基于极限学习机的炭化可燃物着火时间预测

机器学习技术近年来在许多传统科学领域取得了应用,针对火灾中炭化可燃物着火时间与物性参数及环境参数之间关系复杂的特点,提出了一种基于极限学习机的预测方法以实现不同物性及环境参数时着火时间的快速准确预测,为防治及扑救火灾提供参考。首先建立炭化可燃物热解数值模型,考虑了可燃物热解过程中的含水率以及热解反应、气体流动等复杂物理化学反应过程,然后搭建极限学习机,以数值模拟数据为基础进行训练及验证工作。结果表明基于极限学习机的预测方法能够有效实现炭化可燃物着火时间的快速准确预测,平均相对误差小于3%。

不同季节马尾松针叶热解的热红联用分析

使用热重分析仪—傅里叶变换红外分析仪联用(热红联用)技术,对南京森林警察学院仙林校区内冬、春两季的马尾松针叶热解过程的特点进行分析,并对热解产生的烟气成分进行红外光谱解析。结果表明:在空气气氛下,马尾松针叶快速热解过程析出大量的挥发分,可达到60%左右的失重率,主要发生在180～380℃的温度区间内,其烟气主要成分是CO、CO_2、酸、醛等物质。

基于机器学习的可燃物热解参数反演研究

数值模拟是研究可燃物热解过程的重要技术手段,但建立数值模型时需要准确的可燃物热解参数,而通过实验手段获得给定材料的全部参数较为困难。针对此问题,本文提出了一种基于机器学习的热解参数反演技术。首先建立了数值模型;然后建立了基于神经网络及遗传算法的混合参数反演模型;最后使用数值模拟数据进行了验证,结果表明提出的参数反演技术可有效兼顾反演效率和反演精度,能够为准确快速获得热解参数提供一种新的工具,具有较好的应用前景。