CN112270122B - 一种建筑火灾火源参数反演评估方法 - Google Patents

Abstract

本发明属于火灾反演技术领域，特别提出一种建筑火灾火源参数反演评估方法。该方法首先选取建筑空间及火源参数类型，在该空间内安装传感器用于按设定时间间隔发送探测数据；设定不同火灾场景，利用建筑火灾烟雾扩散模型对每种火灾场景模拟，得到不同火源参数值对应的传感器在每个采样时刻的模拟探测值，对探测值进行预处理后构建数据集；然后建立深度学习序列模型并利用数据集进行训练，训练完毕后得到火源参数反演模型。实际发生火灾时，获取多个时刻传感器实际探测值并进行预处理，然后输入火源参数反演模型，该模型输出火灾的火源参数值的概率分布。本发明有效利用火场探测值的时序性，可准确快速的反演火源位置与着火强度参数。

Description

一种建筑火灾火源参数反演评估方法

技术领域

本发明属于火灾反演技术领域，特别提出一种建筑火灾火源参数反演评估方法。

背景技术

火灾是生产生活中严重威胁生命财产安全的主要灾害之一。现代化建筑结构日益复杂与多样，使得火灾具有突发性、随机性与严重性等特点，对应急救援提出更高的要求。在重要建筑中安装火灾探测系统，将火场火源信息实时提供给应急管理和灭火救援指挥人员，采取有效的应对措施。然而，当前建筑的消防系统仅具有给出火灾报警信号的基本功能，在后续的应急响应中不再发挥作用。若能快速准确的反馈火源位置、着火强度和烟气蔓延等火场火源信息，将极大增加疏散、消防等应对措施的效率。

目前，基于传感器探测值与火灾烟雾扩散模型的方法为火源参数估计提供了一个通用框架，例如卡尔曼滤波(专利CN110162876A)、贝叶斯推断(专利CN102737466A)、遗传算法等。但这些方法应用于非线性较强的多室火源参数反演可能具有以下潜在问题。1)这些方法往往会受到数据量的显著影响，这可能会导致执行时间较长。多室建筑的火灾烟雾扩散模型会产生大量火灾模拟数据，不可避免地会增加算法的复杂度从而降低其效率。2)传感器探测值具有时序性，该特点有助于对火场情况的准确评估。而已有方法只使用单个时间点的探测值，并没有关注探测值背后的时序性。总之，仅利用探测值的传统方法执行时间短，而准确性却无法满足要求，从而导致较高的误报率，同时难以估计着火强度等参数。相反，一些已有的集成探测值与火灾烟雾扩散模型的方法已经达到了较高的精度，但是它们会影响计算时间，这使得难以应用于实际场景。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种建筑火灾火源参数反演评估方法。本发明能够有效利用火场探测值的时序性，结合火灾烟雾蔓延领域知识，准确快速的反演火源位置与着火强度参数。

本发明提出一种建筑火灾火源参数反演评估方法，其特征在于，包括以下步骤：

1)选取待进行火源参数反演的建筑空间；在建筑空间内安装传感器，所述传感器用于按照设定时间间隔发送探测数据；确定待反演的火源参数类型；

2)建立建筑火灾烟雾扩散模型；

在步骤1)选取的建筑空间中设定不同火灾场景，利用建筑火灾烟雾扩散模型对每种火灾场景进行模拟；其中，按照步骤1)设定的火源参数类型设定每种火灾场景下的该火源参数的数值，每个场景模拟一次，将该场景对应的火源参数值输入建筑火灾烟雾扩散模型，该模型输出该火源参数值对应的传感器在每个采样时刻的模拟探测值；

将建筑火灾烟雾扩散模型每次输入的火源参数值和该输入对应的输出结果组成一个火灾场景的原始数据，所有原始数据构成原始数据集；

3)对步骤2)得到的原始数据集中所有原始数据中的探测值进行预处理，具体方法如下：

记任一火灾场景下任一时刻传感器探测值为：

式中，

表示对于火灾场景j，在时刻i传感器的探测值组成的一维数组，x^ji _0m为火灾场景j下在时刻i传感器m的探测值，其中m∈{1,2,…,M}，M为探测器的总数；

首先，将探测值进行稀疏化：

式中，

是火灾场景j下时刻i的稀疏化的探测值；

然后，设定滑动窗口大小为N，则场景j下第g个窗口数据

表示如下：

预处理完毕后，每个原始数据扩展为多个样本，其中每个样本包含该原始数据的火源参数值及对应的任一窗口数据；将所有样本组成数据集，并按照设定比例将该数据集随机划分为训练集和测试集；

