论文部分内容阅读
伴随着公共建筑中安全事故的不断发生,人员应急疏散成为了应急处置的重要手段。然而,在疏散过程中同样存在风险,判断疏散过程的风险情况,可以做到提前预警,并为提高疏散过程安全性提供参考,为疏散决策提供辅助支持,具有重要的现实意义。目前,由于疏散过程的复杂性,以及真实疏散数据的缺乏,疏散风险评估的研究还很有限,而传统风险评估方法存在主观性强且难以满足应急疏散对时效性的需求。随着人工智能的发展,深度学习可以挖掘复杂疏散系统内在特征量的关系,避免主观性、易满足时效性需求,这将成为实现应急疏散风险评估的一种有效方法。综上,本研究将深度学习的方法应用于风险评估领域,创新性地提出一种基于深度学习预测模型实现疏散风险评估的方法。以疏散风险因素分析为基础,提出卷积神经网络(CNN)深度预测模型,综合多智能体疏散仿真实验与生成对抗网络获取预测模型的训练与测试数据,并以某高校体育馆为案例,通过构建疏散物理环境、人员、火灾应急场景等,说明了该评估方法的实现过程以及方法的可行性。主要研究内容包括以下几个部分:1.提出基于深度学习的疏散风险评估框架梳理并总结应急疏散领域与深度学习方法的研究现状,针对应急疏散系统是一类以人为核心的复杂系统,传统风险评估方法在这类问题的应用中存在主观因素强、时效性差等局限性,而深度学习在处理复杂问题上具有特征提取能力强、易满足时效性等优点,本部分提出利用深度学习方法实现应急疏散风险评估的研究框架,阐释了包含建立基于卷积神经网络的风险评估模型、通过疏散仿真实验获取训练数据、基于生成对抗网络实现数据增强、耦合火灾灾情的风险评估等研究内容的逻辑关系。2.建立基于卷积神经网络的风险评估模型卷积神经网络是一种通过特征提取以及数据训练实现推理及预测的重要深度学习方法,本研究选取其中具有代表性的Le Net、Alex Net、VGG、Res Net四种网络结构进行疏散风险评估模型的构建。通过对应急疏散中的众多风险因素展开分析,选取其中的重要影响因素作为评估因素,并以此确定风险评估模型的输入输出参数。在此基础上,利用Py Torch框架构建风险评估预测模型。3.建立疏散仿真模型获取评估模型训练数据对于深度预测模型而言,拥有足够的数据样本是至关重要的,但真实疏散数据十分缺乏。因此,本研究采用多智能体建模仿真方法,利用Any Logic仿真平台进行仿真实验,以此获取风险评估模型所需的训练数据。此外,通过视频分析软件Tracker分析真实视频中的行人运动速度,为仿真模型提供真实数据依据,并采用正交实验设计法对仿真实验涉及的建筑环境因素以及智能体参数等相关数据进行实验设计,提高仿真实验效率以及数据集的全面性。4.利用生成对抗网络进行数据增强虽然,通过仿真实验能够获取一定数量的数据样本,但数据量仍然有限,而生成对抗网络(GAN)具有良好数据生成能力,能够用于数据增强,缓解实验数据样本少的问题。故针对此情况,本研究利用生成对抗网络中的WGAN(Wasserstein GAN)模型对仿真实验数据集进行数据增强,扩充数据样本数量,为深度预测模型的训练精度提供保障。5.风险评估模型训练与测试通过仿真实验以及数据增强方法得到风险评估模型训练数据后,分别应用数据增强前后的两种数据集,对基于CNN的风险评估预测模型进行深度学习训练与测试,验证本研究所提出方法的可行性。结果表明,运用数据增强后,基于Le Net、Alex Net、VGG、Res Net构建的四种风险评估模型的训练准确率提升明显,保证了模型评估的有效性。6.耦合火灾应急情景的疏散风险评估基于深度学习疏散风险评估方法,本部分以火灾灾情为背景,以某高校体育馆为案例,综合火灾数值模拟与多智能体仿真的方法,利用火灾模拟软件CFAST及多智能体Any Logic仿真平台建立交互关系,实现火灾烟气对人员疏散产生动态影响的效果。在此基础上,利用均匀设计法进行了实验设计,通过火灾情景下的应急疏散仿真实验,获取火灾灾情下的应急疏散数据。利用WGAN数据增强和CNN预测训练,最后实现了耦合火灾应急情景的疏散风险评估。综上所述,本研究综合深度学习方法、多智能体仿真、以及数据增强方法,提出了一种新的应急疏散风险评估方法,为风险评估领域的研究提供了新方法与新思路。