高校公寓樓火災風險動態評估技術研究

張媛媛 宋 冰 張國維

高校公寓樓火災風險動態評估技術研究

張媛媛 宋 冰 張國維

（中國礦業大學）

本文依據高校在安防、消防上建立的物聯網系統所獲得的動態感知數據，運用深度神經網絡計算模型提出一種高校公寓樓火災風險動態評估技術。通過構建火災安全風險評估指標體系、建立指標權重集、對消防物聯網感知數據缺失進行補償算法與無量綱化處理，從而建立基于深度神經網絡的公寓樓火災安全風險評估預測模型；并通過計算機學習訓練，可實時動態反映出公寓樓火災風險得分，進而采取相應管控措施。本技術的應用有助于高校公寓樓日常消防安全管理，為學校后勤安全提供了智慧化信息安全服務。

高校公寓樓；物聯網；深度神經網絡；火災風險評估

高校公寓樓所涉及的安全風險種類多，其中風險危害大、關注度高的范疇就是火災風險，已然成為高校后勤管理中的要點、難點、痛點。隨著公眾對火災安全的重視，以及物聯網、大數據、人工智能、5G等新興技術的成熟與應用，火災監測系統、智能控制系統、人臉識別技術、建筑可視化技術等手段被廣泛應用于高校建筑的火災監測與風險預警中，其中火災風險的智能監測預警必將成為未來發展的趨勢。而基于此的消防物聯網建設及其火災風險動態預警系統成為了研究熱點。

一、研究背景

高校公寓樓火災安全風險管控的核心就是“事前預防”，其有效途徑是常態化的消防安全監督檢查和隱患整改，而進行系統性地火災風險評估往往被忽視。目前，學者提出的建筑物火災風險評估技術有約20種，如模糊集理論、德爾菲方法、層次分析法、灰色風險度法、事故樹、回歸分析、Monte Carlo模擬、核密度估計等火災風險評估模型。但這些評估模型存在評估樣本少、抽樣樣本時效性不強、評估精度不高、評估過程自動化程度低、評估效率低、評估成本高等問題。[1-2]消防物聯網作為已經成熟的技術被廣泛應用于高校公寓樓的安全管理中，其中應用最廣泛的是基于無線傳感技術的公寓火災智能預警系統，通過布置傳感器，實現實時監測氣體、溫度、煙霧等多種因素，并將監測數據傳輸至云端進行保存和分析。同時，利用NB-lot和LORA等物聯網通訊技術，可降低傳感器的能耗和成本，并提升其傳輸距離和覆蓋范圍。有效提高消防設施的安全性、可靠性和智能化程度，進一步增強對建筑消防隱患的早發現、早識別、早處理能力。[3-5]所產生海量的物聯網感知數據可作為高校公寓火災風險智能監測預警的重要數據來源。因此，如何利用物聯網感知數據、如何運用人工智能技術、基于多源數據分析和決策算法，實現火災風險的科學評估和預報預警，必將是火災風險評估技術的發展趨勢，也是未來創新校園消防監督檢查、消防安全管理、消防設施維保等工作的重要突破口，必將會給校園消防安全工作帶來重大變革和機遇。本文利用物聯網與深度神經網絡的人工智能學習手段，提出了一種高校公寓樓火災風險動態評估技術。

二、高校公寓樓火災安全風險評估指標體系與權重集建立

（一）構建火災安全風險評估指標體系

火災風險是火災發生概率與火災造成損失（嚴重度）的乘積。因此，公寓樓火災風險體系的建立應首先考慮公寓樓的起火概率和火災后建筑本體的控火能力，公寓樓起火概率和火災后本體的控火能力主要受公寓樓基本特征（如建成年數、建筑高度、建筑面積、內部裝修、電氣線路、周圍環境、火災荷載、人員荷載、易燃易爆危險品等）、消防管理水平（如消防設施維護保養、應急預案、防火巡查、制度文件、宣傳教育、管理人員水平等）以及建筑防滅火設施（如被動防火中的防火間距、耐火等級、防火分區等，主動防火中的火災報警系統、水滅火系統、建筑防排煙、消防應急照明和疏散指示系統等）的影響。此外，公寓樓的火災風險還受社會消防救援力量的影響，社會消防救援力量主要包括消防撲救條件、消防給水能力、消防隊響應能力以及消防供電能力等方面。因此，公寓樓火災風險的影響因素可以從建筑特性A1、建筑防火A2、消防管理A3和消防隊撲救能力A4四個層面進行辨識。圖1為構建的公寓樓火災風險評估指標體系的基本構架。

