CN112199882A - 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 - Google Patents
一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 Download PDFInfo
- Publication number
- CN112199882A CN112199882A CN202011286185.9A CN202011286185A CN112199882A CN 112199882 A CN112199882 A CN 112199882A CN 202011286185 A CN202011286185 A CN 202011286185A CN 112199882 A CN112199882 A CN 112199882A
- Authority
- CN
- China
- Prior art keywords
- fire
- evacuation
- building
- people
- pedestrian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000008569 process Effects 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 title claims abstract description 38
- 230000007480 spreading Effects 0.000 claims description 31
- 239000002245 particle Substances 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Architecture (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Fire Alarms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种火灾下人员疏散过程模拟方法、疏散预警方法及系统,该疏散预警方法通过检测火灾源头获取相应的样本,并提示人员根据样本对应的疏散路线进行疏散。样本由火灾下人员疏散过程模拟方法得出,该模拟方法在模拟过程中综合考虑建筑火灾蔓延、结构失效和人员疏散之间的相关性,根据预设的火灾源头模拟出该火灾源头对应的疏散路线。本发明中采用的疏散路线根据实际模拟情况得出,考虑了火灾蔓延的风险不确定性、结构失效的抗力不确定性以及人员疏散的环境不确定性,可提升实时疏散效率和结构失效不确定下的人员安全,尤其是消防救援人群的安全。
Description
技术领域
本发明涉及建筑楼宇应急安全管理领域,具体涉及一种火灾下人员疏散过程模拟方法、疏散预警方法及系统。
背景技术
人员疏散预警系统旨在第一时间分析灾害事件下人员疏散的过程特征和结果特征,通过理论和模拟提出预警指标和手段,为人员紧急逃生提供现场管控的依据和思路。
针对火灾下的人员疏散方法和系统,部分现有技术采用传感器探测火源位置、预测火势蔓延路径并规划疏散逃生路线;部分现有技术基于数字孪生技术,建立物理世界与数字世界的交互并生成最优疏散预案;部分现有技术采用三维可视化建模,通过火灾报警终端规划更新逃生路径,结合人员移动设备进行导航指引。现有技术中的人员疏散预警系统存在以下问题:
一方面,现有技术针对火灾下的人员疏散提出的方法及系统,大多采用各类传感器定位火源位置、预测火势蔓延,数据的采集和处理依赖于火灾本身发展的情况,技术方法上较为单一,对传感器的准确度要求也较高,同时并不能在火灾发生时根据可能的火灾蔓延情况,实时得到人员疏散预警的结果。
