張 茜，李 彥

(江蘇科技大學 電子信息學院，江蘇 鎮(zhèn)江 212003)

0 引 言

近年來，我國經(jīng)濟的快速發(fā)展促進了船舶事業(yè)的繁榮，機艙作為船舶的動力場所，存放的各種油料和電器設施，成為火災的高發(fā)區(qū)[1,2]。因此，研究船舶機艙火災對于消防訓練和火災逃生有重要意義。

測量火災實驗過程中空間內(nèi)的溫度分布，對研究火災行為規(guī)律有重要意義[3,4]。就固定空間而言，由美國NIST研究所開發(fā)的基于火災動力學的大渦模擬軟件FDS（Fire Dynamics Simulator）對火災溫度流動模擬的準確性已得到廣泛認可[5]。但若改變機艙火源功率、火源面積、補風口面積、風機流速等條件，F(xiàn)DS就不能滿足要求，所以有必要建立火災溫度預測模型。20世紀90年代Vapnik等提出的支持向量機（Support Vector Machines，SVM），是一種新的機器學習算法，并迅速在多個領域得到快速發(fā)展[6]。相比其他傳統(tǒng)學習方法，具有良好的泛化能力，能夠很好地克服維數(shù)災難、小樣本、局部極小點以及過擬合等問題[7]。因此，運用支持向量機技術求解實際工程中有關火場溫度預測的問題非常適宜。

本文以船舶機艙為研究對象，采用大渦模擬方法，以火災動力學分析軟件FDS為平臺，計算不同條件下的船舶機艙火場溫度變化規(guī)律。以計算結果為訓練樣本建立船舶機艙火災溫度的支持向量機預測模型，最后將遺傳算法優(yōu)化支持向量機（GA-SVM）理論運用于船舶機艙火災溫度的預測。為了驗證本文模型的準確性，對比了SVM模型和BP神經(jīng)網(wǎng)絡方法的船舶機艙火災溫度預測結果。預測結果表明，利用遺傳算法優(yōu)化支持向量機的方法的預測效果較好且準確度較高，可以作為快速預測火場溫度的工程計算方法。

1 船舶機艙火災數(shù)值模擬

本文運用FDS軟件對實習公司的船舶機艙實驗室進行艙底油水火災數(shù)值模擬。

1.1 船舶機艙火災場景設計

以實習公司船舶火災實驗室為模擬對象，該實驗室內(nèi)部尺寸15 m（長）×7 m（寬）×5 m（高），機艙內(nèi)部尺寸是6 m（長）×7 m（寬）×5 m（高），艙內(nèi)有2臺柴油機和1臺柴油發(fā)電機，以及其他一些常用機艙設備。建立的模型如圖1所示。采用機械通風和自然通風，計算場景中在四面墻壁設有多個格柵作為補風口，每個格柵是0.8 m（長）×0.6 m（寬），頂部設有機械抽風口，抽風口是0.5 m（長）×0.5 m（寬）。

圖 1 FDS場景的幾何模型Fig. 1 The geometric model of the FDS scene

本文將火源置于實驗艙地面左邊，燃料為柴油，火源為超快速t2火，最大火源功率為1.8MW。計算場景的環(huán)境溫度為20℃。墻面、地面和天花板都為304鋼板表面，墻面中間填充耐熱材料。通過對該場景的網(wǎng)格獨立性分析[8]，本文使用了72×36×25非均一網(wǎng)格系統(tǒng)對所有涉及樣本進行計算。

1.2 船舶機艙火災樣本計算

在整個船舶機艙火災場景中，火場溫度變化的過程是一個動態(tài)過程，受多種因素的影響，本文主要考慮火源功率、補風口面積、風機流量、火災面積這4個因素對溫度場的影響，構建了表1中15組火災場景，每組只改變一個影響因素，采用FDS分別對這15個火災場景下的船舶機艙火災溫度變化過程進行模擬，計算其不同時刻的溫度分布。在主頻為2.80 GHz的Intel CPU計算速度下，表1中每組火災場景計算到400 s需要使用CPU的時間不少于4 h。15組數(shù)據(jù)計算結果如表2所示。

表1中各符號的含義如下：Q為火災功率，kW；T為風機啟動時間，s；V為風機流速，m/s；S為補風

表 1 FDS算例設計Tab. 1 The design of FDS scene

2 船舶機艙火災溫度預測模型的建立

2.1 基于SVM模型

為檢驗算法訓練的精度，需要將第1節(jié)中15組FDS計算數(shù)據(jù)劃分為13個訓練樣本和2個測試樣本，將表1中的Q，T，V，S四個主要影響因素作為支持向量機模型的輸入量，表2中FDS計算結果作為模型的輸出，因此15組訓練樣本集為。支持向量機將低維復雜的輸入通過非線性映射，投影至高維空間中，并在高維空間中利用結構風險最小化原則建立線性回歸函數(shù)

