基于机器视觉与时序预测的隧道火灾三维温度场预测

赖鹏浩; 黄有波; 罗成佳; 董炳燕

doi:10.12404/j.issn.1671-1815.2502857

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5130-5143 DOI: 10.12404/j.issn.1671-1815.2502857

自动化技术、计算机技术

基于机器视觉与时序预测的隧道火灾三维温度场预测

作者信息 +

Three-dimensional Temperature Field Prediction of Tunnel Fire Based on Machine Vision and Temporal Forecasting Forecasting

Author information +

文章历史 +

摘要

为降低隧道火灾事故损失,基于深度学习构建隧道车辆火灾的快速检测与三维温度场预测模型,实现隧道火灾超前预测。通过改进的YOLOv8网络模型与OpenCV模块实现车辆信息检测与位置预测;提出三角旋转卷积神经网络 (triangle rotation convolutional neural network,TRCNN)模型与Triangle框架,并结合高阶多项式回归(high-order polynomial regression,HOPR)模型与长短期时序记忆网络(Informer-long short-term memory,Informer-LSTM)构建HOPR-Informer-LSTM混合模型,实现火灾烟气识别与三维火场温度精准预测。结果表明:车辆分类与车牌识别精度(mAP@50)分别为98%与99%,车速预测精度(R²)达94%,火灾烟雾识别精度达82%。基于小尺寸试验台测量温度数据验证预测模型,三维温度场预测模型预测值误差≤±5 ℃。因此,研究成果可实现隧道火灾超前预测,为隧道火灾防治提供技术支撑。

Abstract

To reduce the loss of tunnel fire accidents, a rapid detection and 3D temperature field prediction model was constructed for tunnel vehicle fires based on deep learning to realize advanced tunnel fire prediction. An improved YOLOv8 network model combined with the OpenCV module was employed to achieve vehicle information detection and position prediction. A novel triangle rotation convolutional neural network (TRCNN) model and Triangle framework were proposed, which were integrated with the high-order polynomial regression (HOPR) model and Informer-long short-term memory (Informer-LSTM) network to form the HOPR-Informer-LSTM hybrid model for fire smoke recognition and precise 3D fire temperature prediction. The research results demonstrate that the vehicle classification and license plate recognition achieve mean average precision at 50% intersection over union (mAP@50) of 98% and 99% respectively, vehicle speed prediction reaches a coefficient of determination (R²) of 94%, and fire smoke recognition accuracy reaches 82%. Validation of the temperature prediction model using small-scale test bench measurements shows that the 3D temperature field prediction error remains within ±5 ℃. The research results provide an advanced tunnel fire prediction method, offering technical support for tunnel fire prevention and control.

Graphical abstract

关键词

隧道火灾 / 车辆识别 / 高阶多项式回归(HOPR) / 长短期记忆网络(LSTM) / 实时预测

Key words

tunnel fire / vehicle detection / high-order polynomial regression(HOPR) / long short-term memory(LSTM) / real-time prediction

引用本文

引用格式 ▾

赖鹏浩, 黄有波, 罗成佳, 董炳燕. 基于机器视觉与时序预测的隧道火灾三维温度场预测[J]. 科学技术与工程, 2026, 26(12): 5130-5143 DOI:10.12404/j.issn.1671-1815.2502857

LAI Peng-hao, HUANG You-bo, LUO Cheng-jia, DONG Bing-yan. Three-dimensional Temperature Field Prediction of Tunnel Fire Based on Machine Vision and Temporal Forecasting Forecasting[J]. Science Technology and Engineering, 2026, 26(12): 5130-5143 DOI:10.12404/j.issn.1671-1815.2502857

登录浏览全文

4963

注册一个新账户忘记密码

公路隧道作为现代交通网络的关键节点,在提升通行效率的同时,其火灾安全成为重点关注问题,独特的狭长密闭空间使火灾高温烟气扩散受限,将导致严重的安全事故^[1]。因此,实现隧道火灾超前预测对于火灾防治及人员安全尤为重要。基于机器视觉的火灾检测技术通过图像特征提取与识别算法,可实现对隧道火焰烟雾的实时监测,近年来得到学者们大量研究。相比传统吸气式感烟探测系统(aspirating smoke detector,ASD),该方法在监测覆盖范围与精度方面具有显著优势^[2]。结合深度学习构建的预警模型,可精准定位火源并预测火灾蔓延趋势,为隧道火灾防控提供技术支撑^[3]。

