S5、S6,直至危险性指数不超过设定值为止。
具体是:
风险评估具体包括以下步骤:
⑹计算烟气层平均温度和烟气层厚度:
烟气温度的积分比为:
新鲜空气温度的积分比为:
积分比的总和:
γ=γup+γlow 公式(3)
当γ最小时,相应的hint为烟气层界面的高度,此时烟气层平均温度为:
式中:Tavg为烟气层平均温度(K),T(z)为烟气在隧道竖向的温度分布(K),h为隧道高度(m);
⑺计算无量纲温度比ΔTcf/ΔTavg:
ΔTavg=Tavg-Ta 公式(5)
ΔTcf=Tc-Tf 公式(6)
式中:Tc为隧道顶部温度(K),Tf为隧道地面温度(K),Ta为环境空气平均温度(K);
⑻判断烟气是否分层较好,计算风险评估指标I1:
若I1小于0,表示所在区域的烟气分层较为良好;
若I1大于0,表示所在区域的烟气分层较差;
⑼设定烟气温度阈值T阈值,计算风险评估指标I2:
综合考虑风险评估指标I1和I2,得到模拟隧道各位置处的危险性指数。
通过风险评估得到模拟隧道各位置处的危险性指数,将模拟隧道各位置处的危险性指数结合受困人员数量位置、阻塞车辆数量类型,判定隧道内火灾烟气对人员的危害程度。若危险性指数高于设定值,会对此位置的人员或车辆造成一定伤害时,智能控制***得到一定的信息后,将其转换为风机控制器可以识别的信号,对风机进行控制。当风机启动后,隧道顶棚固定温度传感器记录新的数据,重复步骤S5、S6,直至危险性指数不超过设定值为止,此时危险性指数降到对人员危害在可接受范围内。
参见图5,一种使用上述基于数据驱动隧道火灾烟气发展预测方法的智能控制***,包括:
在线监测模块,用于实时获取沿纵向布置的温度传感器的位置坐标和由其采集的火灾烟气的温度时序数据;
预测模块,用于将数据获取模块获取的数据输入至深度学习预测模型中,映射得到模拟隧道竖向温度分布;
风险评估模块,用于根据模拟隧道竖向温度分布,进行风险评估;
智能控制模块,用于根据风险评估结果控制排风装置,并提供消防策略参考和控制消防装置。
在线监测模块包括数据实验单元和数据模拟单元,数据实验单元包括若干个温度传感器和与之连接的主机,主机由中央处理器、分别连接中央处理器的坐标系构建模块、报警模块和显示模块组成;数据模拟单元依据模拟的隧道几何参数与事故工况条件参数,采用计算流体模拟方法模拟得到数据集。
整个智能控制***的工作过程是:当隧道发生火灾时,在线监测模块中的温度传感器检测到温度异常升高,这一信息传递到服务器被判定为火灾发生。但目前主要收集的是隧道纵向分布的有限的温度传感器的数据。将这一类数据输入基于数据驱动的超实时预测模块中,预测模块通过提前建立的数据库训练后,将隧道纵向分布的烟气关键参数数据映射为隧道竖向分布上的时空分布数据。随后风险评估模块通过输入的烟气关键参数在时空上的分布,计算其在时空上的危险性指数,并结合受困人员数量位置及阻塞车辆数量类型,研判其烟气在时空上对人员的危害程度。若危险程度在可接受范围内,则继续监测及预报。若危险程度超过阈值范围,则启动智能控制模块。通过PID智能控制等算法对通风排烟参数进行调控。其***预报及控制结果可作为疏散、纵向通风控制消防决策的参考。
Claims (8)
1.一种基于数据驱动隧道火灾烟气发展预测方法,其特征在于包括以下步骤:
S1、在模型实验隧道内沿纵向布置若干个温度传感器,获得不同工况下各温度传感器所在位置上的温度时序数据,在模型实验隧道内建立坐标系,记录温度传感器的位置坐标,与相应位置上温度传感器采集的温度时序数据构成验证数据集;
S2、对模型实验隧道进行数值模拟构建模拟隧道模型,对应于模型实验隧道,在模拟隧道内沿其纵向布置若干个温度传感器,并沿竖向布置若干个温度传感器,沿竖向布置的温度传感器为若干组,每组与每个沿纵向布置的温度传感器相对应,通过模拟得到不同工况下各沿纵向布置的温度传感器的温度时序数据,在模拟隧道内建立坐标系,记录温度传感器的位置坐标,与相应位置上温度传感器的温度时序数据构成深度学习数据集;
S3、通过验证数据集验证是否成功构建模拟隧道模型,若构建成功,转入步骤S4;若构建不成功,转入步骤S2;
S4、将深度学习数据集处理为供深度学习预测模型训练使用的训练集、验证集和测试集,对深度学习预测模型进行训练、验证和测试,得到训练后的深度学习预测模型;
S5、将沿纵向布置的温度传感器所采集的温度时序数据输入训练后的深度学习预测模型,映射得到沿竖向布置的温度传感器的温度时序数据,即得到模拟隧道竖向温度分布;
S6、根据模拟隧道竖向温度分布,进行风险评估,得到模拟隧道各位置处的危险性指数,若危险性指数高于设定值,控制开启排风装置,重复步骤S5、S6,直至危险性指数不超过设定值为止。
2.根据权利要求1所述的基于数据驱动隧道火灾烟气发展预测方法,其特征在于:所述风险评估具体包括以下步骤:
⑴计算烟气层平均温度和烟气层厚度:
烟气温度的积分比为:
新鲜空气温度的积分比为:
积分比的总和:
γ=γup+γlow 公式(3)
当γ最小时,相应的hint为烟气层界面的高度,此时烟气层平均温度为:
式中:Tavg为烟气层平均温度(K),T(z)为烟气在隧道竖向的温度分布(K),h为隧道高度(m);
⑵计算无量纲温度比ΔTcf/ΔTavg:
ΔTavg=Tavg-Ta 公式(5)
ΔTcf=Tc-Tf 公式(6)
式中:Tc为隧道顶部温度(K),Tf为隧道地面温度(K),Ta为环境空气平均温度(K);
⑶判断烟气是否分层较好,计算风险评估指标I1:
若I1小于0,表示所在区域的烟气分层较为良好;
若I1大于0,表示所在区域的烟气分层较差;
⑷设定烟气温度阈值T阈值,计算风险评估指标I2:
⑸综合考虑风险评估指标I1和I2,得到模拟隧道各位置处的危险性指数。
3.根据权利要求2所述的基于数据驱动隧道火灾烟气发展预测方法,其特征在于:将模拟隧道各位置处的危险性指数结合受困人员数量位置、阻塞车辆数量类型,判定隧道内火灾烟气对人员的危害程度。
4.根据权利要求3所述的基于数据驱动隧道火灾烟气发展预测方法,其特征在于:在所述步骤S1、S2中,以隧道地面所在高程为基准构建坐标系,且坐标系的坐标原点是火源所在位置。
5.根据权利要求4所述的基于数据驱动隧道火灾烟气发展预测方法,其特征在于:所述深度学习预测模型由多层卷积神经网络和长短期记忆网络等深度学习算法构成,沿隧道纵向布置的温度传感器所采集的温度时序数据作为输入层,而与输入层样本对应的沿隧道竖向布置的温度传感器的温度时序数据作为输出层,构建深度学习预测模型。