4)建立深度学习序列模型，该模型输入为预处理完毕的传感器探测值，输出为火源参数值的概率分布；

利用步骤3)得到的训练集与测试集，迭代训练深度学习序列模型直至模型收敛，得到训练完毕的深度学习序列模型作为火源参数反演模型；

5)基于火场探测值估计火源参数；

当步骤1)的建筑空间实际发生火灾时，每个传感器获取探测值并按照设定时间间隔发送探测值；当获取N个连续时刻的传感器探测值后，将该N个连续时刻的传感器探测值按照步骤3)的方法进行预处理，然后将预处理完毕的传感器探测值输入步骤4)训练完毕的火源参数反演模型，该模型输出火源参数值的概率分布，实现对火源参数的估计。

本发明的特点及有益效果：

本发明将深度学习序列模型应用于火源参数反演领域，该模型利用神经网络较强的自适应学习能力，使得火源位置与着火强度反演的计算效率、准确性与鲁棒性得以提高。

建筑趋向综合、大型化发展，传感器数量日益增多，本发明方法考虑数据量对计算效率的影响，其计算时间并不随着传感器数据量的增多而变长，在极短的时间内能够反演得到火源参数。本发明方法关注传感器探测数据的时序特征，参考前序与后序信息来支持决策，使用早期探测数据能够获得较为准确的火源参数估计。火源位置已知的情况下，通过加入火灾领域知识改进序列模型，进一步提高着火强度的反演准确性。

根据本发明方法，消防系统发出初步火警信号后，对火源位置与着火强度快速估计，自动对火警进行二次确认，特别是对于结构复杂的公共建筑如商场或缺乏长期监管人员的工业建筑如仓库，能够缩短火警确认时间，降低消防系统误报率。本发明得到的火源位置与着火强度，为应急管理和灭火救援指挥人员提供实时的火场信息，还可作为火灾烟雾扩散模型的输入参数，预测火灾未来短时间内的发展趋势，为建筑火灾的应急处置、灭火方案的建立与优化提供依据，提高人员疏散与灭火方案的有效性。本发明方法可以应用于室内室外，当为室外空间或室内大尺寸连续空间时，对空间进行虚拟分区。

附图说明

图1是本发明方法的整体流程图。

图2是本发明实施例的建筑结构示意图。

图3是本发明实施例的准确率与损失随迭代次数的变化示意图。

图4是本发明实施例中使用不同阶段的窗口数据时模型测试准确率示意图。

具体实施方式

本发明提出一种建筑火灾火源参数反演评估方法，下面结合附图及具体实施例对本发明进一步详细说明如下。

本发明提出一种建筑火灾火源参数反演评估方法，整体流程如图1所示，包括以下步骤：

1)选取待进行火源参数反演的建筑空间；

本发明对空间结构无特殊要求，室内或室外空间均可。当为室外空间或室内大尺寸连续空间如大厅时，对空间进行虚拟划分，此时待反演的火源位置为各个虚拟分区。虚拟分区的划分原则是分区的面积不宜超过30平方米；分区内空间连续，不能穿过墙、地板等建筑结构；分区不应交叉重叠。在建筑空间安装能够以一定时间间隔传回探测值的传感器(探测器)。传感器传回探测值的时间间隔推荐不超过10秒，不划分虚拟分区的独立建筑空间或每个虚拟分区至少安装一个传感器。传感器类型可以是温度传感器、烟雾传感器、气体传感器中任一种或多种，传感器类型的选择应符合《火灾自动报警系统设计规范GB50116-2013》的要求。相应地，火灾探测值为温度、烟雾浓度、气体浓度中的一种或多种。本实施例采用的是温度传感器。根据实际需求确定待反演的火源参数类型，本实施例选用的火源参数为火源位置与着火强度(热释放速率)。

