基于BP-WOA的聚合物火灾危险性分析
2022-03-26徐茂
徐 茂
杨凌示范区消防救援支队,陕西 杨凌 712100
0 引言
近年来,随着材料学科不断发展,各类性能良好、经济实用的聚合物新材料出现在人们生活中,因其具有导热系数低、易加工等特点,常用于室内装修、建筑外墙保温等方面,但其自身易燃性特点也增加了使用场所的火灾危险性。例如,上海“11·15”特大火灾,导致58人遇难[1],因违规使用大量尼龙网、聚氨酯泡沫等易燃材料,加大了火灾发生概率与火灾扑灭难度。研究聚合物使用场所复杂环境条件及安全性,需考虑其火灾危险性,因此,综合评估聚合物火灾危险性对消防救援工作具有积极意义。
目前,聚合物火灾危险性评估是利用锥形量热仪进行小尺寸燃烧来综合评定,这已成为国际公认的材料燃烧特性试验方法。材料火灾危险性主要表现在热危险性和非热危险性,热危险性主要有热释放速率峰值(pk-HRR)、点燃时间对数值(lgin)、比消光面积对数值(IgSEA)、火灾性能指数(点燃时间与热释放速率峰值的比值)、总热释放量等。何腾飞等[2]使用锥形量热仪对PP、PU、PC三种聚合物材料进行燃烧试验,并针对点燃参数、热释放速率、烟气参数、质量损失参数和毒气参数5个方面12个指标应用层次分析法对材料火灾危险性进行分析;郭子东等[3]对聚乙烯、添加膨胀型阻燃剂聚乙烯、聚对苯二甲酸丁二醇酯(PBT)及PBT/黏土纳米复合材料进行锥形量热仪试验,获得与大型火灾试验吻合很好的多个燃烧参数;吴芸[4]利用锥形量热仪对9种典型聚合物材料进行测试,并运用GRA法和AHP法分别对试验计算结果进行分析;关于火灾危险性的预测分析,大量学者应用BP神经网络进行分析[5-8],随着人工智能的快速发展,各种优化算法也随之出现。
综上所述,为探究不同聚合物的火灾危险性,本文选取《聚合物材料火灾燃烧性能评价》[9]关于聚合物火灾危险性评判标准,采用鲸鱼算法(WOA)优化BP神经网络的组合预测模型预测聚合物火灾危险性。
1 BP-WOA组合预测模型
1.1 BP神经网络
BP神经网络是一种典型前馈型神经网络,内部结构主要由输入层、隐含层及输出层三个部分构成,如图1所示。按照预设目标精度,通过误差反向传播方法不断对网络内部权值和阈值进行修正和更新,使其能够更好地逼近实际值,完成最终训练。然而在实际应用中,单一BP神经网络存在学习速度慢、泛化性能不高等缺陷,因此许多学者在原有基础上通过引入智能优化算法对单一BP神经网络进行优化。
图1 三层BP神经网络结构图
1.2 BP-WOA组合模型
鲸鱼算法(WOA)是基于生物捕食行为而衍生出的一种启发式算法。在这个过程中鲸鱼通过包围捕食、螺旋气泡网攻击及搜索方式对猎物进行追踪最终达到捕获食物的目的。(1)包围猎物。鲸鱼在捕食的过程中通过更新与迭代不断更新自身的位置包围食物最终完成目标的捕获。在初始阶段,最优值是在一定阶段内设定的,而其他鲸鱼种群会朝着这个最优方向移动,并通过迭代不断进行种群位置的更新。(2)螺旋气泡网攻击。螺旋气泡网攻击行为主要有两个:一是收缩包围。通过线性降低收敛因子a的值,最终完成收缩包围食物的行为。二是螺旋更新位置。在当前鲸鱼位置与目标位置之间建立螺旋方程来模拟这头鲸的捕食过程。鲸鱼觅食过程中,会设置一个随机概率P对上述两种行为进行判断。(3)搜索猎物。除了气泡网攻击的方式外,鲸鱼还会随机选取种群位置进行更新,该方式提高了鲸鱼算法全局搜索能力。
