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黃浦區(qū)支隊，上海，200011；(2.中國科學技術(shù)大學火災(zāi)科學國家重點實驗室，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，當前我們國家的消防救援在動態(tài)監(jiān)測感知城市火災(zāi)方面的基礎(chǔ)還很薄弱，缺乏對災(zāi)害現(xiàn)場的數(shù)據(jù)掌握和實時預測能力。目前科研人員常用場模擬軟件(例如FDS)對建筑、隧道、船舶等火災(zāi)場景進行模擬[1-3]，從而判斷相應(yīng)火災(zāi)場景下火勢發(fā)展和火災(zāi)產(chǎn)物可能帶來的危害性。雖然現(xiàn)有的數(shù)值模擬軟件已經(jīng)很成熟，其準確性也得到了認可，但是精確模擬需要細小精致網(wǎng)格，一個場景的運算往往需要幾個小時、幾天甚至更長的時間，導致這些方法難以應(yīng)用在消防現(xiàn)場實戰(zhàn)中。

為了實時預測火災(zāi)的發(fā)展態(tài)勢，機器學習逐漸受到科研人員的關(guān)注。機器學習可以利用計算機模擬或?qū)W習給定的數(shù)據(jù)集得到指定參數(shù)之間的耦合關(guān)系，在真實火場中利用預訓練模型在數(shù)秒內(nèi)即可獲得相關(guān)數(shù)據(jù)。近年來國內(nèi)外很多科研人員嘗試用各種機器學習方法對火場參數(shù)進行實時預測。李夢婕[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，實現(xiàn)了煙塵能見度和煙氣擴散距離的準確預測。Hodges等[5,6]利用DCIGN模型預測野火蔓延情況，提出了用于預測房間內(nèi)的溫度和速度分布的TCNN建模方法。Wu等[7-9]建立了一個含有大量隧道火災(zāi)實驗數(shù)據(jù)的數(shù)據(jù)庫，并基于此數(shù)據(jù)庫搭建了預測隧道火災(zāi)中火源位置和溫度場分布的多種模型。Wang等[10]提出了P-Flash轟燃預測模型，利用序列分割和支持向量回歸兩種方法，克服了探測器因高溫失效造成溫度數(shù)據(jù)無法獲取的難題，提高了模型預測單室和多室發(fā)生轟燃的能力。

然而，前人對煙霧、溫度、有害氣體濃度等火場參數(shù)的預測建立在火災(zāi)熱釋放速率為已知參數(shù)的基礎(chǔ)之上，目前很少有實時獲取火災(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?；馂?zāi)熱釋放速率反演求解大多采用經(jīng)驗估計對火源參數(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]。當熱釋放速率不變時，火焰高度和體積會因為火焰的脈動特性而不斷變化，通過火焰高度和體積反推就會得到不同的熱釋放速率，計算結(jié)果具有較大的不準確性和不穩(wěn)定性。因此，本文提出了一種基于支持向量機的熱釋放速率實時預測模型。該預測模型可以根據(jù)連續(xù)的火焰體積或高度連續(xù)變化特征快速準確地完成熱釋放速率的實時預測，有效地解決了以上問題。預測結(jié)果可以為消防救援戰(zhàn)術(shù)的制定提供科學合理的依據(jù)，消防指戰(zhàn)人員可以據(jù)此預判火災(zāi)態(tài)勢發(fā)展和極端火災(zāi)行為的發(fā)生。

1 數(shù)據(jù)準備

本文通過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)庫進行分類訓練，主要流程分為六個步驟，具體過程如圖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;然后通過計算機圖像處理技術(shù)獲取火焰的體積和高度數(shù)據(jù)[12]，對火焰體積和高度數(shù)據(jù)進行處理后結(jié)合熱釋放速率數(shù)據(jù)建立數(shù)據(jù)庫;最后選用合適的分類模型進行訓練優(yōu)化，最終的預測模型可以根據(jù)火焰體積或高度的連續(xù)變化特征實時預測熱釋放速率。

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

1.1 數(shù)據(jù)獲取

模型訓練使用的數(shù)據(jù)來自丙烷燃燒實驗拍攝的火焰視頻[12]。實驗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擴散均勻。

表1 測量火焰高度和體積實驗工況

表1列出了測量火焰高度和體積實驗中的80種工況。由于氣體流量較小時，火焰無法充滿直徑較大的燃燒器，對不同直徑的燃燒器，需要根據(jù)火焰的擴散情況確定各個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。攝像機的曝光度根據(jù)實驗環(huán)境調(diào)整，使得拍攝出來的圖片中只有火焰且火焰細節(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)。

