送审稿
专家1
稿件选题聚焦基于时序条件生成对抗网络的建筑火灾温度场快速预测，在消防安全设计和数值模拟加速方面具有一定应用价值，也契合目前人工智能在火灾动力学预测中的应用和发展趋势。但从目前稿件质量看，全文在数值模拟设计、数据处理、指标评价、模型对比和结果解释方面存在较多问题，部分结论的可靠性和适用范围未得到有效支撑。同时，图表编号、章节格式和参考文献规范性也存在一定瑕疵。主要问题如下：
（1）第 3.1 节明确说表 1 汇总的是“五种模型在测试集上的 NRMSE 与 SSIM 指标结果”，随后据此选择 TC-GAN(SS) 作为后续模型。 第 3.2 节又在 k=3、5、10 中选择最优 k，表 2 未明确说明是验证集还是测试集。 如果这些选择是在测试集上完成的，那么测试集已经参与了模型选择，最终表 3 的测试性能会偏乐观。
（2） 第 1.2 节说明所有温度场被统一转换为 256×256 RGB 图像，并将颜色栏范围限定在 20 ℃–200 ℃。温度场本质是连续标量场，转成 RGB 伪彩图会引入三个问题：第一，RGB 颜色与温度之间未必线性；第二，超过 200 ℃ 的区域会被截断，图 8 中多个测点曲线接近或达到 200 ℃，可能已经受到截断影响；第三，模型学习的是颜色空间而不是物理温度空间。
（3） 图7显示温度场图像包含大量建筑外部空白背景。 如果 NRMSE 和 SSIM 在完整 256×256 图像上计算，而不是只在建筑内部有效区域计算，那么大面积空白背景会显著抬高 SSIM、降低 NRMSE，使指标看起来更好。尤其对于小建筑或狭长通道场景，背景像素可能远多于有效火场像素。
（4） 第3.3.1节提到200 s后误差曲线趋于平缓，表明火灾温度场进入准稳态。误差平缓不等于物理场准稳态。还可能是模型输出饱和、温度被200 ℃截断、或背景区域主导指标。
（5） 当前评价主要是 NRMSE、SSIM 和几个测点曲线。这些指标不足以判断模型是否可用于消防安全设计。消防设计中更关心高温区是否被低估、阈值超限时间是否准确、关键通道是否被误判为安全等。
（6） pix2pix 输入为建筑布局、火源位置和时间；TC-GAN额外输入上一帧预测结果。这意味着TC-GAN获得了额外历史信息。第3.3.1节还提到TC-GAN(SS) 以真实第一帧作为条件启动，因此初始阶段误差极低。而pix2pix 没有同等条件。图 6中TC-GAN初期误差接近0，pix2pix 初期已有较高误差，这部分优势可能来自输入设定而不是模型本身。
（7） 表3的测试场景是31-1至35-2，共10个案例。图7的可视化结果中出现了30-1、30-2、31-1、31-2、33-1、33-2、34-1、34-2、35-1、35-2，缺少表3中的 32-1、32-2，却多出表3中没有的30-1、30-2。图8标题“测试场景 30-1 至 35-1”，与表3的测试集不一致。
（8） 章节标题格式不统一。
（9） 参考文献[18]的类型和拼写存在错误。
专家2
本文面向单层建筑火灾温度场快速预测问题，提出引入历史状态条件约束的 TC-GAN 模型，并比较了多步损失、计划采样和视频判别器三种优化策略。选题具有较好工程价值，文章结构完整，数据集构建、模型设计、优化策略比较均有展开，结论也基本能够由实验结果支撑。TC-GAN（SS）在测试集上平均 NRMSE 和 SSIM 分别达到0.0393和0.9794，较基线模型有明显提升，这一结果具有一定说服力。目前稿件仍有需要完善之处，建议进一步修改提升。
1. 文章采用35种建筑布局、2种火源位置，共70个火灾案例，并按5:1:1划分训练集、验证集和测试集。虽然进行了几何增强，但本质上仍来源于有限布局与火源组合。建议作者进一步说明测试集是否完全由未参与训练的建筑布局组成，还是同一布局不同火源位置可能同时出现在训练与测试中。若后者存在，则模型泛化能力可能被高估。
2. 文章中评价指标以图像相似性为主，但建筑火灾安全评估更关注高温区域、临界温度到达时间、疏散路径温度等指标。建议补充例如：关键测点温度峰值误差、高温区域面积误差，或沿疏散路径的温度误差。这样可以更直接支撑摘要中所提“快速验证建筑消防设计”的结论。
3. 图1展示了35种建筑布局及两类火源位置，但子图尺寸较小，部分布局细节和火源位置不够清晰，不易看清各个布局间的差异。
4. 图7对模型预测效果进行展示，但不同模型结果之间的差异不够突出。建议增加误差图，可以更清楚显示 pix2pix 与 TC-GAN（SS）在局部高温区、拐角区和通道末端的差异。
5. 摘要中提到“平均归一化均方根误差与结构相似性指数两项指标分别提升了37.42%与3.40%”。建议明确为平均归一化均方根误差降低37.42%，结构相似性指数提高3.40%，避免“提升”一词造成歧义。
