CN110929378B - 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 - Google Patents
一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110929378B CN110929378B CN201911021687.6A CN201911021687A CN110929378B CN 110929378 B CN110929378 B CN 110929378B CN 201911021687 A CN201911021687 A CN 201911021687A CN 110929378 B CN110929378 B CN 110929378B
- Authority
- CN
- China
- Prior art keywords
- evacuation
- personnel
- world
- digital
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013210 evaluation model Methods 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 42
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 9
- 230000006698 induction Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备。包括：建立与物理世界孪生的数字世界；通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散。本申请通过虚实互动方式，协同演进，解决了物理世界中突现性、不稳定性、非线性、不确定性的问题。
Description
技术领域
本申请属于城市公共安全技术领域，特别涉及一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备。
背景技术
随着城市化进程的加速，我国高层建筑越来越多。近年来，国内高层建筑火灾也是层出不穷，并有愈演愈烈之势。根据公安部消防局的数据显示，近十年全国共发生高层建筑火灾3.1万起，死亡474人，直接经济损失就高达15.6亿元，间接损失更是难以计数。由于高层建筑建构复杂，存在火势蔓延快、救援难度大、疏散困难等特点，经常造成重大人员伤亡及财产损失，因此高层建筑火灾情况下的人员疏散问题成为消防研究的热门课题。
现有高层建筑火灾人员疏散策略的研究主要包括两个方面，一方面是火灾情况下使用电梯疏散人群的可行性研究，另一方面是对高层建筑楼梯结合电梯的混合疏散策略研究。为了研究高层建筑的疏散策略，一般采用建模模拟分析的方式，目前成功应用于高层建筑的疏散模型有20多种。Chalmet将网络模型应用于建筑人员疏散中，他的模型应用于疏散流量的研究，发现其中的瓶颈并针对性的改进建筑结构或采取其他必要的保护措施保障安全疏散[Chalmet,L.,R.Francis,P.Saunders.Network models for building evacuation[J].Fire Technology,1982.18(1):p.90-113]。胡传平等人针对某20层住宿公寓，采用电梯疏散模型和楼梯疏散模型，对不同疏散方式进行计算，得出电梯用于人员疏散需要一个适当的楼层，且得出采用电梯与楼梯相结合的混合疏散策略能减少疏散时间[胡传平,杨昀.高层建筑火灾情况下利用电梯疏散的案例研究[J].自然灾害学报,2007.]。罗茜利用社会力模型在模拟行人的细节行为方面的优势，对逃离火灾现场人员疏散特征现象进行模拟，根据火灾的特征以及火灾对人员疏散的影响情况，对火灾场景下的一些量进行适当的设定，模拟结果基本与实际相符[罗茜.人员疏散的社会力修正模型及其仿真研究[D].首都经济贸易大学,2010.]。
综上所述，现有的仿真疏散软件，需要多次设计电梯楼梯混合疏散方案，然后通过多次计算获得最优的方案，最终应用于人群疏导。由于现实中的火灾场景存在许多不可预知的因素与仿真环境存在一定的偏差，采用“事前模型”无法应对动态的环境变化，指导人群疏散的效果受限，无法实现动态地疏散诱导。
发明内容
本申请提供了一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种基于数字孪生的高层建筑应急疏散方法，包括以下步骤：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述建立与物理世界孪生的数字世界具体为：从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点创建GIS特征层；处理所述GIS特征层，创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据具体包括：获取现实场景的历史人员疏散数据，分析历史人员疏散的变化规律，根据所述变化规律分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度因素，采用基于时空图卷积网络的深度学习模型计算物理世界在未来若干个时段的人流预测值。
本申请实施例采取的技术方案还包括：在所述步骤d中，所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案具体包括：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成至少两个疏散预案；所述至少两个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
