【技术实现步骤摘要】
本专利技术涉及一种火灾预测方法，尤其涉及一种基于数据同化耦合物理信息神经网络的火灾预测方法，还涉及使用该火灾预测方法的系统。
技术介绍
1、隧道火灾是一种极具破坏性的事故，常常导致人员伤亡和损失。当前，隧道火灾监测技术主要依赖传统传感器布置和有限元分析等方法，然而传统方法受限于参数不确定性和测量数据的局限性，无法准确地预测火灾发展过程。
2、传统的隧道火灾监测和预报方法主要存在以下缺陷：传感器的监测覆盖范围不足，只能获取局部位置的温度信息，无法对全场的温度场、速度场及压力场进行预测；cfd数值模拟的计算复杂度高，依赖时间和计算机资源，难以实时监测和预报火灾发展情况；对于火源热释放速率等关键参数缺乏精确的预测。
3、目前，有些方法通过将数值模拟与人工神经网络结合，尝试实现实时预测烟气流场，然而，这种方法需要大量的数值模拟数据来训练神经网络，对计算机资源和时间有一定的要求，而且，针对不同类型的隧道，需要重新构建和调整数据集，增加了系统建设和调试的成本与复杂度。
技术实现思路
1、本专利技术的第一个目的在于提供一种基于数据同化耦合物理信息神经网络的火灾预测方法，通过隧道内有限传感器，实现对隧道火灾烟气全场的流场快速、准确、实时预测。
2、本专利技术的第一个目的通过以下技术措施实现：一种基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于包括以下步骤：
3、s1、当隧道发生火灾时，定位火源位置；
4、s2、在隧道内按照不同布
5、s3、根据最优布置方式下的温度传感器采集到的时序温度数据和系统状态参数，基于数据同化耦合物理信息神经网络，预测隧道火灾烟气的温度场、速度场及压力场。
6、本专利技术在发生隧道火灾时，可以通过少量的固定式温度传感器数据，实现对隧道火灾烟气全场的流场快速、准确、实时预测，提高隧道火灾的监测、预警和应急响应能力。
7、本专利技术所述步骤s2包括：
8、⑴将温度传感器按照一种布置方式进行布设，得到温度传感器的时序温度数据{x,y,t,t}；
9、⑵采用monte-carlo方法随机生成初始的不确定性系数集合λif和火源热释放速率集合qf，所有集合成员满足的概率模型均为正态分布；
10、⑶描述火灾中热传递、质量传递和流体动力学过程的公式如下：
11、
12、式中：u为速度场；
13、
14、式中：ρ为密度；p为压力；μ为动力粘度；f为外力；
15、
16、式中：t为温度；α为热扩散系数，表示介质的导热性能；q表示热源；
17、p＝ρrt/w 公式(4)
18、式中：r为气体常数；w为混合气体摩尔质量；
19、对公式(1)～(4)进行变换，得到：
20、
21、
22、
23、⑷将火源位置(x0,y0)、传感器位置(x,y,t)、不确定性系数集合和火源热释放速率集合qf代入公式(5)-(7)求解，得到温度预测值tpredicton；
24、⑸根据温度预测值tpredicton与温度传感器采集的时序温度数据{x,y,t,t}计算优化的系统状态参数qf，再将火源位置(x0,y0)、传感器位置(x,y,t)和优化的系统状态参数qf代入公式(5)-(7)求解，得到温度预测值tpredicton，重复本步骤，即进行数据同化，当同化次数大于设定值时，根据得到的温度预测值tpredicton，计算温度预测精度，即是温度预测值tpredicton和时序温度数据之间的平均误差平方mse：
25、
26、式中：yi为实际观测值，即时序温度数据；为对应的模型预测值；
27、当mse大于设定阈值i1时，转入步骤⑴，按照另一种布置方式布设温度传感器；
28、当mse小于或等于设定阈值i1时，此温度传感器的布置方式为最优布置方式，得到最优布置方式下温度传感器的时序温度数据{x,y,t,t}和相应的系统状态参数λ1,λ2,q。
29、本专利技术所述设定阈值i1＝【0.01-0.1】。
30、本专利技术所述步骤s3包括：
31、⑴将最优布置方式下传感器的时序温度数据{x,y,t,t}作为标记的训练数据输入到全连接的前馈神经网络中进行训练，得到前馈神经网络中的权重w和偏差b；
32、⑵利用深度学习的自动微分特征简化偏导数的计算，将计算出来的偏微分值和最优布置方式下的系统状态参数λ1,λ2,q均代入下述公式(9)-(11)中，得到物理模型部分的损失函数lpde和模型的预测值
