CN111489006A - 火灾发展态势预测方法、装置及计算机可存储介质 - Google Patents
火灾发展态势预测方法、装置及计算机可存储介质 Download PDFInfo
- Publication number
- CN111489006A CN111489006A CN201910086844.5A CN201910086844A CN111489006A CN 111489006 A CN111489006 A CN 111489006A CN 201910086844 A CN201910086844 A CN 201910086844A CN 111489006 A CN111489006 A CN 111489006A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- development situation
- deep learning
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011161 development Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 83
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000005484 gravity Effects 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000009423 ventilation Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Fire Alarms (AREA)
- Fire-Extinguishing By Fire Departments, And Fire-Extinguishing Equipment And Control Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种火灾发展态势预测方法，用于预测火灾发展态势，具体包括如下步骤：获取火灾的模拟数据；建立用于火灾发展态势预测的工程类深度学习模型神经网络；使用模拟数据训练神经网络；判断神经网络的输出值是否小于或等于预设误差阈值；若是，则停止训练神经网络，完成工程类深度学习模型；若否，重新获取火灾的模拟数据；利用工程类深度学习模型评估火灾发展态势，并根据评估结果输出决策方案。本发明还对应提供了火灾发展态势预测装置和计算机可存储介质，管理人员或救援人员根据决策方案快速准确制定有效的救援方案。
Description
技术领域
本发明涉及火灾发展预测技术领域，特别是一种火灾发展态势预测方法、装置及计算机可存储介质。
背景技术
随着生活质量提升，安全生活服务科技日渐发展，尤其是火灾消防安全领域，除了平时做好预防外，一旦发生大火，指挥官可随着火灾事件演进之应变决策至关重要。
现有技术中，通过工程分析软件针对某区域发生火灾时的各种情境进行分析，并提出应对对策，但瞬时的分析结果无法有效的适应与运用在实际火灾中。
发明内容
鉴于上述状况，有必要提供一种火灾发展态势预测方法、装置及计算机可存储介质，通过深度学习提高更符合实际环境的预测结果，以解决上述问题。
本发明第一方面提供了一种火灾发展态势预测方法，用于预测火灾发展态势，所述火灾发展态势预测方法包括如下步骤：获取火灾的模拟数据；建立用于火灾发展态势预测的工程类深度学习模型的神经网络；使用所述模拟数据训练所述神经网络；判断所述神经网络的输出值是否小于或等于预设误差阈值；若是，则停止训练所述神经网络，完成所述工程类深度学习模型；若否，重新获取所述火灾的模拟数据；利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。
优选地，所述获取火灾的模拟数据之前，包括如下步骤：收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据。
优选地，所述得到所述火灾的特征数据之后，还包括如下步骤：根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。
优选地，所述利用所述深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案，包括如下步骤：利用火灾现场的烟雾探测器不间断得到遮蔽率；持续输入所述遮蔽率至所述工程类深度学习模型；输出所述决策方案，并对所述决策方案进行可视化显示；其中，所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
优选地，所述完成所述工程类深度学习模型之后，还包括如下步骤：采集火灾的实际数据；使用所述实际数据优化所述工程类深度学习模型；得到混合类深度学习模型用于评估所述火灾发展态势，并根据评估结果输出决策方案。
本发明第二方面还提供了一种火灾发展态势预测装置，用于预测火灾发展态势，所述火灾发展态势预测装置包括：数据存储单元，用于存储火灾的模拟数据；处理器；以及存储器，所述存储器中存储有多个程序模块，多个所述程序模块由所述处理器运行并执行如下步骤：获取火灾的所述模拟数据；建立用于火灾发展态势预测的工程类深度学习模型的神经网络；使用所述模拟数据训练所述神经网络；判断所述神经网络的输出值是否小于或等于预设误差阈值；若是，则停止训练所述神经网络，完成所述工程类深度学习模型；若否，重新获取所述火灾的模拟数据；利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。
