一种基于深度神经网络的室内火灾演变预测方法技术

本公开是关于一种基于深度神经网络的室内火灾演变预测方法、装置、电子设备以及存储介质。其中，该方法包括：构建基于FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，建立预设火灾场景的模拟数据及拟合数据；以所述模拟数据为输入，基于预设第一深度神经网络模型、预设第二深度神经网络模型，生成温度场图；在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设深度神经网络模型生成预测温度场图，完成对火灾演变的预测。本公开通过设计两阶段深度神经网络对输入向量进行高精度重建，对场模型的仿真数据进行拟合，从而提高了火灾演变预测的实时性和准确性。确性。确性。

【技术实现步骤摘要】
一种基于深度神经网络的室内火灾演变预测方法


[0001]本公开涉及灾害预测领域，具体而言，涉及一种基于深度神经网络的室内火灾演变预测方法、装置、电子设备以及计算机可读存储介质。

技术介绍

[0002]火灾是人们日常生活中一种频繁发生且危害巨大的灾害，随着城市高层建筑越来越密集，建筑火灾发生愈发频繁，但火灾的精准处置技术仍旧相对滞后，如灾害点定位模糊而影响精准处置的效果，火场区域缺乏对有毒烟气浓度的快速感知从而威胁人员生命安全等，为了更加科学有效的进行疏散，降低人员和财产损失，我们需要去预测火灾的模拟演变，辅助火灾现场应急救援指挥决策。
[0003]一般而言，我们根据所模拟的火灾现象不同，目前采用的数学模型主要有场模型、区域模型和网络模型以及由上述三种模型混合模型。场模型将着火室划分为许多网格，通过求解连续性方程等来得到火灾过程中的各状态参数。场模型对计算机的性能要求高，运算时间长。区域模型一般将每个房间分为两个区域，并假定各区域内部各物理量均匀一致，然后由质量、能量守恒原理及理想气体定律导出一组常微分控制方程。网络模型是将建筑物的每一个受限空间视为一个单元体，应用质量平衡方程等来建模温度、烟气浓度变化。
[0004]在现有技术中，一种基于深度学习及火灾监控视频的火灾趋势预测方法，将火灾图像转化为灰度值矩阵，采用分布式LSTM集成预测模型对灰度值矩阵进行预测下一帧图像的对应列的灰度值，然而，该方法将火灾图像转化为灰度值矩阵进行计算，获得的信息不全面，准确率较低；火灾演变仿真方法及包括其的火灾疏散综合仿真方法，以介观方法的格子玻尔兹曼方法为基础，针对地铁站内火灾特点融合相关理论方法，建立了二维火灾仿真模型，该方法需要求解Navier
‑
Stokes方程，时效性差，在要求争分夺秒的应急救援中难以迅速发挥作用，且基于N
‑
S方程建模时间花费较大，需要专业的计算流体力学知识，对火灾应急求援人员的专业知识及实践能力要求较高，繁琐的操作步骤和学习成本使得FDS在紧张的火灾救援工作应用不太理想；多数据融合的森林火灾智能识别系统和方法，该方法将多种数据进行融合来进行森林火灾预测，但是，该方法需要多数据进行融合，例如括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机等等，耗费资源巨大，而我们只需要使用FDS建筑物预案库即可。
[0005]因此，需要一种或多种方法解决上述问题。
[0006]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0007]本公开的目的在于提供一种基于深度神经网络的室内火灾演变预测方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0008]根据本公开的一个方面，提供一种基于深度神经网络的室内火灾演变预测方法，包括：
[0009]基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；
[0010]以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；
[0011]在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。
[0012]在本公开的一种示例性实施例中，所述方法还包括：
[0013]所述预设火灾场景为工厂、商业综合体、高层建筑、办公楼/教学楼、公寓/居民楼的火灾场景；
