课题组洪钰淞在BAE发表基于高斯过程回归的受限空间中移动热源定位研究

当前位置：首页近期成果展示

[发布时间]: 2025-11-03[阅读次数]: 10

近期，课题组硕士生洪钰淞（导师：叶蔚副教授）在 Building and Environment（Q1，IF：7.6）上发表了基于高斯过程回归的受限空间中移动热源定位研究。该研究探讨了在低可视度和复杂气流条件下，通过温度场反演实现移动热源定位的可行性。构建了包含多种热源强度、运动轨迹及通风条件的计算流体动力学（CFD）数值模型，并搭建实验平台获取对比数据。利用高斯过程回归（GPR）方法建立了温度分布与热源位置的映射模型，对比了四种核在预测性能上的差异。结合支持向量回归（SVR）、随机森林（RF）和人工神经网络（ANN）模型进行误差分析。进一步采用最小冗余最大相关（mRMR）算法进行传感器布置优化，在仅保留6个关键传感器的条件下，定位误差保持在0.2 m以内。最后通过引入高斯噪声与传感器漂移误差，评估了模型的鲁棒性与误差敏感性。

原文链接：

https://doi.org/10.1016/j.buildenv.2025.113909

研究背景：

在隧道、地下矿井及工业车间等受限空间中，热源位置的快速识别与跟踪对于环境调控、安全防护和故障预警具有重要意义。此类空间通常封闭且气流条件复杂，热源分布呈现高度非均匀性与动态性。传统的热源监测多依赖视觉或红外成像手段，但在烟雾、蒸汽或遮挡等低可视度环境中，这些方法的识别精度与连续性显著下降。此外，基于单点测温的经验方法只能提供局部温度变化，难以反映整体温度场特征，导致热源定位精度不足。为实现更高分辨率的热源识别，研究者尝试利用计算流体动力学（CFD）方法重建三维温度场分布，但此类方法计算代价高、对边界条件依赖强，难以满足实时定位的需求。

针对上述问题，已有研究提出通过数据驱动的方式利用温度传感网络进行热源反演，但相关工作多局限于静态或稳态工况，对热源运动、流场扰动及测点稀疏条件下的动态定位研究仍较少。特别是在受限空间中，热源位置的变化会引起气流结构重构和温度梯度反转，使得传统算法的稳定性和泛化能力受限。为弥补现有研究的不足，本研究提出了一种基于高斯过程回归（GPR）的非视觉热源定位方法，旨在利用温度场信号反演热源位置，实现受限空间内的动态精确定位。通过数值模拟与实尺度实验结合，系统验证了模型的预测精度与稳定性，并探讨了传感器布置、噪声扰动及核函数结构对定位性能的影响。大型科学设施是国家科技创新体系的核心基础设施，其运行需依赖超高精度的恒温环境。传统恒温室通常采用垂直单向气流设计，通过顶部/底部静压箱实现

本研究的主要创新包括：1）构建考虑热源运动与气流耦合的动态CFD仿真模型，生成多工况温度数据集；2）利用GPR建立温度分布与热源位置的映射模型，并系统比较不同核函数的预测性能；3）通过最小冗余最大相关（mRMR）算法优化传感器布置，实现稀疏测点下的高精度预测；4）引入高斯噪声与传感器漂移误差开展鲁棒性分析，评估模型在复杂环境中的稳定性。研究成果为受限空间热源定位提供了系统的建模与验证路径，为隧道及地下空间热环境监测提供可推广的技术基础。

研究结论：

本研究分析并探讨了如何基于高斯过程回归（GPR）实现受限空间内移动热源的动态定位。首先，研究通过计算流体动力学（CFD）方法建立了包含多种热强度、运动轨迹及气流条件的动态温度场模型，生成大规模仿真数据集用于模型训练与对比。其次，搭建了实验平台，布设顶部与侧墙两类传感阵列，在不同热源运动速度与环境扰动下采集实验数据，以验证模型的预测能力与稳定性。第三，基于仿真与实验数据，构建GPR定位模型并系统比较了多种核函数（平方指数核、指数核、Matérn 5/2核、二次有理核）的预测性能；同时与支持向量回归（SVR）、随机森林（RF）及人工神经网络（ANN）等典型机器学习方法进行对比分析。研究进一步采用最小冗余最大相关（mRMR）算法进行传感器重要性排序与布置优化，在减少测点数量的同时保持高定位精度。最后，通过引入高斯噪声与传感器漂移误差，评估了模型在测量扰动与长期偏差条件下的鲁棒性，并探讨其在实际部署中的适用性。主要研究发现如下：