另一方面,现有技术大多关注疏散路径、疏散策略的获取,忽略了火灾蔓延不确定性、结构失效不确定性对人员疏散过程和结果的影响,与实际情况相差巨较大;同时由于现有计算能力的限制,建筑内的人员疏散仿真模拟通常需要较长时间,无法在灾害发生下得到实时的结果,因此现有技术下缺乏一种疏散预警系统,能对实时灾害下的人员疏散进行管控指导。
发明内容
本发明的目的是根据上述现有技术的不足之处,提供一种火灾下人员疏散过程模拟方法、疏散预警方法及系统,该系统通过疏散过程模拟方法得到各可能的起火点对应的疏散路线,在模拟过程中考虑火灾蔓延的随机性和结构失效的不确定性,最终得到的疏散路线更加符合实际情况,解决了现有技术中忽略了火灾蔓延不确定性、结构失效不确定性的问题。
本发明目的实现由以下技术方案完成:
一种火灾下人员疏散过程模拟方法,其包括:
(S1)分析并确定可能的火灾源头,根据火灾源头的位置预测其在建筑物内部的蔓延情况;
(S2)根据火灾的蔓延情况预测建筑物的结构失效情况;
(S3)采用基于二维元胞自动机的地面场行人动力学模型对火灾情况下的疏散过程进行模拟;模拟过程中由建筑的出口情况建立静态场,将人群相互作用作为动态场,将火灾蔓延区域作为具有排斥作用的火灾场,将建筑物的结构失效区域作为具有排斥作用的结构场;模拟完成后根据人群中各人员的逃生所需时间得到疏散可靠性指标以及疏散路线。
本发明的进一步改进在于:采用火灾蔓延的贝叶斯网络模型对建筑物内部的火灾蔓延情况进行预测;预测过程中,根据火灾源头的位置、火源大小、隔间火荷载以及隔间火灾蔓延薄弱点预测火灾在建筑物的各隔间之间的蔓延概率。
本发明的进一步改进在于:步骤(S2)中,采用有限元分析的方法根据建筑物内部的火灾蔓延情况得出建筑物内的温度分布,并计算出建筑物中抗力大于荷载的位置区域作为结构失效区域。
本发明的进一步改进在于:步骤(S3)中,考虑火灾蔓延的随机性和结构失效的不确定性对人员疏散的影响,将建筑物出口作为具有吸引作用的静态场;模拟过程中将人群中的各人员作为行人粒子,模拟各所述行人粒子在元胞之间的运动过程,直到各所述行人粒子移动到建筑物的出口;行人粒子的逃生所需时间为从开始疏散到移动建筑物出口所花费的时间。
本发明的进一步改进在于:计算所述疏散可靠性指标的过程中,统计各人员的逃生所需时间,分别计算逃生所需时间的概率密度分布和累计概率分布,疏散可靠度指标为:
其中:,tp为概率密度分布峰值对应的逃生所需时间,tt为累积概率达到90%时对应的逃生所需时间。
本发明的进一步改进在于:获取疏散路线的过程时,根据各行人粒子的移动轨迹得到该行人粒子初始位置处的疏散路线。
本发明还包括一种火灾下人员疏散预警方法,其包括:
(S1)采用上述的火灾下人员疏散过程模拟方法,获取多数量的样本;每个样本针对一种火灾源头和蔓延场景,并获取该样本的疏散可靠性指标以及建筑物中各位置的疏散路线;
(S2)检测建筑物内部的火灾源头,检测到火灾源头后,调用匹配度最高的火灾源头位置及蔓延场景的样本及该样本对应的疏散路线,并通过消防应急设备提示建筑物内部的人员按照预定的疏散路线进行疏散。
本发明的进一步改进在于:步骤(S2)中,采用YOLO模型从监控视频中检测火灾源头。
本发明还包括一种火灾下人员疏散预警系统,其包括:
多数量的摄像头,分布安装在建筑物内部,用于获取监控视频;
服务器,与各所述摄像头通信连接,用于执行权利要求7或8所述的火灾下人员疏散预警方法;
消防应急设备,分布安装在建筑物内部,与所述服务器通信连接,被配置为在所述服务器的控制下通过声光信号提示疏散路线。
本发明的优点是:本方发明中采用的疏散路线根据实际模拟情况得出,考虑了火灾蔓延的风险不确定性、结构失效的抗力不确定性以及人员疏散的环境不确定性,可提升实时疏散效率和保证结构失效不确定下的人员安全,尤其是消防救援人群的安全。
附图说明
图1为火灾下人员疏散实时预警系统的原理图;
图2为YOLO模型的神经网络模型结构图;
图3为火灾蔓延场景下局部结构失效倒塌的有限元模型示意图;
