基于粒子滤波的隧道火灾烟气速度估计方法

doi:10.11772/j.issn.1001-9081.2022010070

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (3): 986-990.DOI: 10.11772/j.issn.1001-9081.2022010070

• 前沿与综合应用 • 上一篇

基于粒子滤波的隧道火灾烟气速度估计方法

黄琼¹(), 丁兆云²

^1.中国消防救援学院基础部，北京 102202
^2.国防科技大学系统工程学院，长沙 410073

收稿日期:2022-01-19 修回日期:2022-02-26 接受日期:2022-03-08 发布日期:2022-03-22 出版日期:2023-03-10
通讯作者: 黄琼
作者简介:黄琼（1985—），女，江西丰城人，讲师，硕士，主要研究方向：机器学习、安全工程
丁兆云（1983—），男，湖北荆门人，副教授，博士，主要研究方向：数据挖掘、人工智能。
基金资助:
国家重点研发计划项目(2020YFC1511600)

Estimation method of tunnel fire smoke velocity based on particle filtering

Qiong HUANG¹(), Zhaoyun DING²

^1.Department of Basic Courses，China Fire and Rescue Institute，Beijing 102202，China
^2.College of Systems Engineering，National University of Defense Technology，Changsha Hunan 410073，China

Received:2022-01-19 Revised:2022-02-26 Accepted:2022-03-08 Online:2022-03-22 Published:2023-03-10
Contact: Qiong HUANG
About author:DING Zhaoyun， born in 1983， Ph. D.， associate professor. His research interests include data mining， artificial intelligence.
Supported by:
National Key Research and Development Program of China(2020YFC1511600)

摘要/Abstract

摘要：

针对目前隧道火灾烟气速度测量成本较高、模拟精度较低与较难保证实时性等问题，提出一种基于粒子滤波的隧道火灾烟气速度估计方法。首先建立相关系统状态方程和观测方程，然后利用实时传感器数据获取观测值，最后运用粒子滤波算法实现烟气速度的实时估计。实验结果表明，所提方法的响应时间达到了毫秒级别，基本满足实时性要求，且烟气速度的平均绝对误差（MAE）基本能够控制在真实值的20%以内，具有较高的模拟估计精度，可为消防救援和人员疏散提供有用的关键信息，也可为排烟系统和消防规划策略提供理论依据。

关键词: 粒子滤波, 粒子数, 隧道火灾, 烟气速度, 观测位置

Abstract:

Aiming at the current problems of high cost， low simulation accuracy and difficulty in ensuring real-time performance of tunnel fire smoke velocity measurement， a method for estimating smoke velocity of tunnel fire based on particle filtering was proposed. Firstly， the relevant system state equation and observation equation were established， and then the observation values were obtained by using the real-time sensor data. Finally， the real-time estimation of smoke velocity was realized by using the particle filtering algorithm. Experimental results show that the response time of the proposed method can reach the millisecond level， which can basically meet the real-time requirements； and the Mean Absolute Error （MAE） of smoke velocity can basically be controlled within 20% of the true value with high simulation estimation accuracy. The proposed method can provide useful key information for fire rescue and evacuation， and provide theoretical basis for smoke extraction system and fire planning strategy.

Key words: particle filtering, particle number, tunnel fire, smoke velocity, observation location

中图分类号:

TP391.7

黄琼, 丁兆云. 基于粒子滤波的隧道火灾烟气速度估计方法[J]. 计算机应用, 2023, 43(3): 986-990.

Qiong HUANG, Zhaoyun DING. Estimation method of tunnel fire smoke velocity based on particle filtering[J]. Journal of Computer Applications, 2023, 43(3): 986-990.