本申请实施例采取的技术方案还包括：在所述步骤e中，所述采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化具体包括：
步骤e1：采用Socket将物理世界中摄像头实时监测到的人员位置信息、楼梯/电梯信息、疏散通道数据实时传输至数字世界；其中，所述物理世界中摄像头实时监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；
步骤e2：依据所述疏散预案评价模型和实时监测的人员位置信息、楼梯/电梯信息、疏散通道数据进行实时计算与分析，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；通过单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径；
步骤e3：将所述最优疏散路径发送给疏散人员进行动态疏散；
步骤e4：根据人员疏散结果对疏散预案评价模型的评价指标或参数进行修正；
步骤e5：判断实际疏散路径是否发生变化，如果实际疏散路径发生变化，所述疏散预案评价模型根据实时监测的人员位置信息、楼梯/电梯信息、疏散通道数据重新规划疏散路径。
本申请实施例采取的另一技术方案为：一种高层建筑人员疏散系统，包括：
数字世界建模模块：用于采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
人员分布预测模块：用于通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
疏散模型构建模块：用于根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
疏散方案生成模块：用于所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
虚实融合模块：用于采用Socket建立物理世界与数字世界的虚实融合及动态交互；
疏散优化模块：用于采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
本申请实施例采取的技术方案还包括：所述数字世界建模模块建立与物理世界孪生的数字世界具体为：从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点创建GIS特征层；处理所述GIS特征层，创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
本申请实施例采取的技术方案还包括：所述人员分布预测模块分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据具体为：获取现实场景的历史人员疏散数据，分析历史人员疏散的变化规律，根据所述变化规律分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度因素，采用基于时空图卷积网络的深度学习模型计算物理世界在未来若干个时段的人流预测值。
本申请实施例采取的技术方案还包括：所述疏散方案生成模块根据人员时空分布预测数据生成至少两个疏散预案具体包括：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成至少两个疏散预案；所述至少两个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
本申请实施例采取的技术方案还包括：所述疏散优化模块采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化具体包括：
采用Socket将物理世界中摄像头实时监测到的人员位置信息、楼梯/电梯信息、疏散通道数据实时传输至数字世界；其中，所述物理世界中摄像头实时监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；
依据所述疏散预案评价模型和实时监测的人员位置信息、楼梯/电梯信息、疏散通道数据进行实时计算与分析，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；通过单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径；
将所述最优疏散路径发送给疏散人员进行动态疏散；
根据人员疏散结果对疏散预案评价模型的评价指标或参数进行修正；
判断实际疏散路径是否发生变化，如果实际疏散路径发生变化，所述疏散预案评价模型根据实时监测的人员位置信息、楼梯/电梯信息、疏散通道数据重新规划疏散路径。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于数字孪生的高层建筑应急疏散方法的以下操作：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的基于数字孪生的高层建筑应急疏散方法、系统及电子设备通过采用数字孪生技术进行高层建筑人群动态疏散，以仿真建模的数字世界与摄像头监测的物理世界之间平行互动，以仿真计算的疏散方案用于实际人员的疏散，以实际人员的疏散结果来优化仿真软件的疏散方案，通过虚拟世界与现实世界相互补充，协调演化，实现动态疏散诱导救援指挥。与现有技术相比，本发明具有如下优点：
(1)将数字孪生技术应用于高层建筑应急疏散上，建立物理世界和数字世界，通过虚实互动方式，协同演进，解决了物理世界中突现性、不稳定性、非线性、不确定性的问题。
(2)基于视频监控实时监测物理世界中的场景，当实际疏散节点状况发生变化，如拥堵或堵塞，则需要进行动态疏散仿真分析生成实时最优疏散方案，进而实现动态应急诱导及救援指挥，解决“事前模型”的仿真结果无法应对实际不确定问题的局限性。
附图说明
