(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111322246.7 (22)申请日 2021.11.09 (71)申请人 华东理工大 学 地址 200237 上海市徐汇区梅陇路13 0号 (72)发明人 沈晓波　曹朝阳　俞天一　丛北华　 周锋　王伟业　刘海峰　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 代理人 张晓博 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/08(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种火灾温度场重构方法、 系统、 计算机设 备、 介质及终端 (57)摘要 本发明属于火灾安全中的火灾调查技术领 域， 公开了一种火灾温度场重构方法、 系统、 计算 机设备、 介质及终端， 利用计算流体动力学软件 构建针对特定场景的火灾数值模 型， 并开展大量 不同工况火灾情景模拟， 进而基于神经网络技 术， 建立火灾温度场和关键影 响因素之间的映射 关系； 通过构建火灾表征参量、 关键影响因素与 火灾温度场之间的深度关联， 实现对火灾温度场 的快速精准预测。 本发明可 以针对不同场景， 快 速准确地进行火灾温度场重构， 从而为火灾调查 和火灾风险评估提供新工具。 权利要求书3页 说明书11页 附图6页 CN 114021501 A 2022.02.08 CN 114021501 A 1.一种火灾温度场重构方法， 其特 征在于， 所述火灾温度场重构方法包括： 利用计算流体动力学软件针对特定场景构建火灾数值模型， 并进行不同工况火灾情景 模拟； 并基于神经网络技 术， 建立火灾温度场和关键影响因素之间的映射关系； 通过基于神经网络模型构建火灾表征参量、 关键影响因素与火灾温度场之间的深度关 联， 实现对火灾温度场的预测。 2.如权利要求1所述火灾温度场重构方法， 其特征在于， 所述火灾温度场重构方法包括 以下步骤： 步骤一， 筛 选得到火灾温度场的表征参 量和关键影响因素； 步骤二， 针对特定场景构建火灾数值模型并利用计算流体动力学软件开展大量不同工 况火灾情景模拟， 获得基于步骤一所筛 选物理量的数据集和/或数据库； 步骤三， 将所述数据集和/或数据库分为训练集和 测试集； 步骤四， 将所述训练集用于训练神经网络模型， 建立火灾温度场表征参数和影响因素 之间的映射关系； 步骤五， 将训练后的神经网络模型应用于所述测试集， 验证模型 预测精度； 步骤六， 若模型预测精度未达到要求， 则重复步骤二～步骤五， 直至预测精度满足要 求； 若预测精度满足要求， 则将神经网络结构保存， 进行步骤 七； 步骤七， 将验证后的神经网络模型应用于新的火灾温度场重构。 3.如权利要求2所述火灾温度场重构方法， 其特征在于， 步骤一中， 所述筛选得到火灾 温度场的表征参 量和关键影响因素， 包括： (1)在计算流体动力学软件构建的模型内随机设置温度监测点， 获得各监测点在起火 后随时间变化的温度曲线， 选取 特征温度信息作为神经网络模型的输出； (2)在计算流体动力学软件构建的空间内所选定的固定温度测点在模拟时间内测得的 最高温度为神经网络的一个输入； (3)计算流体动力学软件所测得的烟气层高度数据中， 烟气稳定后的时段内的烟气平 均高度作为输入的烟气特 征值， 并对所有数据做归一 化处理， 统一量纲； 识别火灾影响因素， 根据实 际数据与实 际情况划定火灾影响因素的数值范围， 使得模 拟工况更加接近实际火灾场景； 其中， 所述火灾温度场的表征参量包括： 房间内任意点最高 温度、 温度变化率、 辐射通量以及房间内烟气层厚度； 所述关键影响因素包括： 火源热释放 速率、 燃烧器的数量、 火源面积、 火源位置、 房间具体分布情况、 房间通风口位置以及尺寸； 