优选地，多个所述程序模块由所述处理器运行并还执行如下步骤：收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据；根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。
优选地，多个所述程序模块由所述处理器运行并还执行如下步骤：所述火灾发展态势预测装置还包括显示单元，用于显示所述决策方案；多个所述程序模块由所述处理器运行并还执行如下步骤：利用火灾现场的探测器不间断得到遮蔽率；持续输入所述遮蔽率至所述工程类深度学习模型；输出所述决策方案，并对所述决策方案进行可视化显示；其中，所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
优选地，所述火灾发展态势预测装置还包括数据采集单元，用于采集火灾的实际数据；所述数据存储单元还用于存储所述火灾的实际数据；多个所述程序模块由所述处理器运行并还执行如下步骤：采集所述火灾的实际数据；使用所述实际数据优化所述工程类深度学习模型；得到混合类深度学习模型并评估所述火灾发展态势，根据评估结果输出决策方案。
本发明第三方面还提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行上述所述的火灾发展态势预测方法。
本发明提供的火灾发展态势预测方法，利用数据仿真软件得到的模拟数据，对神经网络进行训练，得到运用到火灾发展态势预测中的工程类深度学习模型。利用工程类深度学习模型评估火灾发展态势，根据评估结果输出决策方案。该火灾发展态势预测方法，有效解决部分场景因数据取得困难而无法进行深度学习训练。管理人员或救援人员根据决策方案快速准确制定有效的救援方案。
进一步地，利用火灾现场实际数据对工程类深度学习模型进行优化，得到混合类深度学习模型。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中，具有更加客观、精准的预测能力。
附图说明
图1是本发明一个实施例中的火灾发展态势预测装置的架构示意图。
图2是本发明一个实施例中的火灾发展态势预测装置内的深度学习训练***的模块示意图。
图3是本发明一个实施例中的火灾发展态势预测方法的流程示意图。
主要元件符号说明
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在限制本发明。
本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1，本发明提供了一种火灾发展态势预测装置10，用于预测火灾的发展态势。该火灾发展态势预测装置10利用数值仿真模拟产生工程分析数据，得到的工程分析数据作为深度学习的样本，建立应用于火灾发展态势预测的工程类深度学习模型。进一步地，该火灾发展态势预测装置10还可以利用实际数据样本对工程类深度学习模型进行优化，使得深度学习模型包含实际环境特征，建立混合类深度学习模型。
具体地，该火灾发展态势预测装置10包括数据采集单元100、数据存储单元200、显示单元300、处理器500以及存储器400。数据采集单元100、数据存储单元200、显示单元300、存储器400分别和处理器500建立通信连接。
数据存储单元200用于存储火灾的模拟数据。模拟数据为数据仿真软件工具所产生的工程分析数据，模拟数据作为训练工程类深度学习模型的数据样本，得到的工程类深度学习模型可以精准预测火灾发展态势。
模拟数据利用收集预分析区域的边界条件数据得到，该边界条件数据包括但不限于数据：预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置。
数据采集单元100用于采集火灾的实际数据。数据采集单元100利用各种安全、消防、环境等设备或器材，采集火灾现场的实际数据，包括但不限于采集以下数据：温度、湿度、有害气体浓度及气体压力。上述数据可以用于优化工程类深度学习模型得到混合类深度学习模型。
数据存储单元200还用于存储上述火灾的实际数据，作为训练混合类深度学习模型的样本数据。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中，具有更加客观、精准的预测能力。
存储器400用于存储火灾发展态势预测装置10中的各类数据，例如处理数据的程序代码等，并在火灾发展态势预测装置10的运行过程中实现高速、自动地完成程序或数据的存取。
存储器400还存储有特征数据转换规则。该特征数据的转换规则具体为根据预分析区域的边界条件数据模拟得到火灾的特征数据，比如，温度、湿度、有害气体浓度及气体压力等；利用火灾的特征数据得到每个探测器对应的遮蔽率；根据遮蔽率的数值大小转换为遮蔽率的比重值，该比重值为0～1。具体的转换数据将在下文中详述。
存储器400还用于存储决策方案，该决策方案综合每个探测器的遮蔽率得到。决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。可以理解的是，人命救援和灭火行动是决策方案中一般需进行的救援方案，其他方案根据火灾现场实际情况进行决策。
存储器400可以是，但并不限于，只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