图4为人员疏散的元胞自动机“地面场”模型的示意图;
图5为人员疏散可靠度指标Rs的示意图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明,以便于同行业技术人员的理解:
实施例:如图1所示,本发明的实施例包括一种火灾下人员疏散过程模拟方法,该方法包括以下步骤:
(S1)分析并确定可能的火灾源头,根据火灾源头的位置预测其在建筑物内部的蔓延情况;分析并确定可能的火灾源头的过程中,可将具有火灾荷载(可燃物)或具有起火因素(隔间内有大功率电器、有烟民活动等情况)的隔间作为可能的火灾源头;
(S2)根据火灾的蔓延情况预测建筑物的结构失效情况;
(S3)采用基于二维元胞自动机的地面场行人动力学模型对火灾情况下的疏散过程进行模拟;模拟过程中将建筑物出口作为具有吸引作用的静态场,将人群相互作用作为动态场,将火灾蔓延区域作为具有排斥作用的火灾场,将建筑物的结构失效区域作为具有排斥作用的结构场;模拟完成后根据人群中各人员的逃生所需时间得到疏散可靠性指标以及疏散路线。
上述的步骤(S1)用于模拟火灾蔓延的不确定性,该不确定性主要体现在两点:风险不确定性(火荷载、通风条件、隔间尺寸、隔间材料)以及场景不确定性(起火位置、空气温度、蔓延区域)。为了实现以上目的,步骤(S1)中采用火灾蔓延的贝叶斯网络模型对建筑物内部的火灾蔓延情况进行预测;预测过程中,根据火灾源头的位置、火源大小、隔间火荷载以及隔间火灾蔓延薄弱点预测火灾在建筑物的各隔间之间的蔓延概率。
具体的,上述过程需要确定建筑物的模型,建筑物的主体结构可通过建筑物的设计图纸得到,通常建筑物包括多个隔间。此外,建筑物的模型中还应该包括火荷载以及隔间薄弱点。比如,办公楼的一个隔间中,书、办公椅、办公桌等易燃物品可作为隔间中的火荷载。隔间的门、窗等薄弱点可作为隔间薄弱点。
火灾荷载和隔间薄弱点可通过机器视觉的方式进行识别。例如通过机器人自动扫描目标建筑的各个隔间内的图像,并通过YOLO模型识别建筑物中的火荷载和隔间薄弱点。YOLO模型[1][2为卷积神经网络模型,可进行多尺度特征实现目标检测,模型结构如图2所示。
在使用YOLO模型之前需要对模型进行训练,训练过程中需要定义了目标类别后,收集对应目标类的数据并进行标注,制作相应的数据集,局部修改YOLO模型源码,并基于预训练模型进行目标类模型的训练。本实施例中,识别模型包括火灾源头识别、火荷载识别、火灾蔓延薄弱点识别。
根据建筑物的模型以及各隔间的火荷载以及隔间薄弱点可建立火灾蔓延的动态贝叶斯网络模型,该模型中火灾从隔间A蔓延至隔间B的概率[3]为:
P(b|a)=P(b|b')Pig(b'|a)
Pig(b'|a)=P(b'|a)P(a)
其中,P(b|a)为火灾从隔间A蔓延至隔间B的概率,P(b|b')为是火灾在隔间B从引燃到全面发展的概率,Pig(b'|a)为隔间B由于隔间A的热传递而被引燃的概率,P(b'|a)为隔间A和B之间的防火失效的概率,P(a)为隔间A火灾全面发展的概率。
该模拟过程可以得到火灾蔓延到各个隔间的概率,通过选取概率区间(例如概率大于80%表示该隔间被火灾蔓延到的概率较大),可以得到与起火点对应的典型火灾蔓延情况。
该火灾蔓延的动态贝叶斯网络模型可以帮助建筑楼宇在运维阶段对多种火灾场景进行基于概率的预测,形成近似现实情况的火灾场景库,用于结构失效分析和人员疏散分析。该模拟过程充分考虑了火灾蔓延的不确定性,同时该模拟过程还可根据建筑物内部的实际情况确定火荷载和隔间薄弱点,预测得到的火灾蔓延情况更贴近建筑物内部的实际情况。
