基于BP-WOA的聚合物火災(zāi)危險性分析

徐 茂

楊凌示范區(qū)消防救援支隊，陜西 楊凌 712100

0 引言

近年來，隨著材料學(xué)科不斷發(fā)展，各類性能良好、經(jīng)濟實用的聚合物新材料出現(xiàn)在人們生活中，因其具有導(dǎo)熱系數(shù)低、易加工等特點，常用于室內(nèi)裝修、建筑外墻保溫等方面，但其自身易燃性特點也增加了使用場所的火災(zāi)危險性。例如，上海“11·15”特大火災(zāi)，導(dǎo)致58人遇難[1]，因違規(guī)使用大量尼龍網(wǎng)、聚氨酯泡沫等易燃材料，加大了火災(zāi)發(fā)生概率與火災(zāi)撲滅難度。研究聚合物使用場所復(fù)雜環(huán)境條件及安全性，需考慮其火災(zāi)危險性，因此，綜合評估聚合物火災(zāi)危險性對消防救援工作具有積極意義。

目前，聚合物火災(zāi)危險性評估是利用錐形量熱儀進行小尺寸燃燒來綜合評定，這已成為國際公認(rèn)的材料燃燒特性試驗方法。材料火災(zāi)危險性主要表現(xiàn)在熱危險性和非熱危險性，熱危險性主要有熱釋放速率峰值(pk-HRR)、點燃時間對數(shù)值(lgin)、比消光面積對數(shù)值(IgSEA)、火災(zāi)性能指數(shù)(點燃時間與熱釋放速率峰值的比值)、總熱釋放量等。何騰飛等[2]使用錐形量熱儀對PP、PU、PC三種聚合物材料進行燃燒試驗，并針對點燃參數(shù)、熱釋放速率、煙氣參數(shù)、質(zhì)量損失參數(shù)和毒氣參數(shù)5個方面12個指標(biāo)應(yīng)用層次分析法對材料火災(zāi)危險性進行分析；郭子?xùn)|等[3]對聚乙烯、添加膨脹型阻燃劑聚乙烯、聚對苯二甲酸丁二醇酯(PBT)及PBT/黏土納米復(fù)合材料進行錐形量熱儀試驗，獲得與大型火災(zāi)試驗吻合很好的多個燃燒參數(shù)；吳蕓[4]利用錐形量熱儀對9種典型聚合物材料進行測試，并運用GRA法和AHP法分別對試驗計算結(jié)果進行分析；關(guān)于火災(zāi)危險性的預(yù)測分析，大量學(xué)者應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行分析[5-8]，隨著人工智能的快速發(fā)展，各種優(yōu)化算法也隨之出現(xiàn)。

綜上所述，為探究不同聚合物的火災(zāi)危險性，本文選取《聚合物材料火災(zāi)燃燒性能評價》[9]關(guān)于聚合物火災(zāi)危險性評判標(biāo)準(zhǔn)，采用鯨魚算法(WOA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型預(yù)測聚合物火災(zāi)危險性。

1 BP-WOA組合預(yù)測模型

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種典型前饋型神經(jīng)網(wǎng)絡(luò)，內(nèi)部結(jié)構(gòu)主要由輸入層、隱含層及輸出層三個部分構(gòu)成，如圖1所示。按照預(yù)設(shè)目標(biāo)精度，通過誤差反向傳播方法不斷對網(wǎng)絡(luò)內(nèi)部權(quán)值和閾值進行修正和更新，使其能夠更好地逼近實際值，完成最終訓(xùn)練。然而在實際應(yīng)用中，單一BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)速度慢、泛化性能不高等缺陷，因此許多學(xué)者在原有基礎(chǔ)上通過引入智能優(yōu)化算法對單一BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 BP-WOA組合模型

鯨魚算法(WOA)是基于生物捕食行為而衍生出的一種啟發(fā)式算法。在這個過程中鯨魚通過包圍捕食、螺旋氣泡網(wǎng)攻擊及搜索方式對獵物進行追蹤最終達到捕獲食物的目的。(1)包圍獵物。鯨魚在捕食的過程中通過更新與迭代不斷更新自身的位置包圍食物最終完成目標(biāo)的捕獲。在初始階段，最優(yōu)值是在一定階段內(nèi)設(shè)定的，而其他鯨魚種群會朝著這個最優(yōu)方向移動，并通過迭代不斷進行種群位置的更新。(2)螺旋氣泡網(wǎng)攻擊。螺旋氣泡網(wǎng)攻擊行為主要有兩個：一是收縮包圍。通過線性降低收斂因子a的值，最終完成收縮包圍食物的行為。二是螺旋更新位置。在當(dāng)前鯨魚位置與目標(biāo)位置之間建立螺旋方程來模擬這頭鯨的捕食過程。鯨魚覓食過程中，會設(shè)置一個隨機概率P對上述兩種行為進行判斷。(3)搜索獵物。除了氣泡網(wǎng)攻擊的方式外，鯨魚還會隨機選取種群位置進行更新，該方式提高了鯨魚算法全局搜索能力。

WOA算法在實際問題中求解具有收斂速度快、易于跳出局部最優(yōu)等優(yōu)點，因此本文采用WOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)內(nèi)部的權(quán)值和閾值，形成基于BP-WOA的組合預(yù)測模型預(yù)測火災(zāi)危險性，具體流程(如圖2所示)如下：(1)讀取數(shù)據(jù)，劃分樣本集并做歸一化處理。(2)初始化WOA算法中最大迭代次數(shù)Tmax、種群數(shù)量N、上下邊界ub和lb，同時設(shè)定目標(biāo)函數(shù)。(3)記錄初始最優(yōu)個體值和位置。(4)更新參數(shù)A，C，P，l和a。(5)根據(jù)P判斷，當(dāng)P<0.5時，如果|A|<1，則更新鯨魚位置；反之如果|A|≥1，則使得鯨魚隨機搜索，更新位置。(6)當(dāng)P≥0.5時，更新鯨魚位置。(7)計算新的個體適應(yīng)度值，并更新記錄位置。(8)判斷是否滿足迭代次數(shù)，若滿足進行下一步，反之重復(fù)步驟(3)～(7)。(9)根據(jù)鯨魚的最優(yōu)位置計算網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值。(10)將優(yōu)化后的BP網(wǎng)絡(luò)進行預(yù)測，得到最終結(jié)果。

圖2 BP-WOA流程圖

2 實例分析

2.1 輸入及樣本選擇

本文試驗分別采用BP神經(jīng)網(wǎng)絡(luò)與BP-WOA組合模型對聚合物IFHI進行預(yù)測研究。由于火災(zāi)危險性與不同材料的燃燒特性有著很大關(guān)聯(lián)，因此探究這些材料的熱物性參數(shù)值對火災(zāi)危險性的評估有著重要價值。根據(jù)以往學(xué)者研究[10-12]，將選取二氧化碳產(chǎn)率(CO2)、一氧化碳產(chǎn)率(CO)、質(zhì)量損失速率(MLR)、比消光面積(SEA)、有效燃燒熱(EHC)、熱釋放速率峰值(pk-HRR)、熱釋放速率(av-HRR)及點燃時間(TTI)8個影響因素作為模型的輸入，輸出為IFHI。選取7個聚合物大類(PVC、PE、PP、PS、ABS、PA、PBT)共79組數(shù)據(jù)進行試驗研究，將后70組樣本數(shù)據(jù)用作訓(xùn)練集，前9組樣本數(shù)據(jù)用作測試集。表1列舉了部分聚合物錐形量熱儀試驗數(shù)據(jù)，測試樣本數(shù)據(jù)如表2所示。

表1 聚合物錐形量熱儀部分試驗數(shù)據(jù)(輻射熱流50 kW)

表2 測試樣本(輻射熱流50 kW)

2.2 隱含層節(jié)點選取

隱含層的選取大小往往會影響最后模型預(yù)測的精準(zhǔn)度，因此如何選取隱含層節(jié)點數(shù)是值得探究的，對BP神經(jīng)網(wǎng)絡(luò)隱含層的設(shè)置一般是根據(jù)公式來進行選取，具體如式(1)所示。

(1)

式中，p為隱含層節(jié)點數(shù)目；n為輸入節(jié)點數(shù)；q為輸出節(jié)點數(shù)；a為一定范圍內(nèi)整數(shù)，通常取[1，10]。而在本試驗中，根據(jù)實際輸入狀況，選取BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點范圍在3～14之間，同時通過網(wǎng)絡(luò)訓(xùn)練，根據(jù)實際誤差得到最佳隱含層節(jié)點數(shù)。具體最優(yōu)隱含層選取情況如表3所示。

表3 最優(yōu)隱含層節(jié)點數(shù)選取

在MATLAB2018a仿真環(huán)境中通過試驗對最終預(yù)測結(jié)果進行對比，得到最佳隱含層節(jié)點數(shù)為11，同時設(shè)置鯨魚種群數(shù)量為30，最大迭代次數(shù)為50。

2.3 仿真結(jié)果及模型驗證

選取9組測試樣本總共分為6大類(PVC、PP、PS、ABS、PA、PBT)，并將其進行編號作為測試集。根據(jù)火災(zāi)熱物性參數(shù)值影響，通過模型訓(xùn)練判別最終火災(zāi)危險指數(shù)，以此進行有效評估。圖3～圖5分別為組合模型的仿真圖、誤差圖對比及直方圖。從仿真圖可以得到通過WOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)后的組合模型預(yù)測擬合度更高，接近于0誤差的樣本數(shù)量更多，可更加有效擬合火災(zāi)危險指數(shù)的輸出值。為更好地驗證組合模型的優(yōu)越性，引入均方根誤差(Root Mean Square Error，RMSE)、平均絕對誤差(Mean Absolute Error，MAE)、平均絕對百分比誤差(Mean Absolute Percentage Error，MAPE)3個誤差指標(biāo)進行分析(見表4)。從表中各個誤差指標(biāo)情況來看，組合模型在預(yù)測精度上有很大提升，這是由于通過WOA算法得到最優(yōu)位置后，計算得到最優(yōu)權(quán)值和閾值，并將優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，更加有效地對IFHI進行預(yù)測。

圖3 組合模型仿真圖對比

圖4 組合模型誤差圖對比

表4 誤差指標(biāo)分析

3 結(jié)論

本文提出基于BP-WOA模型對火災(zāi)危險性進行分析，將多種材料熱物性參數(shù)值作為輸入影響因素并建立預(yù)測模型對火災(zāi)危險綜合指數(shù)進行評估。針對單一BP模型泛化性能不高的問題，引入WOA算法尋找其最優(yōu)權(quán)值和閾值并進行預(yù)測分析。在實際仿真驗證中該模型可以有效地通過各輸入?yún)?shù)實現(xiàn)聚合物IFHI精準(zhǔn)評估，對我們更好地了解和預(yù)測火災(zāi)危險性具有現(xiàn)實意義。

圖5 模型誤差對比直方圖