Inverse Tracing of Multi-room Fire Sources Based on CFD Simulation, Neural Network and Bayesian Optimization Algorithms

Der Artikel geht auf die entscheidende Rolle von Branduntersuchungen in Innenräumen bei der Optimierung von Brandverhütungs- und Managementstrategien ein und beleuchtet die Herausforderungen, die standortspezifische Beschränkungen und Sicherheitsbedenken in experimentellen Studien darstellen. Es stellt einen bahnbrechenden Ansatz vor, der Computational Fluid Dynamics (CFD) -Simulation, neuronale Netzwerktechniken und bayesianische Optimierungsalgorithmen kombiniert, um Vorwärts- und Umkehrmodelle für die Rekonstruktion von Temperaturfeldern und die Ermittlung von Brandquellen bei Mehrraumbränden in Innenräumen zu entwickeln. Die Studie validiert diese Modelle durch umfangreiche Simulationen und Vergleiche mit experimentellen Daten und zeigt eine hohe Vorhersagegenauigkeit und Robustheit. Die Integration der bayesianischen Optimierung verbessert die Effizienz und Effektivität der Hyperparametereinstellung erheblich, was zu einer verbesserten Modellleistung führt. Der Artikel untersucht auch die Verallgemeinerung und Robustheit dieser Modelle und zeigt ihre Anwendbarkeit auf verschiedene Brandszenarien und Raumkonfigurationen auf. Darüber hinaus wird das Potenzial für zukünftige Fortschritte beim maschinellen Lernen und bei der experimentellen Datenintegration diskutiert, um die Analysen und Untersuchungsmethoden der Branddynamik weiter zu verbessern.