基于機(jī)器學(xué)習(xí)的熱釋放速率實(shí)時(shí)預(yù)測(cè)方法

舒 舜，張羽楊，陸梓萍，王 董，姜 楠，楊立中*

(1.上海市消防救援總隊(duì)黃浦區(qū)支隊(duì)，上海，200011；(2.中國(guó)科學(xué)技術(shù)大學(xué)火災(zāi)科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，合肥，230026)

0 引言

城市內(nèi)火災(zāi)隱患多且人員分布密集，極易發(fā)生威脅群眾生命與財(cái)產(chǎn)的火災(zāi)事故。提升城市的火災(zāi)應(yīng)急救援能力一直是公共安全研究的重要課題。然而，當(dāng)前我們國(guó)家的消防救援在動(dòng)態(tài)監(jiān)測(cè)感知城市火災(zāi)方面的基礎(chǔ)還很薄弱，缺乏對(duì)災(zāi)害現(xiàn)場(chǎng)的數(shù)據(jù)掌握和實(shí)時(shí)預(yù)測(cè)能力。目前科研人員常用場(chǎng)模擬軟件(例如FDS)對(duì)建筑、隧道、船舶等火災(zāi)場(chǎng)景進(jìn)行模擬[1-3]，從而判斷相應(yīng)火災(zāi)場(chǎng)景下火勢(shì)發(fā)展和火災(zāi)產(chǎn)物可能帶來(lái)的危害性。雖然現(xiàn)有的數(shù)值模擬軟件已經(jīng)很成熟，其準(zhǔn)確性也得到了認(rèn)可，但是精確模擬需要細(xì)小精致網(wǎng)格，一個(gè)場(chǎng)景的運(yùn)算往往需要幾個(gè)小時(shí)、幾天甚至更長(zhǎng)的時(shí)間，導(dǎo)致這些方法難以應(yīng)用在消防現(xiàn)場(chǎng)實(shí)戰(zhàn)中。

為了實(shí)時(shí)預(yù)測(cè)火災(zāi)的發(fā)展態(tài)勢(shì)，機(jī)器學(xué)習(xí)逐漸受到科研人員的關(guān)注。機(jī)器學(xué)習(xí)可以利用計(jì)算機(jī)模擬或?qū)W習(xí)給定的數(shù)據(jù)集得到指定參數(shù)之間的耦合關(guān)系，在真實(shí)火場(chǎng)中利用預(yù)訓(xùn)練模型在數(shù)秒內(nèi)即可獲得相關(guān)數(shù)據(jù)。近年來(lái)國(guó)內(nèi)外很多科研人員嘗試用各種機(jī)器學(xué)習(xí)方法對(duì)火場(chǎng)參數(shù)進(jìn)行實(shí)時(shí)預(yù)測(cè)。李夢(mèng)婕[4]基于FDS模擬得到的54組地鐵區(qū)間隧道火災(zāi)數(shù)據(jù)提出了基于自編碼器的CAERES-DNN模型，實(shí)現(xiàn)了煙塵能見(jiàn)度和煙氣擴(kuò)散距離的準(zhǔn)確預(yù)測(cè)。Hodges等[5,6]利用DCIGN模型預(yù)測(cè)野火蔓延情況，提出了用于預(yù)測(cè)房間內(nèi)的溫度和速度分布的TCNN建模方法。Wu等[7-9]建立了一個(gè)含有大量隧道火災(zāi)實(shí)驗(yàn)數(shù)據(jù)的數(shù)據(jù)庫(kù)，并基于此數(shù)據(jù)庫(kù)搭建了預(yù)測(cè)隧道火災(zāi)中火源位置和溫度場(chǎng)分布的多種模型。Wang等[10]提出了P-Flash轟燃預(yù)測(cè)模型，利用序列分割和支持向量回歸兩種方法，克服了探測(cè)器因高溫失效造成溫度數(shù)據(jù)無(wú)法獲取的難題，提高了模型預(yù)測(cè)單室和多室發(fā)生轟燃的能力。