本方法的反演评估效果可能会受到传感器数量、位置与传回探测值时间间隔的影响。因此，根据火源参数的反演计算效果，对传感器数量、位置和传回探测值时间间隔的设置做进一步调整优化，当反演准确率达到要求时，在建筑空间内实际安装传感器。最大化降低探测成本的同时实现本方法的最佳火源参数反演效果。

在反演计算效果不理想时，可以通过增加传感器数量、调整传感器位置以及缩短传感器传回探测值时间间隔来提升反演计算效果。当反演准确率达到要求之后，在建筑空间内实际安装传感器。

2)建立建筑火灾烟雾扩散模型；

在步骤1)选取的建筑空间中设定不同火灾场景，利用建筑火灾烟雾扩散模型对每种火灾场景进行模拟，其中，按照步骤1)设定的火源参数类型设定每种火灾场景下的该火源参数的数值，每种场景下的火源参数的数值设定不同，每个场景模拟一次，将该场景对应的火源参数值输入建筑火灾烟雾扩散模型，该模型输出该火源参数值对应的传感器在每个采样时刻的模拟探测值。

其中，所述火灾烟雾扩散模型可以是火灾区域模型、火灾计算流体力学模型或其他简化的经验公式、模型。本实施例采用较为高效的CFAST火灾模拟软件，该软件的原理为两层火灾区域模型，模型将火场简化为热烟气层和冷空气层两层区域，每层区域内的各物理量(压力、密度、温度)都是均匀的。该模型输入为每个火灾场景下设定的火源参数值(本实施例为火源位置与着火强度信息)、建筑属性(房间几何形状、门窗机械管道连通情况、传感器设置、建筑材料)与环境参数(初始温度、相对湿度、压力)；模型输出在该场景下，该空间内每个传感器在每个采样时刻的的模拟探测值(本实施例输出为热烟气层温度随时间变化的情况)，时间间隔与步骤1)所述传感器传回探测值时间间隔保持一致，推荐不超过10秒。

将建筑火灾烟雾扩散模型每次输入的火源参数值和该输入对应的输出结果组成一个火灾场景的原始数据每个原始数据包括：一组火源参数值及该参数值对应的所有采样时刻的所有传感器的模拟探测值，所有原始数据构成原始数据集。

对于稳态火源与非稳态火源火灾，本发明方法都适用，一个火灾场景的原始数据都为一组火源参数值(火源房间与着火强度)以及火源参数值对应的时间相关的传感器模拟探测值。本实施例考虑稳态火源，假定火源的热释放速率不改变，不同火灾场景输入的着火强度参数值为离散的热释放速率；当为非稳态火源时，采用时间平方特征火描述火灾的初期发展，即火灾的热释放速率Q与燃烧时间t的平方成正比关系(Q＝αt²,α为火灾增长速率)。根据火灾增长速率α将火灾分为缓慢、中等、快速、极快四种类型，α取值分别为0.003、0.012、0.047、0.188kW/s²。对于非稳态火源，不同火灾场景输入的着火强度参数值为四种火灾增长速率。

3)数据预处理；

对步骤2)得到的所有原始数据中的探测值进行预处理，具体方法如下：

记步骤2)得到的任一火灾场景下任一时刻探测值为：

式中，

表示对于火灾场景j，在时刻i多个传感器的探测值组成的一维数组，x^ji _0m为火灾场景j下在时刻i传感器m的探测值，其中m∈{1,2,…,M}，M为探测器的总数。

首先，将探测值减去常温，使数据稀疏化。

式中，

是火灾场景j下时刻i的稀疏化的探测值。窗口滑动操作将多个时刻的探测值进行打包处理以保留探测值当中的时序信息。假设窗口大小为N，那么每个窗口包含N个时刻的探测值；窗口大小可能影响计算效果，根据反演评估结果做进一步调整优化，为有效提取利用时序特征，N的推荐取值范围为3～10。则场景j下第g个窗口数据

