超短期预测误差<15%
该模型结合数据同化与实时监测数据，能在气流扰动下准确预测烟雾前锋传播，为应急响应提供关键支持。
Guo, Xin · Ying, Huang · Li, Jiang · 阳东 · 杜涛 · 刘帅 · Chen, Jianzhong
Tunnelling and Underground Space Technology 2026
数据同化利用实时风速和烟温观测修正模型输入和物理缺陷，使模型在全尺寸火灾中即便面对不确定HRR和随机气流扰动也能保持预报能力。
模型能提前数百秒给出烟雾前锋位置，为隧道内人员疏散和应急救援争取关键时间。
在含不确定气流扰动的全尺寸隧道火灾场景中，超短期预报相对误差低于15%，满足应急决策精度需求。