图1是基于数字孪生的高层建筑应急疏散的总体框架图；
图2是本申请实施例的基于数字孪生的高层建筑应急疏散方法的流程图；
图3为人员疏散数据的时空结构图；
图4是为基于时空图卷积网络的深度学习模型结构图；
图5为本申请实施例的基于数字孪生的高层建筑应急疏散系统的结构示意图；
图6是本申请实施例提供的基于数字孪生的高层建筑应急疏散方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
为了解决现有技术存在的不足，本申请采用数字孪生技术进行高层建筑人群动态疏散，通过摄像头监测的物理世界与仿真建模的数字世界互连，对两者间的行为进行实时动态对比与分析，以仿真建模的数字世界与摄像头监测的物理世界之间平行互动，以虚实互动的方式完成各自未来状况的“借鉴”和“预估”，以仿真计算的疏散方案用于实际人员的疏散，以实际人员的疏散结果来优化疏散方案，通过虚拟世界与现实世界相互补充，协调演化，实现动态疏散诱导救援指挥。
具体的，请参阅图1和图2，图1是基于数字孪生的高层建筑应急疏散的总体框架图，图2是本申请实施例的基于数字孪生的高层建筑应急疏散方法的流程图。本申请实施例的基于数字孪生的高层建筑应急疏散方法包括以下步骤：
步骤100：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤100中，数字世界即对物理世界数字化，采用三维建模技术建立一个与现实场景相一致的场景虚拟模型。数字世界构建方式具体为：首先从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点等创建GIS(GeographicInformation System，地理信息系统)特征层；然后通过ArcGIS处理GIS特征层，通过ArcScene创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
步骤200：根据历史人员疏散数据进行人员时空分布预测，采用基于时空图卷积网络的深度学习模型计算未来若干个时段内的人流预测值；
步骤200中，人员分布取决于人员疏散行为，带有随机性和不确定性。考虑到实际疏散过程中人员时间空间的随机性，本申请首先通过监控视频分析、WIFI探针等方式获取现实场景的历史人员疏散数据，分析实际人员疏散的变化规律，根据分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度等影响因素，采用基于时空图卷积网络的深度学习模型计算未来若干个时段内的人流预测值。
如图3所示，为人员疏散数据的时空结构图。每个时间片为一个空间图G，节点和边的深浅代表了电梯/楼梯人口分布、疏散通道人流量的大小。从该图中可以看出人流在时空维度上有很强的相关性，因此本申请采用基于时空图卷积网络的深度学习模型在空间维做图卷积、时间维做卷积操作，捕获人员疏散数据的时空特性，建立人员疏散状态预测模型。
如图4所示，为基于时空图卷积网络的深度学习模型结构图。人员疏散数据存在时空相关性，基于时空图卷积网络的深度学习模型输入值是与预测时刻相关联的历史人员疏散数据。其中X1表示秒周期时间序列片段、X2表示分周期时间序列片段、X3表示小时周期时间序列片段；GCN表示空间维对路网拓扑结构做图卷积操作；Conv表示时间维对应节点在不同时间段做卷积操作；FC表示全连接；y1、y2、y3表示模型预测的人流量值；Fusion表示将各个输入时间段的人流量预测值融合；y表示融合后的人流预测值；Loss表示损失函数；Y表示实际的人流量。具体预测过程包括：
步骤201：选取与预测时刻相关联的秒、分、小时周期时间序列片段作为输入；
步骤202：对每个时间序列片段的路网拓扑结构图G做图卷积操作，图卷积算子为：
gθ×GX＝gθ(L)X＝gθ(UΛUT)X＝Ugθ(Λ)UTX (1)
上式中，gθ表示卷积核，G表示拓扑图，图卷积采用谱图的方法，所以一个图用其对应的拉普拉斯矩阵L来表示，通过分析拉普拉斯矩阵及其特征值就可以得到图结构的性质。对拉普拉斯矩阵进行特征分解L＝UΛUT，U是傅里叶的基，Λ是L特征值组成的对角矩阵。
步骤203：对每个节点的时间维做卷积操作，捕获时间维特征，节点的信息被该节点相邻时间片信息更新；
步骤204：经过多层时间维与空间维的卷积后，再通过全连接操作使时空卷积的结果与预测目标维数一致；
步骤205：将秒、分、小时周期的输出结果进行融合，得出最终的人流预测值。
步骤300：根据人员时空分布预测数据及人流预测值进行疏散仿真，并根据疏散仿真结果等评价指标构建疏散预案评价模型；
步骤300中，疏散预案评价模型的评价指标主要来自疏散仿真的结果分析、特大火灾事故疏散案例研究分析和与疏散预案评价相关的研究成果和文献。在一套完整的评价指标集的基础上，建立具有权重和层次的评价指标体系，然后确定每个指标的权值，最终建立疏散预案评价模型。
步骤400：根据人员时空分布预测数据生成多个疏散预案，并通过疏散预案评价模型对多个疏散预案进行风险、可行性和效能评价，选择时间序列的最优疏散预案；
步骤400中，多个疏散预案生成方式具体为：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成多个疏散预案；多个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
步骤500：采用Socket等通讯技术将物理世界中实时监测到的人员位置信息、楼梯/电梯信息、疏散通道等数据实时传输至数字世界，建立物理世界与数字世界的虚实融合及动态交互；
步骤500中，通过终端实现数字世界与实际疏散场景的动态交互。数字世界中智能体的初始位置由现实场景疏散前视频监测的数据确定，摄像头监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；在疏散过程中，摄像头实时监测现实场景中的人员位置信息、楼梯/电梯信息、疏散通道等客体信息，并通过Socket等通信技术将数据传至数字世界中，使得孪生数字世界可以实时、准确获取物理客体的信息，进行疏散网络的动态路径规划。
