关于TCNN增强型自适应隧道火灾烟雾控制系统的研究：理论、技术框架与数值验证

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Study on the TCNN-augmented adaptive smoke control in tunnel fires: theory, technical framework, and numerical demonstration

　　李江东|刘雷|朱凯|张天航|吴科
中国应急管理部土木工程灾害控制与应急响应重点实验室，浙江大学

**摘要**
在隧道火灾场景中，及时、有效且设计合理的烟雾控制策略能够显著提高被困人员的安全性和灭火操作的效果。然而，大多数现有研究关注的是准稳态条件，而忽略了烟雾控制过程的动态特性。本研究提出了一种基于TCNN（转置卷积神经网络）增强和反向层长度的自适应烟雾控制框架，以解决隧道内传感器分布稀疏和信号传输受限的问题。该框架由三个核心组件组成：物联网设备、人工智能引擎和自适应控制算法。这些模块分别负责火灾数据采集、切片温度重建和通风速度调节。参数分析表明，随着传感器间距的减小，TCNN模型的准确性逐渐提高，但由于输入反向层长度的误差和动态响应延迟，控制性能首先得到改善，随后趋于稳定。与传统直接信号输入的自适应控制方法相比，TCNN增强框架在传感器分布稀疏的情况下实现了更稳定的烟雾控制性能，反向层长度（σLb）和纵向速度（σV）的标准偏差分别降低了69.2%和55.0%。这些发现为隧道烟雾控制系统的动态特性提供了新的见解，为提高复杂火灾场景中通风策略的可靠性、响应性和安全性奠定了理论基础和实际指导。

**引言**
隧道对社会和经济发展具有重要意义，可以有效缓解城市交通拥堵，提高运营效率，并通过增加便利性和整体生活满意度来提升居民的生活质量。近年来，隧道数量的增加和车辆流量的增长导致了隧道火灾事件的频发（吴等人，2026b）。由于这些火灾具有严重的社会影响和巨大的经济损失，引起了公众和学术界的广泛关注（李等人，2026；张等人，2026）。隧道火灾已成为运营期间最危险的隐患之一（任等人，2019），高温有毒烟雾是造成人员伤亡的主要原因，占所有死亡和受伤人数的85%以上（张等人，2021）。因此，研究隧道火灾中的烟雾运动行为并采取迅速、合理且高效的烟雾控制策略对于保护人员生命至关重要（陈等人，2022；刘等人，2022）。
纵向通风是隧道消防安全工程中最广泛采用的烟雾控制策略，因其操作简单且可靠性高而受到青睐（汤等人，2020）。一旦发生火灾，一方面，热烟会上升并受浮力作用向侧面蔓延；另一方面，纵向通风作为惯性力试图将烟雾推向下游。如图1所示，上游烟雾前沿与火源之间的纵向距离称为反向层长度，临界速度是指烟雾反向层消失时的最小通风速度。临界速度是隧道火灾设计中的重要参数，因为它有助于为火灾上游的灭火和救援创造安全路径。
Thomas（1968）首次提出了一个基于弗劳德数（Fr）的临界速度经验模型。他们发现，当Frc = 1时，纵向速度达到临界速度状态，标志着有效的烟雾控制。然而，Frc不是一个普遍常数，会随着热释放率（HRR）和隧道几何形状的变化而变化，限制了其在不同隧道条件下的适用性。为了解决这个问题，Oka和Atkinson（1995）基于大规模模型实验开发了一个分段无量纲的临界速度模型。张等人（2021）进一步考虑了隧道横截面几何形状的影响，并提出了反向层长度和临界速度的修正模型。这些模型为不同配置隧道的烟雾控制设计提供了宝贵的指导。由于临界速度的概念具有清晰的物理机制和易于计算的优点，它在规范中得到了广泛应用。它在最坏情况下的隧道通风设计中是一个实用工具。鉴于真实的隧道火灾场景更为复杂，已经进行了大量研究来探索考虑火灾规模（李等人，2010；吴和Bakar，2000）、火灾位置（Gannouni，2022；刘等人，2020）、隧道几何形状（李和Ingason，2017；Vauquelin和Wu，2006）及其他关键因素的临界速度模型。
需要注意的是，大多数关于临界速度的现有研究基于准稳态假设，临界速度的计算通常依赖于边界条件，如热释放率和火灾位置（FL）。然而，真实的隧道火灾表现出高度动态和变化的特点，相关边界参数往往未知或无法实时获得（吴等人，2021）。在这种情况下，应用预定义的烟雾控制策略（如激活所有喷嘴风扇）可能有助于有效抑制反向层现象，但也可能导致过度通风。这种过量的气流会破坏下游烟雾的分层，阻碍人员疏散，甚至通过提供额外氧气加剧火灾，可能引发次生危险（Roh等人，2008）。这些挑战揭示了基于临界速度理论的传统烟雾控制策略的局限性，强调了需要更适应真实隧道火灾不确定性和瞬态特性的方法。
物联网（IoT）、人工智能（AI）和数字孪生（DT）技术的快速发展（韩等人，2025；张等人，2024c；邹和马，2025）为解决隧道火灾的“黑箱”问题提供了新的技术基础，并实现了智能烟雾控制策略（谢等人，2025；张等人，2022a；张等人，2024a）。在自适应烟雾控制方面，部署在隧道中的基于IoT的传感设备（如风速计、光纤温度传感器、火焰探测器和烟雾探测器）可以捕捉火灾场景的实时状态，并提出更有效的烟雾控制策略（Hodges等人，2019）。洪等人（2022a，2022b）首次应用比例-积分-微分（PID）控制器来管理隧道火灾烟雾。在火灾动力学模拟器（FDS）数值建模的框架下，他们利用高温传感器（来自天花板热电偶和烟雾探测器）的反馈动态调整进风流速，在不同的热释放率和火灾位置下实现了有效的烟雾调节。郭等人（2024）通过缩小规模的物理实验进一步扩展了这项工作，使用温度偏差来调整风扇频率和纵向速度。这验证了自适应烟雾控制策略在实际应用中的可行性。此外，通过分析垂直温度分布，郭等人（2024）证明自适应控制不仅抑制了反向层现象，还保持了良好的烟雾分层。为了解决火灾位置的随机性，胡等人（2024）完善了闭环烟雾控制逻辑，并提出了一种基于反向层长度的自动速度调整方法。使用沿隧道天花板排列的五排高密度热电偶阵列，烟雾控制系统首先识别火灾位置，然后估计烟雾传播的范围和趋势，最终相应地调整纵向速度。
需要指出的是，现有的自适应烟雾控制研究通常依赖于物理密集型的传感方案来支持高效和高精度的控制。例如，洪的工作中的基于温度的控制需要频繁更新温度和速度数据（洪等人，2022a），而胡的工作中的基于反向层的控制依赖于密集分布的天花板温度传感器（胡等人，2024）。然而，在现实中，传感器部署通常受到安装条件和通信带宽的限制（江等人，2025）。例如，传统的分布式温度传感系统（如光纤布拉格光栅，FBG）的空间分辨率通常只有10米，采样频率约为1赫兹，远低于大多数现有研究中的假设。此外，由于基础设施老化或在极端火灾条件下的传感器故障，传感器的可靠性可能会随时间降低，进一步降低了火灾场景感知的灵敏度。这些实际限制突显了在有限传感条件下开发有效烟雾控制框架的关键研究需求，而这方面的研究仍然 belum得到充分探索。
此外，当前的研究主要集中在展示烟雾控制系统的有效性上，表明控制系统可以通过设置适当的控制参数在各种火灾场景中实现目标。然而，在实践中，烟雾传播和通风控制受到多种动态因素的影响，包括火灾条件、应急响应、通风激活方法等。因此，探索自适应烟雾控制的潜在机制不仅有助于解释观察到的控制结果，也有助于优化系统性能。尽管其重要性显而易见，但现有文献中关于控制过程和机制的深入讨论仍然有限。
为了填补实际应用和自适应烟雾控制系统机制分析方面的研究空白，本研究提出了一个数据增强的自适应烟雾控制框架。采用TCNN模型从离散测量点重建高分辨率的火灾场信息，以克服传感器间距的限制，该模型因其强大的准确性和鲁棒性而被广泛采用（吴等人，2021；吴等人，2022；张等人，2022c）。通过对烟雾控制过程及其潜在机制的深入研究，本研究进一步探讨了选择控制参数（如纵向速度调整率）的原理，并研究了传感器间距和火源特性对烟雾控制性能的影响。此外，所提出的框架与传统基于反向层长度的烟雾控制策略进行了比较。通过结合数据驱动的预测和基于机制的控制逻辑，本研究有助于提高隧道火灾烟雾管理的可靠性和响应性，为设计更安全、更具韧性和适应性的实际紧急情况下的通风控制策略提供了实用指导。

