《International Journal of Heat and Fluid Flow》：A computationally efficient ANN surrogate model for predicting thermal interactions between hot particles and fuel layers
编辑推荐：
•数值模型用于模拟下落颗粒向燃料层传递热量的过程。•人工神经网络可在16维参数空间内预测燃料层的最高温度。•替代模型可进行超过一亿次预测，以覆盖整个参数空间。•预测结果与从无法点燃到开始燃烧的实验过渡阶段高度吻合。•人工神经网络替代模型可快速对点火风险进行概率评估。引言在确定火灾
- •
数值模型用于模拟下落颗粒向燃料层传递热量的过程。
- •
人工神经网络可在16维参数空间内预测燃料层的最高温度。
- •
替代模型可进行超过一亿次预测，以覆盖整个参数空间。
- •
预测结果与从无法点燃到开始燃烧的实验过渡阶段高度吻合。
- •
人工神经网络替代模型可快速对点火风险进行概率评估。
引言
在确定火灾起因时，火灾调查人员必须明确点火顺序。点火顺序所需的因素包括点火源、初始燃料以及氧化剂（NFPA 921，2024）。一个有效的点火源“需具备足够能量，并能将这种能量传递给燃料足够长的时间，从而使燃料达到点火状态”（NFPA 921，2024）。因此，判断点火能力时需要评估点火源的特性（如温度、能量、热量传递机制）以及初始燃料的特性（如点火温度、临界热流密度、材料属性）。对于火灾调查人员和消防工程师而言，热颗粒或余烬的点火能力是一个常见的问题。解决这一问题的理论基于基本的热传递原理，但需要通过实验加以验证。然而，设计可靠的实验来研究这一问题十分复杂。从理论上讲，余烬或热颗粒必须保留足够的能量，才能将足够多的能量传递给燃料，从而引发燃烧，无论是阴燃还是明燃。另有研究通过数值模拟和实验发现，简单的基于能量的点火标准需要进行修正，还需考虑颗粒大小和温度等因素（Hadden等人，2011；Wang等人，2015）。已有研究针对直径为0.8–19.1毫米、温度为500–1300摄氏度的热钢球点燃纤维素燃料床的情况（Hadden等人，2011），以及直径为6–14毫米、温度为935–1030摄氏度的热钢粒点燃膨胀聚苯乙烯泡沫的情况（Wang等人，2015）进行了研究。这些研究发现，较小的颗粒需要更高的温度才能引发燃烧，而与纤维素及森林燃料相比，膨胀聚苯乙烯泡沫需要更高的颗粒温度才能被点燃。热点点火理论虽能在定性上反映实验趋势，但在定量上并不准确（Hadden等人，2011）。
还有研究者研究了移动的热金属颗粒点燃膨胀聚苯乙烯泡沫的影响（Wang等人，2024），以及自然燃料阴燃点火的相关问题（Urban等人，2017）。影响点火所需关键条件的因素有很多。体积更大、温度更高的颗粒更易引发点火，因为它们能向燃料传递更多能量（MacKenzie等人，2001）。燃料的含水量、密度、比热容、热导率以及化学成分等也会影响其点火难易程度（Di Blasi，2015）。环境温度、氧气浓度和空气流动同样会作用于点火过程（Lee和Linteris，2005）。热颗粒与燃料接触的时间长短也很关键，接触时间越长，点火的可能性就越大（Zhou等人，2018）。已有研究使用Gpyro——一种通用的热解模型——对特定燃料和颗粒材料的这些过程进行了数值建模（Lautenberger和Fernandez-Pello，2009）（Javaloyes等人，2025）。当需要进行大量模拟以进行全面的参数分析时，这类模型的计算量非常大，而且仅能在有热化学数据支持的特定燃料上应用。目前，火灾调查人员依赖点火表（Babrauskas，2001），这些表格根据颗粒和燃料的特性来比较点火的可能性。但这类经验数据无法涵盖现实场景中颗粒大小、温度、颗粒属性以及燃料属性的各种变化情况。