從每個采集到的視頻中截取一分鐘作為訓練數(shù)據(jù)集數(shù)據(jù)來源。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)火焰與周圍背景之間的亮度差進行火焰高度和體積測量[12]。對同一燃燒器尺寸的數(shù)據(jù)進行整理，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，從而導致火焰體積與氣體流量之間的對應(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應(yīng)不同的火焰體積和火焰高度。通過平均火焰高度經(jīng)驗公式反演熱釋放速率只能得到一段時間內(nèi)的平均值，實時熱釋放速率的計算因火焰高度不斷波動而存在較大差異，其準確率難以保證。為了消除火焰快速脈動帶來的偶然性影響，我們通過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，解決火焰脈動帶來的火焰高度、體積與熱釋放速率之間對應(yīng)關(guān)系的不唯一性。

2 模型搭建

2.1 分類模型選取

模型的搭建、訓練和測試在MATLAB中進行，MATLAB分類學習器中包含各種精度的SVM、決策樹、KNN、神經(jīng)網(wǎng)絡(luò)等各類分類器，可以對同一數(shù)據(jù)集進行多種分類器的訓練比較，選出在特定數(shù)據(jù)集上表現(xiàn)更為優(yōu)異的一種。

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

在MATLAB環(huán)境中選用多種分類學習算法對數(shù)據(jù)集進行訓練，訓練結(jié)果如圖2所示。由于實驗中直徑為0.2 m、0.25 m和0.3 m的燃燒器的試驗工況較少，相對應(yīng)的數(shù)據(jù)量也遠小于燃燒器直徑為0.05 m、0.1 m、0.15 m的數(shù)據(jù)量，所以在圖2中表現(xiàn)為多種分類模型在直徑為0.2 m、0.25 m和0.3 m的準確率明顯小于直徑為0.05 m、0.1 m、0.15 m的準確率。精細高斯SVM、KNN、和三次SVM三種分類模型在不同燃燒器直徑工況下都表現(xiàn)出了較高的準確率，精細高斯SVM的準確率接近100%，所以本文選取精細高斯SVM為本次實驗的分類算法。

2.2 SVM介紹

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

圖3 模型準確率與特征數(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，代表著模型在實際場景使用過程中需n/25 s的視頻數(shù)據(jù)進行預測。n值越大表示預測某時間點的燃料流量及熱釋放速率需要持續(xù)時間更長的視頻數(shù)據(jù)。在精細高斯SVM分類模型中改變特征數(shù)量n值，查看n值變化帶來的模型準確率差異，結(jié)果如圖3所示。燃燒器尺寸不同時，預測模型的準確率與特征數(shù)量的關(guān)系都具有相同的趨勢。隨著特征數(shù)量n的增加，模型準確率在特征數(shù)量較小時增長迅速，最后趨于一個穩(wěn)定值，且均接近于100%?？紤]實際應(yīng)用的效率，我們選取特征數(shù)量為60，即預測某時間點的燃料流量需要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2.2中的隨機抽取及排序操作得到訓練數(shù)據(jù)集，將訓練集輸入精細高斯SVM分類器中進行訓練，得到火焰體積-熱釋放速率預測模型，模型準確率約為99%。由于火焰平均體積與燃燒器尺寸沒有明顯的相關(guān)性[12]，故不同燃燒器分別訓練得到不同的預測模型，共6個。同理可得到火焰高度-熱釋放速率預測模型。

3 預測結(jié)果

3.1 已知數(shù)據(jù)預測結(jié)果

為驗證模型的有效性，截取原視頻中任意視頻數(shù)據(jù)，對模型預測能力進行初步評估。驗證視頻時長需要大于特征數(shù)量對應(yīng)的時長(2.4 s)，故此次驗證選取每組流量的3 s視頻轉(zhuǎn)化為74張圖像進行數(shù)據(jù)處理，預測其中10個樣本數(shù)據(jù)的熱釋放速率并進行對比驗證，每種燃燒器直徑驗證樣本數(shù)量為N*10。圖4展示了6種不同燃燒器直徑下根據(jù)火焰體積預測的熱釋放速率結(jié)果，三角形表示實際熱釋放速率，圓圈表示SVM模型預測得到的熱釋放速率。實際值按梯度增加時，預測值也相應(yīng)增加。圖4中兩條線幾乎重合，說明模型訓練準確度較高。圖4(c)、圖4(d)、圖4(e)中個別數(shù)據(jù)預測存在誤差，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)火焰高度預測的熱釋放速率結(jié)果，除圖5(c)、圖5(d)中有個別誤差外，其余均根據(jù)60幀連續(xù)火焰畫面精準預測了相對應(yīng)的熱釋放速率，說明模型在已知數(shù)據(jù)的預測上有非常高的準確度。

