基于人工神经网络理论的建筑物火灾安全评价研究

　　【摘要】 依据建筑物火灾危险性的影响因素，应用人工神经网络理论及系统安全方法，建立了建筑物火灾危险性的评价指标体系，该方法摆脱了评价过程中的随机性和参评人员主观上的不确定性及其认识上的模糊性等缺点，大大提高了准确性。为了验证评价模型的准确性，将该理论应用到某高校图书馆火灾危险性评价中，快速、准确地得到了安全评价结果，取得了满意效果，为建筑物防火设计以及安全管理提供了可行的依据。

　　【关键词】 人工神经网络(ANN)；建筑物火灾；安全评价；训练；系统误差

　　0 引言

　　20世纪世界各国都经历了大规模城市化的过程，建筑业得到了突飞猛进的发展，不仅各种建筑物的数量大大增加，而且这些建筑的使用功能和所使用的建筑材料也发生了巨大的变化，建筑物内使用的电力、热力设施大大增加，从而使火灾危险程度发生了很大变化。城市化的加快，造成城市建设急功近利，盲目性很大，因而使城市规划缺少理性支撑，缺少系统防灾计划，安全防范水平不高，导致了大部分城市抗御火灾的能力极差，存在大量的火灾隐患。所以火灾起数及损失随着城市化和现代化城市进程的加快呈上升趋势。据统计，从1991-2000年10年间，我国的城市数量上升48.7%，建制镇数量上升83.7%，城镇总人口上升53.3%。与此同时，城市火灾起数上升82%，死、伤人数分别上升59%和13%，直接财产损失上升58%。

　　随着城市化建设的飞速发展，安全管理评价工作在城市综合防灾减灾方面，占有越来越重要的地位，目前，安全管理的评价方法有很多。如层次分析法、灰色系统评价法、模糊综合评价法等已经得到较为广泛的应用，并取得了较好的评价效果。但是由于上述方法都缺乏自学习的能力，而且很难摆脱评价过程中的随机性和参评人员主观上的不确定性及其认识上的模糊性等，使得这些方法在实际应用中受到很大的限制，已远不能适应新形势的需要。而人工神经网络模拟人的大脑活动，具有极强的非线性转换能力、大规模并行处理、自训练学习、自组织、内部有大量可调参数而使系统灵活性强等能力。它不仅能较好地吸取领域专家的评价经验，并且还具备评价方法的规范性，较高的抗噪声干扰能力和容错性，一定的自组织、自适应性，具有较高的求解效率，表现出多种优越性能，所以将神经网络理论应用于建筑物火灾安全评价之中，能克服上述安全评价方法的一些缺陷，大大提高其准确性，并能快速、准确地得到安全评价结果，为建筑物安全管理与控制提供快捷和科学的决策信息，从而及时预测、控制事故，减少事故损失。

　　1 建筑物火灾危险性的影响因素及指标体系的建立

　　建筑物火灾是由多个火灾诱发系统相互作用的结果。其主要影响因素如下：

　　1)消防安全管理，完善的规章制度和火灾疏散预案、设置专门值班人员、定期对各种设备进行检修，是提前发现问题的最好手段。

　　2)建筑物自身状况，建筑物的墙体、构件、内部装修的燃烧物质性质、室内火灾载荷等，对其控火能力有重要的影响。

　　3)建筑物的防火设计，合理的防火结构与布局，防火、防烟分区，以及通风空调体系采用良好的防火设计，能够在火灾发生的初期阶段截断其蔓延，将火灾控制在一定的范围之内。

　　4)安全疏散设计，设计合理的疏散通道和疏散指示标记以及应急照明，足够数量的安全出口以及足够宽敞的安全通道，能够使人员伤亡降到最低。

　　5)商品性质，建筑物发生火灾，很大程度上是由于建筑物内设备(商品)的易燃性引起，因此。把握易燃物品的数量及其燃烧性能，定期检查违章使用状况。是预防建筑火灾的重要途径之一。

　　6)群集特性，合理限制建筑物内单位时间的人流量，人的良好安全意识与安全行为、人的身体状况与逃生技能，是减少火灾发生后人员伤亡程度的主要途径。

　　根据以上分析，笔者认为，可以建立如下的建筑火灾评价指标体系(见表1)。

　　表1 建筑物火灾危险性评价指标体系

 

　　2 用于安全评价问题求解的神经网络设计

　　人工神经网络是由大量简单的基本元件——神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。该理论具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力，避免了复杂数学报导，在样本缺损和参数漂移的情况下，仍能保证稳定的输出。人工神经网络这种模拟人脑智力的特性，受到学术界的高度重视和广泛研究，已经成功地应用于众多领域，如模式识别、图像处理、语音识别、智能控制、虚拟现实、优化计算、人工智能等领域。

　　2.1 BP神经网络安全评价过程图

　　根据前馈多层式网络中的取反向传播模型原理，人工神经网络安全评价过程图(见图1)，简要地说明了BP神经网络评价过程。

 

图1 BP神经网络安全评价过程图

　　起初评价时输入分为3部分：①启动样本(通过灰色聚类获得的样本)；②安全标准值样本(经处理后的安全标准样本)；③输入对应的样本训练目标值。经神经网络训练学习后得到了安全评价数据库(网络权值和网络结构)，基于安全评价数据库，输入评价对象的指标数据并进行BP网络处理，经处理后可得到安全评价结果。同时又可以将新得到的安全评价结果生成新的样本，再次进行网络训练，更新数据库。随着网络训练样本数增加，网络的训练使评价的结果更加精确。当训练样本得到一定数量时，会增加网络训练收敛难度，可采取随机从数据库中提取一定的训练样本的办法，进行网络训练，更新数据库。

