基于大语言模型多智能体协作的隧道火源特征反演技术

《Fire》：Intelligent Tunnel Fire Source Characteristic Inversion Technology Based on Large Language Model Multi-Agent Collaboration

　　

目前，隧道火灾研究中计算流体动力学（CFD）与深度学习的结合受到过度依赖人工操作和整体效率低下的限制。为了解决这些局限性，本研究提出了一种由大语言模型（LLM）驱动的多智能体协作框架，实现了火源特征反演过程的完全自动化。该框架将传统研究流程重组为四个专业化智能体：物理建模、数据治理、模型训练和评估分析。作为一个典型的自动验证任务，研究人员在45种实验配置下系统性地基准测试了五种深度学习模型，以实现多任务连续回归反演，充分展示了该框架的自动化、可重复和大规模比较实验能力。实验结果表明，CNN-LSTM模型在从温度时间序列数据中提取时空相关特征方面优于其他模型，能够高精度预测多个火灾参数。在6秒观测窗口和10米传感器间距下，平均R²达到0.942，比基线LSTM模型提升2%，RMSE降低28.8%。对于30米间距的稀疏传感器部署，平均R²仍保持在0.917，证实了空间特征提取与时间建模相结合的有效性。本研究为智能隧道火灾识别提供了一种高效的技术途径，并通过将传统人工优化流程转变为基于多智能体系统的优化工作流，推动了研究范式的发展。

隧道作为现代城市和城际交通网络的关键基础设施，其运营安全至关重要。然而，隧道细长、封闭的结构在火灾时导致有毒高温烟气快速蔓延，严重威胁人员安全并影响灭火救援决策。传统隧道火灾检测技术（如基于烟雾浓度阈值的感烟探测器、依赖清晰视线的视频图像系统、监测温度变化的线性感温电缆）在复杂真实环境中存在高误报率、定位延迟大、维护成本高等固有局限。近年来，计算流体动力学（CFD）数值模拟与数据驱动的深度学习相结合的方法为智能反演和预测隧道火灾特性开辟了新途径，但现有研究流程过度依赖人工操作，从几何建模、网格划分到求解器配置，以及数据提取、清洗、整理等环节繁琐易错，且实验周期长，难以开展大规模、系统性的参数敏感性分析和模型架构迭代优化。这种“手工作坊式”研究模式已成为制约领域快速发展和工程应用的核心障碍。为此，研究人员开展本研究，提出并构建了一种基于大语言模型的多智能体协作框架，用于隧道火源特征反演。该框架将传统流程重组为物理建模、数据治理、模型训练和评估分析四个专业化智能体，实现了从任务创建到模型部署的全自动化。为验证框架有效性，研究人员以100个基于FDS（火灾动力学模拟器）模拟的隧道火灾场景为数据基础，在45种实验配置下系统基准测试了五种深度学习模型（BPNN、LSTM、BiLSTM、CNN-LSTM、CNN-BiLSTM），进行火源位置、热释放速率（HRR）和纵向通风速度的多参数连续回归反演。实验结果表明，CNN-LSTM模型在提取温度时间序列时空相关性方面最优，在6秒观测窗口和10米传感器间距下，验证集平均R²达0.942，较基线LSTM提升2%，均方根误差（RMSE）降低28.8%；即使在30米稀疏间距下，平均R²仍保持0.917，证实了空间特征提取与时间建模融合的有效性。该框架将研究周期缩短50%，人工错误率从15%降至3%，为智能隧道火灾识别提供了高效技术途径，推动了从传统手动优化向多智能体自动化工作流的研究范式转变。该论文发表在《Fire》期刊。

研究人员为开展研究主要采用了以下关键技术方法：基于大语言模型（LLM）的多智能体协作系统（基于Claude Code），采用提示工程作为行为规范、共享状态范式的通信机制和顺序任务链执行逻辑，并嵌入五个人类审查节点；物理建模智能体利用FDS（火灾动力学模拟器）自动生成100个独立火灾案例库，设置火源位置（X）、热释放速率（Q）和纵向通风速度（V）三个关键变量参数组合；数据治理智能体自动提取温度时间序列数据，设置10 m、20 m、30 m三种传感器纵向间距，记录前300秒以1 Hz采样；模型训练智能体自动进行五种深度学习模型（BPNN、LSTM、BiLSTM、CNN-LSTM、CNN-BiLSTM）的多输出连续回归训练，使用RMSprop优化器、均方误差（MSE）损失函数，统一超参数；评估分析智能体采用决定系数（R²）和均方根误差（RMSE）量化评估模型性能。