上述步骤(S2)用于模拟结构失效的抗力不确定性(主被动防火、结构升温、强度刚度退化)以及荷载不确定性(内力重分布)。该步骤采用有限元分析的方法根据建筑物内部的火灾蔓延情况得出建筑物内的温度分布,并计算出建筑物中抗力大于荷载的位置区域作为结构失效区域。建筑结构在火灾下的失效模式可分为以下类型:节点失效、非主要受力构件失效、主要受力构件失效、局部结构失效和整体结构失效,本质上反映的是抗力R和荷载S之间的关系,当荷载效应大于抗力时出现结构失效。应用现有的通用有限元分析软件Ansys计算火灾场景下结构的温度分布,以及非线性结构分析有限元LS-DYNA程序,计算模拟火灾场景下结构是否会产生失效,以及失效产生的时间。图3为某建筑在某一火灾蔓延场景下出现局部结构倒塌的示例图。结合基于火灾蔓延的贝叶斯网络模型而形成的建筑楼宇火灾场景库,建立可能产生的火灾场景下结构失效仿真模型库。当真实火灾出现时,首先在火灾场景库中匹配相似度最高的火灾场景,同时调用相应的结构失效模型,为火灾灾害发生时的实时预判提供强有力的科学支撑。
上述步骤(S3)会考虑火灾蔓延的随机性和结构失效的不确定性对人员疏散的影响,为了实现该目的,本实施例中采用二维元胞自动机的地面场行人动力学模型对疏散过程进行模拟。该过程中,将建筑物出口作为具有吸引作用的静态场;模拟过程中将人群中的各人员作为行人粒子,模拟各所述行人粒子在元胞之间的运动过程,直到各所述行人粒子移动到建筑物的出口;行人粒子的逃生所需时间为从开始疏散到移动建筑物出口所花费的时间。本实施例中,获取疏散路线的过程中,根据各行人粒子的移动轨迹得到该行人粒子初始位置处的疏散路线,从而得到建筑物中各处的疏散路线。
本发明采用的人员疏散仿真算法,旨在进行火灾下的人员疏散仿真模拟和疏散模式的判断。基于二维元胞自动机的“地面场”行人动力学模型[4],除了原模型中体现出口吸引作用的静态场和体现人群相互作用的动态场,本实施例引入了体现火灾温度烟气排斥作用的火灾场和体现结构失效区域排斥作用的结构场,模型可以模拟人群运动受到的各种不确定性因素的影响。行人中心元胞(0,0)运动到未被占用的相邻元胞(i,j)的转移概率为:
pij=Nexp(βJsΔs(i,j))exp(βJdΔd(i,j))exp(βJfΔf(i,j))exp(βJstΔst(i,j))(1-nij)dij
其中,i,j=1,-1;N为归一化因数,使得可能的目标元胞转移概率之和∑(i,j)pij=1;β是逆温度系数;Js为静态场参数,反映各人员对环境的熟悉程度;Jd为动态场参数,反映各人员对他人轨迹信息的依赖程度;Jf为火灾场参数,反映各人员对火灾温度烟气等的感知程度;Jst为结构场参数,反映各人员对建筑结构安全的依赖程度;dij为考虑中心元胞(0,0)中行人粒子来源方向的校正因子;Δs(i,j)、Δd(i,j)、Δf(i,j)和Δst(i,j)分别为静态场、动态场、火灾场和结构场的梯度。图4为基于元胞自动机的人员疏散“地面场”模型的可视化示例。
结合基于火灾蔓延的贝叶斯网络模型建立的火灾场景库和结构失效的有限元模型库,进行考虑火灾蔓延和结构失效不确定性下的人员疏散模拟计算,形成人员疏散预案库,该预案库中每个样本包括火灾源头的位置、火灾蔓延预测结果、建筑物的结构失效区域模拟结果以及建筑物中各位置的疏散路线模拟结果。
另外,疏散模型对建筑楼宇内考虑不确定性影响的人员应急逃生进行仿真,可以得到各人员疏散所需的时间tk,k=1,2,3,…,n。基于数据分布性质,可以判定各人员疏散所需时间服从对数正态分布,即其中对数期望值和对数标准差由后台服务器根据仿真统计数据计算得到,各人员疏散所需时间的概率密度分布和累积概率分布分别为:
定义疏散可靠度指标为:
其中,tp为概率密度分布峰值对应的疏散时间,意味着该时间附近疏散成功的人员最多;tt为累积概率达到90%时对应的疏散时间,意味着该时间附近90%的各人员可以疏散成功。图5为两种典型的案例,Rs≈0.5的案例表明该情景下会出现大量各人员在集中的时间段内疏散成功,虽然群体疏散所需的时间较少,但是易出现拥堵的情况;Rs≈0.1的案例表明各人员所需的疏散时间较为分散,群体疏散所需的时间较长,易出现被困的情况。该指标可以简洁有效地用来衡量灾害下的疏散性能化水平,辅助建筑楼宇应急逃生薄弱点的安全预警和管控。
