[发明专利]一种公路隧道火灾增长期参数识别与预测方法

权利要求书

1.一种公路隧道火灾增长期参数识别与预测方法，其特征在于，包括以下步骤：

S1、隧道火灾增长期火源模型的选取

依据国内外学者建立的隧道火灾热释放率增长模型，选取能够较好表征隧道内由车辆及货物所引起火灾时火源热释放速率的增长模式，且因参数调整简单而常用于计算机仿真模拟中非稳态火源建立的平方增长模型为基础模型，用以描述火源热释放速率随时间的变化，关系式如下：

Q＝αt²

式中：Q为热释放速率(kW)；t为达到该热释放速率的增长时间(s)；α为火灾增长系数(kW/s²)；

S2、隧道火灾增长期火源模型参数的确定

根据国内外足尺隧道火灾试验实测数据展开分析，获得不同车辆类型(小汽车、公共汽车、载重货车、油罐车)及车辆相关材料(汽油、柴油及车用聚合物)最大热释放速率HRR_max、火灾增长系数α、达到最大热释放速率所需时间t_max的取值范围，进一步验证隧道火灾增长期火源模型的正确性；

S3、隧道火灾增长期FDS数值模拟模型的建立与工况设定

建立隧道火灾增长期FDS数值模拟模型，设定温度传感器、风速传感器的监测位置与密度，考虑不同火源位置、纵向风速、最大热释放速率及其增长系数，设定多种模拟工况；

S4、隧道火灾增长期观测数据库的建立

通过多工况数值模拟获得计算结果，提取各工况计算结果中隧道火灾增长阶段火灾增长系数、HRR_max、HRR、时间、传感器位置、火源位置、温度、纵向风速的数据样本，并以同一时间序列整理存放数据，由此建立隧道火灾增长阶段观测数据库；

S5、隧道火灾增长期数据标签化、归一化处理

从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，对数据进行标签化、归一化处理；

S6、隧道火源增长期参数识别及预测的LSTM神经网络模型建立

搭建LSTM神经网络模型，以HRR为输出变量建立回归预测模型，以火灾增长系数、火源位置、纵向风速为输出变量建立多标签分类模型；

S7、隧道火源增长期参数识别及预测的LSTM神经网络模型训练

在特定训练环境中对数据进行训练，并选用损失函数MSE对LSTM神经模型的训练效果进行评估，通过损失函数最小化不断更新网络中的参数，达到优化模型的目的；

S8、隧道火源增长期参数识别及预测性能分析

采用测试集数据对火源增长期参数识别及预测进行性能分析，包括泛化性、时效性、合理性与实际应用性。

2.如权利要求1所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S3中建立隧道火灾增长期FDS数值模拟模型，隧道模型断面基于高速公路、一级公路两车道隧道的标准内轮廓，线型选择为直线线型，长度100m；设定传感器监测位置与密度，以5m为间隔在火源上下游25m范围设置11个顶棚温度监测设备，能够用来模拟5m、10m间隔的传感器布置密度，火源上下游10米处设风速监测设备2个。

3.如权利要求2所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S5中从数据库中提取数据标签：HRR、火灾增长系数、火源位置、纵向风速，将每一份数据表按照30s的时间长度分割成多个数据样本；采用Min-Max归一化方法对数据进行标准化处理，去除不同类型数据之间量纲、数量级的差异，将其转换到[0，1]的范围，归一化公式为：

式中：x_i为i类型数据初始值；x_i*为归一化后数值；max x_i为i类型数据最大值；min x_i为i类型数据最小值。

4.如权利要求3所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S7中MSE指参数预测值与参数真实值之间差值平方的期望值，如下式，MSE值越小则神经网络预测精准度越高；

式中：y_i为第i个数据初始值；y′_i为模型所得的预测值；n为数据数量。

5.如权利要求4所述的公路隧道火灾增长期参数识别与预测方法，其特征在于，步骤S8中预测精准度计算如下式：

式中：R_yc为预测精准度。