基于机器学习的火源热释放速率预测方法

作     者：杨云浩 张国维 朱国庆 袁狄平 贺名欢 YANG Yunhao;ZHANG Guowei;ZHU Guoqing;YUAN Diping;HE Minghuan

作者机构：中国矿业大学深圳研究院深圳518057 瑞能赛特(深圳)科技有限公司深圳518118 江苏费尔曼安全科技有限公司徐州221100 

出 版 物：《清华大学学报（自然科学版）》 (Journal of Tsinghua University(Science and Technology))

年 卷 期：2024年第64卷第5期

页      面：922-932页

核心收录：

学科分类：08[工学] 0837[工学-安全科学与工程] 

基　　金：国家重点研发计划(2022YFC3090503) 深圳市自然科学基金面上项目(JCYJ20220530164601004) 安全生产应急救援急需技术装备揭榜攻关项目(JBGGRW-2022-09) 

主　　题：热释放速率 机器学习 特征筛选 递归特征消除 回归预测 

摘      要：火源热释放速率的准确测量对深入理解火灾演变过程至关重要,然而目前被广泛使用的氧耗法所需设备造价昂贵,成本较高。该文提出了一种基于机器学习的综合性框架,用于输入温度数据预测火源热释放速率。基于火灾动力学模拟(FDS)软件模拟ISO 9705房间内不同参数的火灾场景,获取不同位置的温度数据,并建立火灾数据库。分别基于最小绝对收缩和选择(Lasso)、随机森林(RF)两种模型的递归特征消除(RFE)算法进行特征筛选,得到两个不同的低维特征子集,并设置对照组。基于不同的特征子集,分析比较了线性回归(LR)、K最近邻(KNN)和轻量级梯度提升机(LightGBM)3种典型模型对热释放速率的预测性能。结果表明:基于随机森林模型的递归特征消除算法筛选所得的特征子集训练的LightGBM模型预测效果最佳,预测结果的根均方误差(RMSE)和均绝对误差(MAE)分别为23.89 kW和15.49 kW,决定系数为0.991 6。该基于机器学习的综合性框架预测效果优异且实施成本较低,为预测火源热释放速率提供了有效途径。