图/表 8

图1 隧道模型和测点布置

Fig. 1 Tunnel model and measuring point layout

表1 实验场景设置

Tab. 1 Experimental scene setting

场景	HRR/MW	观测值/℃	烟气速度/（m·s^-1）
A1	3	$T s 1$ 、 $T s 2$	$V s 1$ 、 $V s 2$
A2	3	$T s 4$ 、 $T s 5$	$V s 1$
A3	3	$T s 3$ 、 $T s 6$	$V s 1$
A4	3	$T s 1$	$V s 1$
A5	15	$T s 1$ 、 $T s 2$	$V s 1$ 、 $V s 2$

表1 实验场景设置

Tab. 1 Experimental scene setting

场景	HRR/MW	观测值/℃	烟气速度/（m·s^-1）
A1	3	$T s 1$ 、 $T s 2$	$V s 1$ 、 $V s 2$
A2	3	$T s 4$ 、 $T s 5$	$V s 1$
A3	3	$T s 3$ 、 $T s 6$	$V s 1$
A4	3	$T s 1$	$V s 1$
A5	15	$T s 1$ 、 $T s 2$	$V s 1$ 、 $V s 2$

图2 粒子数对估计精度的影响

Fig. 2 Influence of particle number on estimation accuracy

图3 不同烟气速度的RMSE对比

Fig. 3 Comparison of RMSE for different smoke velocities

表2 粒子数对计算时间的影响

Tab. 2 Influence of particle number on calculation time

粒子数	计算时间/s	粒子数	计算时间/s
100	1.63	180	3.43
120	2.17	200	4.08
150	2.95

图4 观测数据对估计精度的影响

Fig. 4 Influence of observation data on estimation accuracy

图5 不同场景下的烟气速度估计结果

Fig. 5 Smoke velocity estimation results in different scenarios

表3 A1与A5场景下的MAE与真实状态值20%的平均值的对比 (m/s)

Tab. 3 Comparison of MAE and 20% of true state value in scenario A1 and A5

烟气

速度

V s 1

V s 2

表3 A1与A5场景下的MAE与真实状态值20%的平均值的对比 (m/s)

