基于支持向量機(jī)的船舶機(jī)艙火災(zāi)溫度快速預(yù)測(cè)

張 茜，李 彥

(江蘇科技大學(xué) 電子信息學(xué)院，江蘇 鎮(zhèn)江 212003)

0 引 言

近年來，我國(guó)經(jīng)濟(jì)的快速發(fā)展促進(jìn)了船舶事業(yè)的繁榮，機(jī)艙作為船舶的動(dòng)力場(chǎng)所，存放的各種油料和電器設(shè)施，成為火災(zāi)的高發(fā)區(qū)[1,2]。因此，研究船舶機(jī)艙火災(zāi)對(duì)于消防訓(xùn)練和火災(zāi)逃生有重要意義。

測(cè)量火災(zāi)實(shí)驗(yàn)過程中空間內(nèi)的溫度分布，對(duì)研究火災(zāi)行為規(guī)律有重要意義[3,4]。就固定空間而言，由美國(guó)NIST研究所開發(fā)的基于火災(zāi)動(dòng)力學(xué)的大渦模擬軟件FDS（Fire Dynamics Simulator）對(duì)火災(zāi)溫度流動(dòng)模擬的準(zhǔn)確性已得到廣泛認(rèn)可[5]。但若改變機(jī)艙火源功率、火源面積、補(bǔ)風(fēng)口面積、風(fēng)機(jī)流速等條件，F(xiàn)DS就不能滿足要求，所以有必要建立火災(zāi)溫度預(yù)測(cè)模型。20世紀(jì)90年代Vapnik等提出的支持向量機(jī)（Support Vector Machines，SVM），是一種新的機(jī)器學(xué)習(xí)算法，并迅速在多個(gè)領(lǐng)域得到快速發(fā)展[6]。相比其他傳統(tǒng)學(xué)習(xí)方法，具有良好的泛化能力，能夠很好地克服維數(shù)災(zāi)難、小樣本、局部極小點(diǎn)以及過擬合等問題[7]。因此，運(yùn)用支持向量機(jī)技術(shù)求解實(shí)際工程中有關(guān)火場(chǎng)溫度預(yù)測(cè)的問題非常適宜。

本文以船舶機(jī)艙為研究對(duì)象，采用大渦模擬方法，以火災(zāi)動(dòng)力學(xué)分析軟件FDS為平臺(tái)，計(jì)算不同條件下的船舶機(jī)艙火場(chǎng)溫度變化規(guī)律。以計(jì)算結(jié)果為訓(xùn)練樣本建立船舶機(jī)艙火災(zāi)溫度的支持向量機(jī)預(yù)測(cè)模型，最后將遺傳算法優(yōu)化支持向量機(jī)（GA-SVM）理論運(yùn)用于船舶機(jī)艙火災(zāi)溫度的預(yù)測(cè)。為了驗(yàn)證本文模型的準(zhǔn)確性，對(duì)比了SVM模型和BP神經(jīng)網(wǎng)絡(luò)方法的船舶機(jī)艙火災(zāi)溫度預(yù)測(cè)結(jié)果。預(yù)測(cè)結(jié)果表明，利用遺傳算法優(yōu)化支持向量機(jī)的方法的預(yù)測(cè)效果較好且準(zhǔn)確度較高，可以作為快速預(yù)測(cè)火場(chǎng)溫度的工程計(jì)算方法。

1 船舶機(jī)艙火災(zāi)數(shù)值模擬

本文運(yùn)用FDS軟件對(duì)實(shí)習(xí)公司的船舶機(jī)艙實(shí)驗(yàn)室進(jìn)行艙底油水火災(zāi)數(shù)值模擬。

1.1 船舶機(jī)艙火災(zāi)場(chǎng)景設(shè)計(jì)

以實(shí)習(xí)公司船舶火災(zāi)實(shí)驗(yàn)室為模擬對(duì)象，該實(shí)驗(yàn)室內(nèi)部尺寸15 m（長(zhǎng)）×7 m（寬）×5 m（高），機(jī)艙內(nèi)部尺寸是6 m（長(zhǎng)）×7 m（寬）×5 m（高），艙內(nèi)有2臺(tái)柴油機(jī)和1臺(tái)柴油發(fā)電機(jī)，以及其他一些常用機(jī)艙設(shè)備。建立的模型如圖1所示。采用機(jī)械通風(fēng)和自然通風(fēng)，計(jì)算場(chǎng)景中在四面墻壁設(shè)有多個(gè)格柵作為補(bǔ)風(fēng)口，每個(gè)格柵是0.8 m（長(zhǎng)）×0.6 m（寬），頂部設(shè)有機(jī)械抽風(fēng)口，抽風(fēng)口是0.5 m（長(zhǎng)）×0.5 m（寬）。

