买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明公开了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，包括：S1、当隧道发生火灾时，定位火源位置；S2、在隧道内按照不同布置方式布设温度传感器，将不同布置方式下温度传感器采集到的时序温度数据通过数据同化分别得到火灾烟气的系统状态参数，计算隧道火灾烟气的温度预测值，得到温度预测精度，当温度预测精度小于或等于设定阈值时，此布置方式为温度传感器的最优布置方式；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。本发明通过少量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。

主权项：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：S1、当隧道发生火灾时，定位火源位置；S2、在隧道内按照不同布置方式布设温度传感器，将不同布置方式下的温度传感器采集到的时序温度数据通过数据同化分别得到火灾烟气的系统状态参数，再计算隧道火灾烟气的温度预测值，并得到温度预测精度，当温度预测精度小于或等于设定阈值时，此布置方式为温度传感器的最优布置方式；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}；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；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： 式中：u为速度场； 式中：ρ为密度；p为压力；μ为动力粘度；f为外力； 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；p＝ρRTW公式4式中：R为气体常数；W为混合气体摩尔质量；对公式1～4进行变换，得到： 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；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： 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；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；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；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；⑴将最优布置方式下温度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；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： 式中：T为每次迭代期间神经网络的输出；fii＝1,2,3为对学习过程的软约束，被纳入到损失函数中；得到物理模型部分的损失函数： 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： ⑷计算综合损失函数L：L＝wDataLdata+wPDELPDE公式14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；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；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。

全文数据：

权利要求：

百度查询： 重庆大学 基于数据同化耦合物理信息神经网络的火灾预测方法和系统