Tab. 3 Comparison of MAE and 20% of true state value in scenario A1 and A5

烟气

速度

A1场景

A5场景

MAE

ts_0.2

MAE

ts_0.2

V s 1

0.29

0.51

0.55

1.02

V s 2

0.28

0.36

0.47

0.72

参考文献 27

1	GONG L， JIANG L， LI S Y， et al. Theoretical and experimental study on longitudinal smoke temperature distribution in tunnel fires［J］. International Journal of Thermal Sciences， 2016， 102：319-328. 10.1016/j.ijthermalsci.2015.12.006
2	陈健. 顶部竖井隧道火灾烟气分层及运动特性研究［D］. 绵阳：西南科技大学， 2020：40-51.
	CHEN J. Study of the thermal stratification and movement mechanism of fire-induced smoke in tunnel with vertical shaft［D］. Mianyang： Southwest University of Science and Technology， 2020：40-51.
3	FAN C G， CHEN J， ZHOU Y， et al. Effects of fire location on the capacity of smoke exhaust from natural ventilation shafts in urban tunnels［J］. Fire and Materials， 2018， 42（8）： 974-984. 10.1002/fam.2683
4	LI Y Z， LEI B， INGASON H. Study of critical velocity and backlayering length in longitudinally ventilated tunnel fires［J］. Fire Safety Journal， 2010， 45（6/7/8）：361-370. 10.1016/j.firesaf.2010.07.003
5	潘李伟. 烟气控制条件下狭长空间烟气分层蔓延特性研究［D］. 合肥：中国科学技术大学， 2011：45-52.
	PAN L W. On the characteristics of smoke stratified transportation with smoke control in tunnel［D］. Hefei： University of Science and Technology of China， 2011：45-52.
6	贺文凯，周宾，任红伟，等. 基于低采样率声波法的电站烟气流速测量［J］.仪表技术与传感器， 2020（7）：105-109， 117. 10.3969/j.issn.1002-1841.2020.07.022
	HE W K， ZHOU B， REN H W， et al. Measurement of flue gas velocity in power plant based on low sampling rate acoustic wave method［J］. Instrument Technique and Sensor， 2020（7）：105-109， 117. 10.3969/j.issn.1002-1841.2020.07.022
7	李舒，余印振，李健，等. 燃煤发电厂高温高尘烟气流速静电测量技术研究［J］. 传感技术学报， 2020， 33（3）： 358-363. 10.3969/j.issn.1004-1699.2020.03.007
	LI S， YU Y Z， LI J， et al. Electrostatic technique for high-temperature and high-dust flue gas velocity measurement in coal-fired power plant［J］. Chinese Journal of Sensors and Actuators， 2020， 33（3）： 358-363. 10.3969/j.issn.1004-1699.2020.03.007
8	陈栋，任思远，沈国清，等. 基于声学技术的非接触式烟气流速测量实验［J］. 热力发电， 2018， 47（1）：66-71.
	CHEN D， REN S Y， SHEN G Q， et al. Experimental study on non-contact flue gas flow measurement based on acoustic technology［J］. Thermal Power Generation， 2018， 47（1）：66-71.
9	KEVIN M， SIMO H， JASON F. Fire Dynamics Simulator（Version 5） Users’ Guide［M］. Gaithersburg： National Institute of Standards and Technology，2007：23-26. 10.6028/nist.sp.1019-5
10	PEACOCK R D， RENEKE P， FORNEY G. CFAST — Consolidated Model of Fire Growth and Smoke Transport （Version 6） User’s Guide［M］. Gaithersburg： National Institute of Standards and Technology， 2013：40-55. 10.6028/nist.sp.1041r1
11	OVERHOLT K J， EZEKOYE O A. Quantitative testing of fire scenario hypotheses： a Bayesian inference approach［J］. Fire Technology， 2015， 51（2）：335-367. 10.1007/s10694-013-0384-z
12	LIN C C， WANG L. Forecasting smoke transport during compartment ﬁres using a data assimilation model［J］. Journal of Fire Sciences， 2015， 33（1）：3-21. 10.1177/0734904114548837
13	JI J， TONG Q， WANG L， et al. Application of the EnKF method for real-time forecasting of smoke movement during tunnel fires［J］. Advances in Engineering Software， 2018， 115：398-412. 10.1016/j.advengsoft.2017.10.007
14	OVERHOLT K J， EZEKOYE O A. Characterizing heat release rates using an inverse fire modeling technique［J］. Fire Technology， 2012， 48（4）：893-909. 10.1007/s10694-011-0250-9
15	KOO S H， FRASER-MITCHELL J， WELCH S. Sensor-steered fire simulation［J］. Fire Safety Journal， 2010， 45（3）：193-205. 10.1016/j.firesaf.2010.02.003
16	JAHN W， REIN G， TORERO J L. Forecasting fire dynamics using inverse computational fluid dynamics and tangent linearization［J］. Advances in Engineering Software， 2012， 47（1）：114-126. 10.1016/j.advengsoft.2011.12.005
17	PRICE M， MARSHALL A， TROUVÉ A. A multi-observable approach to address the ill-posed nature of inverse fire modeling problems［J］. Fire Technology， 2016， 52（6）： 1779-1797. 10.1007/s10694-015-0541-7
18	SANDERY P A， O’KANE T J， KITSIOS V， et al. Climate model state estimation using variants of EnKF coupled data assimilation［J］. Monthly Weather Review， 2020， 148（6）：2411-2431. 10.1175/mwr-d-18-0443.1
19	SILVA W B DA， DUTRA J C S， KOPPERSCHIMIDT C E P， et al. Sequential particle filter estimation of a time-dependent heat transfer coefficient in a multidimensional nonlinear inverse heat conduction problem［J］. Applied Mathematical Modelling， 2021， 89（Pt 1）：654-668. 10.1016/j.apm.2020.07.020
20	CHEN X X， HUANG J. Combining particle filter algorithm with bio-inspired anemotaxis behavior： a smoke plume tracking method and its robotic experiment validation［J］. Measurement， 2020， 154： No.107482. 10.1016/j.measurement.2020.107482
21	SRIVAS T， ARTÉS T， DE CALLAFON D A， et al. Wildfire spread prediction and assimilation for FARSITE using ensemble Kalman filtering ［J］. Procedia Computer Science， 2016， 80：897-908. 10.1016/j.procs.2016.05.328
22	LIN C C， WANG L. Real-time forecasting of building ﬁre growth and smoke transport via ensemble Kalman filter ［J］. Fire Technology， 2017， 53（3）：1101-1121. 10.1007/s10694-016-0619-x
23	ZHOU T J， DING L， JI J， et al. Ensemble Transform Kalman Filter （ETKF） for large-scale wildland fire spread simulation using FARSITE tool and state estimation method［J］. Fire Safety Journal， 2019， 105：95-106. 10.1016/j.firesaf.2019.02.009
24	纪杰，钟委，高子鹤. 狭长空间烟气流动特性及控制方法［M］. 北京：科学出版社， 2015：37-51.
	JI J， ZHONG W， GAO Z H. Smoke Movement and Control in Long and Narrow Spaces［M］. Beijing： Science Press， 2015：37-51.
25	李胜利，李孝斌. FDS火灾数值模拟［M］. 北京：化学工业出版社， 2019：25-38.
	LI S L， LI X B. Numerical Simulation of Fire by FDS［M］. Beijing： Chemical Industry Press， 2019：25-38.
26	McGRATTAN K B， McDERMOTT R J， WEINSCHENK C G， et al. Fire Dynamics Simulator User’s Guide［M］. Gaithersburg： National Institute of Standards and Technology， 2013：63-85. 10.6028/nist.sp.1018e6
27	JI J， GAO Z H， FAN C G. Large eddy simulation of stack effect on natural smoke exhausting effect in urban road tunnel fires［J］. International Journal of Heat and Mass Transfer， 2013， 66： 531-542. 10.1016/j.ijheatmasstransfer.2013.07.057

