基于人工神经网络的烟气及温度实时预测模型*

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7 920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气（温度）预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。     

融合多种实时监测数据的雷电预警模型

为提高雷电预警的准确率和时效性,融合大气电场、闪电定位和天气雷达3种实时监测信息,建立雷电实时预警系统。首先,根据大气电场的变化规律,构建雷电预警模型;其次,分别设计这3种监测数据的预警算法,并选定合理的预警阈值;最后,采用信息靶向推送技术,将雷电预警信息精准发送到出现预警网格内的用户。结果表明:多种数据融合的预警模型,合理的预警阈值设置,系统全流程自动运行,并采用预警信息的靶向推送技术,能够改善雷电预警效果;经多次雷暴过程检验,该系统能够在闪电发生前5～30 min发出雷电预警。     

基于YOLO-BP神经网络的古建筑修缮阶段火灾监测方法*

为提高古建筑修缮阶段火灾监测水平,有效预防火灾事故,提出1种基于YOLO-BP神经网络算法的古建筑修缮阶段火灾监测模型。针对修缮作业对古建筑产生的消防隐患,在施工场地设置监测点,并利用YOLO算法以火源、可燃物为目标进行检测与定位,计算火源与可燃物距离;以火源温度、含氧量、火源与可燃物距离3项指标作为BP神经网络输入层,以火灾概率为输出层,从而进行预测;基于古建筑修缮阶段焊接、切割动火作业阶段的样本数据进行仿真模拟。结果表明:利用模型监测古建筑修缮阶段火灾的准确率达93.9%,验证模型的可靠性;当火源温度在150~2 000 ℃范围内,含氧量不小于19.5%时,动火作业安全距离为10.1 m。     

基于RFID及WSN技术的矿山实时三维定位及灾害预警平台

通过对比分析国内外矿山灾害死亡事故数据,突显我国矿山安全生产形势十分严峻,提出了构建矿山实时三维定位及灾害预警平台的重要性。平台基于无线射频识别技术和无线传感网络技术,实现井下工作人员、井下移动设备的三维定位,实现井下巷道工作环境的各种参数（如温度、湿度、井巷通风风速、有害气体含量等）的实时监测,分析实时监测数据,预警井下数据异常区域,防止灾害发生,分析灾害发生位置、原因及发生时井下人员、移动设备等信息,为灾后救援工作提供有价值的决策参考。     

改进型灰色神经网络在火灾预测中的应用研究

为提高火灾事故的预测精度,降低火灾损失,探讨并修正传统GM(1,1)预测模型关于背景值构造的缺陷,将改进后的灰色模型同BP神经网络模型融合,提出改进型灰色神经网络火灾预测模型。依据我国1997—2009年火灾事故统计数据,分别选用改进型GM(1,1)和改进型灰色神经网络模型对1997—2007年火灾发生起数进行拟合仿真,得到2008—2009年火灾起数预测结果。结果表明:该模型在避免GM(1,1)关于背景值构造缺陷的基础上,兼具灰色系统与神经网络的优点,既体现火灾复杂的灰色系统行为,又能自适应调整学习速率,与单一GM(1,1)相比,该模型的预测结果精度更高。     

基于支持向量机的综合管廊火灾纵向温度实时预测

城市地下综合管廊一旦发生火灾,会对城市造成很大的经济损失和社会影响。考虑到火灾的快速发展和综合管廊狭长受限的特殊空间结构,迫切需要一套准确、实时的火灾温度预测系统辅助消防救援人员制定决策和指导消防行动。建立了5种不同火源位置的地下综合管廊电缆火灾数值模型,结合支持向量机(SVM),根据火源位置、热释放速率、火灾发生时间以及待测点与火源之间的相对位置关系开发了一种数据驱动的温度实时预测模型,实现了地下管廊火灾场景内的纵向温度预测,提出了在火源附近数据结构的优化方案,提高了火源附近的预测准确度。该方法在预测性能和预测时间方面取得了优异的性能,展示了人工智能在火灾预测应用中的优越表现和发展前景。     

基于Hadoop平台的瓦斯突出预测预警方法研究

为防治煤与瓦斯(甲烷)突出事故,提出基于Hadoop平台的煤与瓦斯突出预测预警方法。首先,选用霍尔特指数平滑法对实时监测的瓦斯体积分数数据进行预处理,以提高监测数据的准确性和完整性;其次,基于BP神经网络模型,提取监测的瓦斯体积分数的特征参数,并结合人工检测的防突检测参数,构建瓦斯突出预测预警模型;最后,在平煤八矿戊9-10-21050工作面,进行现场应用,验证该方法的可行性。研究表明:用该方法能较好地处理及分析海量瓦斯体积分数所得数据,突出预测预警结果可靠性较高,能够满足现场实际应用的需要。     