如图1所示,本发明的实施例还包括一种火灾下人员疏散预警方法,该方法包括以下特征:
(S1)采用上述的火灾下人员疏散过程模拟方法,获取多数量的样本;每个样本针对一种可能的火灾源头位置和蔓延场景,样本需要足够的数量以确保建筑物的每个隔间都有起火点对应的样本。通过上述的火灾下人员疏散过程模拟方法可以得到每个起火点对应的典型火灾蔓延场景、以及各个火灾蔓延场景下的结构失效有限元模型结果库和建筑物中各个位置人员疏散路线库,因此在火灾源头确定的情况下,可获得相应的火灾蔓延场景、结构失效结果以及人员疏散路线。此外,每个样本中还包括该样本的疏散可靠性指标。本实施例中,采用YOLO模型从监控视频中检测火灾源头。
(S2)检测建筑物内部的火灾源头,检测到火灾源头后,调用匹配度最高的火灾源头位置和蔓延场景的样本及相应的疏散路线,即可得到实时的火灾下人员疏散仿真结果,用来辅助应急逃生的安全管控,通过消防应急设备提示建筑物内部的人员按照预定的疏散路线进行疏散。在一个具体实施例中,位于同一隔间中的火灾源头具有最高的匹配度。
本方法的疏散路线根据实际模拟情况得出,充分考虑建筑火灾蔓延、结构失效和人员疏散之间的相关性,还考虑了火灾蔓延的风险不确定性、结构失效的抗力不确定性以及人员疏散的环境不确定性,可提高获取实时疏散仿真结果的效率,提升结构失效不确定下的人员安全,尤其是消防救援人员的安全。
本发明的实施例还包括一种火灾下人员疏散预警系统,其包括:
多数量的摄像头,分布安装在建筑物内部,用于获取监控视频,以便通过视频监控获取起火点。此外,起火点还可通过传统的红外传感器、烟雾传感器等方法监测,也可通过运维人员根据报警信息手动输入;
服务器,与各摄像头以及传感器通信连接,用于执行上述的火灾下人员疏散预警方法;
消防应急设备,分布安装在建筑物内部,与服务器通信连接,被配置为在服务器的控制下通过声光信号提示疏散路线。消防应急设备包括消防应急灯、建筑物内部的广播系统、建筑物内部的广告牌等。
此外,消防人员在救援过程中还可通过服务器获取火灾源头对应的样本。样本中包括火灾蔓延情况的模拟结果、建筑结构失效的模拟结果以及人员疏散路线的模拟结果,以便为救援过程提供参照,实现了提高消防救援人群安全性的目的。上述各模拟结果可通过智能终端进行可视化展示,更加直观高效。
本发明采用卷积神经网络YOLOv3模型进行火源定位以及不确定性数据的采集和分析,针对不同建筑楼宇类型匹配相应的预训练目标识别模型,结合动态贝叶斯网络模型评估火灾蔓延的可能性和区域位置,该部分的技术方法可以减少各类传感器的实时数据传输,提高实时数据的利用率和处理速度,同时有效的对火灾源头进行定位和蔓延场景的预测。
本发明最大的创新点在于提出了一种人员疏散预警系统,通过实时的火灾定位和蔓延的场景预测,匹配火灾场景库(样本库)中相似度最高的火灾场景(火灾源头最近的样本),同时调用相应场景下的结构失效和人员疏散预计算结果,对实时灾害下的安全预警来说有重要的现实意义。该系统既全面地考虑了火灾蔓延、结构失效和人员疏散的不确定性,能做出符合实际情况的模拟计算,又将需要大量时间和计算资源的模型计算部分进行预计算,通过实时火灾定位、蔓延场景预测、场景匹配和结果调用的形式,对实时的火灾灾害进行疏散预警和安全指导。
这样的疏散预警系统,一方面基于可视化的火灾下人员逃生仿真模拟结果,可以指导实时的疏散管控和优化;另一方面考虑结构失效的影响,对人员易被困的疏散模式下,需要消防人员营救的场景来说,可以有效避免消防人员靠近存在结构倒塌可能性的区域,保障消防人员的生命安全。因此,本发明提出的基于火灾蔓延和结构失效不确定性的人员疏散预警系统,对未来建筑楼宇的精细化、智能化发展,尤其是灾害下的应急安全管控来说,具有重要意义。
参考文献:
[1]Redmon J,Farhadi A.Yolov3:An incremental improvement[J].arXivpreprint arXiv:1804.02767,2018.
