《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Scenario-adaptive cross-modal multistep temporal prediction of heat release rate in tunnel fires
编辑推荐：
针对传统隧道火灾温度传感器易受极端火况损坏的问题，本研究提出融合计算机视觉与时序模型的混合深度学习框架，通过1/20比例隧道平台实验获取动态风-火耦合数据，采用场景感知分层数据分割和平衡采样策略优化数据分布，结合EfficientNet-B3图像特征提取与GRU/LSTM/BiLSTM/Seq2Seq/Transformer时序模型，验证60秒输入序列与120秒输出序列的最佳配置，实现平均R2达0.92，MAE 0.693kW，RMSE 0.870kW的高精度多步热释放率预测。
崔公友生|张玉春|陶浩文|罗强|肖尧|刘新浩|李涛|徐聪聪
中国四川省成都市西南交通大学消防工程系，邮编611756
摘要
传统的隧道火灾情况感知依赖于温度传感器，但在极端火灾条件下，这些传感器会受到热损伤和故障的影响。为了解决这一限制，本研究提出了一种混合深度学习方法，该方法结合了计算机视觉和时间建模技术，利用在隧道入口处捕获的火焰图像序列来预测多步热释放率（HRR）。在1/20比例的隧道平台上进行了全面的火灾实验，实验中包含了动态风火耦合场景以及四种通风模式（持续增加、持续减少、先增加后减少、先减少后增加），并涵盖了包括稳态燃烧和火灾增长阶段在内的多个燃烧阶段。鉴于不同火灾场景下数据的复杂性，开发了一种基于场景的分层数据分割方案，以确保训练集和验证集中不同实验条件的代表性分布。随后采用了平衡采样策略来减轻HRR分布中的类别不平衡问题。此外，还采用了鲁棒的分位数变换和标准化方法，使HRR数据呈正态分布并处理异常值问题。建立了一个结合EfficientNet-B3和五种时间模型（GRU、LSTM、BiLSTM、Seq2Seq、Transformer）的混合预测框架，用于跨模态HRR预测。通过对输入序列长度的系统性评估，确定了60秒为所有模型的最佳配置。进一步分析120秒输入下的输出序列长度后发现，EfficientNet-B3与Seq2Seq的组合提供了最佳的整体多步预测性能。在所有输出时域内，无论是当前还是未来的HRR预测，该方法都保持了低变异性，具有0.92的平均R2拟合优度，并且预测误差较低，MAE和RMSE值分别为0.693千瓦和0.870千瓦。这些结果展示了所提出框架在隧道火灾安全应用中实现可靠、适应场景的HRR预测的潜力。
引言
智能交通系统与隧道基础设施的日益融合为先进的火灾安全监测创造了新的机会（崔和雷，2023年；Shahrour等人，2020年）。现代隧道网络需要超越传统烟雾和热量检测的预测能力，要求实时评估火灾强度和发展模式，以便能够采取主动的应急响应（吴等人，2022年；张等人，2024a；张等人，2024b）。热释放率（HRR）是衡量隧道火灾规模和强度的基本指标，对于隧道火灾安全管理具有多方面的重要性（Babrauskas和Peacock，1992年；Grant和Drysdale，1997年；王等人，2023年）。准确预测HRR的演变对于早期火灾预警系统（Cheong等人，2008年；Gao等人，2024年）、烟雾抽取设计（Barbato等人，2014年；Ingason和Li，2010年；Wang，2012年）、被动结构防火（Tomar和Khurana，2019年）以及紧急疏散响应规划（P?ibyl和P?ibyl，2014年）至关重要。
现有的隧道火灾HRR预测研究包括基于物理的建模和经验方法。基于物理的方法，特别是计算流体动力学（CFD）模拟，可以在特定边界条件下提供详细的火灾发展预测（Cheong等人，2010年；Lei等人，2018年；Migoya等人，2011年），但其计算强度使得它们不适合实时应用。经验方法通常涉及使用质量损失（Shafee等人，2017年）或氧气消耗量热计量法（Huggett，1980年；Kang等人，2019年）来测量HRR，然后根据隧道几何形状、通风方式（Carvel等人，2004年；Li等人，2016年；Liu等人，2025年）和燃料特性（Chen等人，2021年；Yao等人，2019年）等环境因素开发预测相关性。虽然这些经验模型具有计算效率，但它们往往依赖于简化的假设，并且难以捕捉火灾演变的非线性、多阶段特性，特别是在火灾初期和增长阶段。因此，在动态环境条件下，预测准确性仍然有限。
近年来，深度学习在模拟复杂非线性系统（包括时间依赖的火灾行为）方面显示出了巨大的潜力。基于传感器测量的数据驱动方法因其低计算成本和实时能力而受到关注。这些方法通常依赖于温度或烟雾测量等环境参数来推断火灾发展（Guo等人，2022年；Guo等人，2024年；Wu等人，2022年；Zhang等人，2022年；Zhu等人，2024年）。然而，在隧道火灾中，传感器经常在极端热条件下运行，可能会超过其最大工作温度，导致永久性或暂时性故障。这些问题削弱了仅依赖传感器预测系统在高风险环境中的可靠性（Guo等人，2024年），从而需要更可靠的数据源来进行火灾情况预测。