圖1 公寓樓火災風險評估指標體系基本構架

（二）建立指標權重集

在建立起公寓樓火災風險評估指標后，將應用層次分析法得到各指標權重，實現公寓樓火災安全風險評估指標權重集的建立。層析分析法的基本步驟是首先建立判斷矩陣，對于模型中的每一層次，建立一個矩陣，在矩陣中列出各參考因素的“對比尺度”的值并進行兩兩比較，得到各個參考因素之間的相對重要性。“對比尺度”是指一個因素相對于另一個因素的重要性比值，由專家經驗、現場觀察或實驗數據等多種方式得到，根據所得到的數據建立判斷矩陣。[6]按照圖1建立的指標體系可劃定5個判斷矩陣，即A1-A4、B1-B9、B10-B20、B21-B26、B27-B30。然后利用矩陣運算和數學模型計算出各層次因素的權重，得到總目標下各層因素之間的相對權重。最后進行一致性檢驗，對于每一對比較因素，計算其一致性指標并檢驗其是否滿足一致性。圖2為采用1-9標度法進行指標權重的判斷。

圖2 1-9標度法判斷指標權重

三、消防物聯網感知數據缺失補償算法與無量綱化處理

目前，在高校建筑智慧消防應用中，物聯網的三層架構包括感知層、網絡層和應用服務層。感知層通過感知器件實現建筑特征和消防設備的信息采集，如溫度、煙氣、明火、人員位置等。這些數據通過數據融合與預處理進行數據分析處理，從而清洗無效數據，篩選重要數據。網絡層通過傳輸將處理后的信息傳輸至應用層。隨著云計算和大數據技術的發展，網絡層在數據處理的同時，也可以進行分析、挖掘及可視化等操作。在應用服務層對應用數據進行匯聚并處理分析，實現消防數據的可視化展示、實時監控和預警等功能。例如，基于感知層采集到的數據，在網絡層進行處理的基礎上，應用層可以生成報警信息、故障信息、消防設備的運行情況狀態、維保信息等。

雖然通過消防物聯網技術可以快速獲得火災風險評價指標的數值變化情況，但物聯網感知到的數據并不能夠直接作為火災風險評價指標的數值，需要進行無量綱化處理。例如，建筑高度18m與消防水池容積18m3具有完全不同的含義。為了將數據轉換為可比的數值，以實現數據的可比和可分析性。對于不同的指標數據，需要結合具體情況選擇不同的無量綱化方法，從而能夠更精準地反映指標對上層指標的影響。基于建筑防火理論基礎，并結合相關規范，通過構造指標的歸一化評估公式，以此對物聯網感知數據進行無量綱處理。例如，物聯網系統能夠感知建筑消防水箱的水位高度h，消防水箱的截面面積已知為S，則消防水箱的容積為S*h。而一棟建筑內發生火災的用水量可以通過下式求得。[7]

通過該方法，即建立起消防給水的供給能力與物聯網感知數據h的一一對應關系。通過對消防水箱高度h的感知，即可實現對消防給水能力的準確評估。由于評估指標眾多，在此不一一贅述。對于物聯網不能直接獲取的指標數據，可通過人工采集的方式獲取，并對采集的數據按照量化規則進行賦值。

由于物聯網信息采集過程中可能會出現網絡傳輸不穩定性、傳輸數據包丟失等問題，導致某一時間或某一時段評估體系內的某項或多項評估指標缺失。針對該問題，可根據不同情況，提出不同的數據補償方法。對于評估指標數據缺失問題，可采用平均值替代法，通過求建筑某項指標的平均值來對缺失值進行自動補償。對于某項指標的個別數據缺失問題，可采用插值替代法，通過缺失值前后相鄰時間點的數據均值進行自動補償。