步骤600：根据疏散预案评价模型生成的最优疏散预案对物理世界进行人员疏散，并根据疏散结果对疏散预案评价模型的评价指标或参数进行修正，生成最优疏散路径，并将最优疏散路径发送给疏散人员进行动态疏散诱导；
步骤600中，依据疏散预案评价模型和实时监测的客体信息进行实时计算与分析，首先，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；然后，通过Bellman-Ford、Dijkstra、SPFA等单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径，并通过通信技术将最优疏散路径传输至疏散人员的手机终端，疏散人员根据最优疏散路径进行疏散，实现动态应急疏导及救援指挥。当实际人员疏散状态与疏散预案评价模型生成的疏散预案存在误差时，对疏散预案评价模型的评估方式或参数进行及时的修正，使得新一轮的评价更加科学、合理，以减少差别，如此迭代对疏散预案进行动态优化，使人员疏散效果到达最优。在疏散过程中，如果实际疏散路径发生变化，例如拥堵或堵塞，数字世界则会根据实时的客体数据重新规划疏散路径，实现动态应急诱导及救援指挥，解决“事前模型”的仿真结果无法应对实际不确定问题的局限性，最大程度减少伤亡减轻损失。
步骤700：基于实际环境进行测试验证及应用，通过虚实互动的方式对实际人员疏散进行有效地控制与管理，实现动态疏导及救援指挥。
图5是本申请实施例的基于数字孪生的高层建筑应急疏散系统的结构示意图。本申请实施例的基于数字孪生的高层建筑应急疏散系统包括数字世界建模模块、人员分布预测模块、疏散模型构建模块、疏散方案生成模块、虚实融合模块和疏散优化模块。
数字世界建模模块：用于采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；其中，数字世界即对物理世界数字化，采用三维建模技术建立一个与现实场景相一致的场景虚拟模型。数字世界构建方式具体为：首先从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点等创建GIS(GeographicInformation System，地理信息系统)特征层；然后通过ArcGIS处理GIS特征层，通过ArcScene创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
人员分布预测模块：用于根据历史人员疏散数据进行人员时空分布预测，采用基于时空图卷积网络的深度学习模型计算未来若干个时段内的人流预测值；其中，人员分布取决于人员疏散行为，带有随机性和不确定性。考虑到实际疏散过程中人员时间空间的随机性，本申请首先通过监控视频分析、WIFI探针等方式获取现实场景的历史人员疏散数据，分析实际人员疏散的变化规律，根据分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度等影响因素，采用基于时空图卷积网络的深度学习模型计算未来若干个时段内的人流预测值。
如图3所示，为人员疏散数据的时空结构图。每个时间片为一个空间图G，节点和边的深浅代表了电梯/楼梯人口分布、疏散通道人流量的大小。从该图中可以看出人流在时空维度上有很强的相关性，因此本申请采用基于时空图卷积网络的深度学习模型在空间维做图卷积、时间维做卷积操作，捕获人员疏散数据的时空特性，建立人员疏散状态预测模型。
如图4所示，为基于时空图卷积网络的深度学习模型结构图。人员疏散数据存在时空相关性，基于时空图卷积网络的深度学习模型输入值是与预测时刻相关联的历史人员疏散数据。其中X1表示秒周期时间序列片段、X2表示分周期时间序列片段、X3表示小时周期时间序列片段；GCN表示空间维对路网拓扑结构做图卷积操作；Conv表示时间维对应节点在不同时间段做卷积操作；FC表示全连接；y1、y2、y3表示模型预测的人流量值；Fusion表示将各个输入时间段的人流量预测值融合；y表示融合后的人流预测值；Loss表示损失函数；Y表示实际的人流量。具体预测过程包括：
1、选取与预测时刻相关联的秒、分、小时周期时间序列片段作为输入；
2、对每个时间序列片段的路网拓扑结构图G做图卷积操作，图卷积算子为：
gθ×GX＝gθ(L)X＝gθ(UΛUT)X＝Ugθ(Λ)UTX (1)
上式中，gθ表示卷积核，G表示拓扑图，图卷积采用谱图的方法，所以一个图用其对应的拉普拉斯矩阵L来表示，通过分析拉普拉斯矩阵及其特征值就可以得到图结构的性质。对拉普拉斯矩阵进行特征分解L＝UΛUT，U是傅里叶的基，Λ是L特征值组成的对角矩阵。
3、对每个节点的时间维做卷积操作，捕获时间维特征，节点的信息被该节点相邻时间片信息更新；
4、经过多层时间维与空间维的卷积后，再通过全连接操作使时空卷积的结果与预测目标维数一致；
5、将秒、分、小时周期的输出结果进行融合，得出最终的人流预测值。
疏散模型构建模块：用于根据人员时空分布预测数据及人流预测值进行疏散仿真，并根据疏散仿真结果等评价指标构建疏散预案评价模型；其中，疏散预案评价模型的评价指标主要来自疏散仿真的结果分析、特大火灾事故疏散案例研究分析和与疏散预案评价相关的研究成果和文献。在一套完整的评价指标集的基础上，建立具有权重和层次的评价指标体系，然后确定每个指标的权值，最终建立疏散预案评价模型。
疏散方案生成模块：用于根据人员时空分布预测数据生成多个疏散预案，并通过疏散预案评价模型对多个疏散预案进行风险、可行性和效能评价，选择时间序列的最优疏散预案；其中，多个疏散预案生成方式具体为：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成多个疏散预案；多个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
