船舶舱室火灾危险等级实时分类研究
发布时间：2022-02-09 07:51
为了能够在火灾中对不同类型舱室实时判断舱室危险等级,本文提出一种能够实时判断火灾中不同舱室危险等级的评估模型。首先利用Pyrosim软件设计了一个单层多舱室平台,分别定性和定量地分析火灾烟气蔓延的规律,根据温度、CO2浓度、CO浓度、O2浓度和烟尘密度对人的影响将火灾划分为4个等级,然后利用一个6层的BP神经网络对舱室火灾危险等级进行实时划分。测试结果表明,本文的模型分类准确度达到了98%,为判断火灾蔓延的路径和灭火救援提供了依据。
【文章来源】：舰船科学技术. 2020,42(19)北大核心
【文章页数】：6 页
【部分图文】：
舱室布局图Fig.1Cabinlayout
严重影响（3）温度~4040~6060~9090~CO2浓度0.04%0.04%~1%1%~5%5%~CO浓度0~0.02%0.02%~0.04%0.04%~0.16%0.16%~O2浓度21%~14%~21%10%~14%~10%烟尘密度~0.00050.0005~0.00150.0015~0.0030.003~等级0123生理症状影响较小3h头痛加剧30min晕眩，2h死亡30min死亡3舱室火灾等级分类模型通过确定的检测参数，进行多组实验，整理数据，将其输入至BP神经网络中，输出舱室火灾等级，实现自动预警，为进一步预测火灾蔓延方向提供依据。模型流程图如图5所示。图5模型流程图Fig.5Modelflowchart3.1BP神经网络自1986年Rumelhart和McCelland首次提出BP神经网络[12]，距今已有30多年，在众多领域有着成熟的应用，成为最广泛的神经网络之一。BP神经网络的学习过程由信号的正向传播与误差的反向传播2个过程组成，不需要预先定义输入与输出之间的数学表达式。BP神经网络一般包含输入层、多个隐藏层和输出层，每一层都可以有多个节点（x），不同层之间的节点通过权重（w）连接，权重通过反向传播进行调节。正向传递过程的计算方法如下：Sj=m1∑i=0wijxi+bj，(1)xj=σ(sj)。(2)其中σ(·)表示激活函数。σ(x)=11+ex在传统的BP神经网络中，激活函数常用Sig-moid函数，Sigmoid的数学公式是，它可以将数值“挤压”至0～1之间，输出为概率。但是Sigmoid函数易饱和，使得梯度消失。从图6（a）可知，Sigmoid的导数从0开始，又很快趋于0，造成“梯度消失”现象。而且Sigmoid函数的输出值恒大于
激活性等优点，与人的脑神经元的工作原理相似。3.2网络结构与结果分析使用BP神经网络训练模型，需要大量的数据，本文进行4次实验，火源点分别为图7中小方块处，包含了客房、餐厅、厨房等易发生火灾的地方，具有一定的普遍性。图7火源点放置位置图Fig.7Firesourcepointplacementmap现在已经确定了输入和输出的节点数，但是神经网络的网络层数和隐藏层节点数的选定以经验为主，并没有相应的理论指导。本文设计了4个网络结构进行测试，分别为6-32-16-8-8-4（ReLU）、6-32-16-8-8-4（Sigmoid）、6-32-16-8-4（ReLU）和6-32-16-8-4（Sigmoid），括号表示所使用的激活函数。每个网络结构进行了10次实验，然后取10次结果的平均值作为网络最终的精度，得出的结果如表3所示。可知，2个激活函数为ReLU的网络相比于Sig-moid网络均有较大提升，准确度约有8%的改善。激活函数相同的情况下，6层的网络相比于5层的网络的准确率约有1%的改善。考虑到该实验对象只是一个舱室平台，数据量不算大。当对整艘船的所有数据统一处理时，数据量规模进一步扩大，6层网络的优势能够进一步发挥出来。通过实验测试，最后选定6层的网络，结构为6-32-16-8-8-4，如图8所示。图8BP神经网络Fig.8BPneuralnetworkα设定其余一些参数，学习率η为固定值0.005，动量常数为固定值0.9，迭代次数epoch设定为1000次图9（a）给出了训练误差随迭代次数的变化曲线，可以看出在迭代30次左右时，loss曲线迅速下降，随着迭代次数增多，大约达到200次时，loss迎来二次下降，接着迭代次数达到
【参考文献】：
期刊论文
[1]浅析船舶火灾特点及处置对策[J]. 沈惠忠. 水上消防. 2018(06)
[2]面对浓烟如何躲避[J]. 王位. 安全生产与监督. 2015 (02)
[3]船舶机舱火灾风险评估[J]. 黄衍顺,陈梦华,马焱. 中国修船. 2009(05)
[4]船舶火灾安全工程研究现状[J]. 陈国庆,陆守香. 消防技术与产品信息. 2004(08)
