[发明专利]火灾发展态势预测方法、装置及计算机可存储介质

权利要求书

1.一种火灾发展态势预测方法，用于监测火灾发展态势，其特征在于，所述火灾发展态势预测方法包括如下步骤：

获取火灾的模拟数据；

建立用于火灾发展态势预测的工程类深度学习模型的神经网络；

使用所述模拟数据训练所述神经网络；

判断所述神经网络的输出值是否小于或等于预设误差阈值；

若是，则停止训练所述神经网络，完成所述工程类深度学习模型；

若否，重新获取所述火灾的模拟数据；

利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。

2.如权利要求1所述的火灾发展态势预测方法，其特征在于：所述获取火灾的模拟数据之前，包括如下步骤：

收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；

根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据，其中，所述特征数据包括温度、湿度、有害气体浓度和气体压力。

3.如权利要求2所述的火灾发展态势预测方法，其特征在于：所述得到所述火灾的特征数据之后，还包括如下步骤：

根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；

根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。

4.如权利要求3所述的火灾发展态势预测方法，其特征在于：所述利用所述深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案，包括如下步骤：

利用火灾现场的烟雾探测器不间断得到遮蔽率；

持续输入所述遮蔽率至所述工程类深度学习模型；

输出所述决策方案，并对所述决策方案进行可视化显示；其中，所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。

5.如权利要求4所述的火灾发展态势预测方法，其特征在于：所述完成所述工程类深度学习模型之后，还包括如下步骤：

采集火灾的实际数据；

使用所述实际数据优化所述工程类深度学习模型；

得到混合类深度学习模型用于评估所述火灾发展态势，并根据评估结果输出决策方案。

6.一种火灾发展态势预测装置，用于预测火灾发展态势，其特征在于，所述火灾发展态势预测装置包括：

数据存储单元，用于存储火灾的模拟数据；

处理器；以及

存储器，所述存储器中存储有多个程序模块，多个所述程序模块由所述处理器运行并执行如下步骤：

获取火灾的所述模拟数据；

建立用于火灾发展态势预测的工程类深度学习模型的神经网络；

使用所述模拟数据训练所述神经网络；

判断所述神经网络的输出值是否小于或等于预设误差阈值；

若是，则停止训练所述神经网络，完成所述工程类深度学习模型；

若否，重新获取所述火灾的模拟数据；

利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。

7.如权利要求6所述的火灾发展态势预测装置，其特征在于，

多个所述程序模块由所述处理器运行并还执行如下步骤：

收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；

根据所述预分析区域的边界条件数据分析模拟得到所述火灾的特征数据，其中，所述特征数据包括温度、湿度、有害气体浓度和气体压力；

根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；

根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。