虚实融合模块：用于采用Socket等通讯技术将物理世界中实时监测到的人员位置信息、楼梯/电梯信息、疏散通道等数据实时传输至数字世界，建立物理世界与数字世界的虚实融合及动态交互；其中，通过终端实现数字世界与实际疏散场景的动态交互。数字世界中智能体的初始位置由现实场景疏散前视频监测的数据确定，摄像头监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；在疏散过程中，摄像头实时监测现实场景中的人员位置信息、楼梯/电梯信息、疏散通道等客体信息，并通过Socket等通信技术将数据传至数字世界中，使得孪生数字世界可以实时、准确获取物理客体的信息，进行疏散网络的动态路径规划。
疏散优化模块：用于根据疏散预案评价模型生成的最优疏散预案对物理世界进行人员疏散，并根据疏散结果对疏散预案评价模型的评价指标或参数进行修正，生成最优疏散路径，并将最优疏散路径发送给疏散人员进行动态疏散诱导；其中，依据疏散预案评价模型和实时监测的客体信息进行实时计算与分析，首先，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；然后，通过Bellman-Ford、Dijkstra、SPFA等单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径，并通过通信技术将最优疏散路径传输至疏散人员的手机终端，疏散人员根据最优疏散路径进行疏散，实现动态应急疏导及救援指挥。当实际人员疏散状态与疏散预案评价模型生成的疏散预案存在误差时，对疏散预案评价模型的评估方式或参数进行及时的修正，使得新一轮的评价更加科学、合理，以减少差别，如此迭代对疏散预案进行动态优化，使人员疏散效果到达最优。在疏散过程中，如果实际疏散路径发生变化，例如拥堵或堵塞，数字世界则会根据实时的客体数据重新规划疏散路径，实现动态应急诱导及救援指挥，解决“事前模型”的仿真结果无法应对实际不确定问题的局限性，最大程度减少伤亡减轻损失。本申请基于实际环境进行测试验证及应用，通过虚实互动的方式对实际人员疏散进行有效地控制与管理，实现动态疏导及救援指挥。
图6是本申请实施例提供的基于数字孪生的高层建筑应急疏散方法的硬件设备结构示意图。如图6所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图6中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化。
本申请实施例的基于数字孪生的高层建筑应急疏散方法、系统及电子设备通过采用数字孪生技术进行高层建筑人群动态疏散，以仿真建模的数字世界与摄像头监测的物理世界之间平行互动，以仿真计算的疏散方案用于实际人员的疏散，以实际人员的疏散结果来优化仿真软件的疏散方案，通过虚拟世界与现实世界相互补充，协调演化，实现动态疏散诱导救援指挥。与现有技术相比，本发明具有如下优点：
(1)将数字孪生技术应用于高层建筑应急疏散上，建立物理世界和数字世界，通过虚实互动方式，协同演进，解决了物理世界中突现性、不稳定性、非线性、不确定性的问题。
(2)基于视频监控实时监测物理世界中的场景，当实际疏散节点状况发生变化，如拥堵或堵塞，则需要进行动态疏散仿真分析生成实时最优疏散方案，进而实现动态应急诱导及救援指挥，解决“事前模型”的仿真结果无法应对实际不确定问题的局限性。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于数字孪生的高层建筑应急疏散方法，其特征在于，包括以下步骤：
步骤a：采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
步骤b：通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
步骤c：根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
步骤d：所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
步骤e：采用Socket建立物理世界与数字世界的虚实融合及动态交互，并采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化；
在所述步骤e中，所述采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化具体包括：
步骤e1：采用Socket将物理世界中摄像头实时监测到的人员位置信息、楼梯信息、电梯信息、疏散通道数据实时传输至数字世界；其中，所述物理世界中摄像头实时监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；
步骤e2：依据所述疏散预案评价模型和实时监测的人员位置信息、楼梯信息、电梯信息、疏散通道数据进行实时计算与分析，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；通过单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径；
步骤e3：将所述最优疏散路径发送给疏散人员进行动态疏散；
步骤e4：根据人员疏散结果对疏散预案评价模型的评价指标或参数进行修正；
步骤e5：判断实际疏散路径是否发生变化，如果实际疏散路径发生变化，所述疏散预案评价模型根据实时监测的人员位置信息、楼梯信息、电梯信息、疏散通道数据重新规划疏散路径。
