基于压力-状态-响应（PSR）增强贝叶斯网络的隧道火灾动态建模与实时风险评估

《Results in Engineering》：Dynamic Modeling and Real-Time Risk Assessment of Tunnel Fires Using Pressure-State-Response (PSR)-Enhanced Bayesian Network

本研究针对隧道火灾场景复杂、演化不确定、传统模型难以实时准确评估风险的问题，提出了一种集成压力-状态-响应（PSR）模型与贝叶斯网络（BN）的动态风险评估框架。该框架通过PSR结构描述火灾演化与应急响应路径，利用BN量化关键参数（如隧道温度、事故车辆类型、烟气回流长度及烟层厚度）的不确定性影响。仿真表明，救援响应、事故车辆类型和初始火灾规模显著影响火灾后果；敏感性分析识别出热释放速率（HRR）和后续火灾规模为主导因素。模型经25例历史火灾案例验证，差异率（DR）为12%，证实了其预测能力。该研究为隧道火灾实时风险研判与主动决策提供了稳健、自适应的工具，对提升隧道安全管理水平具有重要意义。

　　

隧道，作为现代交通网络的关键节点，其封闭的几何结构、有限的通风条件以及高密度的交通流，使得火灾一旦发生，极易演变成造成严重人员伤亡和巨大经济损失的灾难性事件。隧道火灾的演化充满高度不确定性，多种火灾相关因素（如热释放速率、通风速度、车辆类型等）相互交织，给准确、及时的风险评估带来了巨大挑战。传统的确定性模型往往难以捕捉火灾的动态进程，也无法有效评估多样化的火灾场景。面对这一难题，研究人员亟需开发一种能够实时量化风险、并能适应条件变化的评估工具。

为了应对这一挑战，一项发表在《Results in Engineering》上的研究提出了一种创新的解决方案：将压力-状态-响应（Pressure-State-Response, PSR）模型与增强的贝叶斯网络（Bayesian Network, BN）相结合，构建一个实时、定量的隧道火灾风险评估框架。这项研究旨在通过融合PSR模型的系统性场景演化描述能力和BN强大的概率推理与不确定性处理能力，为隧道火灾的安全管理提供更精准、更动态的决策支持。

研究人员为开展这项研究，主要应用了几项关键技术方法。首先，通过系统梳理历史火灾案例和文献，进行了全面的风险因子分析，识别出影响隧道火灾的关键内外部因素。其次，利用PSR模型框架对这些因素进行结构化组织，构建了描述火灾从压力源产生、系统状态变化到应急响应实施的定性演化路径。接着，将定性PSR模型映射到定量BN模型，通过专家 elicitation（ elicitation）法结合历史数据确定条件概率表（CPT），建立了包含观测变量、潜在变量和输出变量的BN结构。最后，利用Netica软件进行BN推理、典型场景模拟和基于互信息（Mutual Information）的敏感性分析，以评估风险并识别关键影响因素。模型使用25个历史隧道火灾案例进行了验证。

4.1. 典型火灾场景分析

通过模拟不同场景，研究人员得出了多项重要结论。在救援响应场景中，研究发现当启用广播指令、车道引导和可变信息板等应急措施时，火灾风险等级为轻微（I级）的概率从30.50%大幅上升至77.50%，而极其严重（IV级）的概率则从32.60%降至10.10%。这表明有效的应急响应能显著改善火灾后果，同时烟气回流长度和烟层厚度也分别减少了68.9%和69.2%。

4.1.2. 场景二：事故车辆类型

不同事故车辆类型对火灾风险有显著影响。模拟显示，对于小轿车，火灾风险为I级的概率最高（77.1%），后果相对较轻。而对于油罐车，I级风险概率骤降至7.1%，II级（中度）风险概率升至54.0%。相应地，油罐车火灾导致的烟气回流长度（30.40米）和烟层厚度（1.20米）远高于小轿车（3.79米，0.13米），凸显了大型车辆，尤其是运输危险品的车辆，所带来的更高风险。

4.1.3. 场景三：初始火灾规模

初始火灾规模是决定火灾后续发展的关键因素。当初始火灾规模为“无”时，I级风险概率高达95.4%。随着初始规模增大，I级概率下降，III级和IV级风险概率上升。大型火灾导致IV级风险的概率达到73.0%。同时，大型火灾的烟气回流长度（33.20米）和烟层厚度（1.57米）也远大于小型火灾（8.98米，0.35米），强调了早期火灾探测和快速干预的极端重要性。

4.1.4. 场景四：初始车辆数

与其它因素相比，隧道内初始车辆数量对最终火灾风险等级的影响相对较小。当初始车辆数从“少”变为“多”时，IV级风险概率仅从43.5%微增至46.2%。分析表明，有效的交通控制和疏散措施可以在火灾发生后减少隧道内的后续车辆数，从而削弱初始车辆数的直接影响。然而，它仍然是决定受影响人员数量和疏散难度的关键因素。

4.2. 敏感性分析

为了识别对火灾后果影响最大的因素，研究进行了敏感性分析。结果显示，热释放速率（HRR）是对烟气层厚度（互信息值1.829）和烟气回流长度（互信息值0.534）最敏感的因素。而对于综合的火灾风险等级，后续火灾规模是影响最大的变量（互信息值1.306）。初始火灾规模也在多个输出变量中表现出显著影响力。这表明在隧道火灾风险管理中，应重点关注控制HRR和防止火灾规模扩大。

4.3. 模型验证

为了检验所提模型的可靠性，研究利用25个历史隧道火灾案例进行了验证。通过比较模型预测的火灾风险等级与实际后果，计算得到差异率（Discrepancy Ratio, DR）为12%，低于公认的15%阈值，证实了该模型具有良好的预测精度和工程适用性。

4.4. 综合讨论

研究结论表明，集成了PSR和BN的评估框架能够有效克服传统方法的局限性。PSR模型提供了清晰的因果链和场景演化路径，而BN则赋予了模型处理不确定性和进行实时概率推断的能力。该模型不仅能够动态评估风险，还能通过敏感性分析 pinpoint（ pinpoint）出最关键的风险因素，为隧道设计、运营管理和应急决策提供了科学依据。例如，针对油罐车等高风险车辆，可以实施更严格的准入管制或加强特定区段的监控与灭火能力。同时，研究结果凸显了实时信息引导系统（如广播、可变信息板）在缓解火灾后果方面的巨大潜力。

综上所述，这项研究开发了一种PSR增强BN的隧道火灾动态风险评估方法。该方法能够整合实时监测数据，量化关键风险参数，动态预测火灾演化趋势，并识别主导因素。验证结果证明了其有效性和实用性。该研究为隧道火灾的实时风险研判、应急资源优化配置和主动式安全管理提供了强有力的理论工具和技术支撑，对提升长大隧道运营安全水平具有重要意义。未来的研究可进一步集成计算流体动力学（CFD）模拟以细化烟气运动预测，并结合机器学习优化条件概率表，以及考虑人员疏散行为动态，使模型更加精确和全面。