然而，前人對(duì)煙霧、溫度、有害氣體濃度等火場(chǎng)參數(shù)的預(yù)測(cè)建立在火災(zāi)熱釋放速率為已知參數(shù)的基礎(chǔ)之上，目前很少有實(shí)時(shí)獲取火災(zāi)熱釋放速率的技術(shù)和研究。熱釋放速率是火災(zāi)至關(guān)重要的參數(shù)之一，影響著火災(zāi)的規(guī)模和發(fā)展態(tài)勢(shì)?；馂?zāi)熱釋放速率反演求解大多采用經(jīng)驗(yàn)估計(jì)對(duì)火源參數(shù)做出判斷，例如根據(jù)Heskestad平均火焰高度經(jīng)典方程反推熱釋放速率[11]。當(dāng)熱釋放速率不變時(shí)，火焰高度和體積會(huì)因?yàn)榛鹧娴拿}動(dòng)特性而不斷變化，通過(guò)火焰高度和體積反推就會(huì)得到不同的熱釋放速率，計(jì)算結(jié)果具有較大的不準(zhǔn)確性和不穩(wěn)定性。因此，本文提出了一種基于支持向量機(jī)的熱釋放速率實(shí)時(shí)預(yù)測(cè)模型。該預(yù)測(cè)模型可以根據(jù)連續(xù)的火焰體積或高度連續(xù)變化特征快速準(zhǔn)確地完成熱釋放速率的實(shí)時(shí)預(yù)測(cè)，有效地解決了以上問(wèn)題。預(yù)測(cè)結(jié)果可以為消防救援戰(zhàn)術(shù)的制定提供科學(xué)合理的依據(jù)，消防指戰(zhàn)人員可以據(jù)此預(yù)判火災(zāi)態(tài)勢(shì)發(fā)展和極端火災(zāi)行為的發(fā)生。

1 數(shù)據(jù)準(zhǔn)備

本文通過(guò)火焰體積或高度與熱釋放速率之間的聯(lián)系建立數(shù)據(jù)庫(kù)進(jìn)行分類(lèi)訓(xùn)練，主要流程分為六個(gè)步驟，具體過(guò)程如圖1所示。首先拍攝丙烷燃燒視頻得到火焰圖像，基于圓柱形假設(shè)重建三維火焰;然后通過(guò)計(jì)算機(jī)圖像處理技術(shù)獲取火焰的體積和高度數(shù)據(jù)[12]，對(duì)火焰體積和高度數(shù)據(jù)進(jìn)行處理后結(jié)合熱釋放速率數(shù)據(jù)建立數(shù)據(jù)庫(kù);最后選用合適的分類(lèi)模型進(jìn)行訓(xùn)練優(yōu)化，最終的預(yù)測(cè)模型可以根據(jù)火焰體積或高度的連續(xù)變化特征實(shí)時(shí)預(yù)測(cè)熱釋放速率。

圖1 技術(shù)路線(xiàn)圖Fig. 1 Technology roadmap

1.1 數(shù)據(jù)獲取

模型訓(xùn)練使用的數(shù)據(jù)來(lái)自丙烷燃燒實(shí)驗(yàn)拍攝的火焰視頻[12]。實(shí)驗(yàn)采用六種不同尺寸的圓形丙烷氣體燃燒器作為火源，燃燒器直徑分別為0.05 m、0.1 m、0.15 m、0.2 m、0.25 m和0.3 m。燃燒器底部鋪設(shè)約4 cm厚度的透明玻璃珠，保證氣體燃料出流時(shí)擴(kuò)散均勻。

表1 測(cè)量火焰高度和體積實(shí)驗(yàn)工況

表1列出了測(cè)量火焰高度和體積實(shí)驗(yàn)中的80種工況。由于氣體流量較小時(shí)，火焰無(wú)法充滿(mǎn)直徑較大的燃燒器，對(duì)不同直徑的燃燒器，需要根據(jù)火焰的擴(kuò)散情況確定各個(gè)直徑不同的燃燒器的初始燃料流量。最大燃料流量均設(shè)置為30 L/min，變化梯度為2 L/min。攝像機(jī)的曝光度根據(jù)實(shí)驗(yàn)環(huán)境調(diào)整，使得拍攝出來(lái)的圖片中只有火焰且火焰細(xì)節(jié)拍攝清晰。每組工況采集燃燒穩(wěn)定后90 s的視頻數(shù)據(jù)。

