喬昱亞

(福建師范大學(xué)福清分校，福建福州 350300)

虛擬現(xiàn)實(shí)技術(shù)是多種技術(shù)集合而成的一項(xiàng)功能性仿真技術(shù)，當(dāng)前已經(jīng)被應(yīng)用到多個(gè)領(lǐng)域，并發(fā)揮重要作用。虛擬現(xiàn)實(shí)技術(shù)主要包括計(jì)算機(jī)圖形集成技術(shù)，當(dāng)前國(guó)際上針對(duì)該技術(shù)的研究主要表現(xiàn)在對(duì)于現(xiàn)實(shí)的感知、用戶界面操作、人機(jī)交互過(guò)程、后臺(tái)運(yùn)行過(guò)程管控等。隨著虛擬現(xiàn)實(shí)技術(shù)的智能性進(jìn)一步增強(qiáng)，在實(shí)際應(yīng)用過(guò)程中可實(shí)現(xiàn)在線實(shí)時(shí)管控，并可感知外界事物變化，根據(jù)外界情況做出相應(yīng)的調(diào)整。由于該項(xiàng)技術(shù)已經(jīng)實(shí)現(xiàn)實(shí)時(shí)智能控制，因此可以被用于多個(gè)領(lǐng)域。在消防火災(zāi)應(yīng)用中可結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理，并結(jié)合虛擬現(xiàn)實(shí)技術(shù)實(shí)現(xiàn)仿真，對(duì)消防演練以及消防策略有重要輔助作用[1]。

1 基于VR平臺(tái)的消防場(chǎng)景仿真

1.1 VR消防概述

VR平臺(tái)是在建筑項(xiàng)目中對(duì)建筑消防進(jìn)行分析，得出建筑物的立體模型，通過(guò)建立空間三維坐標(biāo)再配合時(shí)間坐標(biāo)便可構(gòu)建出基于建筑項(xiàng)目的4D模型，通過(guò)該4D模型便可展開對(duì)消防項(xiàng)目的有效管理。在實(shí)際應(yīng)用過(guò)程中可通過(guò)VR軟件將建筑消防真實(shí)表達(dá)出來(lái)，并結(jié)合實(shí)際情況進(jìn)行綜合性分析，根據(jù)模擬情況結(jié)合實(shí)際情況進(jìn)行預(yù)判，之后便可得出優(yōu)化后的結(jié)果，提高建筑消防的安全性和可靠性。VR技術(shù)主要是對(duì)消防場(chǎng)景現(xiàn)場(chǎng)進(jìn)行模擬再現(xiàn)，消除可能存在的安全隱患，在此基礎(chǔ)上對(duì)消防項(xiàng)目進(jìn)行有效分析，降低消防成本[2]。

1.2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種基于微觀結(jié)構(gòu)的網(wǎng)絡(luò)形式，屬于對(duì)人腦進(jìn)行仿真的系統(tǒng)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)具備與人類思維較為相似的邏輯能力，并具備非線性及線性處理能力、聯(lián)想記憶和自適應(yīng)能力。從人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)來(lái)看可將其劃分為人工智能的一個(gè)分支，在構(gòu)建人工神經(jīng)網(wǎng)絡(luò)過(guò)程中通過(guò)大量節(jié)點(diǎn)和信息流以及相關(guān)因素互相作用來(lái)完成數(shù)據(jù)分析及傳遞過(guò)程。人工神經(jīng)網(wǎng)絡(luò)可改變信息節(jié)點(diǎn)連接方式，通過(guò)多個(gè)節(jié)點(diǎn)及網(wǎng)絡(luò)層共同構(gòu)成不同形式的網(wǎng)絡(luò)結(jié)構(gòu)，并通過(guò)特殊算法得出最優(yōu)化結(jié)果。神經(jīng)網(wǎng)絡(luò)模型基本結(jié)構(gòu)見(jiàn)圖1。

圖1中，X=(x1,x2,…,xj,…,xN)T∈Rn表示人工神經(jīng)網(wǎng)絡(luò)的輸入向量，wji表示該神經(jīng)網(wǎng)絡(luò)中對(duì)應(yīng)編號(hào)為i和j的神經(jīng)元之間的連接權(quán)值，θi表示神經(jīng)元閾值，yi表示神經(jīng)網(wǎng)絡(luò)的最終輸出，結(jié)合神經(jīng)網(wǎng)絡(luò)模型基本原理及數(shù)據(jù)處理過(guò)程，可將yi表達(dá)為式(1)。其中，f表示激勵(lì)函數(shù)，常用激勵(lì)函數(shù)有閾值函數(shù)以及Sigmoid函數(shù)，表達(dá)式分別見(jiàn)式(2)和式(3)。網(wǎng)絡(luò)權(quán)值、激勵(lì)函數(shù)等均和神經(jīng)網(wǎng)絡(luò)的連接方式有一定關(guān)系[3]。

