CN109377567A - 一种膨胀烟丝工段的逃生训练方法及系统 - Google Patents
一种膨胀烟丝工段的逃生训练方法及系统 Download PDFInfo
- Publication number
- CN109377567A CN109377567A CN201811285946.1A CN201811285946A CN109377567A CN 109377567 A CN109377567 A CN 109377567A CN 201811285946 A CN201811285946 A CN 201811285946A CN 109377567 A CN109377567 A CN 109377567A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- survivor
- effort path
- escape
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 39
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 title claims abstract description 23
- 239000003016 pheromone Substances 0.000 claims abstract description 33
- 239000002341 toxic gas Substances 0.000 claims abstract description 24
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 19
- 239000001301 oxygen Substances 0.000 claims abstract description 19
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 17
- 230000007704 transition Effects 0.000 claims abstract description 12
- 239000000779 smoke Substances 0.000 claims abstract description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 10
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims abstract 2
- 239000007789 gas Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 239000003546 flue gas Substances 0.000 claims description 2
- 239000002574 poison Substances 0.000 claims description 2
- 231100000614 poison Toxicity 0.000 claims description 2
- 230000007103 stamina Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- -1 high temperature Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Manufacturing & Machinery (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种膨胀烟丝工段的逃生训练方法，包括：根据膨胀烟丝工段实际场景建立三维场景图；以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，并建立最优逃生路径的寻优模型；在寻找最优逃生路径时，引入蚂蚁算法，在同时考虑高温、毒气、二氧化碳、氧气以及浓烟等危险因素时，在信息素浓度和转移概率阈值的约束下，在逃生路径集合中寻找最短路径输出，该最短路径即为最优逃生路径，这样获得的逃生路径具有很强的指导意义，且根据该逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场。
Description
技术领域
本发明属于灾难逃生技术领域，具体涉及一种膨胀烟丝工段的逃生训练方法及系统。
背景技术
膨胀烟丝是指调制、复烤之后的烟叶制成烟丝，经过烟丝膨胀工艺膨胀处理后的烟丝。烟丝膨胀可分为全配方膨胀和部分膨胀，部分膨胀也可以称为离线膨胀，是在卷烟所用的部分烟丝中加入某种介质后进行高温处理，烟丝经过部分膨胀后可比全配方膨胀获得更高的填充值。
膨胀烟丝工段是对烟丝进行膨胀处理的工段，是制丝车间比较特殊的一环。由于膨胀烟丝工段存在燃烧炉、大量压力容器和压力管路，使得该工段一直成为烟厂所有车间危险源最多的地方。因此，在对膨胀烟丝工段做好例行安全检查的同时，对生产人员的事故安全处理、逃生教育和指导尤为重要。
当发生安全事故时，现场人员第一反应非常重要。以往安全预案演练时危险情况只能靠凭空想象，无法达到真实现场的紧张感和压迫感，也不能进行一些实际操作，演练效果不佳。
申请公布号为CN 105659299A的专利申请公开了一种智能城市的火警逃生路径生成方法及系统，具体包括：获取火灾的第一坐标，获取第一坐标设定范围内的移动终端的位置；以每个移动终端的位置作为起点，以最近安全地点或救援地点作为终端生成逃生路径；将该逃生路径发送给移动终端。该方法并没有公开具体的火警逃生路径生成方法，因此不清楚该逃生路径是否为最优的逃生路径，该逃生路径对逃生人员的指导效果无法预期。
