通过深度学习和自主单位的温度预测建模,提高消防操作的安全性和效率
Adenrele A Ishola1, Damian Valles1
1Ingram School of Engineering, Texas State University, San Marcos, TX 78666, USA.
Sensors (Basel, Switzerland)
|July 11, 2023
概括
这项研究使用深度学习 (DL) 和自回归集成移动平均 (ARIMA) 模型来分类火灾现场危险并预测温度变化,提高消防员的安全. 阿里马模型在燃烧场所显示出了显著的温度趋势预测.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 预测建模预测建模
背景情况:
- 消防员面临着极端温度,烟雾和燃烧建筑物的结构不稳定性等重大风险.
- 准确的实时数据对于明智的决策,提高安全性和减少伤亡至关重要.
研究的目的:
- 开发和评估无监督深度学习 (DL) 用于分类火灾现场危险级别.
- 实施自回归集成移动平均 (ARIMA) 模型,用于预测燃烧结构中不同高度的温度变化.
主要方法:
- 无监督深度学习 (DL) 自编码器人工神经网络 (AE-ANN) 用于危险分类.
- 自行回归集成移动平均 (ARIMA) 与随机森林回归器相结合,用于温度预测.
- 分析从0.6米到2.6米高的温度变化,以及随着时间的推移.
主要成果:
- 该AE-ANN模型实现了0.869的分类准确度.
- 在ARIMA模型显示了显著的温度变化趋势的预测性能.
- 随机森林回归器和ARIMA模型使用开源数据集进行了评估.
结论:
- 深度学习和预测建模显示了提高消防员安全和决策的潜力.
- 在火灾事件中,ARIMA模型有效预测温度的进展.
- 这项研究为使用现有数据进行火灾现场分析提供了新的方法.
更多相关视频
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
2.8K
04:35Author Spotlight: Simulation and Analysis of the Temperature Rise of Ring Main Unit Equipment
Published on: July 5, 2024
1.9K