基于U-Net深度神经网络的早期火灾烟雾自动分割方法

在火灾事件监测中,为了减少数据处理量、加快探测速度,需要先分割出疑似烟雾区域。传统的烟雾分割算法大多需要设置阈值进行处理,算法的环境适应能力还需进一步提升。在研究中,使用U-Net结构的深度神经网络进行早期火灾烟雾的自动分割,通过半自动算法人工辅助分割出烟雾区域的图像样本,基于深度神经网络对分割烟雾区域进行学习,得到原始视频帧到分割结果的映射模型,并据此模型进行烟雾区域分割。在测试集上的分割实验结果表明该方法与传统方法相比,不需要设置阈值,自动化程度更高,分割速度极快,在疑似烟雾区域分割任务中性能较好。     

基于改进GMM算法的林火烟雾识别研究

针对森林火灾烟雾场景光照突变时传统混合高斯模型(GMM)无法适应的问题,提出基于改进GMM的林火烟雾识别算法。通过六足机器人平台上的CCD摄像机读取当前帧图像,与混合高斯模型建立的前一个背景图像作差分得到变化区域,计算二值化后的变化区域中像素值为1的像素点占总像素点的比例,与设定的阈值相比较从而判别森林火灾场景中的光照是否发生突变。若场景内光照发生突变,采用一个较大的更新速率α,保持模型的稳定性;若场景内光照未发生突变,根据不同的情况自适应调整更新速率α的值,保证模型快速收敛。实验表明,改进的GMM算法可检测到场景中相对完整的动态烟雾区域,满足林火烟雾的检测要求,以期为图像处理在森林火灾巡检机器人上的应用和进一步研究提供参考。     

火源位置对室内火灾的影响研究

为研究火源位置对室内火灾传热传质及烟气危害性的影响,利用火灾动力学模拟器构建室内火灾模型,并开展室内火灾模拟试验;设置3种不同火源位置场景,通过小尺寸火灾试验来验证数值模拟程序及参数,确保计算结果的合理性后,进行数值计算;探讨在3种场景下的速度场、温度场及烟气的剂量有效分数(FED)的变化。研究表明:水平方向上,室内火灾通过门对室外最大影响范围为房间水平长度的66. 7%;当火源位置处于房间地面几何中心时,从开始着火到烟气具有致死性所需的时间最长,比最短场景多21. 75%。     

不完全信息条件下的FPSO油气泄漏风险分析

为解决数据稀缺情况下的浮式生产系统(FPSO)油气泄漏重大事故风险评价问题,引入新的层次贝叶斯风险分析(HBA)方法。首先,基于安全屏障和事件树分析,建立FPSO油气泄漏事件序列模型;其次,根据事故先兆数据和贝叶斯推断,对安全屏障的先验分布增加一层估计,得到FPSO油气泄漏连锁事故的发生概率;最后,通过实时更新屏障失效概率,实现对FPSO事故风险的动态定量分析。结果表明:HBA法可以充分利用稀缺数据,并从相关数据中添加先验信息,得到各参数的后验概率,并据此确定,初始的油气泄漏大多会演变为大范围泄漏和小范围火灾。     

电动汽车充换电站火灾燃烧模拟试验研究

为研究电动汽车充换电站火灾发生时火灾发展、烟气蔓延、温度变化及CO分布情况,设计具有自动控制、实时监测、数据采集、显示、探测报警、数据存储等功能的充换电站火灾模拟燃烧试验平台,并进行燃烧试验。通过燃烧不同材料,分别模拟站内监控室、充换电室及配电室等3种典型火灾场景的燃烧。根据现场实时监测、记录的燃烧过程数据,分析电动汽车充换电站火灾蔓延规律及其危险性。结果表明:配电室的烟气蔓延速度、CO体积分数上升速度及其最高值均高于监控室及充换电室的相应值。因此,配电室火灾危险性最大;监控室材料易被引燃,危险性居中;充换电室内的电池燃烧释放烟气少,危险性最小。     

卡源故障下悬挂链式辐照室火灾危险性研究

为了分析悬挂链式辐照室的火灾危险性,采用实验测定得出室内典型辐照物品的点着温度,通过设置3组火灾场景模拟得到卡源故障下各火灾场景辐照室内温度变化曲线。结果表明:各火灾场景卡源初期1 h,温度上升速度较快。随着时间的增长,室内温度不断上升,但上升速率逐渐放缓。在火灾场景A,B,C等3组条件下卡源故障分别发生9,4,2.4 d后,室内局部温度能达到210℃,室内辐照物品有可能被引燃。     