[2]Jadon A,Omama M,Varshney A,et al.Firenet:A specialized lightweightfire&smoke detection model for real-time iot applications[J].arXiv preprintarXiv:1905.11922,2019.
[3]Cheng H,Hadjisophocleous G V.Dynamic modeling of fire spread inbuilding[J].Fire Safety Journal,2011,46(4):211-224.
[4]BURSTEDDE C,KLAUCK K,SCHADSCHNEIDER A,et al.Simulation ofPedestrian Dynamics Using a Two-Dimensional Cellular Automaton[J].Physica A:Statistical Mechanics and its Applications,2001,295(3-4):507-525.
以上的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种火灾下人员疏散过程模拟方法,其特征在于包括:
(S1)分析并确定可能的火灾源头,根据火灾源头的位置预测其在建筑物内部的蔓延情况;
(S2)根据火灾的蔓延情况预测建筑物的结构失效情况;
(S3)采用基于二维元胞自动机的地面场行人动力学模型对火灾情况下的疏散过程进行模拟;模拟过程中由建筑的出口情况建立静态场,将人群相互作用作为动态场,将火灾蔓延区域作为具有排斥作用的火灾场,将建筑物的结构失效区域作为具有排斥作用的结构场;模拟完成后根据人群中各人员的逃生所需时间得到疏散可靠性指标以及疏散路线。
2.根据权利要求1所述的一种火灾下人员疏散过程模拟方法,其特征在于:采用火灾蔓延的贝叶斯网络模型对建筑物内部的火灾蔓延情况进行预测;预测过程中,根据火灾源头的位置、火源大小、隔间火荷载以及隔间火灾蔓延薄弱点预测火灾在建筑物的各隔间之间的蔓延概率。
3.根据权利要求1所述的一种火灾下人员疏散过程模拟方法,其特征在于:步骤(S2)中,采用有限元分析的方法根据建筑物内部的火灾蔓延情况得出建筑物内的温度分布,并计算出建筑物中抗力大于荷载的位置区域作为结构失效区域。
4.根据权利要求1所述的一种火灾下人员疏散过程模拟方法,其特征在于:步骤(S3)中,考虑火灾蔓延的随机性和结构失效的不确定性对人员疏散的影响,将建筑物出口作为具有吸引作用的静态场;模拟过程中将人群中的各人员作为行人粒子,模拟各所述行人粒子在元胞之间的运动过程,直到各所述行人粒子移动到建筑物的出口;行人粒子的逃生所需时间为从开始疏散到移动建筑物出口所花费的时间。
6.根据权利要求4所述的一种火灾下人员疏散过程模拟方法,其特征在于:获取疏散路线的过程时,根据各行人粒子的移动轨迹得到该行人粒子初始位置处的疏散路线。
7.一种火灾下人员疏散预警方法,其特征在于包括:
(S1)采用权利要求1至6中任一所述的火灾下人员疏散过程模拟方法,获取多数量的样本;每个样本针对一种火灾源头和蔓延场景,并获取该样本的疏散可靠性指标以及建筑物中各位置的疏散路线;
(S2)检测建筑物内部的火灾源头,检测到火灾源头后,调用匹配度最高的火灾源头位置及蔓延场景的样本及该样本对应的疏散路线,并通过消防应急设备提示建筑物内部的人员按照预定的所述疏散路线进行疏散。
8.根据权利要求7所述的一种火灾下人员疏散预警方法,其特征在于,步骤(S2)中,采用YOLO模型从监控视频中检测火灾源头。
9.一种火灾下人员疏散预警系统,其特征在于包括:
多数量的摄像头,分布安装在建筑物内部,用于获取监控视频;
服务器,与各所述摄像头通信连接,用于执行权利要求7或8所述的火灾下人员疏散预警方法;
消防应急设备,分布安装在建筑物内部,与所述服务器通信连接,被配置为在所述服务器的控制下通过声光信号提示疏散路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286185.9A CN112199882B (zh) | 2020-11-17 | 2020-11-17 | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286185.9A CN112199882B (zh) | 2020-11-17 | 2020-11-17 | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112199882A true CN112199882A (zh) | 2021-01-08 |
CN112199882B CN112199882B (zh) | 2022-03-11 |
Family