式中：w為權值向量；b為偏差。參數(shù)w和b的值由SVM采用最小化結構風險來確定，為預測值，y為實際值。

2.2 遺傳算法參數(shù)尋優(yōu)

為了使SVM有最優(yōu)的性能，本文采用遺傳算法對SVM模型的懲罰因子C和核參數(shù)g進行參數(shù)尋優(yōu)，避免認為選擇參數(shù)的盲目性。遺傳算法是一種借鑒生物界自然選擇和進化機制發(fā)展起來的高度并行、自適應的全局優(yōu)化概率搜索算法，已被廣泛應用于組合優(yōu)化、機器學習、信號處理等領域[10]。

3 結果對比及分析

3.1 參數(shù)優(yōu)化對比

本文采用網(wǎng)格搜索尋優(yōu)和GA參數(shù)尋優(yōu)對支持向量機的懲罰系數(shù)C和核參數(shù)g進行優(yōu)化分析和選擇，見表3。利用網(wǎng)格搜索尋優(yōu)法時，先粗略尋找最佳參數(shù)，再進行精細的參數(shù)選擇。

表 2 FDS計算結果Tab. 2 The results of the FDS

表 3 網(wǎng)格搜索和GA優(yōu)化模型參數(shù)對比Tab. 3 Comparing parameters optimized by grid-search and GA

從表3可以看出，以上2種尋優(yōu)方法對模型參數(shù)C和g尋優(yōu)后，GA的適應度值0.046 691最小，模型的適應能力最好，對應的參數(shù)[C，g]=[81.192 6，0.300 69]組合最佳。 由GA尋找最佳參數(shù)的適應度變化曲線圖2 可知，進化代數(shù)為150次時終止進化，此時適應度值0.046 691就接近理想最優(yōu)值。

3.2 預測結果分析

為比較GA-SVM模型的船舶機艙火災溫度預測的性能，分別采用SVM模型和前饋型BP神經(jīng)網(wǎng)絡建模對相同的樣本集進行訓練和預測。GA-SVM模型選用RBF核函數(shù)，經(jīng)反復參數(shù)尋優(yōu)，得到滿足要求的C和g 分別為 81.192 6 和 0.300 69。利用神經(jīng)網(wǎng)絡預測時，經(jīng)過反復試驗，網(wǎng)絡的輸入層、隱含層、輸出層的節(jié)點數(shù)分別為 4，30，21，隱含層傳遞函數(shù)選用tansig函數(shù)，輸出層傳遞函數(shù)選用purelin函數(shù)，訓練函數(shù)選用Levenberg-Marquardt算法，學習速率Lr=0.2，目標誤差Eg=0.000 01。3種模型下船舶火災溫度預測值與FDS計算結果比較見表4，可以得出，GA-SVM模型有較強的泛化能力，對訓練樣本學習后，對預測輸入樣本進行預測，得出相應預測輸出值與FDS計算結果吻合很好。

圖 2 GA-SVM的適應度曲線和SVM的適應度曲線比較Fig. 2 Comparing the fitness of GA-SVM and SVM

表 4 不同模型下預測值與FDS計算值比較Tab. 4 Contrast the FDS results and predict data of different models

圖 3 三種模型下的預測效果Fig. 3 Prediction results based on different models

圖3列舉了采用GA-SVM模型、SVM模型和BP神經(jīng)網(wǎng)絡方法進行火災溫度預測的效果圖。

圖4～圖6分別列舉了GA-SVM模型、SVM模型和BP神經(jīng)網(wǎng)絡預測值與FDS計算結果的相對誤差曲線，由圖4～圖6可知，3種模型的預測值與FDS計算結果的最大相對誤差分別為0.005 63，0.083 81和0.200 35。最小相對誤差分別為0，0和0.008 63，GA-SVM模型和SVM模型均可以達到消防工程的精度要求，且GASVM模型預測精度明顯高于SVM模型。

3種模型預測性能結果對比見表5，用MSE，eMAPE和R三個指標進行預測性能評價。

圖 4 GA-SVM模型下相對誤差Fig. 4 Relative error based on GA-SVM

圖 5 SVM模型下相對誤差Fig. 5 Relative error based on SVM

圖 6 BP神經(jīng)網(wǎng)絡下相對誤差Fig. 6 Relative error based on BP Neural Network

表 5 三種模型性能比較Tab. 5 Comparison of model performance

從表5 可看出，GA-SVM模型的均方誤差MSE和平均相對誤差eMAPE值分別為 0.046 691，0.001 6，遠小于SVM模型和BP網(wǎng)絡預測的相應指標值，且GA-SVM模型的相關系數(shù)R為 0.971 2，比SVM模型和BP網(wǎng)絡模型的相關系數(shù)更接近1，其預測結果精度更高，適應性更好，表明本文模型預測性能更優(yōu)。

