一种基于深度学习的隧道火灾烟气控制方法及系统

本发明属于火灾安全，尤其涉及一种基于深度学习的隧道火灾烟气控制方法及系统。

背景技术：

1、城市交通隧道建设已经成为大、中型城市缓解城市交通拥堵、解决交通用地紧张的主要手段之一。隧道火灾极具危害性，是隧道灾害防治的重中之重。

2、隧道内的排烟一般分为纵向排烟和横向排烟模式。横向排烟模式分为全横向和半横向模式。对于消防安全要求高的城市交通隧道，发展了重点排烟(集中排烟)系统，它属于半横向顶部排烟系统的改进形式。

3、但是目前的隧道火灾烟气控制方法，使用烟雾探测器，这些探测器可以感知到隧道内的烟雾，并在检测到烟雾时触发警报。这些传感器通常基于光学、离子化或光电二次感应等原理。在一定程度上可以提供隧道火灾烟气控制和应急处理，但仍然存在一些局限性，例如可能的误报、响应时间延迟等。

技术实现思路

1、本发明提出了一种基于深度学习的隧道火灾烟气控制方法及系统，引入了先进的传感技术和智能算法，以提高系统的准确性和响应速度，解决上述现有技术中存在的技术问题。

2、为实现上述目的，本发明提供了一种基于深度学习的隧道火灾烟气控制方法，包括：

3、获取隧道火灾的图像数据和多种传感器数据；

4、构建隧道火灾的图像识别模型和数据分析模型，基于所述图像识别模型对所述图像数据进行识别，得到图像识别结果，基于所述数据分析模型对所述多种传感器数据进行分析，得到数据分析结果；

5、基于所述图像识别结果和数据分析结果，通过隧道区域定位方法，确定隧道火灾位置对应的防烟分区；

6、对所述防烟分区的风机和排烟阀进行联动控制，实现隧道火灾烟气的排出。

7、优选地，所述多种传感器数据包括：红外线传感器数据、气体传感器数据、温度传感器数据、气流传感器数据。

8、优选地，基于所述数据分析模型对所述多种传感器数据进行分析的过程包括：

9、基于所述数据分析模型对所述红外线传感器数据进行分析，得到隧道区域是否存在火焰；

10、基于所述数据分析模型对所述气体传感器数据进行分析，得到隧道火灾位置的气体浓度值；

11、基于所述数据分析模型对所述温度传感器数据进行分析，得到隧道火灾位置的温度值；

12、基于所述数据分析模型对所述气流传感器数据进行分析，得到隧道火灾位置的气流速度值、气流方向值；

13、所述数据分析结果包括：是否存在火焰、气体浓度值、温度值、气流速度值和气流方向值。

14、优选地，基于所述图像识别结果和数据分析结果，确定隧道火灾位置对应的防烟分区的过程：

15、基于图像识别结果，通过摄像机的定位系统，得到隧道可疑火灾位置，基于所述隧道可疑火灾位置和所述数据分析结果，确定隧道火灾位置；

16、基于所述隧道火灾位置和隧道防烟设计原理，得到隧道火灾位置对应的防烟分区。

17、优选地，对所述防烟分区的风机和排烟阀进行联动控制的过程包括：

18、通过隧道联动控制系统，对所述防烟分区的风机进行转速控制，得到新鲜空气的补入量；

19、通过隧道联动控制系统，对所述防烟分区的排烟阀进行开启控制，得到有害烟雾的排出量；

20、其中所述补入量大于所述排出量。

21、为实现上述技术目的，本发明提供了一种基于深度学习的隧道火灾烟气控制系统，包括：

22、数据获取模块，用于获取隧道火灾的图像数据和多种传感器数据；

23、数据分析模块，用于构建隧道火灾的图像识别模型和数据分析模型，基于所述图像识别模型对所述图像数据进行识别，得到图像识别结果，基于所述数据分析模型对所述多种传感器数据进行分析，得到数据分析结果；