圖1 神經(jīng)網(wǎng)絡(luò)模型基本結(jié)構(gòu)

(1)

(2)

(3)

BP神經(jīng)網(wǎng)絡(luò)是一種以誤差反向傳播算法為基本原理的多層次網(wǎng)絡(luò)，層數(shù)一般3層以上，主要包括輸入層、隱藏層、輸出層幾個(gè)部分[12]，標(biāo)準(zhǔn)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型見(jiàn)圖2。模型結(jié)構(gòu)中的隱藏層包含多個(gè)神經(jīng)元，該部分并未與外部直接相連，但其自身狀態(tài)會(huì)直接影響到數(shù)據(jù)輸出過(guò)程，進(jìn)而影響到網(wǎng)絡(luò)輸出結(jié)構(gòu)，即隱藏層可間接影響整個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的數(shù)據(jù)處理及傳輸能力。

圖2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行充分研究，結(jié)合該網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏層神經(jīng)元數(shù)量，根據(jù)實(shí)際情況設(shè)置相關(guān)條件。對(duì)BP神經(jīng)網(wǎng)絡(luò)而言,可通過(guò)連續(xù)函數(shù)進(jìn)行數(shù)據(jù)處理，設(shè)置數(shù)據(jù)精度，本文就常見(jiàn)的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)展開研究，并將其作為基礎(chǔ)建立故障檢測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)算法具有一定學(xué)習(xí)能力，該算法中包含多種元素，主要有輸入及輸出元素、連接權(quán)值、閾值等，通過(guò)這些元素相互作用進(jìn)行相應(yīng)調(diào)整，使得實(shí)際輸出無(wú)限接近于期望值，最終得出較為準(zhǔn)確的數(shù)據(jù)處理結(jié)果[4]。

2 基于VR平臺(tái)的消防場(chǎng)景仿真神經(jīng)網(wǎng)絡(luò)計(jì)算

該研究主要針對(duì)構(gòu)建出消防場(chǎng)景的需求分析進(jìn)行計(jì)算，通過(guò)VR平臺(tái)模擬出對(duì)應(yīng)場(chǎng)景，在進(jìn)行消防場(chǎng)景的煙霧計(jì)算等過(guò)程中主要通過(guò)神經(jīng)網(wǎng)絡(luò)展開。

2.1 神經(jīng)網(wǎng)絡(luò)計(jì)算模型

在進(jìn)行消防場(chǎng)景的仿真神經(jīng)網(wǎng)絡(luò)計(jì)算分析時(shí)，主要考慮的因素為補(bǔ)風(fēng)口和排煙口，其中補(bǔ)風(fēng)口部分僅考慮自然風(fēng)情況，即在設(shè)置自然風(fēng)基礎(chǔ)上考慮補(bǔ)風(fēng)口的位置分布。補(bǔ)風(fēng)口總面積、補(bǔ)風(fēng)口高度，在其大空間一側(cè)開設(shè)單側(cè)對(duì)稱補(bǔ)風(fēng)口，在多面?zhèn)葔ι祥_設(shè)近似對(duì)稱補(bǔ)風(fēng)口。結(jié)合實(shí)際研究發(fā)現(xiàn)，當(dāng)排煙口位于頂部時(shí)，在排出一定體積煙量時(shí)排煙口位置變化對(duì)其結(jié)算結(jié)構(gòu)基本無(wú)影響，因此可忽略排煙口數(shù)量、大小和方位。因此在實(shí)際計(jì)算過(guò)程中只需要考慮其排煙體積流量大小及其啟用時(shí)間。

P=[T1,T2,T3,…,Tn;Ve1,Ve2,Ve3,…,Ven;H1,H2,H3,…,Hn;S1,S2,S3,…,Sn;K1,K2,K3,…,Kn].

(4)

Z=[Zt0-1,Zt0-2,…,Zt0-n,…,Zt16-1,Zt16-2,…,Zt16-n].

