【技术实现步骤摘要】
基于机器学习融合模型的火灾热释放速率测量系统和方法
[0001]本专利技术涉及一种基于机器学习融合模型的火灾热释放速率测量系统和方法，属于火灾热释放速率测量
技术介绍
[0002]热释放速率HRR是火灾最重要的参数之一,体现了火灾释放热量的能力,对于HRR的测量分析，有助于揭示火灾的危险性。因此，准确测量出火灾发生时的热释放速率对于火灾从业人员探究火灾发展规律至关重要。
[0003]目前，已有的测量热释放速率的方法包括置换燃烧法、质量损失法、氧耗法等，其中，氧耗法被广泛使用。氧耗法的原理为：对于大多数有机溶液和可燃气体，其完全燃烧时所消耗的每单位质量氧气所放出的热量基本为一个固定值。IS09705标准房间内布置的锥型量热仪即基于该原理测量火灾的热释放速率，然而，基于氧耗原理测量热释放速率时须基于气体分析等设备测量多个参数并进行计算，构建测量平台程序繁琐且造价昂贵，前期需投入较大的成本。
技术实现思路
[0004]针对上述现有技术存在的问题，本专利技术提供一种基于机器学习融合模型的火灾热释放速...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习融合模型的火灾热释放速率测量系统，其特征在于，包括数据获取模块、数据处理模块、数据构建模块、数据训练模块和数据预测模块，所述数据获取模块的输出端与数据处理模块输入端连接，所述数据处理模块输出端分别连接数据获取模块的输入端和数据构建模块输入端，所述数据构建模块的输出端连接数据训练模块的输入端，所述数据训练模块的输出端连接数据预测模块输入端；所述数据获取模块用于获取FDS模拟数据和真实火灾数据，所述FDS模拟数据和真实火灾数据中均包含热电偶温度数据和热释放速率数据；所述数据处理模块用于处理FDS模拟数据，筛选出热电偶组合；所述数据构建模块用于基于真实火灾数据，即热电偶温度数据和热释放速率数据，构建样本数据集；所述数据训练模块用于基于真实火灾数据集，将第一机器学习子模型、第二机器学习子模型、第三机器学习子模型作为基模型，分别对三个基模型进行训练，使用三个模型的预测值进行加权平均，得到热释放速率预测融合模型；所述数据预测模块用于基于所述热释放速率预测融合模型对热释放速率进行预测。2.一种基于机器学习融合模型的火灾热释放速率测量方法，其特征在于，包括如下步骤：步骤一，在IS09705标准房间内构建FDS仿真模型，所述仿真模型包括试验房间和排烟系统，试验房间尺寸和排烟系统尺寸均按照IS09705标准构建，按照IS09705标准对仿真模型内各构件进行材料属性定义；步骤二，将试验房间进行等体积切分，在每个切分单元体积中心布置热电偶，用于获取温度数据；步骤三，获取FDS模拟数据，对所获得的FDS模拟数据进行特征筛选，特征筛选过程为：以试验房间内获取的热电偶数据为输入特征，以热释放速率为真实标签，构建数据集；通过构建随机森林模型，经过随机森林模型进行预测后获得的预测值，计算每个特征对应的重要度，再根据重要度进行筛选得出传感器组合；步骤四，基于步骤三筛选得出的传感器组合布置IS09705标准房间真实火灾场地，获取真实火灾数据样本，过程为：将经步骤三得到的的传感器组合按照热电偶位置布置于IS09705标准房间内，进行真实火灾实验；使用获取到的热电偶温度数据、热释放速率数据构建真实火灾数据集，其中，所述真实火灾数据集包括第一训练集和第一测试集，并对所述的第一训练集进行缺省值处理；步骤五，基于步骤四得到的真实火灾数据集，将第一机器学习子模型、第二机器学习子模型、第三机器学习子模型作为基模型，分别对其进行训练，并使用其预测值进行加权平均，得到热释放速率预测融合模型；步骤六，基于步骤五得到的热释放速率预测融合模型对热释放速率进行预测。3.根据权利要求2所述的一种基于机器学习融合模型的火灾热释放速率测量方法，其特征在于，所述步骤三中...
【专利技术属性】
技术研发人员：张国维，杨云浩，张媛媛，贺名欢，王永生，朱国庆，袁狄平，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。