從每個(gè)采集到的視頻中截取一分鐘作為訓(xùn)練數(shù)據(jù)集數(shù)據(jù)來(lái)源。視頻每秒25幀，一分鐘的視頻可以轉(zhuǎn)化成1 499張圖片。然后，根據(jù)火焰與周?chē)尘爸g的亮度差進(jìn)行火焰高度和體積測(cè)量[12]。對(duì)同一燃燒器尺寸的數(shù)據(jù)進(jìn)行整理，生成如表2所示的原始數(shù)據(jù)集。原始數(shù)據(jù)集中的每一行都代表某一幀的具體參數(shù)，每組流量有1 499行數(shù)據(jù)，每個(gè)燃燒器的數(shù)據(jù)量為1 499*N(N為該燃燒器尺寸下的工況數(shù)量)。

表2 部分原始數(shù)據(jù)集

1.2 數(shù)據(jù)處理

燃燒過(guò)程中火焰周期性的振蕩造成火焰形狀的不穩(wěn)定性，從而導(dǎo)致火焰體積與氣體流量之間的對(duì)應(yīng)關(guān)系并不唯一，如表2中相同的氣體流量和燃燒器直徑工況下對(duì)應(yīng)不同的火焰體積和火焰高度。通過(guò)平均火焰高度經(jīng)驗(yàn)公式反演熱釋放速率只能得到一段時(shí)間內(nèi)的平均值，實(shí)時(shí)熱釋放速率的計(jì)算因火焰高度不斷波動(dòng)而存在較大差異，其準(zhǔn)確率難以保證。為了消除火焰快速脈動(dòng)帶來(lái)的偶然性影響，我們通過(guò)建立火焰高度或體積的連續(xù)變化規(guī)律與熱釋放速率之間的關(guān)系，解決火焰脈動(dòng)帶來(lái)的火焰高度、體積與熱釋放速率之間對(duì)應(yīng)關(guān)系的不唯一性。

2 模型搭建

2.1 分類(lèi)模型選取

模型的搭建、訓(xùn)練和測(cè)試在MATLAB中進(jìn)行，MATLAB分類(lèi)學(xué)習(xí)器中包含各種精度的SVM、決策樹(shù)、KNN、神經(jīng)網(wǎng)絡(luò)等各類(lèi)分類(lèi)器，可以對(duì)同一數(shù)據(jù)集進(jìn)行多種分類(lèi)器的訓(xùn)練比較，選出在特定數(shù)據(jù)集上表現(xiàn)更為優(yōu)異的一種。

圖2 不同分類(lèi)算法訓(xùn)練結(jié)果Fig. 2 Training results of different classification algorithms

在MATLAB環(huán)境中選用多種分類(lèi)學(xué)習(xí)算法對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖2所示。由于實(shí)驗(yàn)中直徑為0.2 m、0.25 m和0.3 m的燃燒器的試驗(yàn)工況較少，相對(duì)應(yīng)的數(shù)據(jù)量也遠(yuǎn)小于燃燒器直徑為0.05 m、0.1 m、0.15 m的數(shù)據(jù)量，所以在圖2中表現(xiàn)為多種分類(lèi)模型在直徑為0.2 m、0.25 m和0.3 m的準(zhǔn)確率明顯小于直徑為0.05 m、0.1 m、0.15 m的準(zhǔn)確率。精細(xì)高斯SVM、KNN、和三次SVM三種分類(lèi)模型在不同燃燒器直徑工況下都表現(xiàn)出了較高的準(zhǔn)確率，精細(xì)高斯SVM的準(zhǔn)確率接近100%，所以本文選取精細(xì)高斯SVM為本次實(shí)驗(yàn)的分類(lèi)算法。