当前,融合机器视觉与深度学习的隧道火灾预测方面,邓实强等^[4]基于改进YOLOv5s算法提出轻量化火灾检测方法;马庆禄等^[5]结合改进YOLOv8与Deep SORT模块构建动态视觉火焰识别系统。针对火灾蔓延预测方面,蒋立等^[6]利用卷积网络与时序预测算法反演火源位置与热释放速率;王明年等^[7]基于理论分析与数据拟合预测车辆引燃时间;Zhang等^[8]基于机器视觉评估火灾风险并提出疏散策略;翟利华等^[9]基于快速卷积神经网模拟隧道烟雾运移规律并构建自适应检测体系。在温度场预测方面,白振鹏等^[10]基于隧道火灾主要影响因子提出一阶多元线性回归模型;洪垚等^[11]基于高性能并行计算与机器学习实现隧道火灾蔓延的快速预测。长短期记忆网络(long short-term memory,LSTM)网络模型^[12]在二维火场温度预测中的应用日益成熟,林跃江^[13]基于综合火灾与烟气传输模型建立火灾烟气流动与温度分布预测框架,提出集成长短期记忆模型与序列特征向量(ensemble LSTM-temporal feature vector,En LSTM-TFV)模型,通过时间序列趋势特征提取与动态卡尔曼增益优化,实现高精度预测与实时调整。Lu等^[14]基于卷积神经网络-长短期记忆网络(convolutional neural network-long short-term memory,CNN-LSTM)模型实现建筑火灾闪络实时预测,并提出嵌入式可穿戴预测设备构想。贾进章等^[15]基于小尺寸隧道试验台,采用LSTM模型对温度时间序列进行预测,验证了LSTM模型对隧道火灾温度预测的有效性。尽管二维火灾温度场预测的研究日趋完善,但受限于实验条件与计算模型复杂性,融合车辆因素的隧道火灾三维温度场预测仍缺乏探索。

现有隧道火灾温度场预测研究存在两大问题:传统线性回归与低阶多项式模型难以捕捉非线性温度演化特征,而多参数高阶模型虽能提升拟合精度,但计算复杂度与时间消耗呈指数级增长,难以满足轻量化实时预测需求。为此,提出基于长短期时序记忆网络(Informer long short-term-memory,Informer-LSTM)与高阶多项式回归(high-order polynomial regression,HOPR)的混合模型,以解决火灾三维温度场预测难题。Informer-LSTM基于先验火灾温度数据,建立时间维度与三维温度场分布及动态演化规律的长期依赖关系,有效平滑FDS模拟数据中的固有数值噪声,并抑制小尺度隧道火灾实验中火焰脉动与湍流卷吸效应引发的温度高频振荡问题。相比传统Transformer模型^[16],Informer模型^[17]采用稀疏自注意力与信息聚合机制,在处理长序列时计算效率更高,能准确捕捉时间序列的全局模式,提升模型精度与泛化性,适用于鲁棒性要求较高的火灾温度预测场景。HOPR模型凭借高效计算性能、紧凑参数架构与自适应维度控制能力,在低复杂度短期回归任务中具备较高拟合精度,且轻量化架构适用于资源受限的隧道火灾场景。融合两种算法实现隧道车辆火灾初期与蔓延阶段的时序预测,显著降低预测误差并提升评估稳定性。

现基于Web数据挖掘技术构建车辆分类数据集,提出基于机器视觉的车辆检测与火灾预测模型,实现隧道火灾实时检测与荷载量化;基于FDS(fire dynamics simulator)数值模拟,构建1∶1隧道车辆火灾场景,建立温度预测模型训练数据集;基于HOPR-Informer-LSTM温度预测模型,实现隧道火灾三维温度场预测;基于1∶20小尺度隧道火灾实验,验证模型在多场景下的预测精度与稳定性;以期为隧道火灾防控提供技术支撑。

1 方法与数据收集

1.1 总体架构

基于机器视觉与时序预测的隧道火灾三维温度场预测系统框架如图1所示。上方区域为预测模型工作流程,首先基于数据集训练各部分模型,然后将实时检测数据输入模型,实现火灾蔓延三维温度场预测。下方区域为隧道内区域划分与监控设备分布情况。

1.2 车辆信息

基于隧道洞口监控系统嵌入检测模型实现车辆信息实时采集。通过Web数据挖掘构建检测模型训练数据集,其中车辆分类数据采用BIT-Vehicle Dataset^[18],该数据集包含9 843张不同尺寸的图像,涵盖8类车辆如图2所示,进行数据标注后按9∶1比例划分为训练集和测试集如表1所示。

基于车辆HRR量化隧道火灾荷载,为隧道火灾温度预测模型提供初始参数。根据Zhang等^[19]的研究,将车辆类型通过火灾燃烧功率(HRR)量化,如表2所示,选取车辆类型的峰值热释放速率(PHRR)平均值,通过FDS火灾模拟软件对隧道内不同类型车辆火灾进行数值模拟,获得火灾温度场预测模型训练数据集。

基于改进的YOLOv8s模型^[20]实现车辆分类与车牌检测,根据中国科学技术大学城市停车场景车牌数据集(Chinese city parking dataset,CCPD) 2019和2020版^[21]训练检测模型。由于中国车牌的特殊性(如蓝底白字、绿底黑字及复杂的字符排列),传统数字识别算法效果较差。因此,构建30层卷积神经网络,网络结构如图3所示,对CCPD+CRPD(Chinese road plate dataset)车牌数据集^[22]进行训练,通过优化网络结构、去除冗余层,实现较高准确性的车牌识别模型。

1.3 车辆位置

基于车辆检测模型计算隧道入口车辆速度,通过检测锚框下边界中心点作为识别点^[23],对隧道入口监控图像进行空间转换,如图4所示,每秒记录识别点的移动像素数,进而计算车辆速度。