[1]	周德运, 刘斌, 苏茜. 基于“新息误差”的粒子流滤波算法[J]. 计算机应用, 2020, 40(11): 3127-3132.
[2]	韩玉兰, 韩崇昭. 非线性系统的多扩展目标跟踪算法[J]. 计算机应用, 2019, 39(5): 1318-1324.
[3]	刘靖, 肖冠烽. 基于Spark与粒子滤波算法的公交到站时间预测系统[J]. 计算机应用, 2019, 39(2): 429-435.
[4]	阮琨, 王玫, 罗丽燕, 熊璐琦, 宋浠瑜. 基于智能手机的地磁/WiFi/PDR的室内定位算法[J]. 计算机应用, 2018, 38(9): 2598-2602.
[5]	刘盼, 张榜, 黄超, 杨卫军, 徐正蓺. 室内环境约束的行人航向粒子滤波修正方法[J]. 计算机应用, 2018, 38(12): 3360-3366.
[6]	高国栋, 林明, 许兰. 基于似然分布调整的粒子群优化粒子滤波新方法[J]. 计算机应用, 2017, 37(4): 980-985.
[7]	周瑞, 李志强, 罗磊. 基于粒子滤波的WiFi行人航位推算融合室内定位[J]. 计算机应用, 2016, 36(5): 1188-1191.
[8]	韩雪, 程奇峰, 赵婷婷, 张利民. 基于粒子滤波重采样与变异操作的改进粒子群算法[J]. 计算机应用, 2016, 36(4): 1008-1014.
[9]	陈伟强, 陈军, 张闯, 宋立国, 谭卓理. 基于智能粒子滤波的多传感器信息融合算法[J]. 计算机应用, 2016, 36(12): 3358-3362.
[10]	赵海军, 崔梦天, 李明东, 李佳. 基于改进的洪泛广播和粒子滤波的无线传感器网络节点定位[J]. 计算机应用, 2016, 36(10): 2659-2663.
[11]	李奕诺, 肖如良, 倪友聪, 苏小敏, 杜欣, 蔡声镇. 基于动态环境衰减的粒子滤波室内定位算法[J]. 计算机应用, 2015, 35(9): 2465-2469.
[12]	周艳聪, 董永峰, 王安娜, 顾军华. 新的室内移动机器人自定位方法[J]. 计算机应用, 2015, 35(2): 585-589.
[13]	吴桐王玲何凡. 基于子空间自适应学习的粒子滤波跟踪算法[J]. 计算机应用, 2014, 34(12): 3526-3530.
[14]	卫保国李克靖曹慈卓. 基于粒子滤波与局部全局一致性学习的目标跟踪算法[J]. 计算机应用, 2013, 33(10): 2914-2917.
[15]	陈本智. 基于双曲线模型的车道识别与偏离预警[J]. 计算机应用, 2013, 33(09): 2562-2565.

基于粒子滤波的隧道火灾烟气速度估计方法

Estimation method of tunnel fire smoke velocity based on particle filtering

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 27

相关文章 15

编辑推荐

Metrics