处理器500为数字信号处理器(DSP，Digital Signal Processor)、微控制单元(MCU，Microcontroller Unit)、嵌入式计算机处理器(ARM，Advanced RISC Machine)、现场可编程门阵列(FPGA，Field－Programmable Gate Array)、中央处理器(CPU，CentralProcessing Unit)、单片机、***级芯片(SoC，System on Chip)或其它等同专用芯片。
显示单元300用于显示处理器500的处理结果，比如显示上述决策方案。在本实施例中，显示单元300可以是但并不限于触摸显示屏、液晶显示屏等显示装置。
请参照图2，火灾发展态势预测装置10中还运行有一深度学习训练***600，深度学习训练***600包括一个或多个程序形式的计算机指令，该一个或多个程序形式的计算机指令储存于存储器400中，并由处理器500处理。图2为本发明一实施例中的深度学习训练***600的功能模块示意图。具体的，该深度学习训练***600包括数据获取模块610、转换模块620、训练模块630、判断模块640、评估模块650及输出模块660。
数据获取模块610用于获取火灾模拟数据和火灾实际数据。利用火灾模拟数据进行深度学习训练得到工程类深度学习模型。进一步地，利用火灾实际数据对工程类深度学习模型进行优化，得到混合类深度学习模型。
转换模块620用于转换特征数据为遮蔽率的比重值。具体为，火灾模拟数据根据预分析区域的边界条件数据模拟火灾的特征数据，该边界条件数据比如为：预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置等；特征数据比如为：温度、湿度、有害气体浓度及气体压力等；火灾实际数据根据各种安全、消防、环境等设备或器材，采集火灾现场的实际数据，该实际数据即为特征数据(温度、湿度、有害气体浓度及气体压力等)。遮蔽率的比重值的具体转换过程如下：
在本实施例中，火灾模拟数据的获得具体为：使用探测器S1、S2、S3、S4、S5和S6对预分析区域不同火源的火灾情况进行模拟，分别在4s、9s、24s、32s和60s的时间点获取每个探测器的遮蔽率(％)，如表1所示。
表1：每个探测器在不同时间的遮蔽率数据表。
得到上述表1中的每个探测器在不同时间的遮蔽率数据后，将遮蔽率数据转换为遮蔽率比重值，具体如表2所示。
表2：每个探测器在不同时间的遮蔽率比重数据表。
利用表2中的遮蔽率的比重值，对工程类深度学习模型进行训练。
同理，在本实施例中，实际数据得到的特征数据得到遮蔽率后转换为遮蔽率比重值，用于对工程类深度学习模型进行优化，进而得到混合类深度学习模型。
训练模块630用于训练工程类深度学习模型和混合类深度学习模型。具体地，建立用于火灾发展态势预测的工程类深度学习模型中的神经网络，利用模拟数据得到的遮蔽率的比重值对该神经网络模型进行训练，并人工进行参数微调(如隐藏层数量、学习率等)得到工程类深度学习模型。
进一步地，训练模块630还用于对工程类深度学习模型进行优化，利用实际数据得到的遮蔽率比重值对工程类深度学习模型进行优化得到混合类深度学习模型。
判断模块640用于判断上述神经网络的输出值是否小于或等于预设误差阈值。在本实施例中，误差阈值为5％。误差阈值作为收敛条件，达到收敛条件后，神经网络停止训练。若神经网络的输出值小于或等于预设误差阈值，则停止训练神经网络，完成工程类深度学习模型。若神经网络的输出值大于预设误差阈值，则重新训练神经网络。
评估模块650用于利用工程类深度学习模型或混合类深度学习模型评估火灾的发展态势。当实际现场的探测器发出报警时，不间断获取现场环境的探测器获取的遮蔽率数据，遮蔽率数据持续输入工程类深度学习模型或混合类深度学习模型，依据火灾现场环境变化提供决策方案。
具体地，决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
输出模块660，用于输出上述决策方案，供管理人员或救援人员了解火灾发展态势，并迅速且准确做出救援方案。
请参照图3，本发明提供了一种火灾发展态势预测方法，具体包括如下步骤：
步骤S301，收集预分析区域的边界条件数据得到火灾的特征数据。
具体地，收集预分析区域的边界条件数据主要为收集模拟数据，预分析区域的边界条件数据存储于数据存储单元200内。模拟数据为数据仿真软件所产生的工程分析数据。该边界条件数据包括但不限于预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置。
进一步地，根据预分析区域的边界条件数据模拟得到火灾的特征数据，比如，温度、湿度、有害气体浓度及气体压力等。
步骤S302，根据火灾的特征数据得到遮蔽率，将遮蔽率的数值大小转换为遮蔽率的比重值。
具体地，存储器400内存储有转换规则，处理器500根据转换规则对利用上述火灾的特征数据得到每个探测器对应的遮蔽率；根据遮蔽率的数值大小转换为遮蔽率的比重值，该比重值为0～1。
在本实施例中，使用探测器S1、S2、S3、S4、S5和S6对预分析区域不同火源的火灾情况进行模拟，分别在4s、9s、24s、32s和60s的时间点获取每个探测器的遮蔽率(％)，如表3所示。
表3：每个探测器在不同时间的遮蔽率数据表。
得到上述表3中的每个探测器在不同时间的遮蔽率数据后，将遮蔽率数据转换为遮蔽率比重值，具体如表4所示。
