基于人工神经网络(ANN)预测模型的膨胀型涂层在结构防火中的性能

《Fire》:Performance of the Intumescent Coatings in Structural Fire via ANN-Based Predictive Models Kin Ip Chu and Majid Aleyaasin

【字体: 大 中 小 】 时间:2026年03月26日 来源:Fire 2.7

编辑推荐:

  在本文中,研究人员构建了一个人工神经网络(ANN)来预测膨胀型涂层在ISO 834火灾曲线下的性能。性能指标称为结构钢中的保留损失起始时间(Retention Loss Onset Time, RLOT)。该网络以钢和涂层厚度为输入,并提供任何膨胀型涂层在火灾

  
在本文中,研究人员构建了一个人工神经网络(ANN)来预测膨胀型涂层在ISO 834火灾曲线下的性能。性能指标称为结构钢中的保留损失起始时间(Retention Loss Onset Time, RLOT)。该网络以钢和涂层厚度为输入,并提供任何膨胀型涂层在火灾事故中的性能(RLOT),具有较高精度。通过重新审视该领域近期尝试(包括混合数值和实验方法)获取所需数据。研究发现,截留气体分数参数和经验膨胀比显著影响预测模型的精度。因此,研究人员开发了一个新的、全面的动态模型,以数值模拟气泡膨胀过程。这种新方法直接确定热导率模型的膨胀比。然后使用欧洲规范(Eurocode)结合多层模型预测1小时ISO火灾下的钢温度分布。通过模拟每个分层中心的温度和热阻提高了精度。还研究了不同涂层和钢厚度的影响以提供所需数据。通过与文献中最近数值和实验结果比较,对结果进行了验证和确认。
**研究背景与问题:**
钢结构因强度高、轻质、可回收等优点在建筑中广泛应用,但其在高温下会丧失强度和刚度,350 °C时屈服强度开始下降,800 °C时仅剩约10%。建筑火灾中若钢温度超过临界温度(350–800 °C),可能导致倒塌,造成人员伤亡和经济损失。膨胀型涂层(intumescent coating)是一种被动防火措施,通过受热膨胀形成多孔碳层,降低热导率,延缓钢温升。膨胀比(expansion ratio)是建模涂层性能的关键参数,但现有模型存在局限:一些假设膨胀瞬间完成且保持恒定;一些通过线性插值不同热流下的膨胀曲线获得膨胀比;部分计算流体动力学(CFD)模型计算成本高;各模型均未直接且连续地将膨胀比耦合至热导率计算。因此,需开发一种高精度、低计算代价的模型,直接模拟膨胀过程并用于钢温预测。
**研究内容与结论:**
研究人员基于气泡膨胀模型(bubble expansion model)直接数值求解膨胀比,将其直接输入有效热导率模型(取代线性插值),并结合欧洲规范(Eurocode 3)中的单层和多层模型(分5个等厚层)计算1小时ISO 834火灾下结构钢的温度分布。引入新安全参数——保留损失起始时间(Retention Loss Onset Time, RLOT),即钢达到350 °C所需时间。通过36次模拟(改变涂层厚度与钢厚度)获得数据集,构建人工神经网络(ANN)预测RLOT。结果显示,模拟与Zhang等人[14]的炉火实验数据和Cirpici等人[17]的模型结果吻合良好,多层模型精度更高;ANN拟合表面与模拟数据高度一致,可快速预测不同厚度组合下的RLOT,避免重复实验。论文发表在《Fire》。

**主要关键技术方法**(不超过250字):
1. **气泡膨胀模型**:基于Amon等人[16]和Cirpici等人[15]的方程,采用1秒时间步长数值求解微分方程,直接计算膨胀比随时间的变化(忽略截留气体分数β)。
2. **有效热导率模型**:将膨胀比直接输入多孔材料热导率公式(式7),再除以膨胀比得有效热导率(式8),避免了线性插值。
3. **钢温预测**:依据Eurocode 3的传热方程(式14、15),分别采用单层模型(假设稳态传热)和多层模型(分5层,层中心温度与热阻迭代计算)预测钢温。
4. **人工神经网络(ANN)**:架构含4个隐藏层(每层6个神经元)、2个输入(涂层和钢厚度,单位mm)和1个输出(RLOT,分钟),通过网格搜索优化超参数,共126个权重和相应偏置。样本来源:模拟数据(参数与Zhang等人[13]实验一致)。