表示如下。

接着使用主成分分析方法，通过空间变换将窗口数据转换为一组线性不相关的变量，以提高反演效果。因为GRU本身具有较好的特征提取能力，该步骤为可选操作。

式中，

为对

进行正交变换得到的数据。

预处理完毕后，每个原始数据扩展为多个样本，其中每个样本包含该原始数据的火源参数值及对应的任一窗口数据(或该窗口正交变换后的数据)；将所有样本组成数据集，并按照一定比例(通常是4：1)将该数据集随机划分为训练集和测试集。训练集作用是训练序列模型，测试集用于评估序列模型的泛化能力。

4)建立深度学习序列模型；

实施例采用的深度学习序列模型为GRU模型，该模型由如下四层神经网络依次连接构成：双向GRU(门控循环单元，Gated Recurrent Unit)、Dropout层、全连接层与Softmax层。GRU为自然语言处理中常用的神经网络，能有效提取利用各时刻数据之间的时序特点。采用的深度学习序列模型GRU，与其他序列模型如长短期记忆网络LSTM相比，具有结构简单、计算时间短而学习能力相当的优点。该模型输入为预处理完毕的传感器探测值，输出为火源参数值的概率分布。

利用步骤3)得到的训练集与测试集通过迭代训练深度学习序列模型直至模型收敛(用训练集进行迭代训练，用测试集测试模型效果)，训练结束，得到训练完毕的深度学习序列模型作为火源参数反演模型，隐性表示火源参数与传感器数据之间的相关性。具体方法如下：

将每个样本的窗口数据

(或

)输入双向GRU中。双向GRU由正向与反向神经网络组成，其输入分别是正向的窗口数据与反向的窗口数据。双向GRU计算结果

时，同时捕获两个方向的输出状态，因而模型的表现得以提高。

为了平衡模型的复杂度与训练数据量大小，使用随机失活操作，避免训练过拟合。

与

分别是GRU神经网络的第一和第二层的输出。剩下两步为全连接层和Softmax层。全连接层输出

的维度与火源参数的类别数相同，Softmax层将全连接层的输出映射为火源参数的概率分布

式中，W和b分别表示权重和偏差。火源参数估计值与真实值之间的损失通过交叉熵函数计算，模型训练的目标为最小化该损失函数。对模型进行迭代训练与测试，当模型收敛时，深度学习序列模型训练完毕。

训练序列模型时，通常为多个窗口数据一同输入双向GRU网络，窗口数的选取参考神经网络batchsize的设置，本实施例窗口数设为50；实际发生火灾时，使用训练完毕的序列模型反演火源位置与着火强度参数，双向GRU每次输入一个窗口数据

(或

)，输出为使用该窗口数据反演计算的火源参数值概率分布。

5)领域知识改进模型；

在已知火源位置或估计出火源位置的情况下，本发明还可以通过加入领域知识进行着火强度的反演，可以提高估计的准确率。此步为可选步骤。假设以一个火灾点源为中心的温度分布情况满足高斯分布，那么着火房间火源点的温度与各个传感器处的温度值满足如下关系式：

式中，

表示对于火灾场景j，在时刻i传感器的模拟探测值；

表示火灾场景j，在时刻i由传感器数据计算而来的火源点温度；r^ji表示传感器位置与火源房间的相对距离。对房间以顺时针或逆时针进行编号，传感器位置编号

为离该传感器最近(或传感器所在)房间的编号

当为室外空间或室内大尺寸连续空间如大厅时，对空间进行虚拟划分，此时房间为虚拟分区。b^ji是未知系数，用

表示上式中已知量：

实施例中r^ji的计算如下，

表示计算过程中产生的数据：

对

离均差标准化处理如下：

表示火灾场景j时刻i时的考虑传感器位置的数据；S^jg表示火灾场景j，窗口g对应的数据。有两种方式利用该领域知识，一是将

与步骤1)数据预处理中的向量

拼接，作为初始数据，经过数据预处理输入GRU网络；另一种方式是将S^jg首先输入一个全连接层，该全连接层的输出与步骤2)双向GRU中的Dropout层的输出

拼接，拼接结果再次输入一个全连接层，从而得到

实施例采取的是第一种方式。以上使用温度举例，烟雾浓度、气体浓度也同样适用。

6)基于火场探测值估计火源参数；

当步骤1)的建筑空间实际发生火灾时，分布在建筑中的传感器采集火场信息，从而获得随时间变化的现场实际传感器探测数据。火场信息的类型与步骤1)中所述传感器类型相一致，为温度、烟雾浓度和气体浓度中的一种或多种。传感器传回探测值的时间间隔如步骤1)所述不超过10秒，还应与步骤2)中建筑火灾烟雾扩散模型输出结果的时间间隔保持一致。为利用时序信息，使用N个连续时刻的传感器探测值数据，考虑反演效果推荐使用3～10个连续时刻的传感器探测值(本实施例采用了9个连续时刻)。