基于车速预测模型对车辆检测速度进行迭代计算,实现隧道内车辆速度预测,精准定位隧道内车辆位置。车速预测模型权重参数的调整分为三个阶段:初始阶段、修正阶段与迭代阶段。

(1)初始阶段。收集实际场景隧道入口车速与隧道内实际速度作为数据集,该模型通过迭代更新权重参数进行优化,如式(1)所示。

(1)y_i=w₀+w₁x_i+w₂

${x}_{i}^{2}$

式(1)中:y_i为实际速度;x_i为入口速度;w₀、w₁、w₂为基于静态数据集训练的权重参数。

(2)修正阶段。系统实时获取车辆速度,对模型进行误差计算与权重调整,根据实际车速与预测车速的误差,调整模型权重。假设当前误差为ε_i=V₂-

${\hat{V}}_{1}$

,其中,

${\hat{V}}_{1}$

为预测值,V₂为实际值。采用梯度下降更新权重,如式(2)所示。

(2)

$\left\{\begin{array}{l}{w}_{0}^{\mathrm{n}\mathrm{e}\mathrm{w}}={w}_{0}^{\mathrm{o}\mathrm{l}\mathrm{d}}+\eta \frac{\partial J}{\partial {w}_{0}}\\ {w}_{1}^{\mathrm{n}\mathrm{e}\mathrm{w}}={w}_{1}^{\mathrm{o}\mathrm{l}\mathrm{d}}+\eta \frac{\partial J}{\partial {w}_{1}}\\ {w}_{2}^{\mathrm{n}\mathrm{e}\mathrm{w}}={w}_{2}^{\mathrm{o}\mathrm{l}\mathrm{d}}+\eta \frac{\partial J}{\partial {w}_{2}}\end{array}\right.$

式(2)中:J为误差函数,计算公式如式(3)所示;η为学习率;

$\frac{\partial J}{\partial {w}_{0}}$

、

$\frac{\partial J}{\partial {w}_{1}}$

、

$\frac{\partial J}{\partial {w}_{2}}$

为误差函数对各个权重的偏导数,表示每个权重的更新方向;

${w}_{0}^{\mathrm{o}\mathrm{l}\mathrm{d}}$

、

${w}_{1}^{\mathrm{o}\mathrm{l}\mathrm{d}}$

、

${w}_{2}^{\mathrm{o}\mathrm{l}\mathrm{d}}$

代表更新前的旧权重值,也就是在本次修正阶段开始时,模型里已经存在的权重参数;

${w}_{0}^{\mathrm{n}\mathrm{e}\mathrm{w}}$

、

${w}_{1}^{\mathrm{n}\mathrm{e}\mathrm{w}}$

、

${w}_{2}^{\mathrm{n}\mathrm{e}\mathrm{w}}$

代表更新后的新权重值,是通过本次梯度下降修正计算得到的结果;下标0、1、2分别表示常数项权重、一次项权重、二次项权重。

(3)J(w₀,w₁,w₂)=$\stackrel{n}{\sum _{i=1}}$(y_i-w₀-w₁x_i-w₂${x}_{i}^{2}$)²

(3)迭代阶段。模型的权重会根据实时数据进行调整。这种动态修正过程会持续进行,直至模型的预测精度达到一个满意的水平。每次权重的更新会使得模型对不同类型车辆更加敏感,从而提高隧道内车辆速度预测的精度。

1.4 隧道火灾检测

基于三角旋转卷积(triangular rotation convolution,TRC)模型对DfireDataset数据集^[24]进行训练,依据国家标准配置火灾监控设备^[25-26],实现隧道火焰烟雾检测。该模型网络结构如图5所示,由三部分模块组成,第一部分负责初步特征提取和通道优化,包含TRC1、归一化层、激活函数层与ECA层;第二部分进一步提升特征表达与通道关联性,由残差层、TRC2、归一化层、激活函数层、CBAM层与次残差层构成;第三部分完成检测结果的分类与输出,由自适应平均池化层、展平层、全连接层与激活函数层构成。

该模型二维卷积层如图6所示,通过将原始正方形卷积核沿对角线划分为4个直角边与原始卷积边长相等的三角形卷积核,各三角形卷区域内的值基于正态分布随机生成0~1的权重值,非三角形区域置零。卷积操作中,输入张量x,尺寸为C_in×H×W,其中,C_in为输入通道数,H、W分别为输入的高度与宽度,经4个三角形卷积核处理后,生成矩阵按三角卷积划分逻辑逐元素相加,叠加偏置项后形成最终输出张量,尺寸为C_out×H'×W',其中,C_out为输出通道数,H'、W'分别为输出高度与宽度。对于任意输出通道C_out,其输出元素可表示为

(4)output[C_out,i,j]=$\sum _{{C}_{\mathrm{i}\mathrm{n}}}\stackrel{K-1}{\sum _{m=0}}\stackrel{K-1}{\sum _{n=0}}$x[C_in,istride+m, jstride+n]W[C_out,C_in,m,n]

式(4)中:K为卷积核的大小;W为卷积核矩阵,此处为4个三角矩阵其中之一;stride为步长;m和n为卷积核内部的位置索引,用于遍历卷积核窗口里的每个元素。

padding和dilation影响x的索引计算。4个三角卷积核之和为输出结果如式(5)所示。

(5)output=left_top_output+right_top_output+right_bottom_output+left_bottom_output