6.根据权利要求5所述的基于数据驱动隧道火灾烟气发展预测方法,其特征在于:沿纵向布置的温度传感器是沿着隧道中轴线等间距设置在隧道顶棚上,且距离顶棚10~100cm,间距不超过10~40m。
7.一种使用权利要求1~6任一项所述基于数据驱动隧道火灾烟气发展预测方法的智能控制***,其特征在于包括:
在线监测模块,用于实时获取沿纵向布置的温度传感器的位置坐标和由其采集的火灾烟气的温度时序数据;
预测模块,用于将数据获取模块获取的数据输入至深度学习预测模型中,映射得到模拟隧道竖向温度分布;
风险评估模块,用于根据模拟隧道竖向温度分布,进行风险评估;
智能控制模块,用于根据风险评估结果控制排风装置,并提供消防策略参考和控制消防装置。
8.根据权利要求7所述的智能控制***,其特征在于:所述在线监测模块包括数据实验单元和数据模拟单元,所述数据实验单元包括若干个温度传感器和与之连接的主机,所述主机由中央处理器、分别连接中央处理器的坐标系构建模块、报警模块和显示模块组成;所述数据模拟单元依据模拟的隧道几何参数与事故工况条件参数,采用计算流体模拟方法模拟得到数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708482.5A CN116882268B (zh) | 2023-06-15 | 2023-06-15 | 基于数据驱动隧道火灾烟气发展预测方法及智能控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708482.5A CN116882268B (zh) | 2023-06-15 | 2023-06-15 | 基于数据驱动隧道火灾烟气发展预测方法及智能控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882268A true CN116882268A (zh) | 2023-10-13 |
CN116882268B CN116882268B (zh) | 2024-02-06 |
Family
ID=88261276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310708482.5A Active CN116882268B (zh) | 2023-06-15 | 2023-06-15 | 基于数据驱动隧道火灾烟气发展预测方法及智能控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882268B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787104A (zh) * | 2024-01-03 | 2024-03-29 | 重庆大学 | 基于数据驱动的隧道火灾火源参数反演方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102030006B1 (ko) * | 2019-06-05 | 2019-11-11 | 주식회사 리트코이엔에스 | 도로 터널의 지능형 통합 화재소화시스템 |
CN113743015A (zh) * | 2021-09-07 | 2021-12-03 | 同济大学 | 火灾场景数据获取方法、介质及电子设备 |
CN113902963A (zh) * | 2021-12-10 | 2022-01-07 | 交通运输部公路科学研究所 | 一种隧道火灾检测能力的评估方法及装置 |
CN114741974A (zh) * | 2022-05-12 | 2022-07-12 | 重庆交通大学 | 一种公路隧道火灾增长期参数识别与预测方法 |
CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
KR102441871B1 (ko) * | 2022-04-01 | 2022-09-13 | 주식회사 맥서브 | 종류식 환기방식의 터널 내 연기 가이드 시스템 |
CN115526123A (zh) * | 2022-08-25 | 2022-12-27 | 重庆大学 | 基于数据同化隧道火灾烟气顶棚射流发展预报方法及*** |
CN115905998A (zh) * | 2022-11-14 | 2023-04-04 | 国网上海市电力公司 | 多传感器数据融合结合fwa-bp神经网络算法的电缆隧道灭火决策方法 |
-
2023
- 2023-06-15 CN CN202310708482.5A patent/CN116882268B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102030006B1 (ko) * | 2019-06-05 | 2019-11-11 | 주식회사 리트코이엔에스 | 도로 터널의 지능형 통합 화재소화시스템 |
CN113743015A (zh) * | 2021-09-07 | 2021-12-03 | 同济大学 | 火灾场景数据获取方法、介质及电子设备 |
CN113902963A (zh) * | 2021-12-10 | 2022-01-07 | 交通运输部公路科学研究所 | 一种隧道火灾检测能力的评估方法及装置 |
KR102441871B1 (ko) * | 2022-04-01 | 2022-09-13 | 주식회사 맥서브 | 종류식 환기방식의 터널 내 연기 가이드 시스템 |
CN114741974A (zh) * | 2022-05-12 | 2022-07-12 | 重庆交通大学 | 一种公路隧道火灾增长期参数识别与预测方法 |
CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
CN115526123A (zh) * | 2022-08-25 | 2022-12-27 | 重庆大学 | 基于数据同化隧道火灾烟气顶棚射流发展预报方法及*** |