**研究结果**:
- **9.1 钢厚度**:不同涂层厚度下钢温曲线显示,涂层越厚,钢温升越慢,达到350 °C和800 °C的时间显著延长;该趋势在不同钢厚度下均成立,表明涂层防火性能随厚度增加而增强。
- **9.2 结果验证与校核**:通过对比Case A04ISO和A12ISO的模拟结果与Zhang等人[14]实验数据及Cirpici等人[17]模型结果,发现预测曲线与实验趋势一致,多层模型比单层模型更接近实验值。部分偏差(如图9模拟结果低于实验)归因于实验高温下涂层开裂导致气体逃逸,而模型未考虑此特征。
- **9.3 基于ANN模型的数据分析**:基于36次模拟的RLOT绘制三维曲面(图10)。ANN(4隐藏层,每层6神经元)拟合曲面(图12)在大部分区域与模拟数据吻合,仅在非光滑数据褶皱处存在微小误差。ANN可提供研究范围内任意涂层/钢厚度下的RLOT预测,评估指标(表5)显示网络性能良好。传统双线性曲面插值(式35)拟合效果较差。

**讨论与结论翻译**:
**讨论总结**:研究人员讨论了模型局限性——粘度与表面张力数据取自文献中类似体系(非本研究涂层实测值),敏感性分析表明表面张力变化对RLOT无影响,而粘度±50%变化可显著改变RLOT(低估粘度导致RLOT高估);时间步长敏感性显示粗时间步长(>1 s)可使RLOT被高估多达150%,因此推荐1 s或更小步长。ANN超参数通过网格搜索优化,并设置10%最大误差阈值防止过拟合。
**结论翻译**:研究人员对ISO火灾条件下膨胀型涂层的性能进行了彻底研究。文献综述表明膨胀比是建模涂层性能的最关键因素,这也与建模细节一致。涂层在高温下释放气体导致膨胀,降低热导率并减弱从火灾到钢表面的传热,从而减缓钢温升及屈服强度损失,延长达到临界温度的时间,为人员撤离提供时间。本文开发了一种新多层模型,经先前测试验证,且不依赖截留气体分数参数β。现有模型使用经验膨胀比,并非对所有涂层有效。研究人员认为,直接模拟多层中的气泡生长模型足以提供足够精度以补偿β的缺失,因为β仅代表截留气体。采用现有气泡膨胀模型模拟涂层膨胀行为,以压力为驱动力,粘度和表面张力为阻力,参数来自经验数据。通过时间步进法求解模型微分方程,逐步生成整个火灾持续期间的膨胀比。采用新方法将所得膨胀比直接输入热导率模型,取代现有通过不同热流下膨胀曲线线性插值的方法,提高了精度。然后使用欧洲规范(Eurocode)结合单层和多层模型预测1小时ISO火灾下结构钢温度。多层模型将涂层分为五个等厚层,每层温度和热阻相同,并在层中心计算温度和热阻以捕捉非均匀传热特性。该新方法模拟每层中心的温度和热阻,与现有文献不明确层温度取自边界入口、出口或两者平均值相比提高了精度。绘制了不同涂层厚度下1小时火灾持续期间的钢温曲线;涂层越厚,绝缘性能越好,该趋势也适用于不同钢板厚度。模拟结果与当前采用模型及当前经验数据的分析数据进行比较,证明结果吻合良好,尤其是多层模型。研究人员引入了一个新安全参数——保留损失起始时间(Retention Loss Onset Time, RLOT),即钢达到350 °C(屈服应力下降)所需时间。构建了一个人工神经网络(ANN)来估算不同钢厚度和涂层厚度下的RLOT,ANN与模拟结果高度一致。这使得无需重复且昂贵的实验室测试即可预测不同钢厚度和涂层厚度下的RLOT。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号