2.2 SVM介紹

支持向量機(jī)(SVM)是一種對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的機(jī)器學(xué)習(xí)算法。用支持向量機(jī)進(jìn)行分類(lèi)，需要由特征X= (x1,x2,…,xn)和標(biāo)簽Y= (y1,y2,…,yn)組成樣本訓(xùn)練集。本次訓(xùn)練中的特征X是1.2節(jié)中經(jīng)隨機(jī)抽取及排序后的n個(gè)體積數(shù)據(jù)組，標(biāo)簽Y是表征理論熱釋放速率的氣體燃料流量。樣本訓(xùn)練集D中各個(gè)樣本分別對(duì)應(yīng)其標(biāo)簽，形式為D= {(x1,y1), (x2,y2), …, (xn,yn)}。SVM根據(jù)學(xué)習(xí)樣本訓(xùn)練集D中各個(gè)“樣本特征-標(biāo)簽分類(lèi)”組合，在這組數(shù)據(jù)中找出一個(gè)超平面作為決策邊界，使模型在數(shù)據(jù)上的分類(lèi)誤差盡量小，尤其是在未知數(shù)據(jù)集上的分類(lèi)誤差(泛化誤差)盡量小[13]。

圖3 模型準(zhǔn)確率與特征數(shù)量關(guān)系圖Fig. 3 Relationship between model accuracy and feature quantity

2.3 特征數(shù)量的選擇

2.2節(jié)中的n值為特征數(shù)量，代表著模型在實(shí)際場(chǎng)景使用過(guò)程中需n/25 s的視頻數(shù)據(jù)進(jìn)行預(yù)測(cè)。n值越大表示預(yù)測(cè)某時(shí)間點(diǎn)的燃料流量及熱釋放速率需要持續(xù)時(shí)間更長(zhǎng)的視頻數(shù)據(jù)。在精細(xì)高斯SVM分類(lèi)模型中改變特征數(shù)量n值，查看n值變化帶來(lái)的模型準(zhǔn)確率差異，結(jié)果如圖3所示。燃燒器尺寸不同時(shí)，預(yù)測(cè)模型的準(zhǔn)確率與特征數(shù)量的關(guān)系都具有相同的趨勢(shì)。隨著特征數(shù)量n的增加，模型準(zhǔn)確率在特征數(shù)量較小時(shí)增長(zhǎng)迅速，最后趨于一個(gè)穩(wěn)定值，且均接近于100%?？紤]實(shí)際應(yīng)用的效率，我們選取特征數(shù)量為60，即預(yù)測(cè)某時(shí)間點(diǎn)的燃料流量需要60幀(2.4 s)連續(xù)的火焰體積數(shù)據(jù)。

選定特征數(shù)量n為60后，重復(fù)2.2中的隨機(jī)抽取及排序操作得到訓(xùn)練數(shù)據(jù)集，將訓(xùn)練集輸入精細(xì)高斯SVM分類(lèi)器中進(jìn)行訓(xùn)練，得到火焰體積-熱釋放速率預(yù)測(cè)模型，模型準(zhǔn)確率約為99%。由于火焰平均體積與燃燒器尺寸沒(méi)有明顯的相關(guān)性[12]，故不同燃燒器分別訓(xùn)練得到不同的預(yù)測(cè)模型，共6個(gè)。同理可得到火焰高度-熱釋放速率預(yù)測(cè)模型。