33、物理模型部分的损失函数lpde被定义为公式(5)-(7)在标记的训练数据上的残差，表示为：
34、
35、
36、
37、式中：t为每次迭代期间神经网络的输出；fi(i＝1,2,3)为对学习过程的软约束，被纳入到损失函数中；
38、得到物理模型部分的损失函数：
39、
40、⑶根据标记的训练数据和模型的预测值计算数据驱动部分的损失函数ldata：
41、
42、⑷计算综合损失函数l：
43、l＝wdataldata+wpdelpde 公式(14)
44、式中：wdata和wpde分别为数据驱动部分和物理模型部分的相应权重；
45、⑸当综合损失函数l大于设定阈值i2时，将更新后的未知参数w,b,λ1,λ2,q输入前馈神经网络和公式(9)-(11)，得到物理模型部分的损失函数，转入步骤⑶；
46、当综合损失函数l小于或等于设定阈值i2时，将最终的参数λ′1,λ′2,q′和时空坐标{x′,y′,t}代入公式(5)-(7)，得到各时空坐标处的温度、压力和速度，即获得隧道火灾烟气的温度场、速度场及压力场。
47、本专利技术所述设定阈值i2＝(0-0.01】。
48、本专利技术在所述步骤s2⑸中，数据同化次数为10-100。
49、本专利技术的第二个目的在于提供一种使用上述基于数据同化耦合物理信息神经网络的火灾预测方法的系统。
50、本专利技术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同化耦合物理信息神经网络的火灾预测方法的系统，其特征在于，包括温度传感器、数据采集装置、集成有数据同化及物理信息神经网络算法的服务器、显示装置、控制装置和安装在隧道内的消防装置，所述温度传感器沿隧道纵向中轴线上布设，所述温度传感器将采集的时序温度数据传送给数据采集装置本文档来自技高网...
【技术保护点】
1.一种基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述步骤S2包括：
3.根据权利要求2所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述设定阈值I1＝【0.01-0.1】。
4.根据权利要求3所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于所述步骤S3包括：
5.根据权利要求4所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述设定阈值I2＝(0-0.01】。
6.根据权利要求5所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：在所述步骤S2⑸中，数据同化次数为10-100。
7.一种使用权利要求1～6任一项所述的基于数据同化耦合物理信息神经网络的火灾预测方法的系统，其特征在于：包括温度传感器、数据采集装置、集成有数据同化及物理信息神经网络算法的服务器、显示装置、控制装置和安装在隧道内的消防装置，所述温度传感器沿隧道纵向中轴
8.根据权利要求7所述的系统，其特征在于：在隧道同一纵向位置上的温度传感器不超过2个。
9.根据权利要求8所述的系统，其特征在于：所述温度传感器距离顶棚不超过20cm。
10.根据权利要求9所述的系统，其特征在于：相邻温度传感器间隔20-50m。
...【技术特征摘要】
1.一种基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述步骤s2包括：
3.根据权利要求2所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述设定阈值i1＝【0.01-0.1】。
4.根据权利要求3所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于所述步骤s3包括：
5.根据权利要求4所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：所述设定阈值i2＝(0-0.01】。
6.根据权利要求5所述的基于数据同化耦合物理信息神经网络的火灾预测方法，其特征在于：在所述步骤s2⑸中，数据同化次数为10-100。
7.一种使...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。