基于时间序列ARMA模式识别的基坑监测预警优化研究

本文分析了传统监测预警模式的特点,为优化深基坑工程传统监测预警模式提出基于时间序列ARMA模型对地铁深基坑变形进行多重防线监测预警。在大量监测数据的基础上,利用时间序列ARMA模型对基坑沉降变形进行预测,对比分析预测值与实际值。根据武汉唐家墩地铁站基坑水事故特征,研究ARMA模式数据的变化,预警深基坑工程施工风险,并进行综合风险分析,以达到全面预防涌水事故的目的。     

BP神经网络技术在交通工具火灾预警中的应用

通过对交通工具火灾成因机理以及现有典型交通工具火灾实例的分析研究,建立了预警评价指标体系。根据非线性理论和模式识别原理以及交通工具火灾的特点,采用基于BP神经网络的智能灾害诊断方法,对交通工具火灾发生的可能性和危险性进行评估和预测。研究表明:BP神经网络方法是解决非线性系统问题的一种有效方法,与传统的预警方法相比,该方法具有速度快、效率高、可信度好、自学能力强等特点。采用BP网络进行交通工具火灾预警时,只需输入影响交通工具火灾发生的相关指标因素,网络便可在较短的时间内得出可靠的预警结果。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

基于多测点关联分析的工作面瓦斯浓度实时预警

为有效分析矿井瓦斯监测数据以拓展监控系统功能,实现工作面瓦斯浓度的有效预警,研究基于多测点实时监测数据关联分析的工作面瓦斯(甲烷)浓度预警方法。通过分析瓦斯实测数据的统计特征,以及利用贝叶斯网络方法分析工作面与其关联监测点瓦斯实测数据构成时间序列的关联特征,确定基于实时监测数据的瓦斯预警指标及其预警阈值,进而分析瓦斯浓度异常情况,实现基于监测数据分析的实时、动态量化预警。实例分析表明,将该方法应用于工作面瓦斯浓度预警,结果显示了瓦斯浓度持续偏大时段反映出的异常情况,符合实际瓦斯浓度变化趋势。     

基于改进YOLOv7-x的多场景火灾识别算法

为解决发生火灾时传统的火灾报警器易受环境和空间的限制,出现检测精度下降的问题,提出1种基于改进YOLOv7-x的多场景火灾识别算法。首先,对火灾数据集进行多样化扩展,使其对任务场景更具适应性,再将扩展好的数据集进行数据增强以提升模型的鲁棒性;其次,在算法头部嵌入Coordinate Attention注意力机制,用来增强算法对火灾的专注力,并在算法主干引入ConvNeXtBlock结构,提升算法的精度;最后,使用Merge-NMS算法代替传统的NMS算法用来提升预测框位置的精准度。研究结果表明：改进YOLOv7-x算法相比于改进前的均值平均精确度mAP提高7.8个百分点,改进后的算法性能更优,可满足复杂场景下火灾精准检测的要求。研究结果可为智能化检测火灾提供技术支持。     

基于T-S模糊神经网络的地铁深基坑安全预警

为提高地铁深基坑施工安全预警的准确性和高效性,针对传统预警信息分析处理过程中存在的单指标评判、人为随意决策、不同指向的信息错误组合等问题,提出基于T-S模糊神经网络的多信息融合模型。以黄浦新城站深基坑工程为背景,从空间区位和事故警情2个方面识别与筛选安全预警信息源;运用T-S模糊神经网络构建多信息融合模型,选取大量样本对模型进行训练与检测,以提高模型的有效性和泛化能力;融合预警信息并对融合结果进行分析。结果表明:空间区位和事故警情的融合结果与现场的警情位置和警情类型相吻合,证明该融合模型在深基坑施工安全预警中具有可行性与适用性。     

基于FLACS CFD的不同气油比油气混输管道泄漏火灾后果对比

不同气油比的油气混输管道泄漏后果危害形式和风险差异的准确判断对于管道泄漏应急处置至关重要。以中国西部某油田集输管道为研究对象,针对不同气油比管道泄漏的火灾危害进行了对比分析,构建了FLACS CFD模型,并研究了油气混输管道原油泄漏形成池火的火灾特征和影响范围,以及天然气泄漏形成喷射火的高温分布和影响规律。研究结果表明:应急处置应考虑不同气油比下池火与喷射火危害的差异。在油气混输管线泄漏10 min形成稳定火焰的场景中,气油比低于100 m3/t时,原油池火为火灾危险的主要影响因素;气油比高于200 m3/t时,天然气喷射火为主要影响因素;气油比超过250 m3/t,高温覆盖距离不再明显增加;40 m为此场景下混输油气泄漏喷射火致死距离上限,120 m为温度影响上限。