所述房间分布情况包括所包括的房间数、 各房间的长 宽高以及相对位置； 所述火源功率在500～1000kw/m2内随机取值； 所述火源面积在0.5～1m2的范围内随机 取值； 所述燃烧器表面温度在500～1000℃范围内随机取值； 所述燃烧器的数量不少于一 个， 位置为房间内外任意位置， 火源面积为所有燃烧表面面积之和； 所述房间主要通风为门 窗， 门尺寸为1m*1.9m， 窗尺寸为0.5m*0.5m； 所述房间的通风口包括各房间之间以及房间与 外界的门窗； 所述火源的位置在房间地面上的任意位置， 火源高度固定； 所述烟气高度取烟 气层稳定后烟气平均高度； 所述室内温度检测器的位置是在房间内部空间的任意位置随机 选取， 温度数值由计算 流体动力学 软件监测记录 。 4.如权利要求2所述火灾温度场重构方法， 其特征在于， 步骤二中， 所述数据集和/或数 据库所使用的温度数据使用计算流体动力学软件模拟过程中该监测 位置所记录的最高温权　利　要　求　书 1/3 页 2 CN 114021501 A 2度； 此温度一定是火灾整个发展阶段 过程中该点的最高温度； 步骤三中， 将所述数据集和/或数据库分为训练集和 测试集， 包括： 训练集与测试集的划分不由人为划分， 由python工具完成， 对数据库进行随机划分， 并 通过random_state语句固定验证集。 5.如权利要求2所述火灾温度场重构方法， 其特征在于， 步骤四中， 将所述训练集用于 训练神经网络模型， 建立火灾温度场表征参数和影响因素之间的映射关系， 包括： 建立用于迭代学习的神经网络， 将步骤三中的训练数据作为神经网络的输入和输出， 根据输入的特征数决定输入层的神经元数， 得到网络参数； 其中， 所述神经网络模型包括一 个输入层、 一个输出层、 若干个隐藏的全连接层， 所述网络参数包括神经 元数和学习率； 由于特征向量往往具有不同的量纲和单位， 该情况会影响到数据分析结果， 通过进行 数据标准化处理， 消除指标之间的量纲影响， 解决数据之 间的差异 性； 通过消除量纲加速优 化过程， 使用的归一 化公式为： 其中， Tx为待处理的数据， minTi为样本数据的理论最小值， maxTi为样本数据的理论最 大值； 随着输入特征的不断添加， 隐藏层层数与神经元数均会相应增加， 在两隐藏层之间添 加Dropout层， 避免由于模型复杂程度变高出现的过拟合现象； 所述隐藏层的激活函数为 sigmoid函数； 其中， 所述Dropout层的机理是通过随机丢弃全连接层中的神经元， 控制模型的复杂程 度， 规避过拟合现象， 该层包含一个参数， 即Dropout系数； 所述Dropout的含义是该全连接 层中神经 元丢弃的比例， 该参数的确定由模型的实际学习情况确定； 评估学习误差， 若误差不满足要求， 则根据 学习曲线及学习误差对网络结构进行修正， 直至误差满足要求， 得到最终网络参数； 模型 的学习精度由验证集均方差与测试集均方差 表征； 其中， 所述均方差的计算方法为： 其中， y值是真实值， 而h(x)是观测值， m是观测次数。 6.如权利要求2所述火灾温度场重构方法， 其特征在于， 步骤五中， 所述将训练后的神 经网络模型应用于所述测试集， 验证模型 预测精度， 包括： 将步骤三中的验证集数据输入数据作为神经网络的输入， 将网络所计算得到的结果与 验证集的数据进行对比， 核对计算精度。 7.一种应用如权利要求1～6任意一项所述火灾温度场重构方法的火灾温度场重构系 统， 其特征在于， 所述火灾温度场重构系统包括： 影响因素筛 选模块， 用于 筛选得到火灾温度场的表征参 量和关键影响因素； 数据集获取模块， 用于针对特定场景构建火灾数值模型并利用计算流体动力学软件开 展大量不同工况火灾情景模拟， 获得基于所述影响因素筛选模块所筛选物理量的数据集 和/或数据库；权　利　要　求　书 2/3 页 3 CN 114021501 A 3