式(5)中:output为输出结果;left_top_output、right_top_output、right_bottom_output、left_bottom_output分别为左上角、右上角、右下角、左下角的卷积输出。

最后加上偏置项bias[·],如式(6)所示。

(6)output=output+bias[C_out]

基于矩阵运算实现卷积操作,将四异形卷积结果叠加生成最终输出。该模型具有提升卷积核多样性、强化火焰烟雾特征捕捉能力,同时有效降低模型参数量与浮点运算量的优势。模型训练基于Triangle框架,采用IoU损失函数加速收敛,提升评估精度;通过ECA^[27]与CBAM^[28]注意力机制,规避复杂维度变换以减少参数,增强复杂环境下火焰烟雾检测能力。

通过多阈值综合判定机制实现火灾判定:若烟雾数值超越第一烟雾阈值,或火焰数值突破第一火焰阈值,抑或两者数值同时超过对应第一阈值,系统即刻判定火灾并触发报警程序,实时推送报警信息至终端系统。

1.5 火灾蔓延预测

首先介绍HOPR与Informer-LSTM工作原理,然后根据算法不足构建HOPR-Informer-LSTM预测模型,并阐述其概念与优势。

HOPR:基于参数拟合的回归分析方法实现火灾温度预测,其核心原理是通过引入自变量的高次项构建非线性模型,利用最小二乘法拟合数据特征,高阶多项式回归的三要素如下。

(1)多项式阶数。决定模型对非线性关系的捕捉能力。阶数过低可能欠拟合,无法刻画数据真实规律;阶数过高则增加计算复杂度,易引发过拟合。

(2)基函数形式。由自变量的多项式组合构成,直接影响模型对数据特征的表达维度。

(3)损失函数。常用均方误差作为损失函数,衡量预测值与真实值的偏差,引导模型参数优化方向。

HOPR算法如式(7)所示

(7)y=β₀+β₁x+β₂x²+…+β_nxⁿ+ε

式(7)中:y为因变量;x为自变量;β_i为回归系数,i=0,1,2,…,n;n为多项式阶数;ε为随机误差项。

基于最小化预测值与真实值的误差平方和,利用最小二乘法估计系数,实现对复杂数据分布的拟合。HOPR模型构建步骤如下。

(1)数据预处理。将三维温度数据整理为包含横向位置x、纵向位置y、时间t及对应温度T的数据集。

(2)系数估计。利用最小二乘法求解目标函数min

$\stackrel{n}{\sum _{i=0}}({T}_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}-{T}_{\mathrm{p}\mathrm{r}\mathrm{e}}{)}^{2}$

,其中,T_true为温度真实值,T_pre为温度预测值,获取最优回归系数β_i。

(3)温度预测。将待预测的数据代入训练好的模型,计算得到对应位置与时刻的三维火焰温度预测值,实现对0~100 s内1~5 m空间范围温度场的拟合与预测。

针对横向27个测点,设为x,x∈{1,2,…,27}、纵向5个测点,设为y,y∈{1,2,…,5}、时间维度为t,t∈[1,2,…,100] s的三维火焰温度数据T,构建三阶多项式回归模型为

(8)T=β₀+$\stackrel{n}{\sum _{i=0}}\stackrel{n-i}{\sum _{j=0}}\stackrel{n-i-j}{\sum _{k=0}}$β_ijkxⁱy^jt^k+ε

式(8)中:i、j、k分别为三个自变量(横向位置x、纵向位置y、时间t)的多项式指数;β_ijk为回归系数。

Informer-LSTM:基于Informer模型与LSTM的混合架构,实现长时间序列预测问题,适用于数据具有长期依赖关系的场景。该模型通过引入Informer的高效编码机制,优化了LSTM在处理长序列数据时面临的时间复杂度和计算瓶颈,能够在保证精度的基础上有效减少计算资源的消耗。

Informer是基于Transformer架构的模型,其核心创新在于提出了一种“ProbSparse”注意力机制,建立编码器(Encoder):使用多层堆叠的Transformer结构,通过自注意力机制提取输入数据中的时序依赖特征。避免了传统全连接注意力计算的高时间复杂度。建立解码器(Decoder):通过生成未来时间步的预测序列,结合输入的历史数据进行预测。通过稀疏化注意力矩阵的计算,极大地提高了计算效率,在长时间序列预测中表现优异。LSTM是一种专门用于时间序列数据建模的循环神经网络(recurrent neural network,RNN),能够有效处理长时间序列的梯度消失和梯度爆炸问题。

LSTM通过引入遗忘门、输入门和输出门机制,能够根据输入的时间序列数据动态调整隐藏状态,从而捕捉到长期依赖关系。Informer-LSTM将Informer的高效时序特征提取能力与LSTM的长期依赖建模能力结合。具体地,Informer负责提取输入序列中的全局时序信息,而LSTM则进一步对处理后的信息进行时序建模,最终生成预测结果。这种结合有效融合了模型既能处理长时间序列数据的高维特征,又能保持对时间序列内在依赖关系的良好捕捉能力。