申请公布号为CN 108469742A的专利申请公开了智能家居安全逃生指示方法及系统，包括通过智能设备获取家居测量数据，经智能门锁发送到服务器，然后服务器对家居测量数据进行分析，获得分析结果，根据分析结果生成控制指令，若出现危险的火情，该控制指令可以发出报警信息或打开门锁，开辟出一条逃生通道供室内人员离开危险环境。该方法虽然能够在存在危险时通知人们按照生成的路径进行逃离，但并未考虑逃生过程中众多影响因素会逃生人员造成的影响，因此该逃生路径对逃生人员的指导效果无法预期。
发明内容
本发明的目的是提供一种膨胀烟丝工段的逃生训练方法及系统，根据膨胀烟丝工段对应的三维模型规划出多条逃生路径后，同时考虑高温、毒气、浓烟等危险因素，对实时逃生路径进行择优，获得最优的逃生路径以显示，以供生产人员观看进行逃生训练学习。
为实现上述发明目的，本发明提供以下技术方案：
一种膨胀烟丝工段的逃生训练方法，包括：
根据膨胀烟丝工段实际场景建立三维场景图；
以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合，并建立最优逃生路径的寻优模型为：
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径，n表示集合N中节点的总个数；
在逃生路径寻优时，引入蚂蚁算法，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，根据行走路径的信息素浓度选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该逃生路径的概率也越大，其转移概率为：
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值，
计算转移概率时，根据高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，更新每条路径的信息素浓度，当每条路径的信息素浓度为0时，表示逃生者死亡，根据浓烟对移动速度的影响，更新能见度ηij(t)；
以逃生路径对应的转移概率小于转移概率阈值和信息素浓度大于0为约束条件，利用公式(5)在公式(1)～(4)表示的最优逃生路径的寻优模型中计算获得最优逃生路径，并输出该最优逃生路径。
一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，所述计算机处理器执行所述计算机程序时实现上述的逃生训练方法，输出最优逃生路径。
该膨胀烟丝工段的逃生训练方法及系统中，在构建的逃生路径集合中，引入蚂蚁算法，在同时考虑高温、毒气、二氧化碳、氧气以及浓烟等危险因素时，在信息素浓度和转移概率阈值的约束下，在逃生路径集合中寻找最短路径输出，该最短路径即为最优逃生路径，这样获得的逃生路径具有很强的指导意义，且根据该逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本实施例提供了一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序。
在应用该膨胀烟丝工段的逃生训练系统前，该计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，该三维场景图可以采用C4D等软件对膨胀烟丝工段的实际场景进行建模获得。
所述计算机处理器执行所述计算机程序时实现以下过程：
将三维场景图中的门、楼梯口、走廊拐弯、岔口以及走廊尽头作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合。
建立最优逃生路径的寻优模型为：
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径。
蚁群算法是一种用来寻找优化路径的概率型算法。本实施例中引入蚂蚁算法在寻优模型中寻找最优逃生路径。在蚂蚁算法中，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，会根据路径的信息素浓度来选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该路径的概率也越大，其转移概率为：
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值。
同时，蚂蚁也会留下一定的信息素，随着时间的推移，每条路径的信息素浓度的更新公式为：
其中，τij(t+1)为t+1时刻节点i到节点j之间的信息素浓度，ρ为信息素浓度的衰减因子，Lk为逃生者k在当次循环过程中走过的路径总长度，Qi,j为逃生者k经过逃生路径xij剩余体力值，初始体力值为Q，为常数。
本实施例以火灾现场作为事故现场，火灾现场具有非常大的复杂性，当火灾发生时，往往会伴随着高温、毒气(如一氧化碳、氯气、氨气、二氧化硫、液化石油气等有毒气体)、二氧化碳浓度、氧气浓度以及浓烟等各种危险因素，高温、毒气、二氧化碳浓度以及氧气浓度会对人体造成伤害，降低人的逃生能力，浓烟使环境的能见度变低，降低人的移动速度。
传统的蚁群算法虽然能找到离出口最短的逃生路径，却不一定是最合理的路径，为了尽快寻找到能够保障逃生者生还的逃生路径，本实施例在蚂蚁算法中引入了高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，同时考虑了浓烟对移动速度的影响。
本实施例中，将公式(7)中的Qi,j初始化为相同的体力值，在它们在搜寻路径时，所遇到的风险会对其体力造成伤害，从而使体力下降。当体力值下降为零时，则判断该蚂蚁(逃生者)已经死亡，不能再进行路径搜寻，死亡的蚂蚁(逃生者)将无法参与更新信息素浓度。若蚂蚁(逃生者)在路径搜索时陷入死路，则同样判断其死亡。在更新信息素浓度时，仅按存活蚂蚁的剩余体力留下相应的信息素。
具体地，高温对逃生者体力值的影响为：
逃生者在高温作用下，人体的忍受能力FEDTi-j为：
其中，变化区间为[0，1]，当为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，tIrad为热辐射作用下逃生者忍受时间，q为持续热辐射热量，tIconv为热对流作用下逃生者忍受时间，T为持续累积的热量；
