基于机器学习的火源热释放速率预测方法

摘要：

火源热释放速率的准确测量对深入理解火灾演变过程至关重要,然而目前被广泛使用的氧耗法所需设备造价昂贵,成本较高.该文提出了一种基于机器学习的综合性框架,用于输入温度数据预测火源热释放速率.基于火灾动力学模拟(FDS)软件模拟ISO 9705房间内不同参数的火灾场景,获取不同位置的温度数据,并建立火灾数据库.分别基于最小绝对收缩和选择(Lasso)、随机森林(RF)两种模型的递归特征消除(RFE)算法进行特征筛选,得到两个不同的低维特征子集,并设置对照组.基于不同的特征子集,分析比较了线性回归(LR)、K最近邻(KNN)和轻量级梯度提升机(LightGBM)3种典型模型对热释放速率的预测性能.结果表明:基于随机森林模型的递归特征消除算法筛选所得的特征子集训练的LightGBM模型预测效果最佳,预测结果的根均方误差(RMSE)和均绝对误差(MAE)分别为23.89 kW和15.49 kW,决定系数为0.9916.该基于机器学习的综合性框架预测效果优异且实施成本较低,为预测火源热释放速率提供了有效途径.

关键词：热释放速率、机器学习、特征筛选、递归特征消除、回归预测

所属期刊栏目：64

分类号：X932(安全工程)

资助基金：国家重点研发计划;深圳市自然科学基金面上项目;安全生产应急救援急需技术装备揭榜攻关项目

在线出版日期：2024-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：922-932