**章节摘录**
**自适应烟雾控制框架**
本研究提出了一种基于TCNN增强和反向层长度的自适应烟雾控制框架。该系统适用于不同的传感器部署配置，为隧道火灾期间的高效和稳定烟雾控制提供了统一的解决方案。这种集成方法实现了三个关键功能：（1）基于传感器的火灾监测，收集和处理来自隧道传感器的稀疏温度数据；（2）高保真的火灾场景重建，推断火灾热状态。

**自适应烟雾控制过程演示**
对自适应烟雾控制过程的详细分析对于开发理论框架至关重要，并为解释和优化控制性能奠定了基础。以一个代表性的案例为例，热释放率为10 MW，火源位于隧道入口40米处，纵向速度调整因子为0.010，传感器间距为4米，通过切片温度轮廓可视化烟雾运动和烟雾前沿位置的变化情况。

**结论**
本研究提出了一种由物联网设备、人工智能引擎和控制算法组成的自适应烟雾控制框架，解决了现有方法依赖密集物理测量的局限性。从烟雾控制过程和机制的角度出发，系统地分析了纵向速度调整因子、传感器间距、信号输入策略和火灾特性对烟雾控制性能的影响。

**作者贡献声明**
李江东：写作——审稿与编辑、原始稿撰写、调查、概念化；
刘雷：形式分析、数据整理；
朱凯：写作——审稿与编辑、监督；
张天航：写作——审稿与编辑、监督、资金获取、概念化；
吴科：资源调配、项目管理、方法论、资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争利益或个人关系可能影响本文报告的工作。

**致谢**
本项目得到了国家自然科学基金（52508459、52478422）、浙江省自然科学基金（项目编号LMS26E080007）、物联网技术应用中心（杭州）（202401T）以及CPSF博士后奖学金计划（项目编号GZC20241518）的支持。