【技术实现步骤摘要】
本专利技术属于数据处理，特别是一种预测效率高，泛化能力强，精度高的隧道火灾温度场及其功能毁伤效应正反演的数智学习方法。
技术介绍
1、火灾温度场是指在火灾过程中，由于燃烧作用，火源周围空间内温度分布的区域，该区域的温度随时间和空间变化，是评估火灾影响和进行火灾模拟的重要参数。
2、火灾下的功能毁伤效应指的是火灾对建筑物、设施或设备的功能造成的破坏和影响，不仅限于物理结构的破坏，还包括对建筑或设施正常运作能力的损害。火灾发生时，由于高温、火焰、烟雾和有毒气体等因素，导致建筑物结构受损、设施无法正常运作或设备功能丧失的现象。这种毁伤效应不仅包括物理结构的直接破坏，还包括因火灾导致的间接功能损失，比如电力供应中断、通信系统失效等，这些都会严重影响到建筑或设施的正常使用和人员的安全。
3、正反演的数智学习方法指的是利用物理驱动的深度学习技术，特别是物理信息神经网络（physics-informed neural networks, pinns），通过结合深度学习与物理定律，利用数据驱动的方式提高模型的预测能力和泛化性，解...
【技术保护点】
1.隧道火灾温度场的数智学习方法，其特征在于，包括：
2.根据权利要求1所述的隧道火灾温度场的数智学习方法，其特征在于，在温度场神经网络中嵌入几何物理信息，所得到的温度场神经网络的损失函数中添加了几何损失项和物理损失项：
3.根据权利要求1所述的隧道火灾温度场的数智学习方法，其特征在于，温度场数据集构建步骤包括：
4.根据权利要求3所述的隧道火灾温度场的数智学习方法，其特征在于，温度场数据集中的数据模式为[隧道火灾案例号，节点编号，时间，节点位置信息，建筑材料的屈服应力，建筑材料的弹性模量，建筑材料的热膨胀系数，火灾火源位置，节点与...
【技术特征摘要】
1.隧道火灾温度场的数智学习方法，其特征在于，包括：
2.根据权利要求1所述的隧道火灾温度场的数智学习方法，其特征在于，在温度场神经网络中嵌入几何物理信息，所得到的温度场神经网络的损失函数中添加了几何损失项和物理损失项：
3.根据权利要求1所述的隧道火灾温度场的数智学习方法，其特征在于，温度场数据集构建步骤包括：
4.根据权利要求3所述的隧道火灾温度场的数智学习方法，其特征在于，温度场数据集中的数据模式为[隧道火灾案例号，节点编号，时间，节点位置信息，建筑材料的屈服应力，建筑材料的弹性模量，建筑材料的热膨胀系数，火灾火源位置，节点与火灾火源位置夹角余弦值，节点火灾温度，节点火灾热辐射通量，火源热辐射通量，非线性度，评价指标]。
5.根据权...
【专利技术属性】
技术研发人员：吴威涛，梅玫，彭江舟，潘刘娟，胡杰，戎晓力，石少帅，郭伟东，赵瑞杰，
申请(专利权)人：南京理工大学，
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。