电缆隧道是城市电力传输系统的关键基础设施，由于人工智能的快速发展，其重要性日益凸显。据预测，到2030年，全球数据中心的电力需求可能会翻倍，与人工智能相关的电力消耗将以每年26-36%的速度增长（De Vries, 2023; Shehabi et al., 2016; Strubell et al., 2020），这导致了城市内电缆隧道的密集建设（Chen et al., 2025; Wu et al., 2026）。然而，电缆隧道复杂且隐蔽的环境使得早期火灾检测变得困难，并且火势容易迅速蔓延。统计数据显示，2018年亚洲某城市的电缆隧道火灾造成了约5000万美元的直接经济损失（Zhang et al., 2025）；2019年欧洲某城市的隧道火灾导致数千户家庭停电，维修工作持续了数月；2020年中国某城市的电缆隧道火灾产生的烟雾对附近居民的安全构成了严重威胁（Sun et al., 2022）。此类火灾会因烟雾迅速扩散而阻碍救援行动，甚至可能引发二次爆炸，导致重大人员伤亡（Li and Ingason, 2018; Ingason et al., 2015）。因此，实时检测电缆隧道火灾并在火灾蔓延过程中准确预测关键参数对于确保电力供应安全至关重要。
传统的火灾检测方法主要依赖于温度传感器、烟雾探测器和气体分析仪（Cheong et al.; Ingason, 2007; Zhang et al., 2022），但这些方法存在响应延迟、覆盖范围有限和维护成本高的问题。相比之下，基于机器视觉的检测技术具有低成本、快速响应、高准确率和广泛覆盖范围等优点（Li and Zhao, 2020; Wu et al., 2021; Zhang et al., 2024）。然而，由于大多数现有模型是基于明火数据训练的，当应用于电缆隧道的特定环境时，它们的泛化能力不足，导致误报率较高，且缺乏大规模的实际场景验证（Nie et al., 2024; Wu et al., 2025; Zhang et al., 2024）。特别是火焰阶段检测方面几乎尚未有研究。在火灾蔓延预测方面，虽然使用物理模型取得了一些进展（Hu et al., 2010），但研究表明火焰高度与电缆材料和通风条件密切相关（Hu et al., 2008），燃烧持续时间受电缆绝缘材料的热解特性影响（Xu et al., 2025），计算流体动力学（CFD）模拟可以预测火灾温度分布（Rhodes, N. n.d.; Zhao et al., 2022），烟雾扩散速度与隧道几何形状相关（Guo et al., 2021; Mehdi et al., 2022; Study of the Thermal, 2024）。然而，复杂的因素（如电缆布局密度、高度和环境变量）显著影响火灾行为，使得经典物理模型难以全面考虑所有这些参数（Duan et al., 2021a）。机器学习（ML）模型能够更好地捕捉多个变量之间的复杂关系，显示出良好的前景。神经网络在预测烟雾扩散方面表现优异（Su et al., 2021），随机森林算法可以有效预测温度场（Huang et al., 2025），长短期记忆（LSTM）网络在预测火灾蔓延趋势方面具有高准确率（Chen et al., 2025; Zhang et al., 2021; Zhang et al., 2024）。然而，大多数现有ML模型是基于数值模拟和缩小比例实验的数据集训练的，这些数据集受到尺度效应和理想化假设的限制，因此无法准确反映真实隧道环境中的火灾动态（Duan et al., 2021; Han et al., 2021）。总体而言，利用全尺寸实验平台和ML方法预测火焰高度、燃烧持续时间和中心线火焰温度等关键参数的研究仍然较少（Lin et al., 2023）。尽管ML模型能够捕捉多个变量之间的复杂关系并显示出潜力，但其在隧道火灾安全领域的实际应用受到训练数据真实性的严重限制。现有研究表明神经网络在预测烟雾扩散或温度场方面具有潜力，但这些研究主要依赖于基于数值模拟或缩小比例实验的数据集。这种方法引入了一个关键的“领域差距”：基于数值数据（如计算流体动力学（CFD）训练的模型在真实环境中往往表现不佳，因为模拟通常基于理想化假设；它们可能简化了复杂的湍流流动，使用了简化的燃烧化学过程，并忽略了真实世界传感器数据中的高频噪声和不可预测的变化。
同样，缩小比例实验的数据也存在显著的尺度效应。火灾动态，特别是浮力驱动的流动和辐射热传递，并非线性缩放（Zhang et al., 2025）。因此，小规模实验无法准确再现全尺寸火灾的烟雾分层、火焰行为和热流分布，导致模型在现实场景中的泛化能力较差。因此，利用全尺寸实验平台训练和验证ML模型的研究非常匮乏，这是在关键基础设施中开发可靠的实时火灾预测系统的一个重大障碍。为应对这些挑战，本研究建立了一个全尺寸电缆隧道实验平台，记录火灾发展过程和关键参数的变化，以构建高质量的数据集。提出了一种结合深度学习和色度识别算法的双模块火焰检测框架，以降低复杂环境中的误报率。此外，还采用了四种主流AI模型进行多参数火灾预测研究，填补了这一领域的空白。在全球发展的背景下，人工智能的快速发展对电力行业提出了更高的要求，地下电缆隧道的安全性直接影响电力供应的可靠性。本研究为电缆隧道火灾的预防和控制提供了理论支持和新的实用技术方法，可以有效降低电力系统的运行风险并提高电网可靠性。
本研究的创新点如下：
(1)为了研究电缆布局配置对火灾演变的影响机制，构建了一个全尺寸电缆隧道实验平台，系统地记录火灾发展过程并分析关键参数的演变模式，为基于AI的隧道电缆火灾预测模型提供了高质量的数据集。
(2)开发了一种改进的双模块识别框架，结合了基于深度学习的机器视觉模型和色度空间识别算法，以降低复杂电缆隧道环境中机器视觉的误报率。该框架能够有效区分火焰和干扰源，实现火焰状态的精确和动态识别。
(3)为了建立火焰高度、燃烧持续时间和中心线火焰温度的高精度预测方法，本研究基于四种主流AI模型研究了电缆隧道火灾参数的预测，填补了多参数预测方面的研究空白。