3 預(yù)測(cè)結(jié)果

3.1 已知數(shù)據(jù)預(yù)測(cè)結(jié)果

為驗(yàn)證模型的有效性，截取原視頻中任意視頻數(shù)據(jù)，對(duì)模型預(yù)測(cè)能力進(jìn)行初步評(píng)估。驗(yàn)證視頻時(shí)長(zhǎng)需要大于特征數(shù)量對(duì)應(yīng)的時(shí)長(zhǎng)(2.4 s)，故此次驗(yàn)證選取每組流量的3 s視頻轉(zhuǎn)化為74張圖像進(jìn)行數(shù)據(jù)處理，預(yù)測(cè)其中10個(gè)樣本數(shù)據(jù)的熱釋放速率并進(jìn)行對(duì)比驗(yàn)證，每種燃燒器直徑驗(yàn)證樣本數(shù)量為N*10。圖4展示了6種不同燃燒器直徑下根據(jù)火焰體積預(yù)測(cè)的熱釋放速率結(jié)果，三角形表示實(shí)際熱釋放速率，圓圈表示SVM模型預(yù)測(cè)得到的熱釋放速率。實(shí)際值按梯度增加時(shí)，預(yù)測(cè)值也相應(yīng)增加。圖4中兩條線(xiàn)幾乎重合，說(shuō)明模型訓(xùn)練準(zhǔn)確度較高。圖4(c)、圖4(d)、圖4(e)中個(gè)別數(shù)據(jù)預(yù)測(cè)存在誤差，但是誤差較小，且出現(xiàn)誤差的概率較低。圖5展示了根據(jù)火焰高度預(yù)測(cè)的熱釋放速率結(jié)果，除圖5(c)、圖5(d)中有個(gè)別誤差外，其余均根據(jù)60幀連續(xù)火焰畫(huà)面精準(zhǔn)預(yù)測(cè)了相對(duì)應(yīng)的熱釋放速率，說(shuō)明模型在已知數(shù)據(jù)的預(yù)測(cè)上有非常高的準(zhǔn)確度。

圖4 基于火焰體積的熱釋放速率預(yù)測(cè)結(jié)果(原始數(shù)據(jù))Fig. 4 Prediction results of heat release rate based on flame volume (original data)

3.2 未知數(shù)據(jù)預(yù)測(cè)結(jié)果

模型在原始數(shù)據(jù)上具有優(yōu)秀的表現(xiàn)能力，為檢驗(yàn)?zāi)Ｐ驮谖粗獢?shù)據(jù)上的表現(xiàn)和真實(shí)應(yīng)用中的預(yù)測(cè)能力，本文選取原始數(shù)據(jù)集之外時(shí)長(zhǎng)為3 s的火焰視頻數(shù)據(jù)，計(jì)算其火焰體積和高度形成相應(yīng)的預(yù)測(cè)數(shù)據(jù)集。使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)，由預(yù)測(cè)的燃料流量計(jì)算得到的熱釋放速率結(jié)果如圖6和圖7所示。圖6為根據(jù)火焰體積得到的熱釋放速率預(yù)測(cè)結(jié)果。對(duì)于SVM分類(lèi)模型“從未見(jiàn)過(guò)”的數(shù)據(jù)，預(yù)測(cè)結(jié)果相比于原有數(shù)據(jù)集的準(zhǔn)確率會(huì)較低一些，但是在部分的預(yù)測(cè)過(guò)程中結(jié)果完全正確，其他工況的結(jié)果也與正確流量相差不大，誤差都在允許波動(dòng)的范圍之內(nèi)。圖7為根據(jù)火焰高度預(yù)測(cè)得到的熱釋放速率，與體積預(yù)測(cè)的結(jié)果表現(xiàn)相似，在部分?jǐn)?shù)據(jù)上存在波動(dòng)，除個(gè)別特殊點(diǎn)外，誤差基本為2 L/min或4 L/min。

圖5 基于火焰高度的熱釋放速率預(yù)測(cè)結(jié)果(原始數(shù)據(jù))Fig. 5 Prediction results of heat release rate based on flame height (original data)

圖6 基于火焰體積的熱釋放速率預(yù)測(cè)結(jié)果(全新數(shù)據(jù))Fig. 6 Prediction results of heat release rate based on flame volume (new data)

圖7 基于火焰高度的熱釋放速率預(yù)測(cè)結(jié)果(全新數(shù)據(jù))Fig. 7 Prediction results of heat release rate based on flame height (new data)