ID=74034441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011286185.9A Active CN112199882B (zh) | 2020-11-17 | 2020-11-17 | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112199882B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409527A (zh) * | 2021-07-07 | 2021-09-17 | 重庆工程职业技术学院 | 一种用于建筑物的火灾疏散路径规划系统及控制方法 |
CN113920152A (zh) * | 2021-09-14 | 2022-01-11 | 重庆电子工程职业学院 | 基于图像识别的救援路线生成方法 |
CN113947014A (zh) * | 2021-09-15 | 2022-01-18 | 江苏中云筑智慧运维研究院有限公司 | 基于bim的隧道火灾应急救援方法、终端及存储介质 |
CN115775055A (zh) * | 2023-02-10 | 2023-03-10 | 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 |
CN116109014A (zh) * | 2023-04-11 | 2023-05-12 | 广东广宇科技发展有限公司 | 一种城市轨道交通大型换乘站点的模拟消防疏散方法 |
CN116187105A (zh) * | 2023-04-27 | 2023-05-30 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾疏散规划方法及系统 |
CN117273372A (zh) * | 2023-10-13 | 2023-12-22 | 烟台市勘察设计审查服务中心有限责任公司 | 一种人员疏散行动模拟方法、系统、智能终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145213A (zh) * | 2007-10-25 | 2008-03-19 | 中山大学 | 基于扩展bdi模型的人群疏散仿真方法 |
CN103830855A (zh) * | 2014-03-17 | 2014-06-04 | 中国科学技术大学 | 一种针对大型公共建筑的动态消防应急疏散指示系统 |
CN105335588A (zh) * | 2015-12-14 | 2016-02-17 | 北京航空航天大学 | 一种基于拥挤因子的地面场人群疏散模型 |
CN106570811A (zh) * | 2016-11-15 | 2017-04-19 | 同济大学 | 一种基于灾害场势变化的人群疏散方法 |
CN107680303A (zh) * | 2017-10-24 | 2018-02-09 | 上海市建筑科学研究院 | 一种建筑火灾智能疏散系统 |
CN111125903A (zh) * | 2019-12-20 | 2020-05-08 | 武汉科技大学 | 一种用于地铁隧道列车火灾人员疏散可靠度的计算方法 |
-
2020
- 2020-11-17 CN CN202011286185.9A patent/CN112199882B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145213A (zh) * | 2007-10-25 | 2008-03-19 | 中山大学 | 基于扩展bdi模型的人群疏散仿真方法 |
CN103830855A (zh) * | 2014-03-17 | 2014-06-04 | 中国科学技术大学 | 一种针对大型公共建筑的动态消防应急疏散指示系统 |
CN105335588A (zh) * | 2015-12-14 | 2016-02-17 | 北京航空航天大学 | 一种基于拥挤因子的地面场人群疏散模型 |
CN106570811A (zh) * | 2016-11-15 | 2017-04-19 | 同济大学 | 一种基于灾害场势变化的人群疏散方法 |
CN107680303A (zh) * | 2017-10-24 | 2018-02-09 | 上海市建筑科学研究院 | 一种建筑火灾智能疏散系统 |
CN111125903A (zh) * | 2019-12-20 | 2020-05-08 | 武汉科技大学 | 一种用于地铁隧道列车火灾人员疏散可靠度的计算方法 |
Non-Patent Citations (2)
Title |
---|
任文 等: "火灾下建筑结构抗火性能和人员疏散研究", 《防灾减灾工程学报》 * |
华莹: "考虑高层建筑施工现场危险区域影响的人员疏散行为研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409527A (zh) * | 2021-07-07 | 2021-09-17 | 重庆工程职业技术学院 | 一种用于建筑物的火灾疏散路径规划系统及控制方法 |
CN113920152A (zh) * | 2021-09-14 | 2022-01-11 | 重庆电子工程职业学院 | 基于图像识别的救援路线生成方法 |
CN113947014A (zh) * | 2021-09-15 | 2022-01-18 | 江苏中云筑智慧运维研究院有限公司 | 基于bim的隧道火灾应急救援方法、终端及存储介质 |