[5]火灾烟气致死原因分析[J]. 王友博. 消防科学与技术. 2003(S1)
[6]高层建筑火灾防排烟的研究[J]. 徐志胜,常玉锋,白国强,周庆. 西部探矿工程. 2003(12)
本文编号：3616638
【文章来源】：舰船科学技术. 2020,42(19)北大核心
【文章页数】：6 页
【部分图文】：
舱室布局图Fig.1Cabinlayout
严重影响（3）温度~4040~6060~9090~CO2浓度0.04%0.04%~1%1%~5%5%~CO浓度0~0.02%0.02%~0.04%0.04%~0.16%0.16%~O2浓度21%~14%~21%10%~14%~10%烟尘密度~0.00050.0005~0.00150.0015~0.0030.003~等级0123生理症状影响较小3h头痛加剧30min晕眩，2h死亡30min死亡3舱室火灾等级分类模型通过确定的检测参数，进行多组实验，整理数据，将其输入至BP神经网络中，输出舱室火灾等级，实现自动预警，为进一步预测火灾蔓延方向提供依据。模型流程图如图5所示。图5模型流程图Fig.5Modelflowchart3.1BP神经网络自1986年Rumelhart和McCelland首次提出BP神经网络[12]，距今已有30多年，在众多领域有着成熟的应用，成为最广泛的神经网络之一。BP神经网络的学习过程由信号的正向传播与误差的反向传播2个过程组成，不需要预先定义输入与输出之间的数学表达式。BP神经网络一般包含输入层、多个隐藏层和输出层，每一层都可以有多个节点（x），不同层之间的节点通过权重（w）连接，权重通过反向传播进行调节。正向传递过程的计算方法如下：Sj=m1∑i=0wijxi+bj，(1)xj=σ(sj)。(2)其中σ(·)表示激活函数。σ(x)=11+ex在传统的BP神经网络中，激活函数常用Sig-moid函数，Sigmoid的数学公式是，它可以将数值“挤压”至0～1之间，输出为概率。但是Sigmoid函数易饱和，使得梯度消失。从图6（a）可知，Sigmoid的导数从0开始，又很快趋于0，造成“梯度消失”现象。而且Sigmoid函数的输出值恒大于
激活性等优点，与人的脑神经元的工作原理相似。3.2网络结构与结果分析使用BP神经网络训练模型，需要大量的数据，本文进行4次实验，火源点分别为图7中小方块处，包含了客房、餐厅、厨房等易发生火灾的地方，具有一定的普遍性。图7火源点放置位置图Fig.7Firesourcepointplacementmap现在已经确定了输入和输出的节点数，但是神经网络的网络层数和隐藏层节点数的选定以经验为主，并没有相应的理论指导。本文设计了4个网络结构进行测试，分别为6-32-16-8-8-4（ReLU）、6-32-16-8-8-4（Sigmoid）、6-32-16-8-4（ReLU）和6-32-16-8-4（Sigmoid），括号表示所使用的激活函数。每个网络结构进行了10次实验，然后取10次结果的平均值作为网络最终的精度，得出的结果如表3所示。可知，2个激活函数为ReLU的网络相比于Sig-moid网络均有较大提升，准确度约有8%的改善。激活函数相同的情况下，6层的网络相比于5层的网络的准确率约有1%的改善。考虑到该实验对象只是一个舱室平台，数据量不算大。当对整艘船的所有数据统一处理时，数据量规模进一步扩大，6层网络的优势能够进一步发挥出来。通过实验测试，最后选定6层的网络，结构为6-32-16-8-8-4，如图8所示。图8BP神经网络Fig.8BPneuralnetworkα设定其余一些参数，学习率η为固定值0.005，动量常数为固定值0.9，迭代次数epoch设定为1000次图9（a）给出了训练误差随迭代次数的变化曲线，可以看出在迭代30次左右时，loss曲线迅速下降，随着迭代次数增多，大约达到200次时，loss迎来二次下降，接着迭代次数达到
【参考文献】：
期刊论文
[1]浅析船舶火灾特点及处置对策[J]. 沈惠忠. 水上消防. 2018(06)
[2]面对浓烟如何躲避[J]. 王位. 安全生产与监督. 2015 (02)
[3]船舶机舱火灾风险评估[J]. 黄衍顺,陈梦华,马焱. 中国修船. 2009(05)
[4]船舶火灾安全工程研究现状[J]. 陈国庆,陆守香. 消防技术与产品信息. 2004(08)
[5]火灾烟气致死原因分析[J]. 王友博. 消防科学与技术. 2003(S1)
[6]高层建筑火灾防排烟的研究[J]. 徐志胜,常玉锋,白国强,周庆. 西部探矿工程. 2003(12)
本文编号：3616638
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3616638.html
