基于支持向量機的船舶機艙火災溫度快速預測

張 茜，李 彥

(江蘇科技大學 電子信息學院，江蘇 鎮(zhèn)江 212003)

0 引 言

近年來，我國經(jīng)濟的快速發(fā)展促進了船舶事業(yè)的繁榮，機艙作為船舶的動力場所，存放的各種油料和電器設施，成為火災的高發(fā)區(qū)[1,2]。因此，研究船舶機艙火災對于消防訓練和火災逃生有重要意義。

測量火災實驗過程中空間內(nèi)的溫度分布，對研究火災行為規(guī)律有重要意義[3,4]。就固定空間而言，由美國NIST研究所開發(fā)的基于火災動力學的大渦模擬軟件FDS（Fire Dynamics Simulator）對火災溫度流動模擬的準確性已得到廣泛認可[5]。但若改變機艙火源功率、火源面積、補風口面積、風機流速等條件，F(xiàn)DS就不能滿足要求，所以有必要建立火災溫度預測模型。20世紀90年代Vapnik等提出的支持向量機（Support Vector Machines，SVM），是一種新的機器學習算法，并迅速在多個領域得到快速發(fā)展[6]。相比其他傳統(tǒng)學習方法，具有良好的泛化能力，能夠很好地克服維數(shù)災難、小樣本、局部極小點以及過擬合等問題[7]。因此，運用支持向量機技術(shù)求解實際工程中有關火場溫度預測的問題非常適宜。

本文以船舶機艙為研究對象，采用大渦模擬方法，以火災動力學分析軟件FDS為平臺，計算不同條件下的船舶機艙火場溫度變化規(guī)律。以計算結(jié)果為訓練樣本建立船舶機艙火災溫度的支持向量機預測模型，最后將遺傳算法優(yōu)化支持向量機（GA-SVM）理論運用于船舶機艙火災溫度的預測。為了驗證本文模型的準確性，對比了SVM模型和BP神經(jīng)網(wǎng)絡方法的船舶機艙火災溫度預測結(jié)果。預測結(jié)果表明，利用遺傳算法優(yōu)化支持向量機的方法的預測效果較好且準確度較高，可以作為快速預測火場溫度的工程計算方法。

1 船舶機艙火災數(shù)值模擬

本文運用FDS軟件對實習公司的船舶機艙實驗室進行艙底油水火災數(shù)值模擬。

1.1 船舶機艙火災場景設計

以實習公司船舶火災實驗室為模擬對象，該實驗室內(nèi)部尺寸15 m（長）×7 m（寬）×5 m（高），機艙內(nèi)部尺寸是6 m（長）×7 m（寬）×5 m（高），艙內(nèi)有2臺柴油機和1臺柴油發(fā)電機，以及其他一些常用機艙設備。建立的模型如圖1所示。采用機械通風和自然通風，計算場景中在四面墻壁設有多個格柵作為補風口，每個格柵是0.8 m（長）×0.6 m（寬），頂部設有機械抽風口，抽風口是0.5 m（長）×0.5 m（寬）。

圖 1 FDS場景的幾何模型Fig. 1 The geometric model of the FDS scene

本文將火源置于實驗艙地面左邊，燃料為柴油，火源為超快速t2火，最大火源功率為1.8MW。計算場景的環(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。通過對該場景的網(wǎng)格獨立性分析[8]，本文使用了72×36×25非均一網(wǎng)格系統(tǒng)對所有涉及樣本進行計算。

1.2 船舶機艙火災樣本計算

在整個船舶機艙火災場景中，火場溫度變化的過程是一個動態(tài)過程，受多種因素的影響，本文主要考慮火源功率、補風口面積、風機流量、火災面積這4個因素對溫度場的影響，構(gòu)建了表1中15組火災場景，每組只改變一個影響因素，采用FDS分別對這15個火災場景下的船舶機艙火災溫度變化過程進行模擬，計算其不同時刻的溫度分布。在主頻為2.80 GHz的Intel CPU計算速度下，表1中每組火災場景計算到400 s需要使用CPU的時間不少于4 h。15組數(shù)據(jù)計算結(jié)果如表2所示。

表1中各符號的含義如下：Q為火災功率，kW；T為風機啟動時間，s；V為風機流速，m/s；S為補風

表 1 FDS算例設計Tab. 1 The design of FDS scene

2 船舶機艙火災溫度預測模型的建立

2.1 基于SVM模型

為檢驗算法訓練的精度，需要將第1節(jié)中15組FDS計算數(shù)據(jù)劃分為13個訓練樣本和2個測試樣本，將表1中的Q，T，V，S四個主要影響因素作為支持向量機模型的輸入量，表2中FDS計算結(jié)果作為模型的輸出，因此15組訓練樣本集為。支持向量機將低維復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)風險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)風險來確定，為預測值，y為實際值。

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SVM模型的懲罰因子C和核參數(shù)g進行參數(shù)尋優(yōu)，避免認為選擇參數(shù)的盲目性。遺傳算法是一種借鑒生物界自然選擇和進化機制發(fā)展起來的高度并行、自適應的全局優(yōu)化概率搜索算法，已被廣泛應用于組合優(yōu)化、機器學習、信號處理等領域[10]。

3 結(jié)果對比及分析

3.1 參數(shù)優(yōu)化對比

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

表 2 FDS計算結(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)方法對模型參數(shù)C和g尋優(yōu)后，GA的適應度值0.046 691最小，模型的適應能力最好，對應的參數(shù)[C，g]=[81.192 6，0.300 69]組合最佳。 由GA尋找最佳參數(shù)的適應度變化曲線圖2 可知，進化代數(shù)為150次時終止進化，此時適應度值0.046 691就接近理想最優(yōu)值。

3.2 預測結(jié)果分析

為比較GA-SVM模型的船舶機艙火災溫度預測的性能，分別采用SVM模型和前饋型BP神經(jīng)網(wǎng)絡建模對相同的樣本集進行訓練和預測。GA-SVM模型選用RBF核函數(shù)，經(jīng)反復參數(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)絡預測時，經(jīng)過反復試驗，網(wǎng)絡的輸入層、隱含層、輸出層的節(jié)點數(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)，訓練函數(shù)選用Levenberg-Marquardt算法，學習速率Lr=0.2，目標誤差Eg=0.000 01。3種模型下船舶火災溫度預測值與FDS計算結(jié)果比較見表4，可以得出，GA-SVM模型有較強的泛化能力，對訓練樣本學習后，對預測輸入樣本進行預測，得出相應預測輸出值與FDS計算結(jié)果吻合很好。

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

表 4 不同模型下預測值與FDS計算值比較Tab. 4 Contrast the FDS results and predict data of different models

圖 3 三種模型下的預測效果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)絡方法進行火災溫度預測的效果圖。

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

3種模型預測性能結(jié)果對比見表5，用MSE，eMAPE和R三個指標進行預測性能評價。

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

圖 5 SVM模型下相對誤差Fig. 5 Relative error based on SVM

圖 6 BP神經(jīng)網(wǎng)絡下相對誤差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和平均相對誤差eMAPE值分別為 0.046 691，0.001 6，遠小于SVM模型和BP網(wǎng)絡預測的相應指標值，且GA-SVM模型的相關系數(shù)R為 0.971 2，比SVM模型和BP網(wǎng)絡模型的相關系數(shù)更接近1，其預測結(jié)果精度更高，適應性更好，表明本文模型預測性能更優(yōu)。

4 結(jié) 語

本文利用FDS軟件對不同條件下的船舶機艙火災場景進行模擬，以火災功率、風機啟動時間、風機流速和補風口面積這4個影響因素為輸入?yún)?shù)，不同時刻的火災溫度為輸出構(gòu)造了船舶機艙火災溫度的GASVM預測模型。在建模過程中，采用GA對SVM回歸模型的懲罰因子C和核參數(shù)g自動尋優(yōu)選擇，避免了人為主觀經(jīng)驗地確定參數(shù)。通過輸入火災功率、風機啟動時間、風機流速和補風口面積到GA-SVM模型中，其對火災溫度預測的效果較好。與SVM模型和BP神經(jīng)網(wǎng)絡模型的相對誤差對比分析表明，GASVM模型具有較好的泛化能力，為船舶機艙火災溫度間接計算及預測提出了一種新方法。

本文建立的船舶機艙火災溫度的支持向量機計算模型包括4種條件參數(shù)對火災溫度的影響。在今后的工作中，可以設計更多的火災場景，例如考慮火源位置、補風口位置、火災空間高度、面積等因素對船舶機艙火災溫度的影響，通過FDS數(shù)值模擬構(gòu)造更加全面系統(tǒng)的訓練樣本，從而完善模型功能并進一步提高預測精度。

[1]賈佳, 陸守香. 船舶艙室火災風險分析方法研究[J]. 安全與環(huán)境學報, 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)在船舶艙室火災處理中的應用研究[D]. 大連: 大連海事大學, 2015.

[3]周德闖. 基于虛擬現(xiàn)實平臺的火災場景計算和仿真研究[ D].合肥: 中國科學技術(shù)大學, 2010: 72–96.

[4]徐文強, 劉芳, 董龍洋, 等. 基于FDS的地下停車場火災數(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. 船舶封閉艙室火災溫度分布特性實驗研究[D]. 合肥:中國科學技術(shù)大學, 2010: 8–10.

[6]辛喆, 王順喜, 云峰, 等. 基于火災模擬軟件(FDS)的草原火災蔓延規(guī)律數(shù)值分析[J]. 農(nóng)業(yè)工程學報, 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. 支持向量機研究進展[J]. 計算機科學, 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)化支持向量機的變壓器繞組熱點溫度預測模型[J]. 電工技術(shù)學報, 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)化支持向量機的破產(chǎn)預測[J].計算機工程與應用, 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.