表4：每个探测器在不同时间的遮蔽率比重数据表。
步骤S303，建立神经网络。
利用现有的神经网络进行训练，处理器500处理使其运用到火灾发展态势预测的工程类深度学习模型中。
步骤S304，使用遮蔽率的比重值训练神经网络。
利用上述表4中得到的遮蔽率的比重值训练神经网络。在训练过程中，人工进行参数微调(如隐藏层数量、学习率等)进行训练。
步骤S305，判断神经网络的输出值是否小于或等于预设误差阈值。
具体地，误差阈值为5％。误差阈值作为收敛条件，处理器500判断神经网络的输出值达到收敛条件后，神经网络停止训练。
若是，则进行步骤S306，停止训练神经网络，完成工程类深度学习模型。
具体地，神经网络的输出值小于或等于预设误差阈值，说明神经网络已经具备了预测火灾发展态势的能力，则停止训练神经网络，完成工程类深度学习模型。
若否，则返回步骤S301。
具体地，神经网络的输出值大于预设误差阈值，说明神经网络没有达到预测火灾发展态势的能力，则继续训练训练神经网络。
步骤S307，利用工程类深度学习模型评估火灾发展态势。
具体地，当实际现场的探测器发出报警时，不间断获取现场环境的探测器获取的遮蔽率数据，遮蔽率数据持续输入工程类深度学习模型，依据火灾现场环境变化提供决策方案。
步骤S308，根据评估结果输出决策方案。
具体地，显示单元300显示输出的决策方案。决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。在实际救援过程中，人命救援和灭火行动是一般需进行的救援方案，其他决策方案可以根据火灾现场具体情况选择使用。
本发明提供的火灾发展态势预测方法，利用数据仿真软件得到的模拟数据，对神经网络进行训练，得到运用到火灾发展态势预测中的工程类深度学习模型。利用工程类深度学习模型评估火灾发展态势，根据评估结果输出决策方案。该火灾发展态势预测方法，有效解决部分场景因数据取得困难而无法进行深度学习训练。管理人员或救援人员根据决策方案快速准确制定有效的救援方案。
在一些优选实施例中，请继续参照图3，本发明还提供了一种工程类深度模型优化过程。具体包括如下步骤：
步骤S309，采集火灾的实际数据。
具体地，数据采集单元100采集火灾的实际数据。数据采集单元100利用各种安全、消防、环境等设备或器材，采集火灾现场的实际数据，包括但不限于采集以下数据：温度、湿度、有害气体浓度及气体压力。
步骤S310，使用实际数据优化工程类深度学习模型。
同样地，处理器500处理实际数据得到的特征数据，进一步根据特征数据得到遮蔽率数值后转换为遮蔽率比重值，用于对步骤S306得到的工程类深度学习模型进行优化，进而得到混合类深度学习模型。
步骤S311，得到混合类深度学习模型并评估火灾发展态势。
利用混合类深度学习模型评估火灾发展态势。混合类深度学习模型中包含实际环境特征，可以更加客观、精准预测火灾的发展态势。
继续进行步骤S308，根据评估结果输出决策方案。
显示单元300显示输出的决策方案，供管理人员或救援人员了解火灾发展态势并根据实际情况作出救援方案调整。
利用火灾现场实际数据对工程类深度学习模型进行优化，得到混合类深度学习模型。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中，具有更加客观、精准的预测能力。
本发明提供的火灾发展态势预测方法和装置，通过深度学习得到工程类深度学习模型和混合类深度学习模型，用于预测火灾发展态势。利用该火灾发展态势预测方法和装置可实现火灾现场的数据实时反馈，同步提供给管理人员或救援人员根据决策方案进行辅助建议，对火灾进行快速正确的救援方案。
可以理解的是，本发明提供的火灾发展态势预测方法和装置，可以适用于其他实际数据较难获得的情形，比如，环境监测、安全监测等。通过工程数据与无大量实际环境特征前期取样的整合应用，提供工程型深度学习模型。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他器或步骤，单数不排除复数。计算机装置权利要求中陈述的多个器或计算机装置也可以由同一个器或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种火灾发展态势预测方法，用于监测火灾发展态势，其特征在于，所述火灾发展态势预测方法包括如下步骤：
获取火灾的模拟数据；
建立用于火灾发展态势预测的工程类深度学习模型的神经网络；
使用所述模拟数据训练所述神经网络；
判断所述神经网络的输出值是否小于或等于预设误差阈值；
若是，则停止训练所述神经网络，完成所述工程类深度学习模型；
若否，重新获取所述火灾的模拟数据；
利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。
2.如权利要求1所述的火灾发展态势预测方法，其特征在于：所述获取火灾的模拟数据之前，包括如下步骤：
收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；
根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据，其中，所述特征数据包括温度、湿度、有害气体浓度和气体压力。
3.如权利要求2所述的火灾发展态势预测方法，其特征在于：所述得到所述火灾的特征数据之后，还包括如下步骤：
根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；