根据该人体的忍受能力更新逃生者的剩余体力值为：
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点。
毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响为：
逃生者在毒气、高浓度二氧化碳以低浓度氧气作用下，人体的忍受能力为：
其中，变化区间为[0，1]，当为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，为逃生路径xij上第s种毒气的浓度，s∈m，m为毒气的总类别，为为逃生者能够承受第s种毒气的剂量最大值，CO2％为二氧化碳浓度，O2％为氧气浓度，η表示时间点，公式(12)中，[8.13-0.54×(20.9-O2％]η表示时间点η的氧气浓度；
根据该人体的忍受能力更新逃生者的剩余体力值为：
当同时考虑高温、毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响时，根据该人体的忍受能力和更新逃生者的剩余体力值为：
一般情况下，逃生者按照逃生路径逃出事故现场时，不能保证逃生者的安全性，为了优先保证逃生者的安全，防止(蚂蚁)逃生者冒着极大风险去追求最短路径，算法中引入了转移概率阈值增和增加相应的转移概率约束条件。具体地：
定义Pij认为是逃生者在逃生路径(i,j)上安全通过的概率，为了优先保证逃生人员的安全，增加以下约束条件：
其中，τ为转移概率阈值，表示逃生者能够安全逃生的最小概率。
此外，在考虑浓烟对逃生环境的能见度和移动速度的影响，本实施例采用公式(16)～(18)更新能见度ηij(t)和移动速度vi-j：
ηij(t)＝μ/Li-j (16)
vi-j＝μv (17)
其中，v为普通人在正常环境下的移动速度，μ为浓烟影响下，逃生者移动速度的下降程度，kc为烟气减光系数。
最后，根据模拟设置二氧化碳浓度数据、氧气浓度数据、毒气浓度数据、持续热辐射热量数据和持续累积热量数据、以及烟雾浓度数据，按照公式(1)～(18)经计算获得最短逃生路径，该最短逃生路径即为最优逃生路径。
在获得最优逃生路径后，上述三维场景模型被Unity3D软件渲染后，在渲染场景中添加火灾发生位置，设计逃生者，使逃生者按照最优逃生路径逃生，通过终端呈现给生产人员观看，以对生成人员进行逃生训练学习。
还逃生训练系统能够在综合考虑了高温、毒气、二氧化碳、氧气以及浓烟等危险因素后，优化获得的最优逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场，对生产人员具有很强的指导意义。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种膨胀烟丝工段的逃生训练方法，包括：
根据膨胀烟丝工段实际场景建立三维场景图；
以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合，并建立最优逃生路径的寻优模型为：
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径，n表示节点集合N中所有节点的个数；
在优化逃生路径时，引入蚂蚁算法，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，根据行走路径的信息素浓度选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该逃生路径的概率也越大，其转移概率为：
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值；
计算转移概率时，根据高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，更新每条路径的信息素浓度，当每条路径的信息素浓度为0时，表示逃生者死亡，根据浓烟对移动速度的影响，更新能见度ηij(t)；
以逃生路径对应的转移概率小于转移概率阈值和信息素浓度大于0为约束条件，利用公式(5)在公式(1)～(4)表示的最优逃生路径的寻优模型中计算获得最优逃生路径，并输出该最优逃生路径。
2.如权利要求1所述的膨胀烟丝工段的逃生训练方法，其特征在于，每条路径的信息素浓度的更新公式为：
其中，τij(t+1)为t+1时刻节点i到节点j之间的信息素浓度，ρ为信息素浓度的衰减因子，Lk为逃生者k在当次循环过程中走过的路径总长度，Qi,j为逃生者k经过逃生路径xij剩余体力值，初始体力值为Q，为常数。
3.如权利要求2所述的膨胀烟丝工段的逃生训练方法，其特征在于，高温对逃生者体力值的影响为：
逃生者在高温作用下，人体的忍受能力为：
其中，变化区间为[0，1]，当为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，tIrad为热辐射作用下逃生者忍受时间，q为持续热辐射热量，tIconv为热对流作用下逃生者忍受时间，T为持续累积的热量；
根据该人体的忍受能力更新逃生者的剩余体力值为：
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点。
4.如权利要求2所述的膨胀烟丝工段的逃生训练方法，其特征在于，毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响为：
逃生者在毒气、高浓度二氧化碳以低浓度氧气作用下，人体的忍受能力为：
其中，变化区间为[0，1]，当为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，为逃生路径xij上第s种毒气的浓度，s∈m，m为毒气的总类别，为为逃生者能够承受第s种毒气的剂量最大值，CO2％为二氧化碳浓度，O2％为氧气浓度，η表示时间点；
根据该人体的忍受能力更新逃生者的剩余体力值为：
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点。
