Real-Time Fire Risk Classification Using Sensor Data and Digital-Twin-Enabled Deep Learning

doi:10.1109/JSTARS.2025.3593138

Real-Time Fire Risk Classification Using Sensor Data and Digital-Twin-Enabled Deep Learning

2025-01-01

0

OA

AI

DOI：10.1109/JSTARS.2025.3593138

原文链接

原文求助

摘要

En 中文

近年来，火灾灾害的频率和强度不断升级，凸显了对灾害分类和减缓策略进行准确、及时处理的紧迫需求。所提出的方法整合了微调的深度学习模型与实时传感器数据及数字孪生技术，以提升火灾灾害检测和早期减缓能力。该方法利用多种数据来源，包括实时物联网（IoT）传感器读数、卫星图像和历史火灾事件数据。采用先进的深度学习架构，如卷积神经网络（CNN）、深度卷积神经网络（DCNN）和循环神经网络（RNN），以识别数据中的关键时空模式。模型在涵盖环境指标、易燃区域特征和实时气象数据的全面数据集上进行训练。一项关键创新是采用数字孪生技术，该技术动态整合来自物联网传感器的实时数据和模拟模型，以准确预测火灾灾害情景。数字孪生的整合实现了对物理系统的持续监测和虚拟复制，促进主动决策和早期预警。这种实时融合支持针对不同地理和社会经济背景的主动决策与资源配置。性能评估显示，DCNN+数字孪生框架在500次运行中实现了99%的分类准确率，误差率降低至3%，优于独立模型，例如RNN（90%准确率，10%误差）、CNN（96%准确率，8%误差）和DCNN（97%准确率，6%误差）。所提出的方法为火灾灾害管理提供了变革性解决方案，在日益加剧的火灾风险面前，促进社区韧性、环境可持续性和有效的减缓策略。

Keyword:

Deep convolutional neural network (DCNN)

deep learning

fire disaster

recurrent neural network (RNN) and convolutional neural network (CNN)

Real-Time Fire Risk Classification Using Sensor Data and Digital-Twin-Enabled Deep Learning

摘要

期刊

机构

引用论文