基于知识引导的分层深度学习用于大空间火灾温度场重建

《ADVANCED ENGINEERING INFORMATICS》：Knowledge-guided hierarchical deep learning for large-space fire temperature-field reconstruction

　　

## 摘要

本文提出了一种分层协同深度学习框架，用于解决大空间火灾温度场重建中的物理不一致性以及参数不确定性引起的可靠性瓶颈问题。该框架集成了状态识别、物理参数推断和空间重建。首先，采用基于LSTM-FS的级联时序特征提取模块识别火灾燃烧阶段。然后，一种专用的LSTM-BiEC模型从离散传感器时间序列中自主预测火源坐标和物理常数，有效缓解了与人工参数预设相关的认知不确定性。最后，基于双指数径向扩散定律的物理信息神经网络（RCDBiE-PINN）重建高保真稳态温度场。与现有的单指数衰减或纯数据模型相比，该框架更准确地捕捉了近源极端值和远场衰减特征。本研究的主要贡献在于其能够从稀疏传感器数据中自动表示、推断和利用火灾动力学知识。通过将原始传感器数据流转化为显式的火灾状态和物理参数知识，并利用该知识实例化物理约束重建模型，该框架减少了场景级部署过程中重复的人工状态识别和参数预设工作，并为下游安全评估提供了机器可读的温度场接口。

## 引言

火灾事件对人员生命安全和社会财产构成持续威胁[1]、[2]。机场航站楼[3]、大型体育场馆[4]和高顶工业建筑[5]等大型室内空间的火灾风险管理十分复杂。首先，结构韧性评估依赖于精确获取热力学信息。大型结构的承载能力和灾后恢复能力直接取决于承重构件对火灾暴露的响应[6]、[7]；因此，高分辨率的表面和内部温度数据对于评估结构损伤和计算剩余承载能力至关重要。其次，详细的温度分布对紧急疏散和救援行动至关重要。这在地铁车站[8]和商场[9]等人口密集区域尤为明显，这些地方火势蔓延迅速，且具有明显的阶段特征。从可靠性工程的角度来看，这些实时热力学数据作为概率安全评估和热应力下系统失效概率评估的基本输入[10]。它们也是防止重大经济损失和挽救生命的关键[11]、[12]。

计算流体动力学（CFD）仍然是表征火灾动力学的最常见方法。CFD模拟不仅能以合理的准确度预测温度场的时空演化[13]、[14]，而且是推导经验公式和验证简化火灾模型的重要基准[15]、[16]、[17]。然而，CFD方法的高计算成本与实时响应需求之间存在显著矛盾。典型的火灾模拟需要数小时甚至数天才能根据可用的计算资源完成所有条件下的完整计算[18]、[19]。此外，CFD模型严重依赖于复杂的边界条件、湍流模型和网格质量，这严重限制了其在物理参数不确定的实时数字孪生系统中的应用[13]、[20]。因此，开发一种在保持物理保真度的同时实现快速后优化空间查询的方法，是火灾安全研究中亟待解决的紧迫问题。

近年来，基于深度学习和统计学习的火灾预测方法在克服传统CFD效率瓶颈方面展现了巨大潜力。研究人员不再局限于单一工具的应用，而是通过多维数据驱动方法和创新模型架构，实现了从基于点的预警到全场重建的转变。这一转变与建筑环境领域最近的数字孪生研究也是一致的，后者强调物理感知、数字表示和应用导向决策层的耦合[21]。对于地下展厅等复杂建筑，利用FDS模拟构建涵盖各种布局和高度温度特征库。特征提取后，随机森林模型可根据离散传感器分布快速反演关键排烟区内的平面温度场[22]。关于综合管廊火灾，一些研究将图像分割与改进的多粒子群算法相结合，利用高斯模型融合多源异构数据，实现火源定位和顶板温度分布的耦合预测[23]。关于时空演化和混合架构，当前趋势是通过多个神经网络协作来捕捉火灾动力学。例如，时序卷积网络可以处理热电偶采集的顺序数据以预测未来的顶板温度，这些输出驱动转置卷积神经网络从点测量值重建温度场的二维空间切片[24]。此外，为解决实际场景中的数据稀疏性问题，一些研究引入扩散模型进行数据增强，并利用脉冲神经网络的独特时空动力学特性实现高精度的火灾阶段分类[25]。在更广泛的数字孪生构建背景下，自适应深度长短期记忆（LSTM）网络用于处理传感器阵列的离散数据，通过捕捉时间相关性将数据转化为高维时空温度场，从而实现对全尺寸建筑火灾的超实时映射和危险区域预测[11]。