基于Informer-LSTM对三维火焰温度场进行预测,数据由215个横向测点、5个纵向测点组成,时间范围为0~600 s,空间高度为1~5 m。对于每一个时刻t,可将火焰温度场数据表示为一个三维张量T(t)∈R^215×5,其中,215为横向测点的数量,5为纵向测点的数量。每个时间点的数据集可以组成一个时序样本,如式(9)所示。

(9)X(t)={T(t-1),T(t-2),…,T(t-n)}

式(9)中:n为历史数据的时间窗口长度;T(t-k)为第t-k时刻的温度场数据。

基于Informer对输入数据进行处理,如式(10)所示。

(10)Q=X(t)W_Q, K=X(t)W_K, V=X(t)W_V

式(10)中:Q、K、V分别为查询、键、值矩阵;W_Q、W_K、W_V为可训练的权重矩阵。

计算注意力得分并进行加权求和如式(11)所示。

(11)Attention(Q,K,V)=softmax$\left(\frac{Q{K}^{\mathrm{T}}}{\sqrt{{d}_{k}}}\right)$V

式(11)中:d_k为键的维度。

Informer的输出经过LSTM进一步处理,捕捉温度数据中的长期依赖关系。LSTM的改进公式如表3所示。

LSTM的输出h_t将被传递至全连接层,生成下一时刻的温度预测结果如式(12)所示。

(12)$\hat{T}$(t+1)=W_oh_t+b_o

式(12)中:

$\hat{T}$

(t+1)为预测的下一时刻的温度场数据。

定义均方误差(mean squared error,MSE)作为损失函数如式(13)所示。

(13)$\mathcal{L}=\frac{1}{N} \sum_{t=1}^{N}\|\hat{\boldsymbol{T}}(t)-\boldsymbol{T}(t)\|^{2}$

式(13)中:N为样本数量;T(t)为真实的火焰温度场数据;

$\hat{T}$

(t)为模型预测的火焰温度场数据。

基于Informer-LSTM模型对三维火焰温度场预测步骤如下。

(1)时空数据标准化预处理。针对原始三维温度数据,构建包含横向、纵向空间坐标、时间维度及对应温度值的时空序列数据集,通过整数化处理实现数据格式统一。采用分层抽样策略划分训练集与测试集,并基于归一化算法消除量纲差异,构建符合模型输入要求的标准化时空特征矩阵。

(2)混合网络架构设计。构建 Informer-LSTM 深度神经网络,将三维温度数据按时间顺序组织为多变量时间序列,定义输入维度为[序列长度,特征数],特征维度包含横向测点坐标、纵向测点坐标和时间点。基于Informer 模块实施长序列特征蒸馏,完成时频域长程依赖关系建模,基于LSTM模块捕捉温度序列的动态演化模式,构建时空特征耦合映射机制,最终实现对火灾温度场时序预测。

(3)参数优化与模型训练。采用MSE作为损失函数,基于Adam优化算法实施端到端参数迭代优化。通过多轮次训练调整网络权重,使模型有效学习随空间和时间变化的三维温度场非线性映射关系,形成具备时空泛化能力的预测模型。

(4)时空坐标预测推理。将待预测的空间位置和时间节点构成的时空坐标矩阵输入训练好的模型,通过前向传播计算输出对应位置的温度预测值,实现三维火焰温度场时空蔓延特征的精准预测。

HOPR-Informer-LSTM:针对 LSTM 处理隧道火灾数据时输入维度不足问题,构建HOPR-Informer-LSTM 三维温度场预测模型,其训练与预测过程如图7所示。

基于HOPR-Informer-LSTM模型的三维火灾温度场分阶段预测概念,如图8所示。上半部分为模型3个预测阶段,下半部分为 0~600 s隧道内B区域发生火灾,并随时间流逝火灾蔓延至A、C区域,隧道框架上方为火灾温度切片图。

基于HOPR-Informer-LSTM对火场温度蔓延各阶段预测如图8所示,其中各阶段算法具体工作原理如图9所示。图9(a)为阶段1基于HOPR模型对B区域内1~5 m高度,0~100 s进行温度场预测。基于训练后的模型,首先预测0~100 s内1 m高度27个检测点温度数据,组成2维矩阵,基于此二维矩阵预测0~100 s内2~5 m高度温度数据,组成三维矩阵,整体构成B区域内1~5 m高度,0~100 s进行温度场数据预测。预测结果作为阶段2的输入(黄色数据)。图9(b)为阶段2基于HOPR模型对A、C区域0~100 s内1~5 m高度进行温度场预测,预测结果与阶段1合并,共同作为阶段3的输入。图9(c)为阶段3基于Informer-LSTM对A、B、C区域1~5 m高度,100~600 s进行温度场预测,基于阶段1、2的预测结果逐层输入预测模型,得出100~600 s内A、B、C区域温度场预测数据,预测结果为红色部分。将三阶段预测结果合并即为最终三维火场温度预测数据。