CN115905998A (zh) * | 2022-11-14 | 2023-04-04 | 国网上海市电力公司 | 多传感器数据融合结合fwa-bp神经网络算法的电缆隧道灭火决策方法 |
Non-Patent Citations (4)
Title |
---|
XIAONING ZHANG等: "Smart real-time forecast of transient tunnel fires by a dual-agent deep learning model", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》, vol. 129, pages 1 - 14 * |
YINGLI LIU等: "Experimental study on synergistic effect of exhaust vent layout and exhaust rate on performance of ceiling central smoke extraction in road tunnel fires", 《INTERNATIONAL JOURNAL OF THERMAL SCIENCES 》, vol. 183, pages 1 - 13 * |
朱鹏浩等: "基于多传感器融合的隧道智能巡检***", 《科学技术与工程》, vol. 23, no. 02, pages 648 - 655 * |
阳东等: "隧道顶部障碍物下游火灾烟气密度跃变特性", 《中国安全科学学报》, vol. 33, no. 02, pages 68 - 74 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787104A (zh) * | 2024-01-03 | 2024-03-29 | 重庆大学 | 基于数据驱动的隧道火灾火源参数反演方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116882268B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Incorporating online monitoring data into fast prediction models towards the development of artificial intelligent ventilation systems | |
Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
Bastani et al. | Contaminant source identification within a building: toward design of immune buildings | |
CN113379267B (zh) | 一种基于风险分级预测的城市火灾事件处理方法、***及存储介质 | |
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*** | |
CN114021501B (zh) | 一种火灾温度场重构方法、***、计算机设备、介质及终端 | |
CN114117617B (zh) | 一种三跨内廊式rc框架建筑地震响应的快速预测方法 | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及*** | |
CN102999664A (zh) | 一种室内污染源位置识别方法 | |
CN115310361B (zh) | 基于wgan-cnn煤矿井下粉尘浓度预测方法和*** | |
CN114019110B (zh) | 一种基于大数据的作业场所气体探测器端云一体化平台 | |
CN115392708A (zh) | 一种用于建筑消防的火灾风险评估和预警方法及*** | |
CN114662344B (zh) | 基于连续在线观测数据的大气污染溯源预测方法及*** | |
CN114139243A (zh) | 基于bim的桥梁火灾应急救援方法、终端及存储介质 | |
CN114880935A (zh) | 隧道火灾超前预测方法 | |
Stathopoulos | Wind loads on low buildings: in the wake of Alan Davenport's contributions | |
Liu et al. | Real-time monitoring and prediction method of commercial building fire temperature field based on distributed optical fiber sensor temperature measurement system | |
Christodoulou et al. | A BIM-based framework for forecasting and visualizing seismic damage, cost and time to repair | |
CN114519304A (zh) | 一种基于分布式光纤测温的多目标火场温度预测方法 | |
CN117541083B (zh) | 疏散平台疏散能力的预测方法和装置 | |
CN111178756A (zh) | 一种基于环境大数据的多元线性回归火灾风险评估方法 | |
JP4209354B2 (ja) | 拡散物質の拡散状況予測方法及び拡散状況予測システム | |
Cao et al. | Field detection of indoor fire threat situation based on LSTM-Kriging network | |
Xue | The road tunnel fire detection of multi-parameters based on BP neural network | |
JP2005264671A (ja) | 道路トンネル換気制御の動的シミュレーション装置およびそのプログラム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |