西藏低压环境受限空间顶棚射流区火灾烟雾信号规律与探测算法研究

论文摘要

西藏低压低氧气浓度环境直接影响火灾燃烧、烟气运动特征、烟气信号大小及发展变化趋势。给基于火灾产物的浓度、强度及发展趋势变化等特征采用信号处理识别算法实现探测报警的火灾探测技术带来很大影响。然而以西藏为代表的高原低压环境地区建筑火灾探测器选型与布置仍然沿用内地平原地区标准规范,缺乏科学依据与数据支持,存在很大漏报和误报可能。感烟探测器的参数设计需要依据烟雾相关特性的定量表达。要实现有效探测,必须定量研究高原低压环境受限空间顶棚射流区火灾烟雾信号规律并据此提出相应的措施指导探测器的选型、设计和安装,以满足西藏地区火灾防治需求。为揭示顶棚射流区域烟气温度特性,首先针对稳定热释放速率火源,运用经验公式与压力相似模型,推导出顶棚射流区域烟气在发展段与稳定段温度随气压变化的关系。然后利用拉萨合肥两地相同尺寸的标准火实验间进行乙醇池火燃烧实验验证。结果表明,实验数据分析曲线与理论推导的结果在误差允许范围内能够得到很好吻合。针对工程经验公式对顶棚射流区烟雾浓度分析时出现较大的偏差。从羽流与射流的基本理论出发推导得出顶棚射流区烟雾浓度的定量表达。研究发现,该推导公式能够很好解释实验结果。即,烟雾浓度随着燃料热释放速率的加大而增大。如果两地热释放速率相同,烟雾浓度及组分浓度则一致。而后从热对流方程出发,推导出常压环境中通过降低重力加速度实现与低压常重力环境保持热自然对流过程相似的结论。所以采用微重力环境材料燃烧特性、烟颗粒形貌特征及感烟探测器性能表现等对高原低压环境感烟探测器灵敏度问题进行反演分析。结果表明,该半定量的分析结果能够较好解释实验现象。针对西藏高原低压环境火灾燃烧产生烟雾信号较弱特点,在传统的智能火灾探测算法中植入灰色GM(1,1)预测模型对后续时间点火灾烟雾信号进行预测放大。为排除环境干扰,周期采样的数据需要先经过较低阈值和趋势算法的判断。为提高探测算法智能度,提出灰色预测模型与神经网络相融合的火灾探测算法应用于高原地区火灾探测,得到了较好效果。考虑到神经网络输出有模糊度较大难以判决的火灾情形,引入模糊理论,提出灰色模糊神经网络算法对烟雾信号进行处理实现火灾探测。最后,用拉萨标准燃烧间实地采集的具有较好重复性正庚烷火实验数据对算法进行验证,表明该算法能够提供及时准确的报警。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景和意义
• 1.1.1 受限空间火灾危害性
• 1.1.2 西藏地理气候特征及古建筑火灾特点
• 1.1.3 西藏高原低压环境火灾防治现状
• 1.2 研究现状
• 1.2.1 高原低压环境火灾研究
• 1.2.2 火灾烟气顶棚射流研究
• 1.2.3 火灾探测算法研究
• 1.3 研究目标及内容
• 1.4 技术路线
• 1.5 本文结构安排
• 参考文献
• 第2章 受限空间火灾烟气发展及烟气性质
• 2.1 引言
• 2.2 受限空间火灾烟气发展
• 2.2.1 火羽流
• 2.2.2 顶棚射流
• 2.3 烟气的性质
• 2.3.1 烟雾浓度
• 2.3.2 烟气温度
• 2.3.3 烟雾遮光性
• 2.4 本章小结
• 本章符号
• 参考文献
• 第3章 实验装置及测量系统的设计
• 3.1 引言
• 3.2 标准间及设备布置
• 3.3 欧标火及国标火
• 3.4 设备及测量
• 3.4.1 烟气温度测量
• 3.4.2 烟雾浓度测量
• 3.4.3 环境参数测量
• 3.4.4 热释放速率测量
• 3.4.5 气体组分浓度测量
• 3.5 本章小结
• 第4章 高原低压环境受限顶棚射流烟气温度特性研究
• 4.1 引言
• 4.2 理论分析
• 4.3 顶棚射流烟气温度测量实验
• 4.3.1 烟气温度测量
• 4.3.2 实验材料选取
• 4.4 理论推导与实验结果对比验证
• 4.4.1 发展段时间节点选取与验证
• 4.4.2 稳态烟气层形成时间节点选取与验证
• 4.5 本章小结
• 本章符号
• 参考文献
• 第5章 高原低压环境受限顶棚射流烟雾浓度特性研究
• 5.1 引言
• 5.2 理论分析
• 5.2.1 传统经验公式
• 5.2.2 理论推导
• 5.3 顶棚射流烟雾浓度测量实验
• 5.3.1 烟雾浓度测量
• 5.3.2 实验材料选取
• 5.4 理论推导与实验结果对比验证
• 5.4.1 传统经验公式与实验结果对比
• 5.4.2 理论推导结果与实验结果对比
• 5.5 高原低压环境感烟探测器灵敏度分析
• 5.5.1 理论推导
• 5.5.2 灵敏度讨论
• 5.6 本章小结
• 本章符号
• 参考文献
• 第6章 高原低压环境火灾探测算法研究
• 6.1 引言
• 6.2 灰色神经网络火灾探测方法
• 6.2.1 灰色GM（1,1）预测模型
• 6.2.2 BP神经网络
• 6.2.3 算法流程
• 6.2.4 实验测试及结果分析
• 6.3 灰色模糊神经网络算法
• 6.3.1 模糊理论
• 6.3.2 自适应模糊神经网络
• 6.3.3 算法流程
• 6.3.4 实验测试及结果分析
• 6.4 时序残差GM（1,1）模型
• 6.5 本章小结
• 参考文献
• 第7章 总结与展望
• 7.1 总结
• 7.2 本文创新点
• 7.3 展望
• 致谢
• 在读期间发表的学术论文与获得奖励情况