2.根据权利要求1所述的基于数字孪生的高层建筑应急疏散方法，其特征在于，在所述步骤a中，所述建立与物理世界孪生的数字世界具体为：从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点创建GIS特征层；处理所述GIS特征层，创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
3.根据权利要求2所述的基于数字孪生的高层建筑应急疏散方法，其特征在于，在所述步骤b中，所述分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据具体包括：获取现实场景的历史人员疏散数据，分析历史人员疏散的变化规律，根据所述变化规律分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度因素，采用基于时空图卷积网络的深度学习模型计算物理世界在未来若干个时段的人流预测值。
4.根据权利要求3所述的基于数字孪生的高层建筑应急疏散方法，其特征在于，在所述步骤d中，所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案具体包括：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成至少两个疏散预案；所述至少两个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
5.一种基于数字孪生的高层建筑应急疏散系统，其特征在于，包括：
数字世界建模模块：用于采用三维建模技术对现实场景进行虚拟建模，建立与物理世界孪生的数字世界；
人员分布预测模块：用于通过所述数字世界分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据；
疏散模型构建模块：用于根据所述人员时空分布预测数据进行疏散仿真，并根据疏散仿真结果构建疏散预案评价模型；
疏散方案生成模块：用于所述疏散预案评价模型根据人员时空分布预测数据生成至少两个疏散预案，并对所述至少两个疏散预案进行评价，选择最优疏散预案；
虚实融合模块：用于采用Socket建立物理世界与数字世界的虚实融合及动态交互；
疏散优化模块：用于采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化；
所述疏散优化模块采用所述最优疏散预案对物理世界进行人员疏散，并根据疏散结果对所述疏散预案评价模型进行优化具体包括：
采用Socket将物理世界中摄像头实时监测到的人员位置信息、楼梯信息、电梯信息、疏散通道数据实时传输至数字世界；其中，所述物理世界中摄像头实时监测到的人员位置信息在数字世界中对应初始化疏散人员的位置信息；
依据所述疏散预案评价模型和实时监测的人员位置信息、楼梯信息、电梯信息、疏散通道数据进行实时计算与分析，以人员位置作为源节点、电梯与楼道作为中间节点、室外安全区作为目的节点、疏散路径作为网络图的弧，构建疏散网络图；通过单源路径算法搜索出人员当前位置到室外安全区的最短疏散路径，将该最短疏散路径作为最优疏散路径；
将所述最优疏散路径发送给疏散人员进行动态疏散；
根据人员疏散结果对疏散预案评价模型的评价指标或参数进行修正；
判断实际疏散路径是否发生变化，如果实际疏散路径发生变化，所述疏散预案评价模型根据实时监测的人员位置信息、楼梯信息、电梯信息、疏散通道数据重新规划疏散路径。
6.根据权利要求5所述的基于数字孪生的高层建筑应急疏散系统，其特征在于，所述数字世界建模模块建立与物理世界孪生的数字世界具体为：从现实场景的CAD平面图中提取高层建筑，为高层建筑中的楼层、房间、室内路径和出口点创建GIS特征层；处理所述GIS特征层，创建高层建筑的三维模型和拓扑结构，并将创建好的三维模型导入仿真软件中，建立对应的数字世界。
7.根据权利要求6所述的基于数字孪生的高层建筑应急疏散系统，其特征在于，所述人员分布预测模块分析历史人员疏散数据，并根据分析结果预测物理世界的人员时空分布数据具体为：获取现实场景的历史人员疏散数据，分析历史人员疏散的变化规律，根据所述变化规律分析结果预测人员时空分布数据，并根据过去若干个时段内人流数据的时间、空间变化情况，结合疏散过程中存在的障碍物、烟气、温度因素，采用基于时空图卷积网络的深度学习模型计算物理世界在未来若干个时段的人流预测值。
8.根据权利要求7所述的基于数字孪生的高层建筑应急疏散系统，其特征在于，所述疏散方案生成模块根据人员时空分布预测数据生成至少两个疏散预案具体包括：根据建筑设计容量和人员密度计算各个楼层的人员荷载，并根据实际楼梯最大容量和电梯最大荷载量生成至少两个疏散预案；所述至少两个疏散预案包括：仅使用疏散楼梯进行人员疏散；采用楼梯与消防电梯相结合进行疏散；使用楼梯、消防电梯和高区电梯相结合进行疏散；采用楼梯、消防电梯、高区电梯和低区电梯相结合进行疏散。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至4任一项所述的基于数字孪生的高层建筑应急疏散方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021687.6A CN110929378B (zh) | 2019-10-25 | 2019-10-25 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021687.6A CN110929378B (zh) | 2019-10-25 | 2019-10-25 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110929378A CN110929378A (zh) | 2020-03-27 |
| CN110929378B true CN110929378B (zh) | 2024-03-19 |
