基于机器学习的连续泄漏溢流火灾初始蔓延速率预测研究

本文综述了机器学习（ML）在预测连续泄漏溢流火灾初始蔓延速率中的应用，通过随机森林（RF）、梯度提升（GBR）和支持向量回归（SVR）模型构建高精度预测系统（R2=0.91），揭示燃料泄漏速率（贡献度56.3%）、基底坡度（14.3%）和宽度（11.1%）为关键影响因素，为工业火灾智能防控提供新范式。

　　

Highlight

连续泄漏溢流火灾的初始蔓延阶段是火灾升级的关键环节。本研究通过整合多组实验数据，采用机器学习（ML）技术构建预测模型，重点评估燃料泄漏速率、基底坡度等8项参数对蔓延速率的影响。

Feature selection and data preprocessing

数据选取突破单一实验局限，整合124组溢流火灾初始蔓延实验数据，通过皮尔逊相关系数（PCC）和最大信息系数（MIC）筛选关键特征，确保模型输入参数的全面性与科学性。

Comparison of Predictive Modeling Results

随机森林（RF）、梯度提升（GBR）和支持向量回归（SVR）三大算法对比显示，RF模型以R²=0.91和均方误差0.15表现最优，验证其在复杂火灾场景中的预测优势。

Conclusion

现有火灾模型对初始蔓延速率的预测存在局限性，本研究通过机器学习（ML）量化了燃料泄漏速率（56.3%贡献度）等核心因素，为易燃液体运输系统的防灾设计提供数据支撑，推动溢流火灾智能防控技术发展。

（注：翻译部分保留原文小标题层级，专业术语如"随机森林(RF)"采用中英文对照，并严格遵循R²等符号规范，去除文献引用标识。）