圖 1 FDS場(chǎng)景的幾何模型Fig. 1 The geometric model of the FDS scene

本文將火源置于實(shí)驗(yàn)艙地面左邊，燃料為柴油，火源為超快速t2火，最大火源功率為1.8MW。計(jì)算場(chǎng)景的環(huán)境溫度為20℃。墻面、地面和天花板都為304鋼板表面，墻面中間填充耐熱材料。通過對(duì)該場(chǎng)景的網(wǎng)格獨(dú)立性分析[8]，本文使用了72×36×25非均一網(wǎng)格系統(tǒng)對(duì)所有涉及樣本進(jìn)行計(jì)算。

1.2 船舶機(jī)艙火災(zāi)樣本計(jì)算

在整個(gè)船舶機(jī)艙火災(zāi)場(chǎng)景中，火場(chǎng)溫度變化的過程是一個(gè)動(dòng)態(tài)過程，受多種因素的影響，本文主要考慮火源功率、補(bǔ)風(fēng)口面積、風(fēng)機(jī)流量、火災(zāi)面積這4個(gè)因素對(duì)溫度場(chǎng)的影響，構(gòu)建了表1中15組火災(zāi)場(chǎng)景，每組只改變一個(gè)影響因素，采用FDS分別對(duì)這15個(gè)火災(zāi)場(chǎng)景下的船舶機(jī)艙火災(zāi)溫度變化過程進(jìn)行模擬，計(jì)算其不同時(shí)刻的溫度分布。在主頻為2.80 GHz的Intel CPU計(jì)算速度下，表1中每組火災(zāi)場(chǎng)景計(jì)算到400 s需要使用CPU的時(shí)間不少于4 h。15組數(shù)據(jù)計(jì)算結(jié)果如表2所示。

表1中各符號(hào)的含義如下：Q為火災(zāi)功率，kW；T為風(fēng)機(jī)啟動(dòng)時(shí)間，s；V為風(fēng)機(jī)流速，m/s；S為補(bǔ)風(fēng)

表 1 FDS算例設(shè)計(jì)Tab. 1 The design of FDS scene

2 船舶機(jī)艙火災(zāi)溫度預(yù)測(cè)模型的建立

2.1 基于SVM模型

為檢驗(yàn)算法訓(xùn)練的精度，需要將第1節(jié)中15組FDS計(jì)算數(shù)據(jù)劃分為13個(gè)訓(xùn)練樣本和2個(gè)測(cè)試樣本，將表1中的Q，T，V，S四個(gè)主要影響因素作為支持向量機(jī)模型的輸入量，表2中FDS計(jì)算結(jié)果作為模型的輸出，因此15組訓(xùn)練樣本集為。支持向量機(jī)將低維復(fù)雜的輸入通過非線性映射，投影至高維空間中，并在高維空間中利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則建立線性回歸函數(shù)

式中：w為權(quán)值向量；b為偏差。參數(shù)w和b的值由SVM采用最小化結(jié)構(gòu)風(fēng)險(xiǎn)來確定，為預(yù)測(cè)值，y為實(shí)際值。

2.2 遺傳算法參數(shù)尋優(yōu)

為了使SVM有最優(yōu)的性能，本文采用遺傳算法對(duì)SVM模型的懲罰因子C和核參數(shù)g進(jìn)行參數(shù)尋優(yōu)，避免認(rèn)為選擇參數(shù)的盲目性。遺傳算法是一種借鑒生物界自然選擇和進(jìn)化機(jī)制發(fā)展起來的高度并行、自適應(yīng)的全局優(yōu)化概率搜索算法，已被廣泛應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理等領(lǐng)域[10]。

3 結(jié)果對(duì)比及分析

3.1 參數(shù)優(yōu)化對(duì)比

本文采用網(wǎng)格搜索尋優(yōu)和GA參數(shù)尋優(yōu)對(duì)支持向量機(jī)的懲罰系數(shù)C和核參數(shù)g進(jìn)行優(yōu)化分析和選擇，見表3。利用網(wǎng)格搜索尋優(yōu)法時(shí)，先粗略尋找最佳參數(shù)，再進(jìn)行精細(xì)的參數(shù)選擇。

表 2 FDS計(jì)算結(jié)果Tab. 2 The results of the FDS

表 3 網(wǎng)格搜索和GA優(yōu)化模型參數(shù)對(duì)比Tab. 3 Comparing parameters optimized by grid-search and GA

