基于机器学习的火源热释放速率预测方法

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0.991 6。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。