WOA算法在实际问题中求解具有收敛速度快、易于跳出局部最优等优点,因此本文采用WOA算法优化BP神经网络内部的权值和阈值,形成基于BP-WOA的组合预测模型预测火灾危险性,具体流程(如图2所示)如下:(1)读取数据,划分样本集并做归一化处理。(2)初始化WOA算法中最大迭代次数Tmax、种群数量N、上下边界ub和lb,同时设定目标函数。(3)记录初始最优个体值和位置。(4)更新参数A,C,P,l和a。(5)根据P判断,当P<0.5时,如果|A|<1,则更新鲸鱼位置;反之如果|A|≥1,则使得鲸鱼随机搜索,更新位置。(6)当P≥0.5时,更新鲸鱼位置。(7)计算新的个体适应度值,并更新记录位置。(8)判断是否满足迭代次数,若满足进行下一步,反之重复步骤(3)~(7)。(9)根据鲸鱼的最优位置计算网络最优权值和阈值。(10)将优化后的BP网络进行预测,得到最终结果。
图2 BP-WOA流程图
2 实例分析
2.1 输入及样本选择
本文试验分别采用BP神经网络与BP-WOA组合模型对聚合物IFHI进行预测研究。由于火灾危险性与不同材料的燃烧特性有着很大关联,因此探究这些材料的热物性参数值对火灾危险性的评估有着重要价值。根据以往学者研究[10-12],将选取二氧化碳产率(CO2)、一氧化碳产率(CO)、质量损失速率(MLR)、比消光面积(SEA)、有效燃烧热(EHC)、热释放速率峰值(pk-HRR)、热释放速率(av-HRR)及点燃时间(TTI)8个影响因素作为模型的输入,输出为IFHI。选取7个聚合物大类(PVC、PE、PP、PS、ABS、PA、PBT)共79组数据进行试验研究,将后70组样本数据用作训练集,前9组样本数据用作测试集。表1列举了部分聚合物锥形量热仪试验数据,测试样本数据如表2所示。
表1 聚合物锥形量热仪部分试验数据(辐射热流50 kW)
表2 测试样本(辐射热流50 kW)
2.2 隐含层节点选取
隐含层的选取大小往往会影响最后模型预测的精准度,因此如何选取隐含层节点数是值得探究的,对BP神经网络隐含层的设置一般是根据公式来进行选取,具体如式(1)所示。
(1)
式中,p为隐含层节点数目;n为输入节点数;q为输出节点数;a为一定范围内整数,通常取[1,10]。而在本试验中,根据实际输入状况,选取BP神经网络隐含层节点范围在3~14之间,同时通过网络训练,根据实际误差得到最佳隐含层节点数。具体最优隐含层选取情况如表3所示。
表3 最优隐含层节点数选取
在MATLAB2018a仿真环境中通过试验对最终预测结果进行对比,得到最佳隐含层节点数为11,同时设置鲸鱼种群数量为30,最大迭代次数为50。
2.3 仿真结果及模型验证
选取9组测试样本总共分为6大类(PVC、PP、PS、ABS、PA、PBT),并将其进行编号作为测试集。根据火灾热物性参数值影响,通过模型训练判别最终火灾危险指数,以此进行有效评估。图3~图5分别为组合模型的仿真图、误差图对比及直方图。从仿真图可以得到通过WOA算法优化BP神经网络后的组合模型预测拟合度更高,接近于0误差的样本数量更多,可更加有效拟合火灾危险指数的输出值。为更好地验证组合模型的优越性,引入均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)3个误差指标进行分析(见表4)。从表中各个误差指标情况来看,组合模型在预测精度上有很大提升,这是由于通过WOA算法得到最优位置后,计算得到最优权值和阈值,并将优化后的BP神经网络进行训练,更加有效地对IFHI进行预测。
图3 组合模型仿真图对比
图4 组合模型误差图对比
表4 误差指标分析
3 结论
本文提出基于BP-WOA模型对火灾危险性进行分析,将多种材料热物性参数值作为输入影响因素并建立预测模型对火灾危险综合指数进行评估。针对单一BP模型泛化性能不高的问题,引入WOA算法寻找其最优权值和阈值并进行预测分析。在实际仿真验证中该模型可以有效地通过各输入参数实现聚合物IFHI精准评估,对我们更好地了解和预测火灾危险性具有现实意义。
图5 模型误差对比直方图