根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。
4.如权利要求3所述的火灾发展态势预测方法，其特征在于：所述利用所述深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案，包括如下步骤：
利用火灾现场的烟雾探测器不间断得到遮蔽率；
持续输入所述遮蔽率至所述工程类深度学习模型；
输出所述决策方案，并对所述决策方案进行可视化显示；其中，所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
5.如权利要求4所述的火灾发展态势预测方法，其特征在于：所述完成所述工程类深度学习模型之后，还包括如下步骤：
采集火灾的实际数据；
使用所述实际数据优化所述工程类深度学习模型；
得到混合类深度学习模型用于评估所述火灾发展态势，并根据评估结果输出决策方案。
6.一种火灾发展态势预测装置，用于预测火灾发展态势，其特征在于，所述火灾发展态势预测装置包括：
数据存储单元，用于存储火灾的模拟数据；
处理器；以及
存储器，所述存储器中存储有多个程序模块，多个所述程序模块由所述处理器运行并执行如下步骤：
获取火灾的所述模拟数据；
建立用于火灾发展态势预测的工程类深度学习模型的神经网络；
使用所述模拟数据训练所述神经网络；
判断所述神经网络的输出值是否小于或等于预设误差阈值；
若是，则停止训练所述神经网络，完成所述工程类深度学习模型；
若否，重新获取所述火灾的模拟数据；
利用所述工程类深度学习模型评估所述火灾发展态势，并根据评估结果输出决策方案。
7.如权利要求6所述的火灾发展态势预测装置，其特征在于，
多个所述程序模块由所述处理器运行并还执行如下步骤：
收集预分析区域的边界条件数据，其中，所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置；
根据所述预分析区域的边界条件数据分析模拟得到所述火灾的特征数据，其中，所述特征数据包括温度、湿度、有害气体浓度和气体压力；
根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率；
根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值，所述比重值为0～1。
8.如权利要求7所述的火灾发展态势预测装置，其特征在于，多个所述程序模块由所述处理器运行并还执行如下步骤：
所述火灾发展态势预测装置还包括显示单元，用于显示所述决策方案；
多个所述程序模块由所述处理器运行并还执行如下步骤：
利用火灾现场的探测器不间断得到遮蔽率；
持续输入所述遮蔽率至所述工程类深度学习模型；
输出所述决策方案，并对所述决策方案进行可视化显示；其中，所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
9.如权利要求8所述的火灾发展态势预测装置，其特征在于，
所述火灾发展态势预测装置还包括数据采集单元，用于采集火灾的实际数据；
所述数据存储单元还用于存储所述火灾的实际数据；
多个所述程序模块由所述处理器运行并还执行如下步骤：
采集所述火灾的实际数据；
使用所述实际数据优化所述工程类深度学习模型；
得到混合类深度学习模型并评估所述火灾发展态势，根据评估结果输出决策方案。
10.一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，其特征在于，当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行如权利要求1-5任一项所述的火灾发展态势预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910086844.5A CN111489006A (zh) | 2019-01-29 | 2019-01-29 | 火灾发展态势预测方法、装置及计算机可存储介质 |
| US16/369,052 US11244092B2 (en) | 2019-01-29 | 2019-03-29 | Fire development situation prediction device and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910086844.5A CN111489006A (zh) | 2019-01-29 | 2019-01-29 | 火灾发展态势预测方法、装置及计算机可存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489006A true CN111489006A (zh) | 2020-08-04 |
Family
ID=71731336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910086844.5A Pending CN111489006A (zh) | 2019-01-29 | 2019-01-29 | 火灾发展态势预测方法、装置及计算机可存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11244092B2 (zh) |