CN115775055A (zh) * | 2023-02-10 | 2023-03-10 | 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 |
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 |
CN116109014A (zh) * | 2023-04-11 | 2023-05-12 | 广东广宇科技发展有限公司 | 一种城市轨道交通大型换乘站点的模拟消防疏散方法 |
CN116187105A (zh) * | 2023-04-27 | 2023-05-30 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾疏散规划方法及系统 |
CN116187105B (zh) * | 2023-04-27 | 2023-09-26 | 广东广宇科技发展有限公司 | 一种基于数字孪生技术的火灾疏散规划方法及系统 |
CN117273372A (zh) * | 2023-10-13 | 2023-12-22 | 烟台市勘察设计审查服务中心有限责任公司 | 一种人员疏散行动模拟方法、系统、智能终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112199882B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 | |
CN111626350B (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN110209835B (zh) | 一种异常检测方法及装置、计算机存储介质及电子设备 | |
CN111311869B (zh) | 一种基于区域报警模型的消防安全监控方法、系统、云平台 | |
CN104899577B (zh) | 建筑物内的人员数量确定方法和人群疏散方法 | |
CN114689058B (zh) | 基于深度学习和混合遗传算法的火灾疏散路径规划方法 | |
CN111931719B (zh) | 高空抛物检测方法以及装置 | |
CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
Ding et al. | Intelligent emergency digital twin system for monitoring building fire evacuation | |
Abdullah et al. | Toward a smart campus using IoT: framework for safety and security system on a university campus | |
CN111626199A (zh) | 面向大型多人车厢场景的异常行为分析方法 | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
KR102495864B1 (ko) | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
Mwedzi et al. | Machine learning applications for fire detection in a residential building | |
CN117952485A (zh) | 一种基于数字孪生的社区应急方法、装置及介质 | |
CN117180687B (zh) | 一种智慧消防远程监控系统及方法 | |
JP2020024678A (ja) | 航空交通管制電子システムを試験する方法、関連装置及びプラットフォーム | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
CN115775055A (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 | |
Pawar | A multi-disciplinary vision-based fire and smoke detection system | |
Yusuf et al. | An autoregressive exogenous neural network to model fire behavior via a naïve bayes filter | |
Štula et al. | Fuzzy Cognitive Map for decision support in image post-processing | |
JP2020177471A (ja) | 情報共有のためのシステム、ボット、及び方法 | |
CN117933085B (zh) | 一种基于大数据的火灾蔓延模拟模型训练方法及系统 |
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 |