2 结果与讨论

2.1 模型训练结果

为全面评估模型的训练效果,各模块采用了行业公认的评估标准,如表4所示。

车辆分类检测模型mAP@0.5如图10(a)所示。随着训练次数的增加精度提升,0~20轮呈现上升趋势,20~60轮出现小幅震荡,60轮以后趋于平稳。训练结束时mAP@0.5达到0.98,mAP@0.5-0.95达到0.91。车牌号识别检测模型结果如图10(b)所示,准确率(Accuracy)越接近1越佳,损失值(loss)越接近稳定且接近0越佳。准确率在0~60轮有轻微震荡,训练60轮后稳定在0.95,loss稳定在0.05,即模型收敛。速度预测模型训练MSE在3~4.9,R²得分达0.94。

车牌号识别检测模型mAP@50与mAP@50-95 训练结果如图11所示,图11(a)分别为精确度(precision)与召回率(recall),纵坐标代表查准率与查全率,横坐标代表训练轮数,因训练数据集质量较高,初始mAP@50几乎达到最高值,随后平稳在0.99。mAP@50-95轮随着训练次数的增加而逐渐上升,图11(b)为mAP@50与mAP@50-95,纵坐标表示mAP值,横坐标表示训练轮数,在 0~10轮呈现明显上升趋势,10~30轮稳定与0.92。

在相同数据集下基于三角旋转卷积(TRC)模型与YOLOv8系列模型训练结果如表5所示,编号1~4为算法参数量递增的基于YOLO系列模型对火焰、烟雾检测训练结果,其参数量均处于千万级,浮点值由28 GFLOPs随模型规模增大最高达到258 GFLOPs,但mAP与速度(FPS)并未得到显著提升。编号5为基于TRC算法对火焰烟雾检测训练结果,其参数量降至十万级,浮点值仅有18 GFLOPs,mAP@50-95达到0.57。

本文算法相较YOLOv8s算法,参数量减少90%,浮点值减少了40%,mAP@50-95提升了24%。RoseConv2d算法各部分组件添加情况对训练结果的影响如表6所示。

在相同triangle框架下,本文算法相较于传统卷积算法浮点值减少了90%,mAP@50-95提升了70%,在复杂真实环境下,该模型对火焰和烟雾的检测精度能够满足实际应用需求。

基于HOPR-Informer-LSTM模型的训练数据集采用16组FDS模拟仿真自然通风状态下的隧道火灾,其中8组火源功率依照8类车辆HRR峰值,另8组为平均值。验证结果显示,16组模拟数据经预测模型训练后平均MSE为12.351、平均MAE为10.151,验证了该预测方法的可行性和有效性。

2.2 火灾蔓延预测验证

基于HOPR-Informer-LSTM模型训练FDS仿真模拟数据,验证了理论框架和算法的可行性与有效性,且各项指标均达到预期。然后基于小尺寸试验台测量火灾温度数据并进行验证,结果表明模型在实际场景中保持了稳定的性能。

基于FDS对隧道火灾场景进行模拟,选取隧道顶棚温度数据进行分析,如图12(a)所示,温度数据转化为RGB像素图,如图12(b)所示为温度数据三维图像,检测点沿隧道顶棚中轴线水平布设:其中中心火焰组测点间距0.5 m,共 27 个;两侧组测点间距1 m,单侧布设94 个,两侧总计188个。本研究以热释放速率15 MW、火源位于200 m 隧道中心为工况,开展了600 s时长的数值模拟,得到各检测点的温度变化规律。

基于HOPR模型预测0~100 s中心火焰组火场温度数据,如图13所示。对比图13(a)、图13(b)可得温度变化趋势基本一致,最大预测误差低于 75 ℃,HOPR 算法使曲线更加平滑,峰值温度有所缓和,整体趋势反映了火焰蔓延特征。由图13(c)可得,相对误差主要集中在-10%~10%。

基于HOPR模型输入0~100 s中心火焰预测温度数据,得出0~100 s两侧组温度预测数据。基于Informer-LSTM预测模型输入上述两组数据,得到的总体火灾蔓延温度数据如图14所示。对比图14(a)、图14(b)可知,温度变化趋势基本一致,中心火焰温度变化剧烈、两侧相对平稳,预测模型最高温度低于模拟结果,最大预测误差低于100 ℃,有效地消除了模拟数据中的噪声,体现模型的鲁棒性与平滑性。由图14(c)可得,相对误差主要集中在-20%~20%,其余点共占比20%,误差源于模型难以处理仿真数据噪声。如图15所示,选取-13、0、13号检测点位进行预测温度数据零误差线散点分析,图15(a)、图15(c)因距火源位置较远,温度变化较小,预测结果紧密分布在零误差线上且相对误差低于10%。相比之下,图15(b)位于火源正上方,由于模拟数据存在高温高频噪声,使预测结果相对误差点主要集中在600~1 000 ℃,负向误差更集中在高温部分。

基于小尺寸试验台测量火灾温度数据对预测模型进行验证,如图16所示,隧道尺寸为10.0 m(长)×0.5 m(宽)×0.25 m(高)。火源油盘尺寸为5 cm(长)×6 cm(宽)×4 cm(高),燃料为正庚烷,热释放速率1.21 kW,使用变频风机控制纵向通风为0.5 m/s,检测单位时间2 s,共计200 s。