Family
ID=69849797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911021687.6A Active CN110929378B (zh) | 2019-10-25 | 2019-10-25 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929378B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723469A (zh) * | 2020-05-25 | 2020-09-29 | 贵州华泰智远大数据服务有限公司 | 一种基于孪生数据的数字画像建模方法及系统 |
| CN111667586A (zh) * | 2020-06-09 | 2020-09-15 | 中亿丰建设集团股份有限公司 | 基于数字孪生的建筑信息数据处理方法及系统 |
| CN111814338B (zh) * | 2020-07-13 | 2024-03-29 | 广东工业大学 | 一种建筑物疏散路径生成方法、系统及设备 |
| CN112084675B (zh) * | 2020-09-17 | 2024-05-07 | 南方电网科学研究院有限责任公司 | 一种gis设备的数字孪生体的构建方法、装置及存储介质 |
| CN113283769A (zh) * | 2021-06-03 | 2021-08-20 | 上海宝信数据中心有限公司 | 一种基于数字孪生技术的应急调度系统及应急调度方法 |
| CN113570958B (zh) * | 2021-08-05 | 2022-05-17 | 清华大学 | 一种模拟行人疏散的人控机器人平台 |
| CN114419835A (zh) * | 2021-11-30 | 2022-04-29 | 广州欧科信息技术股份有限公司 | 一种基于数字孪生技术的历史建筑火灾监测方法及系统 |
| CN114444276B (zh) * | 2022-01-10 | 2024-01-09 | 湖北国际物流机场有限公司 | 可溯源的机场虚拟映射现实方法 |
| CN114330024A (zh) * | 2022-01-18 | 2022-04-12 | 江苏有熊安全科技有限公司 | 一种基于数字孪生的消防演练方法与系统 |
| CN114781696B (zh) * | 2022-03-30 | 2024-04-16 | 西安电子科技大学 | 一种面向城市路网的无模型事故影响范围预测方法 |
| CN115248982B (zh) * | 2022-09-21 | 2022-12-06 | 华北科技学院(中国煤矿安全技术培训中心) | 一种基于物联网的人员密集区域安全风险监控方法及系统 |
| CN115775055B (zh) * | 2023-02-10 | 2023-04-28 | 西南交通大学 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
| CN117436774A (zh) * | 2023-12-19 | 2024-01-23 | 广东广宇科技发展有限公司 | 基于数字孪生的高层建筑多目标协同消防应急处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317637A (zh) * | 2014-10-16 | 2015-01-28 | 安徽理工大学 | 基于多智能体的虚拟矿工安全行为建模及应急仿真系统 |
| CN107679275A (zh) * | 2017-08-31 | 2018-02-09 | 中国建筑第八工程局有限公司 | 一种基于bim技术的消防逃生疏散模拟方法 |
| CN109872509A (zh) * | 2019-04-02 | 2019-06-11 | 西安邮电大学 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
| KR101996177B1 (ko) * | 2018-07-09 | 2019-07-03 | 서울시립대학교 산학협력단 | Bim/gis 통합 정보 제공 방법 및 장치, 그리고 이를 이용하는 시스템 |
-
2019
- 2019-10-25 CN CN201911021687.6A patent/CN110929378B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317637A (zh) * | 2014-10-16 | 2015-01-28 | 安徽理工大学 | 基于多智能体的虚拟矿工安全行为建模及应急仿真系统 |
| CN107679275A (zh) * | 2017-08-31 | 2018-02-09 | 中国建筑第八工程局有限公司 | 一种基于bim技术的消防逃生疏散模拟方法 |
| KR101996177B1 (ko) * | 2018-07-09 | 2019-07-03 | 서울시립대학교 산학협력단 | Bim/gis 통합 정보 제공 방법 및 장치, 그리고 이를 이용하는 시스템 |
| CN109872509A (zh) * | 2019-04-02 | 2019-06-11 | 西安邮电大学 | 基于数字孪生驱动的山体地质灾害监测与预警系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高层建筑火灾人员疏散风险监测的研究;汤华清;;消防科学与技术(第06期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110929378A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929378B (zh) | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 | |
