共查询到19条相似文献,搜索用时 218 毫秒
1.
2.
3.
船舶火灾的扑救技术 总被引:1,自引:0,他引:1
邵建章 《消防技术与产品信息》2002,(9):21-26
船舶火灾主要发生在机舱、客舱、货舱、货油舱和起居处所等部位。介绍船舶火灾扑救的战术技术措施 ,机舱、客舱、货舱、货油舱和船楼火灾的扑救技术 ,及船舶火灾扑救的案例分析 相似文献
4.
5.
针对传统火灾探测的误报、漏报问题,设计一种基于模糊神经网络的智能火灾探测方法。采用神经网络+模糊推理的结构,选取样本数据的温度、烟雾浓度和CO浓度三种参数,通过MATLAB对数据进行处理,得到明火概率、阴燃概率、无火概率三种概率值,对比分析期望输出和实际输出,并选取NIST实验数据对系统进行测试,将神经网络的输出参量连同火灾信号持续时间作为模糊推理的输入变量,得到输出概率。多次试验与实际报警结果对照表明,该方法增强了火灾探测的灵敏度和可靠性。 相似文献
6.
针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。 相似文献
7.
8.
针对火灾探测的特点,将模糊系统和神经网络有机结合,实现模糊系统设计参数的自动调整。采用符合国家标准明火、阴燃火以及厨房环境下的干扰火等作为模糊神经网络的训练样本和测试样本,依据模糊神经网络算法要求,完成了网络结构的设计,并给出相应的计算模型,利用微粒群算法对网络的权值进行学习与训练。结果表明,该算法在探测国家标准火的火灾状态方面具有有效性和可行性。 相似文献
9.
火灾智能探测算法具有自学习和自适应功能,是当前火灾探测算法研究的热点,神经网络的方法是其中一种重要的方法,4地国标GB4715-93中规定的四种标准火实验中获得的多以数信号进行了分析,并构建了前馈神经网络对这四种标准火的信号进行识别。将网络改造后也可用于标准火的探测。 相似文献
10.
11.
12.
13.
为了防止火电厂锅炉消防设计中冷凝器因结垢而引起锅炉的火灾和爆炸事故,需要对冷凝器污垢系数的发展规律进行预测。设计了一种结合K-均值算法和Chebyshev 神经网络的污垢系数预测模型,针对Chebyshev 神经网络的弊端,应用K-均值算法对其进行改进,将污垢系数随时间发展的曲线分为启动阶段、粘附阶段和老化阶段3 类。结果表明,改进Chebyshev 神经网络模型有效地预测了冷凝器污垢系数发展规律,得到的输出结果比渐进预测和幂率预测模型的预测结果更准确,该模型具有算法简单、收敛速度快的特点。 相似文献
14.
采用FDS对舰船动力机舱进行火灾模拟。分不同热释放速率、进风口位置及火源位置设5种情况模拟,分析对机舱舱壁温度分布的影响规律。火源正上方顶部温度升高迅速,应注意结构强度。进风口设置在下部易于为火源提供氧气,不建议采用。进风口设置在顶部时高温烟气不易聚集,有助于降低壁面温度。 相似文献
15.
为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。 相似文献
16.
岩爆是深地工程和深部资源开采中必须要解决的核心问题之一。基于改进的LSTM神经网络,提出了用于时间序列预测的LSTM微震多参数预测模型,包括单变量时序预测模型和多元平行序列预测模型。并以峨汉高速大峡谷隧道微震监测数据对模型进行验证,同时与多项式回归方法结果进行对比分析。结果表明:单变量预测模型中堆叠式LSTM(S-LSTM)的预测精度最高;多变量预测模型中卷积LSTM(CNN-LSTM)对累积视体积和能量指数具有最好的预测效果,且余下几种LSTM模型仍可准确实现各参数演化趋势的预测,其精度均优于多项式回归分析方法。研究可为正确识别岩爆当前活动及未来状态的危险性提供理论支撑,为及时掌握岩爆未来活动状态提供重要依据。 相似文献
17.
Roberto Bellas Miguel A. Gmez Arturo Gonzlez-Gil Jacobo Porteiro Jos L. Mguez 《Fire Technology》2020,56(3):1315-1352
Water mist-based fire-extinguishing systems are gaining acceptance for the protection of ship machinery spaces. The use of simulation tools presents a great potential for taking a performance-based design (PBD) approach to these fire scenarios. The Fire Dynamics Simulator (FDS) is the most frequently used and validated fire modeling software; however, studies of low-pressure water mist fire suppression modeling in ship engine rooms are rare. This paper contributes to the current literature by using the FDS to model a series of fire suppression scenarios defined by the International Maritime Organization (IMO) Circulars, including spray and pool fires with heptane and diesel oil, as well as exposed and obstructed fires. The simulation results are compared to data from full-scale tests conducted at recognized fire testing laboratories. Furthermore, an analysis of both the experimental and model uncertainties is carried out to assess the simulations performance. In general, a good agreement in compartment temperature evolution and fire extinguishing time is found for the modeled fire scenarios. The results support the application of FDS in a PBD approach for the design of water mist fire extinguishing systems for machinery spaces in ships. In this way, designers and engineers could model different machinery volumes and nozzles spacings that differ from those prescribed for a one story square engine room of the IMO, and, thus, predict the evolution of temperatures and extinguishing times for get the authorities approval. 相似文献
18.
提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。 相似文献
19.
提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。 相似文献