实验测量温度数据与预测结果如图17所示。对比图17(a)、图17(b)可得,实验结果与预测结果重合度高,预测温度变化趋势更加平滑。由图17(c)可知,误差主要集中在-20%~10%,原因为模型消除了因火焰脉动与湍流卷吸而产生温度噪点,由于两侧温度变化不明显,故选取中心10、11、12号检测点位进行预测温度数据零误差线散点分析。如图18(b)所示,火源中心检测点可得预测结果较为紧密分布在零误差线上,在100~120 ℃误差较为明显,总体相对误差低于15%,图18(a)、图18(c)位于火源两侧,预测结果相对误差低于10%,最大温度误差低于10 ℃,该模型在多元时间尺度下精度较高,火灾动态温变规律明显。实验数据显示,时域变化对温度预测精度影响较小(误差波动幅度≤8%),满足火灾演化过程中不同阶段的多尺度预测需求。进一步验证了预测模型在实际场景中的可靠性和有效性。

基于HOPR-Informer-LSTM的混合模型,结合FDS模拟仿真隧道火灾数据与实验数据进行训练,总体评估结果如表7所示,对比模拟组与实验组可得,无论是HOPR 模型还是Informer-LSTM模型,实验组表现都优于模拟组,且混合模型精度均高于单算法模型,更加证实了该研究方法的可行性。

3 结论

针对隧道火灾初期检测难、火场温度预测难的问题,提出了一种融合机器视觉与时序预测技术的隧道火灾温度预测方法,通过车辆信息检测、火焰烟雾识别与火灾蔓延预测三阶段协同优化,实现了隧道火灾检测与火场温度预测。得出如下主要结论。

(1)车辆信息检测与位置预测:基于改进YOLOv8s网络与建立车牌识别算法,车辆分类 mAP@50 为0.98,车牌识别mAP@50为0.99,车速预测R²为0.9。通过二阶线性回归算法迭代优化车辆速度预测模型,有效降低了隧道内车辆位置预测误差,为火灾初始参数标定提供了可靠的数据支撑。

(2)火焰与烟雾检测优化:构建三角旋转卷积轻量化检测模型,通过三角卷积拆分、ECA与CBAM注意力机制融合,在参数量减少至原模型的10%、浮点运算量降低40%的情况下,mAP@50-95提升至0.578 7,较YOLOv8s提升24%,能够适应隧道复杂环境下的实时检测需求。

(3)火灾蔓延时序预测:基于HOPR-Informer-LSTM的混合模型,通过FDS仿真数据训练与小尺寸试验台验证,实现了温度场预测误差≤8%的精度。模型在仿真与实验中均表现出良好的鲁棒性,可有效平滑温度噪点,预测结果与实测数据高度拟合,最大相对误差低于15%,总体模型训练MSE为4.395 ℃,测试MSE为5.316 ℃。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	An H, Jiang Y, Jiang J. A survey of fire accidents during the process of highway tunnel operation in China from 2010 to 2021: characteristics and countermeasures[J]. Tunnelling and Underground Space Technology, 2023, 139: 105237.

[2]	Liu F, Zhao Z, Yao H, et al. Application of aspirating smoke detectors at the fire earliest stage[J]. Procedia Engineering, 2013, 52: 671-675.

[3]	Cheng G, Chen X, Wang C, et al. Visual fire detection using deep learning: a survey[J]. Neurocomputing, 2024, 596: 127975.

[4]	邓实强, 丁浩, 蒋树屏, 等. 基于改进YOLOv5s的公路隧道火灾烟雾智能检测算法[J]. 中国公路学报, 2024, 37(11): 194-209.

[5]	Deng Shiqiang, Ding Hao, Jiang Shuping, et al. Intelligent detection algorithm for road tunnel fire smoke based on improved YOLOv5s[J]. Journal of Highway and Transportation Research and Development, 2024, 37(11): 194-209.

[6]	马庆禄, 王伟, 孙枭, 等. 隧道火灾的视觉跟踪算法[J]. 东南大学学报(自然科学版), 2025, 55(1): 255-265.

[7]	Ma Qinglu, Wang Wei, Sun Xiao, et al. Visual tracking algorithm for tunnel fires[J]. Journal of Southeast University (Natural Science Edition), 2025, 55(1): 255-265.

[8]	蒋立, 何廷全, 郭鑫, 等. 基于深度学习的隧道火灾火源位置和热释放速率反演[J]. 消防科学与技术, 2024, 43(9): 1292-1297, 1315.

[9]	Jiang Li, He Tingquan, Guo Xin, et al. Inversion of fire source location and heat release rate intunnel fires based on deep learning[J]. Fire Science and Technology, 2024, 43(9): 1292-1297, 1315.

[10]	王明年, 田源, 于丽, 等. 基于隧道火灾蔓延下的车辆引燃时间预测研究[J]. 中国安全科学学报, 2018, 28(12): 46-51.

[11]	Wang Nian Nian, Tian Yuan, Yu Li, et al. Research on predicting vehicle ignitiontime based on tunnel fire spread[J]. Chinese Journal of Safety Science, 2018, 28(12): 46-51.

[12]	Zhang X, Jiang Y, Wu X, et al. AIoT-enabled digital twin system for smart tunnel fire safety management[J]. Developments in the Built Environment, 2024, 18: 100381.