[0014]基于所述预设火灾场景采集物理模型数据，所述物理模型数据包括房间尺寸、门尺寸、窗口尺寸、燃烧物位置、燃烧物燃料；
[0015]基于蒙特卡洛方法对火灾演变模型关键参数进行分析，生成火灾演变模型关键参数，所述火灾演变模型关键参数包括单位面积的热释放率值、温度、增长系数、模拟时间。
[0016]在本公开的一种示例性实施例中，所述方法还包括：
[0017]基于对预设火灾场景的火灾演变仿真，生成与所述预设火灾场景对应的拟合数据，并将所述拟合数据按照预设比例划分为训练集及验证集。
[0018]在本公开的一种示例性实施例中，所述方法中的预设第一深度神经网络模型还包括：
[0019]以ReLu激活函数，采用平方误差函数作为损失函数，以所述预设火灾场景的室内几何形状(长宽高)、火源热释放速率、通风口位置和时间为输入向量，连接三层全连接神经网络、dropout层进行反卷积和卷积操作，生成第一温度场图输出。
[0020]在本公开的一种示例性实施例中，所述方法中的预设第二深度神经网络模型还包括编码器、隐藏层和解码器，其中：
[0021]所述预设第二深度神经网络模型以ReLu激活函数，采用平方误差函数作为损失函数；
[0022]所述编码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长2，所述编码器用于将第一温度场图的纬度压缩至第一预设尺寸；
[0023]所述隐藏层为四层全连接神经网络，所述隐藏层用于将所述第一预设尺寸的第一温度场图实现二维数据到一维数据的压缩；
[0024]所述解码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长1，所述解码器用于将所述一维数据的第一温度场图中插入像素点以能完成图片精度重建，生成第二温度场图。
[0025]在本公开的一种示例性实施例中，所述方法还包括：
[0026]以预设火灾场景的火灾演变仿真生成的拟合数据按照预设比例划分为训练集，验
证集和测试集；
[0027]基于Adam优化器，采用随机梯度下降法，分别对所述预设第一深度神经网络模型、预设第二深度神经网络模型进行训练；
[0028]当所述测试集的损失连续预设轮次不再下降时，完成对所述预设第一深度神经网络模型、预设第二深度神经网络模型的训练。
[0029]在本公开的一种示例性实施例中，所述方法还包括：
[0030]在火灾发生时，所述现场信息为基于投掷类传感器采集的温度数据。
[0031]在本公开的一个方面，提供一种基于深度神经网络的室内火灾演变预测装置，包括：
[0032]数据拟合模块，用于基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；
[0033]模型训练模块，用于以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的室内火灾演变预测方法，其特征在于，所述方法包括：基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。2.如权利要求1所述的方法，其特征在于，所述方法还包括：所述预设火灾场景为工厂、商业综合体、高层建筑、办公楼/教学楼、公寓/居民楼的火灾场景；基于所述预设火灾场景采集物理模型数据，所述物理模型数据包括房间尺寸、门尺寸、窗口尺寸、燃烧物位置、燃烧物燃料；基于蒙特卡洛方法对火灾演变模型关键参数进行分析，生成火灾演变模型关键参数，所述火灾演变模型关键参数包括单位面积的热释放率值、温度、增长系数、模拟时间。3.如权利要求1所述的方法，其特征在于，所述方法还包括：基于对预设火灾场景的火灾演变仿真，生成与所述预设火灾场景对应的拟合数据，并将所述拟合数据按照预设比例划分为训练集及验证集。4.如权利要求1所述的方法，其特征在于，所述方法中的预设第一深度神经网络模型还包括：以ReLu激活函数，采用平方误差函数作为损失函数，以所述预设火灾场景的室内几何形状(长宽高)、火源热释放速率、通风口位置和时间为输入向量，连接三层全连接神经网络、dropout层进行反卷积和卷积操作，生成第一温度场图输出。5.如权利要求4所述的方法，其特征在于，所述方法中的预设第二深度神经网络模型还包括编码器、隐藏层和解码器，其中：所述预设第二深度神经网络模型以ReLu激...

【专利技术属性】
技术研发人员：刘向荣，傅娆，沈炼，陈中贵，余航，
申请(专利权)人：厦门大学，
类型：发明
国别省市：