4 結 語

本文利用FDS軟件對不同條件下的船舶機艙火災場景進行模擬，以火災功率、風機啟動時間、風機流速和補風口面積這4個影響因素為輸入?yún)?shù)，不同時刻的火災溫度為輸出構造了船舶機艙火災溫度的GASVM預測模型。在建模過程中，采用GA對SVM回歸模型的懲罰因子C和核參數(shù)g自動尋優(yōu)選擇，避免了人為主觀經(jīng)驗地確定參數(shù)。通過輸入火災功率、風機啟動時間、風機流速和補風口面積到GA-SVM模型中，其對火災溫度預測的效果較好。與SVM模型和BP神經(jīng)網(wǎng)絡模型的相對誤差對比分析表明，GASVM模型具有較好的泛化能力，為船舶機艙火災溫度間接計算及預測提出了一種新方法。

本文建立的船舶機艙火災溫度的支持向量機計算模型包括4種條件參數(shù)對火災溫度的影響。在今后的工作中，可以設計更多的火災場景，例如考慮火源位置、補風口位置、火災空間高度、面積等因素對船舶機艙火災溫度的影響，通過FDS數(shù)值模擬構造更加全面系統(tǒng)的訓練樣本，從而完善模型功能并進一步提高預測精度。

[1]賈佳, 陸守香. 船舶艙室火災風險分析方法研究[J]. 安全與環(huán)境學報, 2014, 14(3): 132–137.JIA Jia, LU Shou-xiang. Study of fire risk analysis method applied to ship compartment[J]. Journal of safety and environment, 2014, 14(3): 132–137.

[2]萇占星. VR技術在船舶艙室火災處理中的應用研究[D]. 大連: 大連海事大學, 2015.

[3]周德闖. 基于虛擬現(xiàn)實平臺的火災場景計算和仿真研究[ D].合肥: 中國科學技術大學, 2010: 72–96.

[4]徐文強, 劉芳, 董龍洋, 等. 基于FDS的地下停車場火災數(shù)值模擬分析[J]. 安全與環(huán)境工程, 2012, 19(1): 73–76.

XU Wen-qiang, LIU Fang, DONG Long-yang, et al. Analysis on the fire of underground parking based on FDS numerical simulation[J]. Safety and Environmental Engineering, 2012,19(1): 73–76.

[5]胡靖. 船舶封閉艙室火災溫度分布特性實驗研究[D]. 合肥:中國科學技術大學, 2010: 8–10.

[6]辛喆, 王順喜, 云峰, 等. 基于火災模擬軟件(FDS)的草原火災蔓延規(guī)律數(shù)值分析[J]. 農(nóng)業(yè)工程學報, 2013, 29(11):156–163.

XIN Zhe, WANG Shun-xi, YUN Feng, et al. Numerical analysis on spreading laws of grassland fire based on fire dynamics simulator (FDS)[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(11): 156–163.

[7]顧亞祥, 丁世飛. 支持向量機研究進展[J]. 計算機科學, 2011,38 (2): 14–17.

GU Ya-fei, DING Shi-fei. Advances of support vector machines(SVM)[J]. Computer Science, 2011, 38(2): 14–17.

[8]陳偉根, 滕黎, 劉軍, 等. 基于遺傳優(yōu)化支持向量機的變壓器繞組熱點溫度預測模型[J]. 電工技術學報, 2014, 29(1):44–51.

CHEN Wei-gen, TENG Li, LIU Jun, et al. Transformer winding hot-spot temperature prediction model of support vector machine optimized by genetic algorithm[J].Transactions of China Electrotechnical Society, 2014, 29(1):44–51.

[9]楊鐘瑾. 粒子群和遺傳算法優(yōu)化支持向量機的破產(chǎn)預測[J].計算機工程與應用, 2013, 49(18): 265–270.

YANG Zhong-jin. Bankruptcy prediction based on support vector machine optimized by particle swarm optimization and genetic algorithm[J]. Computer Engineering and Applications,2013, 49(18): 265–270.

[10]CHAUDHURI A, DE K. Fuzzy support vector machine for bankruptcy prediction[J]. Applied Soft Computing, 2011,11(2): 2472–2486.

[11]WANG Chun-lin, ZHOU hao, LI Guo-neng. Combining support vector machine and genetic algorithm to predict ash fusion temperature[J]. Proceedings of the CSEE, 2010, 27(8):11–15.