　　2.2 网络结构设计

　　神经网络的拓扑结构由网络的层数、各层的节点以及节点的连接方式等组成。在以BP网络为代表的前馈神经网络，只有相邻层上的节点相连接，节点间的连接强度用权值来表示，因此，在进行网络结构设计过程中，关键的设计参数只涉及网络的层数和各层的神经元数。

　　前馈网络采用典型、应用领域最多的BP网络模型结构，其结构层数对网络的性能具有重要的影响。严格意义上讲，确定网络层数的方法是通过大量实际问题的求解来寻求最合适的网络层数。

　　在网络结构的层数确定以后，各层数的神经元数同样是关键参数，其神经元数对网络训练及其收敛速度有显著的影响。在笔者所需要解决的建筑物火灾安全评价问题上，对应于各评价指标体系，其网络的输入和输出层的神经元数是确定的，可以调整的参数是隐含层的神经元数量。

　　综合考虑了基于人工神经网络的安全评价问题，选定了如图2所示的网络结构，采用4层网络模型结构，其结构参数描述为(P-S1-S2-A)，其中输入矢量P、第一隐含层的神经元数S1、第二隐含层的神经元数S2以及输出层A。由于建筑物火灾安全评价指标体系中各单元体系的指标数不同，输入矢量数P不同；输出层的单元数在文中的问题求解中，由于只有一个输出，故输出层只有一个神经元。两个隐含层的神经元数将根据各评价单元的训练收敛情况进行调整。

 

图2 建筑物火灾安全评价神经网络结构设计

　　原始数据的训练结果期望目标值与评价结果的输出格式如表2所示。

表2 安全评价输出结果等级的划分对照表

 

　　3 建筑物火灾安全评价模型评价能力的训练

　　3.1 网络训练样本输入数据的初始化方法

　　由于神经网络训练过程中，传递激活函数是训练的关键环节，而传递函数的特性要求其信息的输人数据在[0，1]区间内，因此，必须对网络训练所需的原始样本数据进行初始化处理，转化为分布于[0，1]区间范围的数据，这是网络模型训练过程的基础工作。初始化的具体方法取决于原始数据的数量级，根据每个输入数据中的最大值来确定初始化的数量级，根据式(1)进行。

 

式中，

　　Pij——初始化后的用于网络输入的数据；

　　Xij——原始采集数据；

　　N——使原始数据中各指标数据对应的最大值max(Xij)转化为[0，1]范围的数据的值，通过试算得到。

　　3.2 网络训练样本数据和待评建筑物安全数据的准备

　　根据某高校图书馆提供的建筑物火灾原始数据分析和整理而得到的27个实例样本作为基于神经网络的安全评价模型的训练样本数据，并分别对安全管理因素训练样本、群集特性因素训练样本、商品性质因素训练样本、安全疏散因素训练样本、防火设计因素训练样本、建筑情况因素训练样本各个分级单元指标的27个网络训练样本进行网络训练。为了使网络达到较小的系统总误差，训练最大步数选择要大一些，评价网络的好坏也都用系统误差来刻画。在计算机试算过程中发现，并不是网络学习误差越小，网络的推理能力也越强。也就是说，网络存在最佳的训练步数，使网络训练误差和评价误差都达到要求，避免网络过度训练而出现“麻痹”现象，最佳的训练步数需要多次运算才能得到。

　　3.3 网络训练过程及其建筑物火灾安全评价结果

　　根据单元评价指标体系进行评价模型结构参数、网络训练参数确定，并根据上述的各个训练样本数据在计算机上进行训练，网络完全识别了所给的学习样本，达到要求的误差并确定网络内部结构参数权值后，训练结果表明了网络汁算值与期望输出值的分布情况，训练过程的误差、学习率、最大迭代次数以及实际所用的循环次数，各个单元指标的训练特征分别如图3～图8所示。所有图的上半部分为训练误差的变化情况，下半部分为学习率动态调整的变化状态，图形表明网络训练均达到收敛状态。

 
图3 安全管理因素训练过程监测

 
图4 群集特性因素训练过程监测

 
图5 商品性质因素训练过程监测

 
图6 安全疏散因素训练过程监测

 
图7 防火设计训练过程检测

 

  图8 建筑情况因素训练过程监测

　　经过大量计算后，由训练样本数据得到完成训练并达到收敛条件后的网络权重参数，作为待评建筑物火灾各单元指标体系参数计算的依据，安全评价的计算结果汇总于表3。

　　从表3所示的评价结果可知，待评建筑物安全状况的评价结果与实际情况相符。结合该图书馆的特点及安全状况，由于客观条件限制，没有真正处于完全安全状态的建筑物，存在导致事故的隐患，但完全消除隐患在我国消防技术和经济条件下还是可能的。因此，评价结果大部分处于“较安全”状态，该结果在我国建筑物中具有普遍性，同时也证明了安全评价结果的可靠性。

　　4 结论

　　1)把神经网络理论引入建筑物火灾安全管理评价中，建立建筑物火灾安全管理新的评价模型，在一定程度上弥补了现有评价方法的不足，并且神经网络理论将为建筑物火灾的安全管理提供科学的决策信息，从而避免事故的发生。

　　2)基于人工神经网络理论的建筑物火灾安全评价，有利于城市的防火规划的制定，有利于城市消防的宏观调控，有利于城市消防防灾减灾对策的完善。因此，该研究对城市生命线系统的日常管理、工程监控及减灾对策的综合研究以及适合于区域发展的使用系统的建立和完善具有积极的意义，并且还可为城市建设和经济的可持续发展提供现代化的管理和决策方法。

　　表3 待评建筑物安全评价结果汇总表