通过物理引导的域适应方法，提高数据驱动型火灾温度场重建模型在大空间中的泛化能力

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Improving generalizability of data driven-based fire temperature field reconstruction models in large spaces through physics-guided domain adaptation

　　

林满生|苏东|李荣康|陈向生

摘要

准确预测火灾温度场对建筑安全和应急响应至关重要。然而，经过训练的数据驱动模型往往难以在不同几何形状、火灾位置和通风条件的场景中进行泛化。为了解决这一泛化问题，本文提出了一种领域自适应学习框架FPDA-LSTM-ResLap，该框架将对抗性训练与显式的物理先验相结合。该方法指导模型在学习领域不变的空间时间特征的同时，考虑了距离衰减和障碍物效应等物理机制。在十个不同的火灾场景以及深圳北站的真实世界案例研究中，该框架表现出色，在关键指标上优于监督学习和迁移学习基线。该框架能够在无需重新训练的情况下可靠地预测未见过的复杂环境，展示了其在领域转换方面的实际应用能力。这项工作为预测不同场景下的火灾温度场提供了一种有效的解决方案，提升了数据驱动模型在智能消防安全系统中的部署潜力。