《Energy》：Study on real-time prediction framework for heat release rate and ceiling heat flux profile in a tunnel fire with lateral smoke extraction using deep learning
编辑推荐：
本研究针对耦合纵向通风与侧向排烟的隧道火灾，提出基于ResNet-18和ViT-Small的深度学习框架，通过火焰图像特征提取与物理先验信息融合，实现热释放率与天花板热流分布的实时全周期预测，解决传统物理模型在动态演化与多因素耦合场景下的局限性。
Kebin Song|Peng Hu|Lei Deng|Kazui Fukumoto|Xiaolei Zhang|Fei Tang|Longhua Hu
中国科学技术大学火灾科学国家重点实验室，安徽省合肥市230026
摘要：
隧道火灾由于空间狭小且通风条件复杂，因此存在严重的能源安全风险。一个典型的场景是火车顶部火灾，通常由受电弓故障引发，这不仅会释放大量热能，还会导致电能和燃料能量的浪费。本研究重点探讨了结合纵向通风和横向排风的耦合侧向烟雾排风系统对火灾热量释放速率和流场演变的影响，同时探索了一种基于人工智能的方法来预测火车火灾的动态。与传统的地面火灾相比，隧道内火车顶部火灾的燃烧速率呈现出非单调变化，流场的演变特征也有显著差异。为了揭示隧道火灾随时间的全周期变化预测过程，并克服传统火灾物理模型的时间限制，本文提出了一种使用深度学习的全周期、实时预测框架，用于预测火灾的热量释放速率（HRR）和天花板热流密度分布。该框架整合了ResNet-18和ViT-Small进行火焰图像特征提取，并结合物理先验信息作为辅助输入特征，以提高模型的预测性能和物理可解释性。这使得在隧道内纵向通风和横向排风的耦合条件下，能够快速准确地预测火灾的热量释放速率和天花板下的热流密度分布。
引言
作为现代交通基础设施的关键组成部分，隧道具有空间狭小、结构延长和通风条件复杂的特点。一旦发生火灾，这些特点会导致高温烟雾迅速积聚、火势蔓延加剧以及有毒气体浓度升高，往往造成灾难性后果[1]，[2]。例如，1999年的蒙布朗隧道火灾和2008年的英吉利海峡隧道火灾都造成了严重的伤亡和巨大的经济损失。一次铁路交通事故是由于火车顶部的受电弓故障引发的火灾。由于隧道空间有限且风险较高，这对隧道的通风和烟雾排风带来了挑战。在隧道火灾研究中，质量燃烧速率是一个极其重要的燃烧参数，因为它不仅表征了燃烧速率，还直接决定了火灾的规模。由此产生的热量释放速率（HRR）是火灾规模和严重程度的重要指标，对火灾的发展过程有着巨大影响。此外，HRR通过能量传递影响隧道天花板下的热流密度分布，从而影响隧道结构系统的性能[3]，[4]，[5]。因此，在复杂通风条件下快速准确地预测隧道火灾的全周期质量燃烧速率、热量释放速率和天花板热流密度分布已成为火灾安全科学中的一个紧迫挑战。
考虑到池火灾的质量燃烧速率，Deng等人[6]研究了不同侧风条件下正庚烷池火灾的质量燃烧速率受唇缘高度的影响。Yin等人[7]研究了侧风和空隙高度对中等规模庚烷池火灾质量燃烧速率的影响。Li等人[8]对庚烷和汽油在钢基底上的侧向连续泄漏燃烧行为进行了实验研究，重点关注燃料层的热反馈对火焰质量损失率的影响。Guo等人[9]研究了低压条件下甲醇和庚烷池火灾的演变，并提出了一种改进的停滞理论解来模拟低压下对流控制池火灾的质量燃烧速率。Zhang等人[10]研究了在不同侧风条件下不同储罐空隙高度下的乙醇池火灾燃烧速率。进一步考虑隧道环境的影响，Roh等人[11]重点研究了纵向速度与三种代表性燃料燃烧速率之间的关系，发现风速增加会导致甲醇火灾燃烧速率降低，而丙酮和正庚烷火灾燃烧速度加快。Li等人[12]在隧道中对不同燃烧器纵横比下的正庚烷池火灾进行了大量实验，发现随着纵横比的增加，质量燃烧速率呈现先减后增的趋势，并建立了经验相关性。Yao等人[13]分析了隧道中燃料控制池火灾对单位面积质量损失率（MLRPUA）的影响，发现当池直径小于0.2米且有效隧道高度与池直径之比低于3时，MLRPUA随纵向速度的增加而减小。Shafee等人[14]研究了纵向速度下隧道中双火源的燃烧行为，强调了池深度、火源间距和池大小对质量燃烧速率的影响。Zhao等人[15]在隧道中进行了双火源场景的实验，证明双火源条件下的稳态燃烧速率超过了单火源条件。
考虑到隧道火灾的热量释放速率，Tomar等人[16]进行了一项综述，研究了被动防火措施对公路隧道火灾热量释放速率的影响。Mégret等人[17]基于庚烷池火灾实验开发了一个半经验性的HRR模型。Li等人[18]研究了通风速度和隧道横截面对HRR的影响，发现对于通风充足的庚烷火灾，隧道宽度对HRR的影响可以忽略不计，而较低的隧道高度则显著增加了HRR。He等人[19]研究了纵向速度对车厢火灾临界过量HRR的影响，并建立了一个无量纲关系式。Zhou等人[20]使用锥形量热计测量了火车结构可燃材料的热量释放速率，并建立了高速火车火灾的数值模型，表明通风开口面积、火功率、火灾位置和纵向速度都强烈影响了HRR。