火灾数字孪生研究已从热场可视化向运行信息集成发展。一套真实现规模的"人工智能数字火灾"系统集成了物联网感知、云计算和深度学习，实时识别建筑火灾演化[26]。人员检测与追踪也已纳入智能应急数字孪生中，以提供实时疏散信息[27]，而火灾场景识别已与潜在风险评估和安全疏散信息生成相结合[12]。最近的一项综述将应急疏散数字孪生概念化为一个涵盖环境感知、虚拟重建、灾害模拟、风险预警和疏散规划的信息链[28]。与此同时，多模态声学-热学习已应用于稀疏观测条件下的建筑火灾温度场实时重建[29]。总体而言，这些研究表明，当场重建产生可被下游风险评估和应急响应模块消费的机器可读信息时，其价值更为显著。

尽管这些方法在推理速度方面具有优势，但在工程应用中仍面临瓶颈。第一个问题是数据依赖性和采集成本：纯数据预测的准确性严重依赖训练集质量。创建涵盖极端条件和多种场景的数据库需要在全尺寸或缩尺实验上投入巨大成本[15]、[30]、[31]。第二个问题是模型泛化能力和可解释性不足。当实际场景偏离训练分布（即遇到未见过样本）时，神经网络往往产生不可控的非物理偏差。这种"黑箱"特性和缺乏物理约束损害了安全关键基础设施中火灾安全部署的可靠性[32]。

物理信息神经网络（PINN）框架的出现弥合了物理机制与数据驱动方法之间的鸿沟[33]。大量研究将PINN应用于热传导问题[34]、[35]、[36]、[37]。在预测火灾温度场的背景下，顶板热平衡微分方程（通常在现有工作中简化为简单衰减函数或单指数定律[38]）被嵌入神经网络的损失函数中[39]、[40]。然而，这种简化约束难以解释近源羽流区域和远场烟气层之间的不同传热机制，可能导致系统重建偏差。通过微分方程残差编码更高保真度的物理定律，PINN能够在空间坐标与温度升高之间建立更稳健的物理关系。

此外，当前PINN研究仍面临由于"参数预设"带来的可靠性挑战。首先，基于物理的损失项构建严重依赖预先指定的物理参数。现有PINN模型通常需要对表征热交换和烟气速度衰减的常数进行预设值，以及火源中心的精确坐标。这一困难与近期火灾信息学研究[41]一致，该研究认为同步获取关键火灾控制物理参数对于实时评估火灾引起的结构状态至关重要。这引入了显著的随机不确定性，因为实时场景中的实际火灾参数往往不可观测或高度波动。其次，此类模型缺乏适应动态场景演化的能力。当火灾强度变化或环境边界条件波动时，预设的物理常数变得无效，可能导致物理导引项的预测误差。

为应对上述挑战，本研究提出了一种知识引导的分层推理框架，集成了时序状态识别、显式物理参数推断和物理约束空间重建。其贡献如下：

（1）为稀疏火灾感知建立了结构化的工程知识表示。原始温度序列被转化为显式的火灾状态知识和场景特异性物理参数知识，随后用于配置重建过程，而非仅作为潜在神经网络特征保留。