四、基于深度神經網絡的公寓樓火災安全風險評估預測模型

建立基于深度神經網絡的公寓樓火災風險評估預測模型。深度神經網絡可以理解為有很多隱藏層的神經網絡，又被稱為深度前饋網絡。[8]深度神經網絡的學習方式屬于有監督的學習，其訓練樣本集分為輸入和目標輸出兩部分，以量化處理后的評估指標數據作為訓練樣本的輸入，用權重集數據與評估指標數據加權后的火災風險評估的賦值作為訓練樣本的目標輸出訓練深度神經網絡，并通過不斷調整模型參數來優化模型，從而得到基于深度神經網絡的宿舍樓火災風險評估預測模型。模型建立過程中將利用90%的樣本集開展模型的訓練，10%的樣本集開展模型的驗證。具體流程為：①采集被評估公寓樓三個時間段的指標數據，例，a時段數據a1～a30；②收集專家1～專家n的n個權重集，例，a專家權重集為wa1～wa30；③每組指標數據選取隨機權重集做加權和，F=∑ai×wai（i=1～30）；④訓練樣本的輸入即所有指標數據，目標輸出即他們一一對應的風險F值；⑤訓練以上得到的訓練樣本，并進一步設計公寓樓火災風險評估模型的詳細參數，如圖3。模型建立后，輸入評估公寓樓建筑的指標數據即可輸出動態評估得分。

圖3 深度神經網絡訓練過程

五、工程應用

現全國多數高等院校根據實際需求建立了可視化大數據平臺，本文所提出的基于物聯網與深度神經網絡的高校公寓樓火災風險動態評估技術更適宜在可視化平臺上進行應用。可視化平臺調用神經網絡火災安全風險評估預測模型和公寓樓的物聯網感知數據，建立接口數據端，根據表1建立的高校公寓樓火災風險分級標準及應對措施，可以在平臺前端實時動態顯示公寓樓火災風險評分，生成評估報告。其中應對措施可以根據高校實際情況具體分析。圖4為高校公寓樓火災風險動態評估前端平臺示意圖。

表1 高校公寓樓火災風險分級及應對措施

圖4 高校公寓樓火災風險動態評估前端平臺示意圖

圖5 深度神經網絡模型與傳統專家評分法對比結果

為了對比深度神經網絡模型與傳統專家評分的差異性，驗證模型的準確度，本文選取7棟建筑、10位專家進行評分。其中專家的權重是采取了10位專家的均值進行測算。圖5為深度神經網絡預測模型與傳統專家評分法的對比結果。可以看出兩者擬合程度較高，說明了深度神經網絡模型可以相當于專家的評估能力。另一方面，采用深度神經網絡算法進行公寓樓火災風險動態評估可以避免人為主觀因素的影響，使預測評分更趨于真實值，且隨著樣本的增加和計算模型更加深入的自主學習，預測將更為精準。

利用物聯網與深度神經網絡的人工智能學習手段，提出的高校公寓樓火災風險動態評估技術，能夠對未來創新校園消防安全管理、監督檢查、隱患治理等提供更為有效、科學的支撐。

[1]黃鶯. 公共建筑火災風險評估及安全管理方法研究[D]. 西安: 西安建筑科技大學,2009.

[2]Ai Sekizawa. Fire risk an analysis: its validity and potential for application in fire safety[C]. Fire Safety Science-Proceeding of the Eighth International Symposium, 2005：85-100.

[3]孟濤.如何布局發展智慧信息化消防工作的思考及對策分析[J].中國新通信,2022,24(02): 67- 68.

[4]虞利強, 楊琦, 黃鵬,等. 基于物聯網技術的消防給水監測系統構建[J]. 消防科學與技術, 2017,36(7):971-973.

[5]杜永霞. 物聯網技術在消防中的應用探討[J]. 消防科學與技術, 2016(09):1333-1335.

[6]張帥.一種網絡化綜合評價實驗平臺的設計及實現[J].現代制造工程,2011,365(02):130-135.

[7]黃俊斌. 基于消防物聯網的商業綜合體火災風險指標量化與應用研究[D]. 徐州：中國礦業大學,2021.

[8]魏為民,劉暢,才智等.合成語音檢測方法的研究現狀及展望[J].上海電力大學學報,2022,38 (01):75-81.

2021-2022年度江蘇省高教學會保衛研究會高校安全保衛研究課題“基于物聯網與AI技術的高校公寓樓火災風險動態評估技術研究”（課題編號：20220103）；中國高等教育學會保衛學專業委員會2021年度“高校保衛科學研究”課題資助，基于物聯網與DNN深度神經網絡的高校宿舍樓火災風險調查及自評估關鍵技術研究（課題編號：21BWZD007）。

[責任編輯：楊書元]