從表3可以看出，以上2種尋優(yōu)方法對(duì)模型參數(shù)C和g尋優(yōu)后，GA的適應(yīng)度值0.046 691最小，模型的適應(yīng)能力最好，對(duì)應(yīng)的參數(shù)[C，g]=[81.192 6，0.300 69]組合最佳。 由GA尋找最佳參數(shù)的適應(yīng)度變化曲線圖2 可知，進(jìn)化代數(shù)為150次時(shí)終止進(jìn)化，此時(shí)適應(yīng)度值0.046 691就接近理想最優(yōu)值。

3.2 預(yù)測(cè)結(jié)果分析

為比較GA-SVM模型的船舶機(jī)艙火災(zāi)溫度預(yù)測(cè)的性能，分別采用SVM模型和前饋型BP神經(jīng)網(wǎng)絡(luò)建模對(duì)相同的樣本集進(jìn)行訓(xùn)練和預(yù)測(cè)。GA-SVM模型選用RBF核函數(shù)，經(jīng)反復(fù)參數(shù)尋優(yōu)，得到滿足要求的C和g 分別為 81.192 6 和 0.300 69。利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)，經(jīng)過反復(fù)試驗(yàn)，網(wǎng)絡(luò)的輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分別為 4，30，21，隱含層傳遞函數(shù)選用tansig函數(shù)，輸出層傳遞函數(shù)選用purelin函數(shù)，訓(xùn)練函數(shù)選用Levenberg-Marquardt算法，學(xué)習(xí)速率Lr=0.2，目標(biāo)誤差Eg=0.000 01。3種模型下船舶火災(zāi)溫度預(yù)測(cè)值與FDS計(jì)算結(jié)果比較見表4，可以得出，GA-SVM模型有較強(qiáng)的泛化能力，對(duì)訓(xùn)練樣本學(xué)習(xí)后，對(duì)預(yù)測(cè)輸入樣本進(jìn)行預(yù)測(cè)，得出相應(yīng)預(yù)測(cè)輸出值與FDS計(jì)算結(jié)果吻合很好。

圖 2 GA-SVM的適應(yīng)度曲線和SVM的適應(yīng)度曲線比較Fig. 2 Comparing the fitness of GA-SVM and SVM

表 4 不同模型下預(yù)測(cè)值與FDS計(jì)算值比較Tab. 4 Contrast the FDS results and predict data of different models

圖 3 三種模型下的預(yù)測(cè)效果Fig. 3 Prediction results based on different models

圖3列舉了采用GA-SVM模型、SVM模型和BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行火災(zāi)溫度預(yù)測(cè)的效果圖。

圖4～圖6分別列舉了GA-SVM模型、SVM模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與FDS計(jì)算結(jié)果的相對(duì)誤差曲線，由圖4～圖6可知，3種模型的預(yù)測(cè)值與FDS計(jì)算結(jié)果的最大相對(duì)誤差分別為0.005 63，0.083 81和0.200 35。最小相對(duì)誤差分別為0，0和0.008 63，GA-SVM模型和SVM模型均可以達(dá)到消防工程的精度要求，且GASVM模型預(yù)測(cè)精度明顯高于SVM模型。

3種模型預(yù)測(cè)性能結(jié)果對(duì)比見表5，用MSE，eMAPE和R三個(gè)指標(biāo)進(jìn)行預(yù)測(cè)性能評(píng)價(jià)。

圖 4 GA-SVM模型下相對(duì)誤差Fig. 4 Relative error based on GA-SVM

圖 5 SVM模型下相對(duì)誤差Fig. 5 Relative error based on SVM

圖 6 BP神經(jīng)網(wǎng)絡(luò)下相對(duì)誤差Fig. 6 Relative error based on BP Neural Network

表 5 三種模型性能比較Tab. 5 Comparison of model performance

從表5 可看出，GA-SVM模型的均方誤差MSE和平均相對(duì)誤差eMAPE值分別為 0.046 691，0.001 6，遠(yuǎn)小于SVM模型和BP網(wǎng)絡(luò)預(yù)測(cè)的相應(yīng)指標(biāo)值，且GA-SVM模型的相關(guān)系數(shù)R為 0.971 2，比SVM模型和BP網(wǎng)絡(luò)模型的相關(guān)系數(shù)更接近1，其預(yù)測(cè)結(jié)果精度更高，適應(yīng)性更好，表明本文模型預(yù)測(cè)性能更優(yōu)。