| CN (1) | CN111489006A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112212864A (zh) * | 2020-09-02 | 2021-01-12 | 鹏城实验室 | 基于深度学习的火灾场景导航方法及***、存储介质 |
| CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护*** |
| CN114582109A (zh) * | 2020-11-30 | 2022-06-03 | 深圳富桂精密工业有限公司 | 终端设备 |
| CN115982911A (zh) * | 2023-02-03 | 2023-04-18 | 江苏先驰物联网技术有限公司 | 一种警网融合社会治理一体化平台管理方法 |
| CN117291293A (zh) * | 2023-08-29 | 2023-12-26 | 西南交通大学 | 隧道火场灾情感知和态势发展预测方法 |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和*** |
| CN112132321A (zh) * | 2020-08-25 | 2020-12-25 | 航天信德智图（北京）科技有限公司 | 一种基于机器学习对森林火灾预测分析的方法 |
| CN112164427A (zh) * | 2020-09-23 | 2021-01-01 | 常州微亿智造科技有限公司 | 基于深度学习的药物小分子靶点活性预测方法和装置 |
| CN112270122B (zh) * | 2020-10-10 | 2022-04-29 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
| CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
| CN112785703B (zh) * | 2021-01-07 | 2022-07-15 | 江苏星月测绘科技股份有限公司 | 基于物联网和3d gis技术的时空大数据动态监管预警模型 |
| CN112765891B (zh) * | 2021-01-27 | 2023-11-10 | 辽宁工程技术大学 | 一种矿井火灾致灾因子最大值的预测方法 |
| CN113658398A (zh) * | 2021-08-05 | 2021-11-16 | 安徽中科中涣防务装备技术有限公司 | 一种商用车整车火情预警及抑制*** |
| CN113657238B (zh) * | 2021-08-11 | 2024-02-02 | 南京精益安防***科技有限公司 | 基于神经网络的火灾早期预警方法、存储介质及终端设备 |
| CN113743015B (zh) * | 2021-09-07 | 2024-03-29 | 同济大学 | 火灾场景数据获取方法、介质及电子设备 |
| CN113947014A (zh) * | 2021-09-15 | 2022-01-18 | 江苏中云筑智慧运维研究院有限公司 | 基于bim的隧道火灾应急救援方法、终端及存储介质 |
| CN114021501B (zh) * | 2021-11-09 | 2023-08-08 | 华东理工大学 | 一种火灾温度场重构方法、***、计算机设备、介质及终端 |
| CN114792194B (zh) * | 2022-03-16 | 2023-04-18 | 深圳森磊弘泰消防科技有限公司 | 一种建筑整体消防安全智能*** |
| CN115457737B (zh) * | 2022-08-11 | 2023-08-08 | 同济大学 | 单层厂房建筑火灾倒塌预警关键节点位移的实时推算方法 |
| CN116341397B (zh) * | 2023-05-30 | 2023-09-05 | 湖南光华防务科技集团有限公司 | 一种基于深度神经网络的灭火弹温度场模拟方法 |
| CN117933085B (zh) * | 2024-01-30 | 2024-06-11 | 北京中卓时代消防装备科技有限公司 | 一种基于大数据的火灾蔓延模拟模型训练方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103781108A (zh) * | 2012-10-23 | 2014-05-07 | 伍爵博 | 一种基于神经网络的无线传感器网络数据预测方法 |
| CN104298802A (zh) * | 2014-07-02 | 2015-01-21 | 哈尔滨工业大学 | 一种高层住宅楼梯间疏散效果的评价方法 |
| CN107767613A (zh) * | 2017-09-30 | 2018-03-06 | 吉林建筑大学 | 一种通用型的消防控制装置及方法 |
| CN108846987A (zh) * | 2018-06-28 | 2018-11-20 | 武汉智网兴电科技开发有限公司 | 一种基于北斗卫星传输***的输电线路山火*** |
| CN109147254A (zh) * | 2018-07-18 | 2019-01-04 | 武汉大学 | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101986358A (zh) | 2010-08-31 | 2011-03-16 | 彭浩明 | 一种融合神经网络和模糊控制的电气火灾智能报警方法 |