5.如权利要求3所述的膨胀烟丝工段的逃生训练方法，其特征在于，逃生者在毒气、高浓度二氧化碳以低浓度氧气作用下，人体的忍受能力为：
其中，变化区间为[0，1]，当为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，为逃生路径xij上第s种毒气的浓度，s∈m，m为毒气的总类别，为为逃生者能够承受第s种毒气的剂量最大值，CO2％为二氧化碳浓度，O2％为氧气浓度，η表示时间点；
根据该人体的忍受能力和更新逃生者的剩余体力值为：
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点。
6.如权利要求3～5任一项所述的膨胀烟丝工段的逃生训练方法，其特征在于，定义Pij认为是逃生者在逃生路径(i,j)上安全通过的概率，为了优先保证逃生人员的安全，增加以下约束条件：
其中，τ为转移概率阈值，表示逃生者能够安全逃生的最小概率。
7.如权利要求6所述的膨胀烟丝工段的逃生训练方法，其特征在于，采用公式(16)～(18)更新能见度ηij(t)和移动速度vi-j：
ηij(t)＝μ/Li-j (16)
vi-j＝μv (17)
其中，v为普通人在正常环境下的移动速度，μ为浓烟影响下，逃生者移动速度的下降程度，kc为烟气减光系数。
8.一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，
所述计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，所述计算机处理器执行所述计算机程序时实现权利要求1～7任一项所述的逃生训练方法，输出最优逃生路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811285946.1A CN109377567B (zh) | 2018-10-31 | 2018-10-31 | 一种膨胀烟丝工段的逃生训练方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811285946.1A CN109377567B (zh) | 2018-10-31 | 2018-10-31 | 一种膨胀烟丝工段的逃生训练方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109377567A true CN109377567A (zh) | 2019-02-22 |
| CN109377567B CN109377567B (zh) | 2023-02-14 |
Family
ID=65390717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811285946.1A Active CN109377567B (zh) | 2018-10-31 | 2018-10-31 | 一种膨胀烟丝工段的逃生训练方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377567B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044360A (zh) * | 2019-05-29 | 2019-07-23 | 中国科学技术大学 | 一种人员疏散路径的导航方法及装置 |
| CN111609864A (zh) * | 2020-05-06 | 2020-09-01 | 武汉科技大学 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
| CN112633574A (zh) * | 2020-12-22 | 2021-04-09 | 中设数字技术股份有限公司 | 一种基于bim技术的逃生路径规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011083023A1 (de) * | 2011-09-20 | 2013-03-21 | Robert Bosch Gmbh | Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm |
| CN107563549A (zh) * | 2017-08-22 | 2018-01-09 | 深圳市泰和安科技有限公司 | 一种基于bim模型的逃生路径生成方法、装置及设备 |
| CN108413961A (zh) * | 2017-10-16 | 2018-08-17 | 同济大学 | 基于并行iACO的轻量级Web3D火灾逃生路径规划方法及系统 |
-
2018
- 2018-10-31 CN CN201811285946.1A patent/CN109377567B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011083023A1 (de) * | 2011-09-20 | 2013-03-21 | Robert Bosch Gmbh | Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm |
| CN107563549A (zh) * | 2017-08-22 | 2018-01-09 | 深圳市泰和安科技有限公司 | 一种基于bim模型的逃生路径生成方法、装置及设备 |
| CN108413961A (zh) * | 2017-10-16 | 2018-08-17 | 同济大学 | 基于并行iACO的轻量级Web3D火灾逃生路径规划方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 林森等: "改进蚁群算法的智能逃生路径规划研究", 《住宅与房地产》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044360A (zh) * | 2019-05-29 | 2019-07-23 | 中国科学技术大学 | 一种人员疏散路径的导航方法及装置 |