当该建筑的火灾探测系统发出初步的报警信号，启动火源参数反演算法。将获取的N个连续时刻的传感器探测值按照步骤3)的方法进行数据预处理，然后将预处理完毕的传感器探测值输入步骤4)训练完毕的火源参数反演模型，该模型输出火源参数值(本实施例为火灾火源位置与强度参数)的概率分布；根据实际需求，模型输出火源参数概率分布或只输出最可能的火源参数及其对应的概率。由于之前的步骤是在火灾发生之前完成的，反演的效率主要取决于基于火场探测值估计火源参数这一步骤。深度学习序列模型可以快速确定火源参数，因此火源参数估计几乎是实时进行的。

本发明在反演计算时，利用时序信息，使用多个时刻的传感器探测值(如果传感器有损坏，可以是部分传感器，具体实施例的结果表明损坏传感器为总传感器数量的20％时，反演准确率下降为80％)。

本发明的主要思路是：通过建立建筑火灾烟雾扩散模型(实施例采用的是较为高效的两层火灾区域模型)，同时基于深度学习序列模型，利用建筑火灾发展演化过程中所采集的火场探测值数据(实施例采用的是温度数据)确定火源位置，进而计算建筑火灾的着火强度。

下面结合一个具体实施例对本发明进一步详细说明如下。

实施例场景为35个房间与3条走廊组成的某层建筑，结构如图2所示，走廊以一定间隔布置温度传感器。假定火灾在某一房间内部发生，建筑火灾烟雾扩散模型模拟考虑不同火源房间和着火强度组合的700种火灾场景。火源房间为离散变量，可行解空间为35个房间号；着火强度范围为[0.02MW,0.4MW]，为节省计算资源，将着火强度以0.02MW步长离散化，因此着火强度的可行解空间为20种。窗口长度N设置为9，传感器采样时间间隔设为5s，因此每一个窗口数据包含40s的传感器信息。

1)计算火源房间，训练和测试过程的准确率与损失变化如图3。由图可知，模型训练收敛时反演效果为，对于测试集94％的火灾场景，该反演方法可以准确计算其着火房间。窗口滑动操作极大地提高了准确率，使传感器数据中的时序信息得以有效利用。

2)计算效率从两个方面考虑，一是火灾发生后，训练后的模型能否利用早期温度数据获得相对准确的估计。如图4所示，基本符合随着温度数据采集时间的增加，测试准确率提高的规律。使用第一个窗口数据(0～40s)和第二个窗口数据(5～45s)的准确率分别为0.928和0.948，说明PCA-BiGRU模型(采用空间变换步骤的双向门控循环单元)可以在早期阶段实现相对准确的预测。二是使用窗口探测数据计算所需要的时间。反演模型执行时间数量级为10^-1，远小于集中式和分布式贝叶斯推理方法的执行时间(分别约为50s和12s)。由于深度学习序列模型训练测试阶段在火灾发生之前完成，传感器数据量的增加对该模型的执行时间几乎没有影响。

3)鲁棒性。在实际火灾场景中，很有可能出现传感器故障或失效的情景。随着故障传感器数量的增加，反演估计的准确率会降低，测试准确率和损失的变化率也会增加，如表1所示。当故障传感器的数量约为18个，占传感器总数的20％时，火源房间估计的准确率下降到约80％。传感器部分故障的测试结果表明，反演模型具有一定的鲁棒性，可以在没有足够检测信息的情况下对火灾进行定位。