| GB2551172B (en) * | 2016-06-08 | 2019-02-20 | Sts Defence Ltd | Predicting temperature rise event |
| CN107564231B (zh) | 2017-09-15 | 2020-09-04 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估***及方法 |
| US11169678B2 (en) * | 2018-11-21 | 2021-11-09 | One Conern, Inc. | Fire management tool with versatile user interface |
-
2019
- 2019-01-29 CN CN201910086844.5A patent/CN111489006A/zh active Pending
- 2019-03-29 US US16/369,052 patent/US11244092B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103781108A (zh) * | 2012-10-23 | 2014-05-07 | 伍爵博 | 一种基于神经网络的无线传感器网络数据预测方法 |
| CN104298802A (zh) * | 2014-07-02 | 2015-01-21 | 哈尔滨工业大学 | 一种高层住宅楼梯间疏散效果的评价方法 |
| CN107767613A (zh) * | 2017-09-30 | 2018-03-06 | 吉林建筑大学 | 一种通用型的消防控制装置及方法 |
| CN108846987A (zh) * | 2018-06-28 | 2018-11-20 | 武汉智网兴电科技开发有限公司 | 一种基于北斗卫星传输***的输电线路山火*** |
| CN109147254A (zh) * | 2018-07-18 | 2019-01-04 | 武汉大学 | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112212864A (zh) * | 2020-09-02 | 2021-01-12 | 鹏城实验室 | 基于深度学习的火灾场景导航方法及***、存储介质 |
| CN114582109A (zh) * | 2020-11-30 | 2022-06-03 | 深圳富桂精密工业有限公司 | 终端设备 |
| CN114582109B (zh) * | 2020-11-30 | 2023-06-06 | 深圳富联富桂精密工业有限公司 | 终端设备 |
| CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护*** |
| CN113705839B (zh) * | 2021-09-13 | 2023-10-20 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护*** |
| CN115982911A (zh) * | 2023-02-03 | 2023-04-18 | 江苏先驰物联网技术有限公司 | 一种警网融合社会治理一体化平台管理方法 |
| CN115982911B (zh) * | 2023-02-03 | 2024-04-16 | 江苏先驰物联网技术有限公司 | 一种警网融合社会治理一体化平台管理方法 |
| CN117291293A (zh) * | 2023-08-29 | 2023-12-26 | 西南交通大学 | 隧道火场灾情感知和态势发展预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11244092B2 (en) | 2022-02-08 |
| US20200242202A1 (en) | 2020-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489006A (zh) | 火灾发展态势预测方法、装置及计算机可存储介质 | |
| CN111145064B (zh) | 一种突发大气污染事故动态应急预警评估与决策支持方法和*** | |
| US6590496B2 (en) | Rapid threat response for minimizing human casualties within a facility | |
| CN110555617B (zh) | 一种基于物联网的建筑火灾风险实时动态定量评估方法 | |
| Sheridan | Understanding human error and aiding human diagnostic behaviour in nuclear power plants | |
| CN108490889B (zh) | 基于te模型的智能工厂安全大数据数据源发生方法及装置 | |
| CN115330361B (zh) | 基于户内安全的燃气泄漏预测方法及智慧燃气物联网*** | |
| WO2018156404A1 (en) | A control system and control method for building | |
| CN111754715A (zh) | 一种消防应急响应方法、装置及*** | |
