Использование технологий искусственного интеллекта для повышения уровня противопожарной защиты общественных зданий

Развитие инновационных архитектурных концепций дизайна и строительных материалов в настоящее время происходит чрезвычайно быстро. В практическом проектировании пожарной безопасности наиболее рациональным можно считать подход к проектированию, основанный на отклике/поведении (performance-based design, PBD). Данный метод, построенный на инженерной основе, приобрел большую популярность за последние несколько десятилетий [1, с. 50-57]. Он способен учитывать новейшие научные знания о динамике огня и дыма и поведении людей при пожаре.

Распространение подхода PBD в моделировании пожаров обусловлено в первую очередь быстрым развитием вычислительных инженерных инструментов, в частности компьютерного проектирования (CAD), зонных моделей, вычислительной гидродинамики (CFD) и программного обеспечения для моделирования поведения пешеходов. Подобные инструменты используют эмпирические корреляции для описания поведения пожара или прогнозирования потока огня и дыма путем численного решения уравнений сохранения. К ним можно отнести, например, Fire Protection Engineering Tool (FPETool), Consolidated Model of Fire and Smoke Transport (CFAST), Fire Dynamics Simulator (FDS), FireFoam, AtriumCalc и Pathfinder [2]. Большинство из этих инструментов разрабатывались с начала 1990-х годов, поэтому были проверены и подтверждены многочисленными исследованиями. Например, была проведена серия полномасштабных экспериментов для проверки CFD-моделирования пожаров в зданиях и туннелях [3], в которых наблюдалось хорошее соответствие между экспериментальными измерениями и моделированием. В настоящее время эти инструменты широко применяются инженерами для оценки возможностей системы контроля дыма, реакции систем противопожарной защиты, путей эвакуации людей и уровня пожарной безопасности конструкций. Тем не менее при применении этих вычислительных инструментов в рамках подхода PBD возникает ряд проблем. Пожар является чрезвычайно сложным явлением, и для его моделирования требуется большое множество входных данных и подмоделей в программном обеспечении для моделирования пожара. Подход PBD, особенно при использовании CFD-моделирования пожара, является дорогостоящим из-за необходимости привлечения значительных вычислительных ресурсов и необходимости длительного обучения и опыта. Как правило, моделируются только ограниченные сценарии пожара. Обоснованность моделей пожара и надежность результатов моделирования часто подвергаются сомнению со стороны уполномоченных органов.

Недавние разработки в области искусственного интеллекта (ИИ), особенно алгоритм глубокого обучения, продемонстрировали его большой потенциал в оптимизации зданий с точки зрения пожарной безопасности, огнестойкости конструкций, а также деятельности по обнаружению и тушению пожаров [4, с. 3079-3100]. Кроме того, в сочетании с системой Интернета вещей (IoT) модели ИИ могут не только определять место и интенсивность пожара, но и прогнозировать его развитие пожара, эвакуацию, а также устойчивость конструкций к воздействию огня [5]. Примечательно, что прогнозирование пожаров на основе ИИ может быть достигнуто в режиме реального времени, что чрезвычайно сложно, а то и невозможно для традиционных CFD-моделей пожаров.

В настоящей работе демонстрируется возможность принятия алгоритма глубокого обучения и предварительно созданной базы данных пожаров для прогнозирования движения дыма в атриуме и оценки безопасного времени выхода в течение нескольких секунд. Корреляции на основе нейронных сетей способны предоставить предварительные оценки параметров для сокращения времени моделирования. Более того, инструменты ИИ смогут помочь обновить текущие нормативно-правовые документы для повышения пожарной безопасности здания более экономически эффективным способом.

Наиболее широко используемым аналитическим инструментом для прогнозирования развития пожара и движения дыма в рамках подхода PBD являются модели пожара на основе CFD. Часто при подобном моделировании используют Fire Dynamic Simulator (FDS), разработанный NIST [6]. В ходе моделирования атриума выбирались и варьировались несколько ключевых параметров пожарной безопасности атриума (площадь пожара, скорость тепловыделения, место (источник) пожара, количество сажи, геометрические параметры здания, скорость дымоудаления).

Было смоделировано несколько сотен сценариев пожара для формирования учебной базы данных. Во всех симуляциях температура окружающей среды была установлена на уровне 25°C. Каждое моделирование пожара в атриуме длилось 1200 с, что позволяло учесть практическое время выхода. При записи развития условий внутри атриума изучались профили видимости, температуры и концентрации CO. Поскольку важнейшей настройкой в FDS для гарантии точности результатов является разрешение сетки, ее размер был определен на основе безразмерного параметра, предложенного в руководстве пользователя FDS [6] и составил 40 см. Объем атриума варьировался от 10000 до 150000 м³. Время моделирования варьировалось от 12 до 24 ч для одного случая в зависимости от размера атриума.

После моделирования результаты моделирования и параметры сценариев пожара используются для формирования большой базы данных для обучения модели ИИ. В качестве входных данных модели использовались параметры проектирования зданий и пожаров (длина и высота атриума, местоположение пожара, количество сажи, скорость дымоудаления и время после возникновения возгорания (или продолжительности горения). Обучающий набор данных используется для нахождения скрытых корреляций между параметрами проектирования и результатами надежности. Проверочный набор данных используется для оценки модели во время процесса обучения, что дает возможность тонкой настройки гиперпараметров модели. Тестовый набор данных используется для количественной оценки качества прогноза после того, как модель полностью обучена.

Для получения пространственных и временных характеристик изображений широко применяется сверточная нейронная сеть (CNN), а транспонированная сверточная нейронная сеть (TCNN) преобразует простые входные данные в многомерное пространство. Производительность TCNN в прогнозировании температурного поля, вызванного пожаром, и движения дыма была продемонстрирована ранее [7, с. 657-682]. Таким образом, создана модель глубокого обучения ИИ со слоями TCNN для получения изображений, показывающих профили устойчивости с заданными входными данными. Обученную модель можно использовать на практике.