| Peng et al. | A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks | |
| Veeraswamy et al. | The simulation of urban-scale evacuation scenarios with application to the Swinley forest fire | |
| Chen et al. | The application of geometric network models and building information models in geospatial environments for fire-fighting simulations | |
| Kurdi et al. | Effect of exit placement on evacuation plans | |
| Gu et al. | A metaverse-based teaching building evacuation training system with deep reinforcement learning | |
| Wu et al. | 3D spatial information for fire-fighting search and rescue route analysis within buildings | |
| KR102375246B1 (ko) | 재난상황을 대비한 지능형 대피 유도 시스템 | |
| CN103279800A (zh) | 基于博弈论的大规模人群疏散最优逃生路线生成方法 | |
| Bayat et al. | Modeling of emergency evacuation in building fire | |
| Ding et al. | Intelligent emergency digital twin system for monitoring building fire evacuation | |
| Chang et al. | Emergency evacuation planning via the point of view on the relationship between crowd density and moving speed | |
| Song et al. | A grid-based spatial data model for the simulation and analysis of individual behaviours in micro-spatial environments | |
| Wang et al. | Applied artificial bee colony optimization algorithm in fire evacuation routing system | |
| Jahangiri et al. | Modeling and assessment of crossing elimination for no-notice evacuations | |
| Guo et al. | Simulation-based multi-objective optimization towards proactive evacuation planning at metro stations | |
| Jiang et al. | Status quo and challenges and future development of fire emergency evacuation research and application in built environment | |
| Du et al. | Multi-agent based simulation of elderly egress process and fall accident in senior apartment buildings | |
| CN115775055A (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 | |
| WO2021073046A1 (zh) | 一种平行智能应急协同方法、系统及电子装备 | |
| Sun et al. | Study on safe evacuation routes based on crowd density map of shopping mall | |
| Ünal et al. | Generating emergency evacuation route directions based on crowd simulations with reinforcement learning | |
| Jiang et al. | Emergency evacuation based on long range communication technology | |
| Huyen et al. | Navigating emergency crowd evacuation using mas-gig model | |
| JP2017224201A (ja) | シミュレーションプログラム、シミュレーション方法およびシミュレーション装置 |
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 |