利用基于物理信息的神经网络(PINN)结合在线更新的稀疏监测数据,实现对动态隧道火灾引发的温度场演变的实时全场重建与预测
《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》:Real-time full-field reconstruction and prediction of temperature field evolution stimulated by dynamic tunnel fires using a physics-informed neural network (PINN) assisted by online-updated sparse monitoring data
【字体:
大
中
小
】
时间:2026年05月05日
来源:TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY 7.4
编辑推荐:
李江|郭欣|杨莹|杨东
重庆大学土木工程学院,重庆400045,中国
**摘要**
在隧道火灾中,全场温度信息对于危险评估和应急决策至关重要。虽然离线深度学习模型在温度场重建方面非常有效,但它们严重依赖预先建立的大型数据集。因此,一旦实际情况超出数据集的范围,模型的
李江|郭欣|杨莹|杨东
重庆大学土木工程学院,重庆400045,中国
**摘要**
在隧道火灾中,全场温度信息对于危险评估和应急决策至关重要。虽然离线深度学习模型在温度场重建方面非常有效,但它们严重依赖预先建立的大型数据集。因此,一旦实际情况超出数据集的范围,模型的性能就会下降,尤其是在热释放率(HRR)随时间变化的动态场景中,预测结果会变得不可靠。为了克服这一局限性,本研究提出了一种无需预训练的物理信息神经网络(PINN)。该网络通过在线顺序学习不断地整合传入的稀疏监测数据,以动态适应火灾的发展,从而实现全场温度场的重建和预测。数值实验的定量评估表明,在空间时间采样率为1.25%的情况下,PINN框架的重建精度优于基准方法;更重要的是,在纯粹数据驱动的方法无法产生有效预测结果的情况下,PINN仍能保持稳定的预测性能。具体而言,在热释放率变化的情况下,该框架在50秒的预测时间内仍能保持决定系数(R2)>0.90。顺序重建和预测的平均绝对百分比误差(MAPE)分别为1.69%和1.96%。不确定性分析显示,95%置信区间的覆盖率超过85%。通过使用稀疏垂直监测数据和仅十个天花板传感器的全尺度实验进一步验证了该框架的准确性,该框架能够在700米长的隧道段内实现比实时更快的局部垂直温度分层和天花板温度预测,且在50秒的预测时间内R2>0.90。这些结果证明了PINN是一种在热释放率变化条件下实现实时温度重建和比实时更快预测的有效方法。
**引言**
隧道是现代交通系统的重要组成部分,支持高效和连续的交通流。然而,一旦发生火灾,封闭的几何结构和有限的通风会导致热量迅速积累和烟雾扩散,严重威胁疏散安全与结构完整性(Ma等人,2025年;Yang等人,2025年)。在这种情况下,空间时间的温度分布是危险评估的关键指标。因此,准确实时重建当前温度场并预测其未来演变对于及时决策和稳健的安全管理至关重要。
传统的隧道火灾温度场建模和预测方法主要包括经验模型、解析公式和数值模拟。经验模型和分析模型可以快速估计烟雾运动和温度分布,但由于它们依赖于简化的假设,无法捕捉热释放率随时间变化等非线性且快速演变的情况(Guo等人,2025年;Huang等人,2021年;Ji等人,2019年;Liu等人,2022年;Ma等人,2025年;Qiu等人,2025年;Zhao等人,2025年)。计算流体动力学(CFD)可以提供详细的温度和流场表示,但其计算效率通常滞后于实际火灾的发展。此外,CFD模拟方法依赖于预定义的边界条件,如热释放率(HRR),而在实际情况中HRR是未知且随时间变化的,这限制了其在实时火灾重建中的应用(Cai等人,2025年;Gao等人,2025年;Ma等人,2024年;Yang等人,2021年)。
在这种背景下,数据驱动方法因能够直接将监测数据映射到关键场变量(如温度和烟雾分布)而受到越来越多的关注(Li等人,2025年;Peng等人,2022年;Zhao等人,2024年)。这些方法在建筑火灾中得到了验证,因为建筑物的空间布局相对均匀,传感器部署更加灵活(Cheng等人,2025年;Shi等人,2025年;Wang等人,2024年)。然而,这些方法严重依赖密集和高频率的传感器数据,而这在隧道中难以实现。隧道的延长几何形状以及维护交通运营的需求对传感器安装提出了严格限制,导致监测数据稀疏且分辨率可能较低。 recent研究探索了多种数据驱动方法来重建和预测隧道火灾温度场(Gao等人,2025年;Guo等人,2022年;Hong等人,2022年;Sun等人,2023年;Wu等人,2026年)。在实时重建方面,Sun等人(2022年)应用了一种非物理基础的蚁群优化网络,通过学习纵向距离与温度之间的关系从稀疏传感器数据中重建天花板温度分布;然而,其性能高度依赖于传感器数据的密度和准确性。Guo等人(2024年)利用在模拟数据上训练的Transformer模型进行实时温度场重建。虽然有效,但该方法的主要局限性在于它依赖于全覆盖的天花板传感器数据。此外,Transformer模型仅在热释放率稳定的情况下才有效。在演变预测方面,Fei等人(2025年)开发了一个多尺度小波卷积神经网络,基于10秒的历史输入预测温度场随后10秒的演变。Hong等人(2024年)创建了一个深度学习模型,使用隧道坡度、热释放率、通风速度和环境温度四个关键参数进行预测,该模型在1000个模拟案例上进行了训练。尽管庞大的数据集可以涵盖大量模拟案例,但由于模型依赖于离线训练,其泛化能力受到限制。因此,一旦实际情况与预定义的训练数据集分布大相径庭(例如HRR的意外动态波动),模型的预测准确性会迅速下降。为了应对更复杂的火灾情况,Wu等人(2026年)扩大了数据集覆盖范围(通风速度2-4米/秒,热释放率5-50兆瓦),并提出了一种多粒度时空缓冲网络以实现长期预测。然而,这种策略仍然严重依赖数据量。鉴于模拟无法完全复制实际火灾情况的复杂性,这种依赖性对实际应用带来了显著不确定性。
虽然数据驱动方法在空间重建和时间预测方面显示出潜力,但由于它们完全依赖于统计相关性来构建预测映射,因此在实际应用中的可行性受到极大限制,因为它们依赖于密集的数据和庞大的离线数据集。首先,在物理参数重建方面,由于隧道监测数据本身就较为稀疏,全场重建变得非常不确定。这一挑战在预测方面更加突出。由于离线预训练模型依赖大型训练数据集来记忆火灾模式,它们的泛化能力受到预定义数据分布的严格限制。因此,它们无法适应未知和随时间变化的边界条件,特别是波动的热释放率。一旦实际动态与静态数据库不符,这些模型就无法预测火灾的演变。
物理信息神经网络(PINN)是一类将物理定律直接整合到神经网络训练过程中的建模方法(Chen等人,2025年;Huang等人,2025年;Liu等人,2025年;Wei和Ooka,2025年;Xie等人,2025年;Yang等人,2025年;Yang等人,2026年)。通过将控制方程嵌入损失函数,PINN确保网络的输出不仅符合数据,也符合基本物理原理。这种方法相比纯粹数据驱动的方法具有显著优势,即使在监测数据非常稀疏的情况下也能实现高保真度的物理场重建。这种方法的有效性已在各种热流体问题中得到验证。例如,Zobeiry和Humfeld(2021年)利用PINN结合热传导方程和对流边界条件预测烤箱内部部件的温度,成功推断出未监测区域的温度。Wei和Ooka(2023年)从稀疏传感器测量数据中重建了二维室内速度场,并分析了数据量对PINN性能的影响。Jing等人(2024年)将动量和质量守恒方程嵌入网络,利用不完整的测量数据准确重建了三维室内气流速度场。Zhou等人(2026年)应用PINN预测高地热隧道中的温度场。通过整合热传导微分方程,该模型使用稀疏测量数据实现了准确的重建,其准确性优于纯粹数据驱动的方法。
尽管PINN在各种热流体应用中显示出潜力,但将其适应隧道火灾场景仍然是一个关键挑战。与相对稳定的系统不同,隧道火灾的特点是具有高度瞬态的动态特性和陡峭的温度梯度。然而,传统的PINN通常是在固定的时空域上进行离线训练的。它们缺乏在火灾发展过程中实时整合传入监测数据的内在能力。在热释放率变化的情况下,这一缺陷尤为严重。由于网络参数在离线训练后保持不变,模型无法与快速演变的火灾动态同步,导致预测结果随时间推移而发散。
为了克服这些缺点,本研究提出了一种用于实时重建和比实时更快的全场推理隧道火灾温度演变的物理信息顺序学习框架。与传统依赖于庞大历史数据库的范式不同,该框架采用滑动窗口策略,持续整合传入的数据以实时更新模型状态,从而消除了离线预训练的需求。这种动态范式与传统静态深度学习方法的主要区别在图1中概念性地进行了说明。通过将控制保守方程作为物理残差约束嵌入网络,该模型能够直接从少量的监测数据中进行稳健的推理。这种提出的PINN允许同时重建未观测的温度场,并比实时更快地预测其未来演变,展示了在整个动态火灾过程中强大的适应性。
**基于PINN的方法用于隧道火灾温度场的时空重建和预测**
图2展示了所提出的框架,该框架利用仅靠稀疏的空间时间监测数据(空间采样间隔为Sx和Sy,时间采样间隔为St)实现隧道火灾温度场的实时重建和比实时更快的预测。在物理约束的指导下,神经网络在时间窗口(t∈[0,Nt])内重建温度场,并预测其在未来时间范围(t∈[Nt,Nt+τpred])内的演变。
**基于数值模拟的设计验证案例**
为了系统验证第2节中提出的PINN框架,本研究采用了在火灾研究中广泛使用的火灾动力学模拟器(FDS)(Wu等人,2025年;Ye和Zhang,2023年;Zhang等人,2025年)来设计具有代表性的基准场景。生成的模拟数据用于:(1)模拟稀疏的实时监测数据以驱动在线顺序学习过程;(2)提供全场温度分布作为真实值。
**结果与讨论**
本研究中的所有深度学习模型均使用PyTorch框架实现。网络参数使用AdamW优化器进行迭代优化,初始学习率为0.001。所有计算任务,包括数据预处理、模型训练和全场推理,都在单个NVIDIA RTX 4090 GPU(24 GB)上执行。
**结论**
实时全场温度信息对于隧道火灾中的危险评估、应急决策和控制至关重要。虽然传统的纯粹数据驱动方法能够重建火灾温度场,但它们本质上依赖于庞大的数据集来预先学习火灾动态。因此,当目标场景与训练数据分布偏离时,尤其是热释放率动态变化的情况下,它们的性能会下降。
**作者贡献声明**
李江:撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论、调查、形式分析、数据管理。
郭欣:撰写——初稿、验证、软件、调查、数据管理。
杨莹:撰写——初稿、可视化、形式分析、数据管理。
杨东:撰写——审稿与编辑、撰写——初稿、可视化、方法论、资金获取、形式分析、数据管理、概念化。
**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文所报告的工作。
**致谢**
作者感谢国家自然科学基金(NSFC)在项目编号52476104下的支持,特此表示感谢。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号