研究结果部分：
3.1 在10米传感器间距下的模型性能：通过45组全因子实验数据发现，所有时序模型显著优于BPNN，BPNN因无法捕捉时序依赖表现最差。在6秒观测窗口下，平均R²排序为：CNN-LSTM > CNN-BiLSTM > BiLSTM > LSTM > BPNN，CNN-LSTM达约0.942，RMSE最低；随着观测窗口从6秒延长至12秒，所有模型R²稳步上升，RMSE下降。
3.2 观测窗口长度和传感器间距对CNN-LSTM与基线LSTM性能的影响：随着传感器间距增大，所有模型R²下降、RMSE上升。在30米间距、6秒窗口下，LSTM的验证集R²为0.901，接近工程应用阈值（R²>0.9），而CNN-LSTM保持0.917，较LSTM高约1.6%，证实了时空融合模型在稀疏部署下的鲁棒性。
3.3 定量比较：三名资深研究人员分别独立执行100个场景中10个标准子集的人工流程两次，对比框架自动化流程。结果显示，框架将总项目时间减少50%，手动操作时间减少80%，人工错误率从15%降至3%。

讨论部分总结：多智能体框架通过将重复工程任务转化为标准化自动化流水线，将研发时间缩短50%并显著降低错误率，核心在于消除了人工疏忽。CNN-LSTM的优越性能源于其混合架构：一维CNN通过卷积操作捕捉传感器空间相关性，LSTM准确刻画温度场时间演变模式；消融实验表明CNN模块的性能增益远大于BiLSTM模块，证明空间特征融合是稀疏传感器部署下提升反演精度的核心因素。CNN-LSTM在30米间距下仍保持0.917的R²，突破了此前LSTM“传感器间距不应超过20米”的限制，为隧道火灾监测系统轻量化部署提供了理论支持。研究局限性包括：FDS模拟与真实火灾存在偏差，模型仅基于数值数据验证；框架专注于单一火源和纵向通风的简化场景；智能体依赖预定义提示和人工审查节点，缺乏自主决策能力。

研究结论部分翻译：本研究提出了一种由大语言模型（LLM）驱动的多智能体协作框架，用于自动化隧道火源特征反演中模型选择、消融研究和比较实验等重复但必要的任务。该框架覆盖从CFD场景生成到模型部署的端到端工作流，并嵌入人类审查节点以保证质量。其核心价值在于使研究人员能够通过将实施细节委派给自主智能体来快速验证实验假设。综合实验表明，该框架将研究周期缩短50%，人工错误率从15%降至3%。作为能力展示，框架在45种配置下自动基准测试了五种深度学习模型，生成了可操作的见解（例如CNN-LSTM作为稳健架构），无需手动脚本。这一范式将隧道火灾研究从手动、临时实施转向自动化、可重复实验，使研究人员能够专注于更高层次的创新。CNN-LSTM模型在火源位置、热释放速率（HRR）和纵向通风速度反演任务中表现最佳。在10米传感器间距和6秒观测窗口下，验证集R²达到0.942，比基线LSTM模型提升2%，实现了火灾早期的高精度参数反演。CNN-LSTM在稀疏传感器部署下也表现出优异的鲁棒性：即使在30米间距下，R²仍保持在0.917以上，为隧道火灾监测系统的低成本、轻量化部署提供了关键依据。本研究提出的自动化多智能体研究范式为隧道火灾参数智能反演建立了一种高效、可靠的技术框架，推动了隧道火灾研究从传统人工驱动向AI辅助工作流的转变，并为长大隧道火灾场景的应急决策提供有力支持，为未来隧道工程中AI驱动的安全解决方案铺平了道路。