考虑到隧道火灾的热流密度分布，Shaw等人[21]进行了全尺寸车辆火灾实验，发现表面热流密度值在20到70 kW/m2之间变化，而经典的比例定律可以将结果外推到不同的隧道几何形状和车辆尺寸。Chen等人[22]研究了具有纵向通风的隧道中靠近火源的侧壁上的入射热流密度，并建立了燃烧器-侧壁距离与热量释放速率之间的热流密度相关性。Chen等人[23]比较了纵向通风下弱火羽流和强火羽流的热传递特性，揭示了天花板向下辐射热流密度的差异，并基于尺寸分析提出了天花板热流密度分布的预测相关性。Xu等人[24]研究了倾斜隧道中的坡度效应，发现坡度的增加显著加剧了从上游到下游的热流密度变化，并提出了天花板热流密度的预测相关性。Fan等人[25]结合了视角因素、辐射分数和火焰表面积，建立了拱形隧道近场辐射热流密度模型，为预测复杂隧道几何形状中的辐射热流密度提供了理论基础。
尽管现有的物理建模方法在稳态火灾燃烧条件下表现出合理的预测准确性，但其适用性仍然受到很大限制。一方面，隧道火灾的发展通常包括点火、增长、稳定燃烧和衰减等多个阶段。当前的物理模型通常只在稳定燃烧阶段有效，因此难以实现准确的全周期预测。另一方面，在隧道火灾中纵向通风和横向排风的耦合效应下，湍流、热反馈和火焰不稳定性的相互作用进一步复杂化了火灾燃烧过程。因此，基于物理的模型在应用于不同场景时往往需要频繁调整，从而限制了它们的通用性和鲁棒性。
近年来，以深度学习为代表的数据驱动方法在火灾全周期状态感知中的应用日益增多，因为它们在特征表示和非线性映射方面具有强大的能力[2]，[26]，[27]，[28]，[29]，[30]，[31]。Yar等人[26]提出了一种创新的Vision Transformer（ViT）架构，利用移位补丁分块和局部自注意力模块高效识别和分类火灾场景。Khan等人[27]提出了一种基于人工神经网络（ANN）的智能模型，通过结合隔间几何形状和火灾位置的知识来预测可用的安全疏散时间。Deng等人[28]，[29]利用改进版的视觉几何组16层网络（VGG16）、LeNet和AlexNet来预测不同风速和池火灾数量下的质量燃烧速率，表明改进后的VGG16相比以往的研究实现了更准确的瞬态燃烧速率预测。Ding等人[30]开发了一种硬件高效的二进制事件轮廓生成器和支持向量机分类器（BEC-SVM）火焰检测算法，实现了96.6%的火灾检测精度。Wang等人[31]使用卷积神经网络（CNN）模型预测火灾的瞬态热量释放速率，他们的结果表明，仅使用火灾图像就可以实现准确的识别，而不受火灾类型、背景、照明和相机参数的影响。
在隧道火灾研究中，火车顶部火灾是一个典型的火灾场景。然而，现有的研究主要集中在纵向通风条件下的火灾行为，而关于纵向通风和横向烟雾抽取耦合条件下的燃烧特性的一些研究仍然相对有限。
基于此背景，本研究旨在实现隧道火车顶部火灾在纵向通风和横向抽取耦合效应下的全周期、实时和准确的火灾热量释放速率和热流密度分布预测。为此，进行了一系列实验，考虑了纵向通风、横向抽取和燃烧器纵横比。基于收集的数据集，包括火灾视频、质量燃烧速率和热流密度分布，采用了两种深度学习框架ResNet-18和ViT-Small来提取火焰特征。通过进一步结合物理先验信息作为约束，提出了一个实时预测框架，能够同时预测多个火灾参数，包括热量释放速率和天花板热流密度分布。该框架不仅提供了一种在复杂通风条件下快速获取火灾参数的全周期方法，还为隧道火灾预防和安全管理提供了坚实的科学基础。
实验设置
实验装置
图1展示了本研究中采用的火灾模拟实验平台。实验在尺寸为22米（长度）× 1.2米（宽度）× 0.8米（高度）的缩比隧道平台上进行[5]，[19]，[29]。平台上安装了一个尺寸为20 × 15厘米的横向烟雾排风口。该平台配备了可控的通风系统，可以独立调节纵向速度和横向抽取速度
通风隧道中质量燃烧速率的物理分析
图2和图3展示了在不同纵向通风条件下隧道地面火灾的稳态质量燃烧速率的变化及其与燃料池纵横比的关系。如图2所示，在稳定燃烧阶段，质量燃烧速率保持大致恒定，这个恒定值定义为给定条件下的稳态质量燃烧速率。
图3展示了稳态质量燃烧速率的变化
结论
本文研究了隧道火灾中的质量燃烧速率、热量释放速率和天花板热流密度分布，包括基于人工智能的物理分析和火灾情况预测。实验在一个1/8的小型隧道中进行，研究了不同的纵向速度、横向抽取速度和燃烧器纵横比。主要结果如下：
(1)具有纵向通风的隧道中火灾质量燃烧速率的演变规律是
作者贡献声明
Xiaolei Zhang：撰写 – 审稿与编辑。Kazui Fukumoto：撰写 – 审稿与编辑。Lei Deng：撰写 – 审稿与编辑。Peng Hu：撰写 – 审稿与编辑。Kebin Song：撰写 – 原始草稿、方法论、数据整理。Longhua Hu：撰写 – 审稿与编辑、资金获取。Fei Tang：撰写 – 审稿与编辑、监督、资金获取
利益冲突声明
? 作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金（NSFC）的支持，项目编号为U25A20331、52225605、52522607、U24A20172和W2432034。