（2）开发了语义耦合的推理工作流。LSTM-FS识别物理有效窗口，LSTM-BiEC提供物理算子所需的火源和RCDBiE参数，RCDBiE-PINN将这些知识对象与当前场景的稀疏观测相结合。两个LSTM模块的贡献在于使物理信息重建引擎在不完整的现场信息下得以运行。

（3）RCDBiE算子提供了近场和远场径向衰减的显式表示，适用于本研究所考虑的有效域。与稀疏传感器约束的结合提高了物理一致性，并减少了重建阶段的全场标注负担。

（4）重建场被视为可查询的信息对象，而非仅是可视化输出。从场中导出的空间描述符形成了面向下游风险监控和工程评估模块的机器可读热信息接口。

本研究的方法论贡献在于一种知识引导的分层推理框架，该框架形式化了异构传感器数据如何被转化为、传播为和作为工程知识加以利用。

## 方法

全文中，双指数径向扩散定律指用于描述近场和远场顶板温度衰减的两尺度物理关系。LSTM-FS是用于火灾状态识别的长短期记忆网络；LSTM-BiEC是基于LSTM的双指数特征估计器；RCDBiE-PINN是由双指数径向扩散定律约束的物理信息神经网络；RCDE-PINN是其单指数对应版本，用作对照基线。

## 数据集

本研究基于[13]改编的地铁站火灾数据，场景尺寸为120 m × 44 m × 5.6 m。在该场景中设置了不同的火源位置、热释放速率、达到峰值热释放速率的时间（t? fire）和通风条件。所有工况下火源面积固定为1 m2。所有数值模拟的总持续时间固定为240秒。

火灾源特征在模拟场景构建中表现出统计随机性。

## 火灾燃烧状态预测

图7展示了LSTM-FS模型在各种场景中的状态预测结果。图7(a)展示了不同传感器配置的可视化热图。五种传感器配置（8×15、5×10、5×5、2×10和2×5）的平均稳态时间步预测误差分别为2.2、1.2、1.3、3.2和1.9个时间步（在十个测试数据集上）。对于大多数样本，稳态步预测准确，预测误差主要表现为延迟。

## 深圳北站换乘通道温度场预测的分层协同深度学习框架

为验证所提框架在复杂真实场景中的泛化能力，在深圳北站换乘通道中设置了火灾模拟场景。如图14所示，乘客通道长92 m，宽12 m，高4 m。图中指示了火源位置。其峰值热释放速率为3 MW/m2，机械排烟系统关闭。温度监测数据从……

## 基于双指数径向扩散定律和多头联合深度学习框架的物理信息补全

本研究通过将RCDBiE集成到PINN的损失函数中，构建了具有物理自修复能力的温度场重建机制。该设计的优越性不仅源于RCDBiE对近场和远场热流衰减的精确表征，还得益于前端多头架构的强有力支撑。LSTM-FS确保重建过程聚焦于物理定律最稳定的稳态窗口。

## 结论

本研究提出了一种面向大空间火灾温度场重建的知识引导分层推理框架。

其主要的工程信息学贡献在于将稀疏传感器数据流自动转换为显式的火灾状态和场景参数知识，随后利用该知识进行具有物理约束且支持空间查询的重构过程。LSTM 和 PINN 组件作为单独的学习工具已被广泛确立；贡献之处在于……

**CRediT 作者贡献声明**

Mansheng Lin：撰写—审阅与编辑，撰写—初稿，方法论，概念化。Dong Su：撰写—审阅与编辑，监督，项目管理。Rongkang Li：撰写—审阅与编辑。Xiangsheng Chen：项目管理，调查研究，资金获取。

**利益冲突声明**

作者声明不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。

**致谢**

作者感谢中国国家重点研发计划（编号：2023YFC3807500）和深圳大学2035卓越研究计划（编号：2022B007）对本研究提供的资金支持。

Mansheng Lin | Dong Su | Rongkang Li | Xiangsheng Chen