(5)

2.2 訓(xùn)練樣本

在實(shí)際研究中，為了通過(guò)最少數(shù)量的樣本作為代表學(xué)習(xí)到最有效的知識(shí)即規(guī)律，本研究以計(jì)算機(jī)模擬火災(zāi)場(chǎng)景為基礎(chǔ)，得出如表1所示的15組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，其中前13組數(shù)據(jù)主要用于樣本學(xué)習(xí)，后兩組作為驗(yàn)證數(shù)據(jù)，在試驗(yàn)?zāi)M過(guò)程中設(shè)定數(shù)值試驗(yàn)。具體考慮排風(fēng)機(jī)啟動(dòng)時(shí)間、排煙口體積流量、補(bǔ)風(fēng)口高度、補(bǔ)風(fēng)口面積和補(bǔ)風(fēng)口位置作為主要因素，研究其對(duì)煙層高度的影響，在此基礎(chǔ)上通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算分析得出數(shù)據(jù)結(jié)果，見(jiàn)表1。

表1 計(jì)算表的樣本算例

表1中，K表示的是補(bǔ)風(fēng)口位置對(duì)稱性參數(shù)，其運(yùn)算結(jié)果為對(duì)稱補(bǔ)風(fēng)口數(shù)與總補(bǔ)風(fēng)口數(shù)的比值。則在以上分析基礎(chǔ)上得出網(wǎng)絡(luò)訓(xùn)練樣本集，見(jiàn)表2。

表2 網(wǎng)絡(luò)訓(xùn)練樣本集

2.3 結(jié)果分析

通過(guò)神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元和網(wǎng)絡(luò)傳遞函數(shù)進(jìn)行多次嘗試，調(diào)整網(wǎng)絡(luò)權(quán)值矩陣以及閾值向量的輸出向量與目標(biāo)向量誤差均小于設(shè)定值，或者促使訓(xùn)練樣本的相對(duì)誤差小于設(shè)定值，在經(jīng)過(guò)一系列調(diào)試好后確定其神經(jīng)元數(shù)目為13，對(duì)其樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，將測(cè)試數(shù)據(jù)輸入以上模型，最終得出預(yù)測(cè)值與實(shí)際值的比較結(jié)果，見(jiàn)表3[6]。

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

對(duì)大空間場(chǎng)景區(qū)域進(jìn)行仿真計(jì)算，通過(guò)FDS軟件進(jìn)行計(jì)算分析，以本研究神經(jīng)網(wǎng)絡(luò)模型構(gòu)建ANN模型，設(shè)定目標(biāo)值曲線為CFAST，得出統(tǒng)計(jì)圖見(jiàn)圖3。

圖3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與目標(biāo)值之對(duì)比

本研究構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型可精確地計(jì)算出煙氣層隨時(shí)間變化的趨勢(shì)，在所有預(yù)測(cè)點(diǎn)中最小相對(duì)誤差為0.00047，最大為0.116，達(dá)到消防工程精度需求，若輸入的樣本數(shù)足夠多，則訓(xùn)練結(jié)果更加準(zhǔn)確。本研究結(jié)果可有效地反映出火災(zāi)發(fā)生時(shí)的現(xiàn)場(chǎng)環(huán)境。

[參考文獻(xiàn)]

[1]陳斌,胡麗,李昂,等.基于BP神經(jīng)網(wǎng)絡(luò)算法的仿真研究[J].信息技術(shù),2016(8):85-88.

[2]金鑫,李浪,杜靜,等.基于神經(jīng)網(wǎng)絡(luò)的大型風(fēng)力機(jī)動(dòng)力學(xué)仿真預(yù)測(cè)分析[J].太陽(yáng)能學(xué)報(bào),2017(2):464-471.

[3]李楠,吳玉厚.基于神經(jīng)網(wǎng)絡(luò)PID控制算法的自動(dòng)調(diào)平系統(tǒng)的仿真研究[J].機(jī)電產(chǎn)品開發(fā)與創(chuàng)新,2015(6):109-110.

[4]王海,蔡英鳳,賈允毅,等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景自適應(yīng)道路分割算法[J].電子與信息學(xué)報(bào),2017(2):263-269.

[5]王軍建.基于人工神經(jīng)網(wǎng)絡(luò)的城市消防系統(tǒng)評(píng)價(jià)及滅火救援能力分析[J].消防技術(shù)與產(chǎn)品信息,2016(10):47-50.

[6]謝巍,秦寶榮,曾健,等.含防扭結(jié)構(gòu)的VR動(dòng)感椅平臺(tái)運(yùn)動(dòng)分析和仿真[J].機(jī)電工程,2016(11):1344-1348.