基于迁移学习的隧道火灾源参数反演方法及其全尺度应用研究

本文提出了一种基于迁移学习的隧道火灾反演框架，通过有限温度传感器数据（仅需6个）精准反演火源位置和实时热释放率（HRR）。该模型结合数值模拟与全尺度实验数据，在传感器稀疏分布、远距离甚至损坏情况下仍保持高精度（R2>0.99），为隧道火灾早期智能监测与应急决策提供创新解决方案。

　　

Highlight

我们的主要贡献可总结如下：

• •
  提出基于深度学习的反演框架，利用长短期记忆网络（LSTM）结合注意力机制，从有限温度传感器数据中反演火源位置和热释放率（HRR），捕捉隧道火灾的时空特征。
• •
  设计融合数值模拟、缩尺度与全尺度隧道火灾试验的迁移学习策略。
• •
  将实际场景中的传感器布局约束纳入反演框架，模型在不同传感器分布条件下均表现稳健，即使仅依赖远端传感器数据仍能保持精度。
• •
  通过全尺度隧道火灾试验数据验证模型在实际场景的应用效果，并利用蒙特卡洛丢弃法（Monte Carlo Dropout）量化预测置信度，提供支持应急决策系统部署的不确定性感知HRR反演。

Fire inversion approaches

在火源反演领域，现有方法主要分为两类：基于物理模型结合优化算法的方法，以及数据驱动方法。

基于物理的方法严重依赖预定义的物理模型。Richards等人提出利用逆传热分析估算HRR和火源位置的方法，后续通过实验验证。Overholt等人将 Consolidated Fire and Smoke Transport（CFAST）模型与优化算法结合，实现火源参数反演。

Inversion method for tunnel fires based on transfer learning

图1展示了基于迁移学习的隧道火灾反演方法，旨在利用有限温度传感器数据反演火源位置和实时HRR，并呈现模型与智能消防系统集成的框架。本研究数据集来源于数值模拟、缩尺度隧道火灾试验和全尺度隧道火灾试验。数值模拟作为模型的预训练数据。

Model tunnel in CFD

计算流体动力学（CFD）模型采用火灾动力学模拟器（FDS）构建。如图3(a)所示，模型隧道尺寸为750米（长）×15米（宽）×7.5米（高），火源尺寸为5米（长）×2米（宽）×0.5米（高）。环境空气温度和密度分别设为20°C和1.2千克/立方米，隧道壁面赋予混凝土热物性。

网格尺寸对数值模拟的精度和计算效率起关键作用。

Inversion performance of deep learning models

本研究使用归一化数据训练反演模型，并采用多种评估指标从不同角度评估性能。

训练期间，均方误差（MSE）作为主要损失函数，其二次特性对较大误差惩罚更重，有助于加速收敛。同时，对异常值不敏感的平均绝对误差（MAE）被并行监测，以辅助识别潜在过拟合。

Conclusions and future directions

本研究提出了一种基于迁移学习的隧道火灾反演方法，利用隧道顶部局部区域有限数量的温度传感器反演火源位置和实时HRR。通过整合三种数据源（CFD模拟、缩尺度火灾试验和全尺度火灾试验），构建了适用于真实火灾场景的反演模型。该方法显著降低了对传感器密度、布设精度以及大量全尺度实验数据的依赖。