4 結(jié) 語

本文利用FDS軟件對(duì)不同條件下的船舶機(jī)艙火災(zāi)場(chǎng)景進(jìn)行模擬，以火災(zāi)功率、風(fēng)機(jī)啟動(dòng)時(shí)間、風(fēng)機(jī)流速和補(bǔ)風(fēng)口面積這4個(gè)影響因素為輸入?yún)?shù)，不同時(shí)刻的火災(zāi)溫度為輸出構(gòu)造了船舶機(jī)艙火災(zāi)溫度的GASVM預(yù)測(cè)模型。在建模過程中，采用GA對(duì)SVM回歸模型的懲罰因子C和核參數(shù)g自動(dòng)尋優(yōu)選擇，避免了人為主觀經(jīng)驗(yàn)地確定參數(shù)。通過輸入火災(zāi)功率、風(fēng)機(jī)啟動(dòng)時(shí)間、風(fēng)機(jī)流速和補(bǔ)風(fēng)口面積到GA-SVM模型中，其對(duì)火災(zāi)溫度預(yù)測(cè)的效果較好。與SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型的相對(duì)誤差對(duì)比分析表明，GASVM模型具有較好的泛化能力，為船舶機(jī)艙火災(zāi)溫度間接計(jì)算及預(yù)測(cè)提出了一種新方法。

本文建立的船舶機(jī)艙火災(zāi)溫度的支持向量機(jī)計(jì)算模型包括4種條件參數(shù)對(duì)火災(zāi)溫度的影響。在今后的工作中，可以設(shè)計(jì)更多的火災(zāi)場(chǎng)景，例如考慮火源位置、補(bǔ)風(fēng)口位置、火災(zāi)空間高度、面積等因素對(duì)船舶機(jī)艙火災(zāi)溫度的影響，通過FDS數(shù)值模擬構(gòu)造更加全面系統(tǒng)的訓(xùn)練樣本，從而完善模型功能并進(jìn)一步提高預(yù)測(cè)精度。

[1]賈佳, 陸守香. 船舶艙室火災(zāi)風(fēng)險(xiǎn)分析方法研究[J]. 安全與環(huán)境學(xué)報(bào), 2014, 14(3): 132–137.JIA Jia, LU Shou-xiang. Study of fire risk analysis method applied to ship compartment[J]. Journal of safety and environment, 2014, 14(3): 132–137.

[2]萇占星. VR技術(shù)在船舶艙室火災(zāi)處理中的應(yīng)用研究[D]. 大連: 大連海事大學(xué), 2015.

[3]周德闖. 基于虛擬現(xiàn)實(shí)平臺(tái)的火災(zāi)場(chǎng)景計(jì)算和仿真研究[ D].合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2010: 72–96.

[4]徐文強(qiáng), 劉芳, 董龍洋, 等. 基于FDS的地下停車場(chǎng)火災(zāi)數(shù)值模擬分析[J]. 安全與環(huán)境工程, 2012, 19(1): 73–76.

XU Wen-qiang, LIU Fang, DONG Long-yang, et al. Analysis on the fire of underground parking based on FDS numerical simulation[J]. Safety and Environmental Engineering, 2012,19(1): 73–76.

[5]胡靖. 船舶封閉艙室火災(zāi)溫度分布特性實(shí)驗(yàn)研究[D]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué), 2010: 8–10.

[6]辛喆, 王順喜, 云峰, 等. 基于火災(zāi)模擬軟件(FDS)的草原火災(zāi)蔓延規(guī)律數(shù)值分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(11):156–163.

XIN Zhe, WANG Shun-xi, YUN Feng, et al. Numerical analysis on spreading laws of grassland fire based on fire dynamics simulator (FDS)[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(11): 156–163.

[7]顧亞祥, 丁世飛. 支持向量機(jī)研究進(jìn)展[J]. 計(jì)算機(jī)科學(xué), 2011,38 (2): 14–17.

GU Ya-fei, DING Shi-fei. Advances of support vector machines(SVM)[J]. Computer Science, 2011, 38(2): 14–17.

[8]陳偉根, 滕黎, 劉軍, 等. 基于遺傳優(yōu)化支持向量機(jī)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(1):44–51.

CHEN Wei-gen, TENG Li, LIU Jun, et al. Transformer winding hot-spot temperature prediction model of support vector machine optimized by genetic algorithm[J].Transactions of China Electrotechnical Society, 2014, 29(1):44–51.

[9]楊鐘瑾. 粒子群和遺傳算法優(yōu)化支持向量機(jī)的破產(chǎn)預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用, 2013, 49(18): 265–270.

YANG Zhong-jin. Bankruptcy prediction based on support vector machine optimized by particle swarm optimization and genetic algorithm[J]. Computer Engineering and Applications,2013, 49(18): 265–270.

[10]CHAUDHURI A, DE K. Fuzzy support vector machine for bankruptcy prediction[J]. Applied Soft Computing, 2011,11(2): 2472–2486.

[11]WANG Chun-lin, ZHOU hao, LI Guo-neng. Combining support vector machine and genetic algorithm to predict ash fusion temperature[J]. Proceedings of the CSEE, 2010, 27(8):11–15.