数据驱动的火灾建模：利用神经网络学习首次到达时间与模型参数
机器学习
2024-08-21 v1
摘要
数据驱动技术正越来越多地被应用于补充火灾科学中的基于物理的模型。然而，数据集规模不足的问题持续制约着某些机器学习技术的应用。在本文中，我们利用模拟数据来研究神经网络对火灾科学中动力学的参数化能力。具体而言，我们研究了将火灾蔓延的五个关键参数映射到首次到达时间的神经网络，以及相应的反问题。通过使用模拟数据，我们能够刻画这些神经网络的误差、所需数据集规模和收敛特性。对于反问题，我们量化了网络在估计每个关键参数时的敏感性。研究结果展示了机器学习在火灾科学中的潜力，突出了与有限数据集规模相关的挑战，并量化了神经网络在估计控制火灾蔓延动力学的关键参数时的敏感性。
引用
@article{arxiv.2408.10271,
title = {Data-Driven Fire Modeling: Learning First Arrival Times and Model Parameters with Neural Networks},
author = {Xin Tong and Bryan Quaife},
journal= {arXiv preprint arXiv:2408.10271},
year = {2024}
}