可燃物燃燒過(guò)程中火焰形態(tài)每一時(shí)刻都在變化，60幀火焰視頻有無(wú)數(shù)種火焰形態(tài)排列組合。經(jīng)過(guò)訓(xùn)練的模型在已知數(shù)據(jù)上有很好的表現(xiàn)能力，但其泛化能力受到訓(xùn)練數(shù)據(jù)集量度和廣度的影響，對(duì)于陌生數(shù)據(jù)，模型很難達(dá)到和已知數(shù)據(jù)集一樣高的準(zhǔn)確率?；鹧婷}動(dòng)過(guò)程中易出現(xiàn)火焰收縮和部分火焰脫落上升等現(xiàn)象，這些現(xiàn)象會(huì)影響火焰高度的計(jì)算，導(dǎo)致火焰高度在某些時(shí)刻存在過(guò)高或過(guò)低估計(jì)，與相同流量下平均火焰高度相差過(guò)大的數(shù)值會(huì)影響火焰體積和后期預(yù)測(cè)的結(jié)果，導(dǎo)致個(gè)別樣本預(yù)測(cè)得到的燃料流量及熱釋放速率出現(xiàn)較大的偏差。另外，誤差的產(chǎn)生也與拍攝環(huán)境、實(shí)驗(yàn)操作等外界因素有密不可分的聯(lián)系。

“火焰體積/高度-熱釋放速率預(yù)測(cè)模型”在未知數(shù)據(jù)集上表現(xiàn)優(yōu)秀，證明用一段時(shí)間火焰體積/高度的連續(xù)變化特征對(duì)熱釋放速率進(jìn)行反演計(jì)算具有可行性，大大降低了火焰高頻脈動(dòng)現(xiàn)象帶來(lái)的干擾?；谥С窒蛄繖C(jī)的熱釋放速率預(yù)測(cè)模型具有實(shí)時(shí)性和普適性。本文使用的數(shù)據(jù)信息均基于實(shí)驗(yàn)室條件下丙烷氣體的燃燒實(shí)驗(yàn)，未來(lái)可以進(jìn)行大量不同火焰形態(tài)、規(guī)模的實(shí)驗(yàn)，也可以與FDS數(shù)值模擬相結(jié)合建立更多的真實(shí)火災(zāi)場(chǎng)景，獲得更豐富的火災(zāi)參數(shù)拓展數(shù)據(jù)庫(kù)，進(jìn)一步推進(jìn)模型在實(shí)際火災(zāi)場(chǎng)景中的運(yùn)用。

4 結(jié)論

本研究從熱釋放速率穩(wěn)定的丙烷氣體燃燒實(shí)驗(yàn)出發(fā)，開(kāi)展了支持向量機(jī)分類(lèi)算法在火災(zāi)中的應(yīng)用研究，實(shí)現(xiàn)了根據(jù)數(shù)秒內(nèi)火焰的體積或高度數(shù)據(jù)預(yù)測(cè)相對(duì)應(yīng)的火災(zāi)熱釋放速率，大大降低了火焰脈動(dòng)和收縮過(guò)程對(duì)反演計(jì)算帶來(lái)的影響。實(shí)驗(yàn)結(jié)果證明，精細(xì)高斯支持向量機(jī)(SVM)在本數(shù)據(jù)集上具有很高的預(yù)測(cè)精度。在驗(yàn)證集上只有極少數(shù)數(shù)據(jù)會(huì)出現(xiàn)預(yù)測(cè)誤差，在陌生數(shù)據(jù)集上也有很好的預(yù)測(cè)精度。

本文提出的“體積/高度-熱釋放速率預(yù)測(cè)模型”可以根據(jù)2 s～3 s內(nèi)60幀火焰畫(huà)面較精準(zhǔn)地預(yù)測(cè)燃料流量和熱釋放速率，為后續(xù)的火焰相關(guān)參數(shù)計(jì)算提供了重要依據(jù)。SVM的準(zhǔn)確性和快速性使得該模型可以在火場(chǎng)中發(fā)揮作用，幫助消防救援人員實(shí)時(shí)預(yù)測(cè)和判斷火災(zāi)發(fā)展態(tài)勢(shì)。實(shí)際應(yīng)用中可以通過(guò)提升計(jì)算機(jī)配置，例如使用顯卡和GPU等進(jìn)行計(jì)算，可大幅縮短處理時(shí)間，提升模型的時(shí)效性和實(shí)用性。