A cost‐effective building fire smoke spread prediction approach for risk mitigation based on data assimilation using Ensemble Kalman Filter
Notice bibliographique
Résumé
Summary Prediction of building fire smoke spread behaviors plays an important role in the evacuation in an emergency to mitigate fire risk. Based on data assimilation, a cost‐effective approach was proposed to predict fire smoke spread behaviors under unknown mixed disturbances by combining a zone model (CFAST) and Ensemble Kalman Filter (EnKF). CFAST is used to predict fire smoke spread behaviors as a deterministic fire model. Sensor data of smoke temperature were assimilated into CFAST simulation by leveraging EnKF to estimate unknown heat release rate (HRR) and thus improving the prediction accuracy. The performance of the proposed approach was tested via a series of Observing Systems Simulation Experiments. Two series of cases were conducted for unknown single HRR change disturbance and unknown single‐window breakage disturbance, one series of cases was conducted for unknown mixed HRR change and window breakage disturbances. Result comparisons have been presented in figures to assess the approach performance qualitatively, and root mean square errors (RMSEs) have been calculated to assess the approach performance quantitatively. The RMSEs are within the range of 1.78–29.88 K. The results showed that it was a viable solution to set a larger perturbation range for unknown disturbances. The proposed approach could provide more accurate and reliable predictive information about fire smoke spread behaviors for risk mitigation, as well as other safety‐related applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».