| CN111609864A (zh) * | 2020-05-06 | 2020-09-01 | 武汉科技大学 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
| CN111609864B (zh) * | 2020-05-06 | 2021-03-26 | 武汉科技大学 | 路网约束下多警员协作围捕任务分配及路径规划方法 |
| CN112633574A (zh) * | 2020-12-22 | 2021-04-09 | 中设数字技术股份有限公司 | 一种基于bim技术的逃生路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109377567B (zh) | 2023-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109377567A (zh) | 一种膨胀烟丝工段的逃生训练方法及系统 | |
| Fraser-Mitchell | An object-oriented simulation (CRISP II) for fire risk assessment | |
| Liu et al. | The application of GIS and IOT technology on building fire evacuation | |
| Han et al. | Investigation on an integrated evacuation route planning method based on real-time data acquisition for high-rise building fire | |
| CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
| Rao et al. | A drone remote sensing for virtual reality simulation system for forest fires: semantic neural network approach | |
| CN109871984A (zh) | 一种基于多源信息的智能火灾发展态势识别方法 | |
| CN112488423A (zh) | 一种火场中被困人员逃生路径的规划方法 | |
| Zhang et al. | Emergency evacuation of hazardous chemical accidents based on diffusion simulation | |
| CN109299831A (zh) | 一种膨胀烟丝工段的逃生路径指导系统 | |
| CN106873364A (zh) | 一种智能机器人的任务优先级确定方法 | |
| Li et al. | Evacuation-path-selection model of real-time fire diffusion in urban underground complexes | |
| Nüssle et al. | Approaching urban disaster reality: The resQ firesimulator | |
| CN114723185A (zh) | 一种核电站火灾应急疏散路径生成方法 | |
| Zheng et al. | Implementation of intelligent fire evacuation route based on Internet of things | |
| CN111539093B (zh) | 人员疏散模拟的高温烟气分布联动ca模型 | |
| Jian-feng et al. | Fire early warning algorithm based on QPSO-BP neural network | |
| Cheng | An optimization method for dynamic evacuation route programming based on improved ant colony Algorithm | |
| Abd El-Aal et al. | Safest and Shortest Exit Algorithm for NPP Fire Evacuation | |
| Yusuf et al. | An autoregressive exogenous neural network to model fire behavior via a naïve bayes filter | |
| Choi et al. | A fire evacuation guidance system based on ubiquitous sensor networks | |
| Kim et al. | Simulation modeling of a statistical fire spread to respond fire accident in buildings | |
| Li et al. | Intelligent fire monitoring system based on the information fusion algorithm | |
| Huang et al. | Numerical simulation of a cinema fire based on FDS | |
| Muller et al. | SCHEMA-SI: A hybrid fire safety engineering tool Part II: Case study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |