基于人工神经网络的公路隧道火灾临界风速预测研究

《基于人工神经网络的公路隧道火灾临界风速预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:TP18310710-2015132032硕士学位论文基于人工神经网络的公路隧道火灾临界风速预测研究谢冰雪导师姓名职称梁华刚副教授申请学位级别硕士学科专业名称系统工程论文提交日期2018年4月10日论文答辩日期2018年5月30日学位授予单位长安大学ResearchonthePredictionofCriticalVelocityofHighwayTunnelFirebasedonArtificialNeuralNetworkADissertationSubmittedfortheDegreeofMasterCandid

2、ate：XieBingxueSupervisor：LiangHuagangChang’anUniversity,Xi’an,China摘要随着我国公路隧道数量日趋增多，火灾作为隧道最大的安全隐患，其发生的概率也呈逐年上升趋势。临界风速作为隧道火灾纵向通风排烟设计中的关键性参数，它的大小直接决定了是否能够对隧道进行有效的排烟，因此引起了国内外学者的广泛关注。目前对于隧道火灾临界风速的预测研究多是基于某单一影响因素，而对于多种影响因素下的隧道火灾临界风速预测的研究并不多见，但火灾过程中影响临界风速的因素非常多，且很难用现有的数学函数

3、公式进行准确的表达。因此，本文在传统的数值模拟方法的基础上引入BP神经网络技术来对多种影响因素下隧道火灾临界风速的预测展开研究。首先，本文以双车道公路隧道为研究对象，根据公路隧道设计规范建立了全尺寸马蹄形隧道模型，利用FDS模拟研究了火源功率、火源宽度、火源位置、隧道阻塞比和坡度这几个因素对临界风速的影响，得到了临界风速随各影响因素的变化规律，并将所得的模拟计算结果与已有的研究成果进行了对比分析，验证了本模拟结果的可靠性，同时给出了各影响因素对临界风速影响的重要性。其次，将火源功率、火源宽度、火源位置、隧道阻塞比和坡度这5个对临

4、界风速起主要影响的因素作为输入参数，数值模拟实验数据作训练样本，来构建公路隧道火灾临界风速的BP神经网络预测模型。其中基于标准BP算法存在的不足，本文采用了几种改进BP算法对网络进行训练比较，来确定模型的最优训练算法，从而建立具有较好的预测性能的公路隧道火灾临界风速的神经网络模型。最后，通过测试样本对本文建立的公路隧道火灾临界风速神经网络预测模型进行了性能测试，结果表明，在所有的预测点中，本模型的预测值与期望值的最大相对误差为0.0211，能够很好的满足消防工程的精度需求。因此，本文建立的神经网络预测模型能够较好的预测多种影响因

5、素下的临界风速，可为发展快速预测公路隧道火灾临界风速的工程计算模型提供一种新方法。关键词：公路隧道，火灾，神经网络，临界风速，预测IAbstractWiththeincreasingnumberofhighwaytunnelsinChina,fireisthebiggestsafetyhazardofthetunnel,andtheprobabilityofitsoccurrenceisincreasingyearbyyear.Thecriticalvelocityisakeyparameterinthelongitudinal

6、ventilationandsmokeextractiondesignoftunnelfires,itssizedirectlydetermineswhetheritcaneffectivelyexhaustsmokefromthetunnel,whichhasattractedwidespreadattentionfromscholarsathomeandabroad.Atpresent,thestudyonthepredictionofthecriticalvelocityoftunnelfiresismostlybased

7、onasingleinfluencingfactor.However,thestudyonthepredictionofthecriticalvelocityoftunnelfireundervariousinfluencingfactorsisrare,buttherearemanyfactorsaffectingthecriticalvelocityintheprocessoffire,anditisdifficulttoexpressitaccuratelywiththeexistingmathematicalfuncti

8、onformula.Therefore,basedonthetraditionalnumericalsimulationmethod,thispaperintroducesBPneuralnetworktechnologytostudytheprediction