[13]	翟利华, 农兴中, 何冠鸿, 等. 阻塞效应下地铁隧道烟气蔓延特性研究[J]. 安全与环境学报, 2020, 20(3): 930-937.

[14]	Zhai Lihua, Nong Xingzhong, He Guanhong, et al. Numerical si-mulation for the smoke spreading features in subway tunnels under the condition of blocking effect[J]. Journal of Safety and Environment, 2020, 20(3): 930-937.

[15]	白振鹏, 李炎锋, 张鹏, 等. 隧道火灾温度分布的多元回归预测分析[J]. 消防科学与技术, 2018, 37(10): 1304-1306, 1323.

[16]	Bai Zhenpeng, Li Yanfeng, Zhang Peng, et al. Multivariate regression prediction analysis of temperature distribution in tunnel fires[J]. Fire Science and Technology, 2018, 37 (10): 1304-1306, 1323.

[17]	洪垚, 符策基. 基于HPC和机器学习的巷道火灾快速模拟与预测[C]// 北京力学会第二十七届学术年会论文集. 北京: 北京力学会, 2021: 119-121.

[18]	Hong Yao, Fu Ceji. Rapid simulation and prediction of tunnel fires based on HPC and machine learning[C]// Proceedings of the 27th Annual Conference of Beijing Mechanics Association. Beijing: Beijing Society of Theoretical and Applied Mechanics, 2021: 119-121.

[19]	Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[20]	林跃江. 基于CFAST的火灾烟气流动与温度分布预测[D]. 重庆: 重庆大学, 2020.

[21]	Lin Yuejiang. Prediction of fire smoke flow and temperature distribution based on CFAST[D]. Chongqing: Chongqing University, 2020.

[22]	Lu X, He M, Wang Z, et al. Prediction of flashover time in a compartment fire by CNN-LSTM based deep neural network considering wearable data collection equipment[J]. Journal of Building Engineering, 2024, 97: 110719.

[23]	贾进章, 陈佳琦, 陈怡诺. 长短期记忆网络在隧道火灾实时致灾态势预测中应用研究[J]. 安全与环境学报, 2025, 25(4): 1298-1309.

[24]	Jia Jinzhang, Chen Jiaqi, Chen Yinuo. Research on the application of long short term memory networks in real time disaster situation prediction of tunnel fires[J]. Journal of Safety and Environment, 2025, 25(4): 1298-1309.

[25]	Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 3762.

[26]	Zhou H, Zhang S, Peng J, et al. Informer: Beyond efficient transformer for long sequence time-series forecasting[C]// Proceedings of the AIAA Conference on Artificial Intelligence. Reston: AIAA, 2021: 11106-11115.

[27]	Dong Z, Wu Y, Pei M, et al. Vehicle type classification using a semisupervised convolutional neural network[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(4): 2247-2256.

[28]	Zhang X, Chen X, Ding Y, et al. Smart real-time evaluation of tunnel fire risk and evacuation safety via computer vision[J]. Safety Science, 2024, 177: 106563.

[29]	Varghese R, Sambath M. YOLOv8: a novel object detection algorithm with enhanced performance and robustness[C]//2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS). New York: IEEE, 2024: 1-6.

[30]	Xu Z, Yang W, Meng A, et al. Towards end-to-end license plate detection and recognition: a large dataset and baseline[C]// Proceedings of the European Conference on Computer Vision (ECCV). Munich: European Computer Vision Association, 2018: 255-271.

[31]	Gong Y, Deng L, Tao S, et al. Unified Chinese license plate detection and recognition with high efficiency[J]. Journal of Visual Communication and Image Representation, 2022, 86: 103541.

[32]	Zhang Y, Sun P, Jiang Y, et al. Bytetrack: multi-object tracking by associating every detection box[C]// European Conference on Computer Vision. Cham: Springer, 2022: 1-21.

[33]	de Venancio P V A B, Lisboa A C, Barbosa A V. An automatic fire detection system based on deep convolutional neural networks for low-power, resource-constrained devices[J]. Neural Computing and Applications, 2022, 34(18): 15349-15368.

[34]	中国公路协会. 公路视频监测技术要求:T/CHTS10001[S]. 北京: 中国公路学会, 2021.

[35]	China Highway and Transportation Society (CHTS). Highway video monitoring technology requirements: T/CHTS 10001[S]. Beijing: China Highway and Transportation Society (CHTS), 2021.

[36]	中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 高速公路监控设施通信规程第2部分:车辆检测器:GB/T34428.2—2017[S]. 北京: 全国交通工程设施(公路)标准化技术委员会, 2017.

[37]

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, China National Standardization Administration. Communication rules of the devices of surveillance and controlsystem for expressway—part 2: vehicle detector: GB/T 34428.2—2017[S]. Beijing: National Technical Committee for Standardization of Transportation Engineering Facilities (Highways), 2017.

[38]	Wang Q, Wu B, Zhu P, et al. ECA-Net: efficient channel attention for deep convolutional neural networks[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2020: 11534-11542.

[39]	Woo S, Park J, Lee J Y, et al. Cbam: convolutional block attention module[C]// Proceedings of the European Conference on Computer Vision (ECCV). Berlin: Springer, 2018: 3-19.