24、防烟分区确定模块，用于基于所述图像识别结果和数据分析结果，通过隧道区域定位方法，确定隧道火灾位置对应的防烟分区；

25、烟气控制模块，用于对所述防烟分区的风机和排烟阀进行联动控制，实现隧道火灾烟气的排出；

26、其中所述数据获取模块、所述数据分析模块、所述防烟分区确定模块和所述烟气控制模块依次连接。

27、优选地，所述多种传感器数据包括：红外线传感器数据、气体传感器数据、温度传感器数据、气流传感器数据。

28、优选地，所述数据分析模块包括：

29、基于所述数据分析模型对所述红外线传感器数据进行分析，得到隧道区域是否存在火焰；

30、基于所述数据分析模型对所述气体传感器数据进行分析，得到隧道火灾位置的气体浓度值；

31、基于所述数据分析模型对所述温度传感器数据进行分析，得到隧道火灾位置的温度值；

32、基于所述数据分析模型对所述气流传感器数据进行分析，得到隧道火灾位置的气流速度值、气流方向值；

33、所述数据分析结果包括：是否存在火焰、气体浓度值、温度值、气流速度值和气流方向值。

34、优选地，所述防烟分区确定模块包括：

35、基于图像识别结果，通过摄像机的定位系统，得到隧道可疑火灾位置，基于所述隧道可疑火灾位置和所述数据分析结果，确定隧道火灾位置；

36、基于所述隧道火灾位置和隧道防烟设计原理，得到隧道火灾位置对应的防烟分区。

37、优选地，所述烟气控制模块包括：

38、通过隧道联动控制系统，对所述防烟分区的风机进行转速控制，得到新鲜空气的补入量；

39、通过隧道联动控制系统，对所述防烟分区的排烟阀进行开启控制，得到有害烟雾的排出量；

40、其中所述补入量大于所述排出量。

41、与现有技术相比，本发明具有如下优点和技术效果：

42、本发明提供了一种基于深度学习的隧道火灾烟气控制方法，首先获取隧道火灾的图像数据和多种传感器数据，通过不同类型传感器的联合使用可以减少误报的可能性；接着构建隧道火灾的图像识别模型和数据分析模型，基于所述图像识别模型对所述图像数据进行识别，得到图像识别结果，基于所述数据分析模型对所述多种传感器数据进行分析，得到数据分析结果，通过图像识别模型和数据分析模型可以学习隧道环境下正常和异常的特征，能够提高系统对真实火灾情况的准确识别，还提高了系统的响应速度；最后基于所述图像识别结果和数据分析结果，通过隧道区域定位方法，确定隧道火灾位置对应的防烟分区，对所述防烟分区的风机和排烟阀进行联动控制，实现隧道火灾烟气的排出，本发明可以用于迅速更换隧道内的空气，以帮助排除有毒烟雾，并提供更好的逃生条件。本发明引入了先进的传感技术和智能算法模型，以提高系统的准确性和响应速度。

技术特征：

1.一种基于深度学习的隧道火灾烟气控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的隧道火灾烟气控制方法，其特征在于，所述多种传感器数据包括：红外线传感器数据、气体传感器数据、温度传感器数据、气流传感器数据。

3.根据权利要求2所述的基于深度学习的隧道火灾烟气控制方法，其特征在于，基于所述数据分析模型对所述多种传感器数据进行分析的过程包括：

4.根据权利要求1所述的基于深度学习的隧道火灾烟气控制方法，其特征在于，基于所述图像识别结果和数据分析结果，确定隧道火灾位置对应的防烟分区的过程：

5.根据权利要求1所述的基于深度学习的隧道火灾烟气控制方法，其特征在于，对所述防烟分区的风机和排烟阀进行联动控制的过程包括：

6.一种基于深度学习的隧道火灾烟气控制系统，其特征在于，包括：

7.根据权利要求6所述的基于深度学习的隧道火灾烟气控制系统，其特征在于，所述多种传感器数据包括：红外线传感器数据、气体传感器数据、温度传感器数据、气流传感器数据。

8.根据权利要求7所述的基于深度学习的隧道火灾烟气控制系统，其特征在于，所述数据分析模块包括：

9.根据权利要求6所述的基于深度学习的隧道火灾烟气控制系统，其特征在于，所述防烟分区确定模块包括：

10.根据权利要求6所述的基于深度学习的隧道火灾烟气控制系统，其特征在于，所述烟气控制模块包括：

技术总结本发明公开了一种基于深度学习的隧道火灾烟气控制方法及系统，本发明属于火灾安全领域，方法包括：获取隧道火灾的图像数据和多种传感器数据；构建隧道火灾的图像识别模型和数据分析模型，基于所述图像识别模型对所述图像数据进行识别，得到图像识别结果，基于所述数据分析模型对所述多种传感器数据进行分析，得到数据分析结果；基于所述图像识别结果和数据分析结果，通过隧道区域定位方法，确定隧道火灾位置对应的防烟分区；对所述防烟分区的风机和排烟阀进行联动控制，实现隧道火灾烟气的排出。本发明引入了先进的传感技术和智能算法模型，以提高系统的准确性和响应速度。技术研发人员：彭敏,吴振坤,朱国庆,苗文轩,李丁,潘翔骁,朱国鹏,秦东子,宋春晓受保护的技术使用者：中国矿业大学技术研发日：技术公布日：2024/7/29