圖4 基于火焰體積的熱釋放速率預測結(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)預測結(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?zāi)Ｐ驮谖粗獢?shù)據(jù)上的表現(xiàn)和真實應(yīng)用中的預測能力，本文選取原始數(shù)據(jù)集之外時長為3 s的火焰視頻數(shù)據(jù)，計算其火焰體積和高度形成相應(yīng)的預測數(shù)據(jù)集。使用訓練好的模型進行預測，由預測的燃料流量計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測結(jié)果。對于SVM分類模型“從未見過”的數(shù)據(jù)，預測結(jié)果相比于原有數(shù)據(jù)集的準確率會較低一些，但是在部分的預測過程中結(jié)果完全正確，其他工況的結(jié)果也與正確流量相差不大，誤差都在允許波動的范圍之內(nèi)。圖7為根據(jù)火焰高度預測得到的熱釋放速率，與體積預測的結(jié)果表現(xiàn)相似，在部分數(shù)據(jù)上存在波動，除個別特殊點外，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測結(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測結(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測結(jié)果(全新數(shù)據(jù))Fig. 7 Prediction results of heat release rate based on flame height (new data)

可燃物燃燒過程中火焰形態(tài)每一時刻都在變化，60幀火焰視頻有無數(shù)種火焰形態(tài)排列組合。經(jīng)過訓練的模型在已知數(shù)據(jù)上有很好的表現(xiàn)能力，但其泛化能力受到訓練數(shù)據(jù)集量度和廣度的影響，對于陌生數(shù)據(jù)，模型很難達到和已知數(shù)據(jù)集一樣高的準確率?；鹧婷}動過程中易出現(xiàn)火焰收縮和部分火焰脫落上升等現(xiàn)象，這些現(xiàn)象會影響火焰高度的計算，導致火焰高度在某些時刻存在過高或過低估計，與相同流量下平均火焰高度相差過大的數(shù)值會影響火焰體積和后期預測的結(jié)果，導致個別樣本預測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、實驗操作等外界因素有密不可分的聯(lián)系。

“火焰體積/高度-熱釋放速率預測模型”在未知數(shù)據(jù)集上表現(xiàn)優(yōu)秀，證明用一段時間火焰體積/高度的連續(xù)變化特征對熱釋放速率進行反演計算具有可行性，大大降低了火焰高頻脈動現(xiàn)象帶來的干擾?；谥С窒蛄繖C的熱釋放速率預測模型具有實時性和普適性。本文使用的數(shù)據(jù)信息均基于實驗室條件下丙烷氣體的燃燒實驗，未來可以進行大量不同火焰形態(tài)、規(guī)模的實驗，也可以與FDS數(shù)值模擬相結(jié)合建立更多的真實火災(zāi)場景，獲得更豐富的火災(zāi)參數(shù)拓展數(shù)據(jù)庫，進一步推進模型在實際火災(zāi)場景中的運用。

4 結(jié)論

本研究從熱釋放速率穩(wěn)定的丙烷氣體燃燒實驗出發(fā)，開展了支持向量機分類算法在火災(zāi)中的應(yīng)用研究，實現(xiàn)了根據(jù)數(shù)秒內(nèi)火焰的體積或高度數(shù)據(jù)預測相對應(yīng)的火災(zāi)熱釋放速率，大大降低了火焰脈動和收縮過程對反演計算帶來的影響。實驗結(jié)果證明，精細高斯支持向量機(SVM)在本數(shù)據(jù)集上具有很高的預測精度。在驗證集上只有極少數(shù)數(shù)據(jù)會出現(xiàn)預測誤差，在陌生數(shù)據(jù)集上也有很好的預測精度。

本文提出的“體積/高度-熱釋放速率預測模型”可以根據(jù)2 s～3 s內(nèi)60幀火焰畫面較精準地預測燃料流量和熱釋放速率，為后續(xù)的火焰相關(guān)參數(shù)計算提供了重要依據(jù)。SVM的準確性和快速性使得該模型可以在火場中發(fā)揮作用，幫助消防救援人員實時預測和判斷火災(zāi)發(fā)展態(tài)勢。實際應(yīng)用中可以通過提升計算機配置，例如使用顯卡和GPU等進行計算，可大幅縮短處理時間，提升模型的時效性和實用性。