人工智能技术能够显著推动热传递和点火领域的进展。物理信息神经网络作为一种极具潜力的工具，可将通常以偏微分方程形式表达的物理定律融入学习过程中（Raissi等人，2019）。不过，将物理信息神经网络应用于实际的热传递和点火问题时往往会面临诸多挑战，因为有效热传递系数等参数往往是通过经验关联式来描述的，而这些关联式属于分段函数，并非完全由偏微分方程决定。这就导致了函数的不连续性或导数不存在的情况。本研究通过基于数值预测训练模型，构建了一个用于快速概率评估的计算框架，以此应对这一挑战。研究选择了一种计算速度快的数值模型，该模型用于模拟热颗粒向燃料层传递热量的过程，且不涉及反应，几乎可以适用于任何参数范围内的燃料和颗粒。这样的快速模型使得能够在广泛的参数空间内进行四百万次以上的模拟，从而为构建人工神经网络替代模型提供充足的训练数据。为了了解模型中最敏感的参数，并提高受这些参数影响的计算结果的准确性，需要进行详细的全局敏感性分析。同时，简化那些不太敏感的参数也同样重要，这样才能提升整个模型的计算效率。
章节要点
数值方法
本研究主要分析一种数值模型，该模型用于模拟固体颗粒在空气中下落并与燃料层相互作用时的温度变化情况。选择这种模拟模型进行研究，是因为它与火种点燃、焊接作业产生的火花点燃以及其他多种以点火能力为关键因素的类似点火场景极为相似。该热传递模型能够计算对流
人工神经网络替代模型的构建
为更高效地探索参数空间并实现快速预测，研究人员构建了人工神经网络替代模型。在科学计算和工程领域中，替代模型指的是一种更为简单、计算速度更快的模型，它被用来近似描述更为复杂、计算成本更高的“高保真模型”的行为。构建替代模型的主要目的是降低计算成本。人工神经网络在捕捉复杂现象方面具有很强的能力，
燃料：纤维素
为验证经过训练的人工神经网络模型，研究人员开展了关于不同燃料被热颗粒点燃的实验研究。Hadden等人（2011）使用了不同直径和初始温度的钢球以及纤维素燃料进行了实验，记录下了未发生点燃、仅发生阴燃以及发生明燃等各种燃烧情况。本研究中的人工神经网络模型预测出的燃料层最高温度曲线被叠加在了
多维度参数分析
为展示所训练的人工神经网络替代模型的功能，研究人员探讨了多个应用案例。在这些案例中，研究人员在保持其他参数不变的情况下，改变特定的输入参数，以此研究这些参数对燃料层最高温度的影响。该人工神经网络替代模型可用于高效优化16维参数空间中的各种参数。为直观展示多维度参数空间的影响，研究人员选取了初始温度、颗粒直径以及初始高度这三个参数，
总结
研究人员开发了一种计算速度快的热传递模型，该模型用于模拟固体颗粒与薄燃料层相互作用时的热行为。研究还采用了Sobol方法进行全局敏感性分析，以确定影响燃料层最高温度的关键参数。通过Sobol敏感性分析发现，初始颗粒温度是影响燃料层最高温度的最重要参数。此外，颗粒直径和密度也显示出一定的影响作用
科学写作中生成式人工智能的声明
在撰写本论文的过程中，作者们使用了Google Gemini来改进文章的表述以及初步的文献综述工作。在使用该工具之后，作者们对内容进行了必要的审核和修改，并对论文的内容承担全部责任。
CRediT作者贡献说明
Shijin P. Kozhumal： 文章撰写——审稿与编辑，文章撰写——初稿编写，可视化处理，模型验证，项目监督，软件使用，资源协调，项目管理，方法设计，实验研究，正式分析，数据整理，概念构思。Gregory E. Gorbett： 文章撰写——审稿与编辑，实验研究，概念构思。Hayri Sezer： 文章撰写——审稿与编辑，方法设计。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
Shijin P. Kozhumal|Gregory E. Gorbett|Hayri Sezer
