近日，华南理工大学江赛华教授团队提出了一种基于外部烟气图像和深度学习算法的隧道火灾实时预测方法，旨在解决传统火灾探测器在浓烟和高温环境下失效的问题。研究通过模拟一个100米长的隧道火灾场景，生成约160万张不同火势、位置和燃料类型的外部烟气图像，用于训练卷积神经网络（CNN）模型。结果显示，该模型能够准确预测火灾热释放率（HRR）和火源位置，预测误差分别小于20%和1.5米。此外，研究还发现，结合隧道入口处的正视图和侧视图烟气图像进行模型训练，或仅使用两端的正视图图像，可在保证预测精度的同时降低计算成本。该方法为智能隧道火灾预测提供了新的技术手段，有望在实际应用中通过摄像头、手机或无人机等设备远程评估火灾风险，为隧道火灾应急响应提供重要支持。该工作以“Real-time forecast of tunnel fire scenario and hazard based on external smoke images”为题发表在《Tunnelling and Underground Space Technology》杂志上，第一作者为华南理工大学机械与汽车工程学院的硕士生程家圻，文章通讯作者为华南理工大学江赛华教授和熊才溢教授。

原文链接：https://www.sciencedirect.com/science/article/pii/S088677982500015X