尽管最近的研究探索了用于火焰图像分析的深度学习技术，但现有工作主要集中在火焰检测、火灾分类或接近实时的状态估计上（Cheng等人，2025年；Majid等人，2022年；Saponara等人，2021年；Wang等人，2023年；Xie等人，2024年）。然而，火焰图像包含了丰富的时空线索，反映了燃烧强度、湍流和火灾增长阶段，这些对于预测HRR非常有价值。然而，大多数现有的基于视觉的火灾研究很少利用图像序列的时间 progression 进行多步预测。此外，由于外部环境的不同，隧道火灾表现出显著的场景变异性，使得传统的数据驱动方法难以在多种火灾条件下实现通用应用。
为了解决火灾预测中的时间建模挑战，基于深度学习的序列模型（如LSTM、GRU、BiLSTM、Seq2Seq和Transformer架构）已被广泛用于捕捉时变数据中的长期依赖性。这些模型在火灾温度预测、烟雾传播、燃烧源估计及相关物理过程方面展示了有效性（Jin等人，2020年；Kou等人，2021年；Liu等人，2023年；Ren等人，2025年；Zhao等人，2025年；Zhong和Liu，2025年；Karthy等人，2020年）。虽然这些时间架构已经得到广泛应用和验证，但它们与视觉火焰特征结合用于隧道环境中的多步HRR预测的研究仍然较少。现有研究很少将图像序列中的空间信息与时间模型结合起来，也没有考虑在动态风火相互作用下的预测，而这种相互作用在隧道火灾演变中起着关键作用。
尽管有上述进展，隧道火灾HRR预测仍存在几个关键问题。首先，现有方法仍然严重依赖传感器数据，尽管传感器在极端热条件下极易发生故障。其次，大多数研究强调瞬时或短时预测，而不是多步预测，这限制了它们在主动火灾管理中的实用性。第三，尽管火焰图像序列中包含的时间信息具有捕捉火灾动态演变的潜力，但很少被用于HRR预测。为了克服这些限制，本研究提出了一个跨模态深度学习框架，该框架结合了火焰图像序列和传感器数据，用于隧道火灾场景中的多步HRR预测。该框架在多种风火耦合条件下进行的1/20比例隧道实验上进行了训练，使模型在不同通风模式和火灾发展阶段具有鲁棒性。鉴于隧道火灾数据的复杂性和异质性，我们进一步开发了一套以数据为中心的预处理策略，包括一种基于场景的分层方案来区分火灾发展阶段、平衡采样以减轻HRR分布的偏斜，以及合适的标准化方法。所提出的系统结合了EfficientNet-B3进行视觉特征提取和五种时间建模架构（GRU、LSTM、BiLSTM、Seq2Seq和Transformer），构建了从火焰图像到HRR时间序列的有效跨模态映射。通过系统性评估，确定了最佳的输入-输出序列配置，以平衡预测准确性和计算效率。这种多模型方法允许全面分析不同时间架构在处理隧道火灾演变复杂动态方面的能力，为各种预测场景和时间范围提供了模型选择的见解。
部分摘录
图像特征提取
从火焰图像中提取特征是准确预测HRR的基础。本研究采用EfficientNet-B3（Tan和Le，2020年）作为图像特征提取的骨干网络，该网络通过其复合缩放策略在计算效率和特征表示能力之间实现了最佳平衡。EfficientNet的核心创新在于其复合缩放方法，该方法同时优化了网络深度（d）、宽度（w）和
隧道火灾实验
为了获得隧道火灾的动态场景数据，如图3所示，在一个尺寸为20米（长度）× 0.29米（高度）× 0.32米（宽度）的1/20比例模型隧道中，进行了一系列受动态风场影响的隧道火灾实验。真实场景中隧道出口外的风速和方向变化非常复杂。先前关于峡谷风效应在隧道中的研究表明，当外部风进入隧道时
不同输入长度下的性能评估
为了确定火灾HRR预测的最佳输入序列长度，在所有五种模型架构下（预测时域为60秒），系统评估了三种输入配置（10秒、30秒和60秒）。如图7所示，通过对R2、MAE和RMSE指标的全面评估，发现60秒输入序列始终表现出一致的优势。所有模型在60秒输入时都取得了最佳性能，R2值范围从0.852到0.92
结论
本研究利用火焰图像序列作为输入，研究了适用于隧道火灾的情景自适应跨模态热释放率预测。开发了一个结合EfficientNet-B3和五种时间模型的混合框架，以应对复杂火灾场景中的跨模态预测挑战。该研究考察了处理复杂火灾动态的数据预处理策略，并系统评估了输入和输出序列长度对预测性能的影响。
CRediT作者贡献声明
崔公友生：撰写——原始草稿、软件开发、方法论、概念构思。张玉春：撰写——原始草稿、调查、资金获取、概念构思。陶浩文：撰写——审稿与编辑、资金获取、数据管理。罗强：方法论、调查、形式分析。肖尧：软件开发、方法论、调查。刘新浩：方法论、调查。李涛：方法论、数据管理。徐聪聪：方法论、数据管理。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。
致谢
本工作得到了中国国家重点研发计划（编号：2022YFC3801104）、中国国家自然科学基金（编号：52304257）、四川省科技支撑计划（编号：2025ZNSFSC1363）以及西南交通大学基本科研业务费（编号：2682024CX073）的支持。