表1使用部分传感器时测试数据集的准确率和损失

4)系统误差。前面的结果表明了反演模型是有效并且鲁棒的。用于训练和测试的温度传感器数据均来自相同的火灾烟雾扩散模型，仅考虑了模拟数据和探测数据的随机误差。但是由于火灾烟雾扩散模型的精度限制，建筑火灾烟雾扩散模型模拟得到的数据与实际探测值之间可能存在差异。因此，为了测试系统误差对模型的影响，训练数据由CFAST(火灾区域模型，Consolidated Model of Fire Growth and Smoke Transport)模拟得到，而伪探测数据由精度较高的FDS(火灾计算流体力学模型，Fire Dynamics Simulator)模拟得到。结果表明，应用0～40s的火场探测数据可以准确计算火源位置，且估计的概率分布中真实火源位置对应的概率为1。存在系统误差的情况下，该估计方法具备较强的自适应学习能力，也能够获得满意的效果。5)使用不同神经网络，比较估计着火强度的效果，如表2所示。MLP为具有两个隐藏层的神经网络；PCA-MLP为采用空间变换步骤的MLP；CNN为卷积神经网络；GRU为门控循环单元；PCA-BiGRU为采用空间变换步骤的双向门控循环单元；BiGRU为双向门控循环单元；Gauss-BiGRU表示考虑领域知识的双向门控循环单元。

表2不同神经网络计算着火强度的效果

结果表明，门控循环单元反演效果优于其他两种神经网络。双向的门控循环单元的反演效果有较大提升。考虑领域知识的双向门控循环单元反演效果有进一步的提升，空间变换步骤能够在一定程度上降低Gauss-BiGRU的损失。空间变换步骤能够有效提高结构简单的MLP的反演效果，而对提高双向门控循环单元反演效果的作用较小，当数据较少时，还可能会导致过拟合现象。

Claims (1)

1.一种建筑火灾火源参数反演评估方法，其特征在于，包括以下步骤：

1)选取待进行火源参数反演的建筑空间；在建筑空间内安装传感器，所述传感器用于按照设定时间间隔发送探测数据；确定待反演的火源参数类型；

2)建立建筑火灾烟雾扩散模型；

在步骤1)选取的建筑空间中设定不同火灾场景，利用建筑火灾烟雾扩散模型对每种火灾场景进行模拟；其中，按照步骤1)设定的火源参数类型设定每种火灾场景下的该火源参数的数值，每个场景模拟一次，将该场景对应的火源参数值输入建筑火灾烟雾扩散模型，该模型输出该火源参数值对应的传感器在每个采样时刻的模拟探测值；

将建筑火灾烟雾扩散模型每次输入的火源参数值和该输入对应的输出结果组成一个火灾场景的原始数据，所有原始数据构成原始数据集；

3)对步骤2)得到的原始数据集中所有原始数据中的探测值进行预处理，具体方法如下：

记任一火灾场景下任一时刻传感器探测值为：

式中，

表示对于火灾场景j，在时刻i传感器的探测值组成的一维数组，x^ji _0m为火灾场景j下在时刻i传感器m的探测值，其中m∈{1,2,…,M}，M为探测器的总数；

首先，将探测值进行稀疏化：

式中，

是火灾场景j下时刻i的稀疏化的探测值；

然后，设定滑动窗口大小为N，则场景j下第g个窗口数据

表示如下：

预处理完毕后，每个原始数据扩展为多个样本，其中每个样本包含该原始数据的火源参数值及对应的任一窗口数据；将所有样本组成数据集，并按照设定比例将该数据集随机划分为训练集和测试集；

4)建立深度学习序列模型，该模型输入为预处理完毕的传感器探测值，输出为火源参数值的概率分布；

利用步骤3)得到的训练集与测试集，迭代训练深度学习序列模型直至模型收敛，得到训练完毕的深度学习序列模型作为火源参数反演模型；

5)基于火场探测值估计火源参数；

当步骤1)的建筑空间实际发生火灾时，每个传感器获取探测值并按照设定时间间隔发送探测值；当获取N个连续时刻的传感器探测值后，将该N个连续时刻的传感器探测值按照步骤3)的方法进行预处理，然后将预处理完毕的传感器探测值输入步骤4)训练完毕的火源参数反演模型，该模型输出火源参数值的概率分布，实现对火源参数的估计。

Images