清华大学学报(自然科学版)

作者：杨云浩, 张国维, 朱国庆, 袁狄平, 贺名欢

单位：1. 中国矿业大学 深圳研究院, 深圳 518057;<br>2. 瑞能赛特深圳科技有限公司, 深圳 518118;<br>3. 江苏费尔曼安全科技有限公司, 徐州 221100

关键词：热释放速率,机器学习,特征筛选,递归特征消除,回归预测

基金：国家重点研发计划（2022YFC3090503）；深圳市自然科学基金面上项目（JCYJ20220530164601004）；安全生产应急救援急需技术装备揭榜攻关项目（JBGGRW-2022-09）

火源热释放速率的准确测量对深入理解火灾演变过程至关重要， 然而目前被广泛使用的氧耗法所需设备造价昂贵， 成本较高。该文提出了一种基于机器学习的综合性框架， 用于输入温度数据预测火源热释放速率。基于火灾动力学模拟（FDS）软件模拟ISO 9705房间内不同参数的火灾场景， 获取不同位置的温度数据， 并建立火灾数据库。分别基于最小绝对收缩和选择（Lasso）、随机森林（RF）两种模型的递归特征消除（RFE）算法进行特征筛选， 得到两个不同的低维特征子集， 并设置对照组。基于不同的特征子集， 分析比较了线性回归（LR）、K 最近邻（KNN）和轻量级梯度提升机（LightGBM） 3种典型模型对热释放速率的预测性能。结果表明：基于随机森林模型的递归特征消除算法筛选所得的特征子集训练的LightGBM模型预测效果最佳， 预测结果的根均方误差（RMSE）和均绝对误差（MAE）分别为23.89 kW和15.49 kW， 决定系数为0.9916。该基于机器学习的综合性框架预测效果优异且实施成本较低， 为预测火源热释放速率提供了有效途径。

来源：2024年第5期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2024年第5期