| Vukovic et al. | Real-time identification of indoor pollutant source positions based on neural network locator of contaminant sources and optimized sensor networks | |
| CN117114505B (zh) | 一种建筑施工现场环境监测方法及*** | |
| Soltaninejad et al. | Recognizing the effective factors in managing fire incidents to reduce the collateral damages and casualties | |
| Li et al. | Study on operator's SA reliability in digital NPPs. Part 2: Data-driven causality model of SA | |
| Alavi et al. | Predictive Models of Indoor Carbon Dioxide Concentration to Prevent Daily Decay of Productivity and Well-Being in Shared Offices. | |
| Upadhyay et al. | An architecture for an integrated fire emergency response system for the built environment | |
| TW202029023A (zh) | 火災發展態勢預測方法、裝置及電腦可存儲介質 | |
| KR20230060755A (ko) | 디지털트윈 기술을 적용한 가스 감지기 통합 모니터링 시스템 및 그 제어방법 | |
| RU2736624C1 (ru) | Способ и система прогнозирования последствий аварий с участием опасных веществ на опасных производственных объектах в режиме реального времени | |
| Hammann | Analysis of safety systems: Methodology and data for risk quantification in organizational, technical and structural systems with focus on fire protection | |
| RU2701993C1 (ru) | Способ формирования модели компетенций | |
| KR102480150B1 (ko) | 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법 | |
| Weinroth | An adaptable microcomputer model for evacuation management | |
| RU2784687C1 (ru) | Система мониторинга пожарной безопасности объекта в режиме реального времени | |
| CN116882773A (zh) | 一种智慧电厂用紧急避险方法及*** | |
| Michaelides et al. | A matlab-contam toolbox for contaminant event monitoring in intelligent buildings |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: The first floor, the second floor, the third floor and the fourth floor of the factory building No.1, f8d District, Foxconn science and Technology Industrial Park, east side of Minqing Road, Longhua street, Shenzhen City, Guangdong Province Applicant after: Shenzhen Fulian Fugui Precision Industry Co.,Ltd. Address before: The first floor, the second floor, the third floor and the fourth floor of the factory building No.1, f8d District, Foxconn science and Technology Industrial Park, east side of Minqing Road, Longhua street, Shenzhen City, Guangdong Province Applicant before: SHENZHEN FUGUI PRECISION INDUSTRIAL Co.,Ltd. |