徐 昊，袁 偉，俞孟蕻

(1.江蘇科技大學計算機學院，江蘇鎮(zhèn)江212000；2.江蘇科技大學電子信息學院，江蘇鎮(zhèn)江212000)

0 引言

郵輪具有高密集度的居住游客及船員，人員數(shù)量是其他船舶無法比擬的，而且其人員的活動形式也是多種多樣。在這個相對狹小的空間一旦發(fā)生火災，其傳播速度非常迅速，造成的人員傷亡及財產(chǎn)損失是巨大的，因此郵輪安全得到了前所未有的重視[1]。能夠在火災發(fā)生之前就能夠及時發(fā)現(xiàn)災情，將火災消滅在萌芽之中，自然可以將損失減輕到最小。但是火災不可控的因素太多，很容易發(fā)生轟燃等劇烈燃燒的狀況，使得撲滅難以進行，此時就需要將火災控制在一定區(qū)域，防止火災的進一步蔓延和安排船上人員逃生[2]。為實現(xiàn)這一目的，就需要能夠對不同艙室的參數(shù)進行實時監(jiān)測并判斷該艙室災情等級，災情等級較高的艙室就有可能成為蔓延的對象，集中力量對高危險等級艙室進行攻關撲滅，就有可能控制火災在較小區(qū)域，防止進一步蔓延。

對于火災的等級評估從來都不是只根據(jù)某一類信息就能準確評估的，需要融合多類信息進行綜合判斷。黃衍順[3]采用層次分析法對各個指標進行權重分析，并建立基于模糊識別模式的船艙火災風險評價模型，把權廣義距離之和最小的模糊識別模型用于綜合評判中。姚緒梁[4]根據(jù)各艙室感溫、感煙探頭送入的火情信息以及艙室本身的火災危險度信息，通過模糊推理決策得到了發(fā)生火災時報警艙室及其鄰艙的連鎖報警等級信息。Ya-yun Wei[5]提出一種基于模糊數(shù)學和支持向量機（SVM）算法的火災風險快速評估方法。上述方法融合了多種傳感器的信息進行判斷，但是只是針對單一艙室類型，需要預先掌握不同艙室的類型、尺寸等信息。因此本文提出了一種能夠實時判斷火災中不同艙室危險等級的評估模型。

首先使用Pyrosim設計一個單層多艙室的平臺，根據(jù)仿真實驗分別定性和定量地分析煙氣的蔓延特點，以煙氣對人體的影響程度定量地劃分級別，然后利用一個6層的改進的BP神經(jīng)網(wǎng)絡對數(shù)據(jù)進行分類，能夠實時得出不同類型、尺寸艙室的危險級別。

1 艙室火災等級分類模型建立

由于火災蔓延實驗成本較高，難以實施現(xiàn)場實驗，所以本實驗使用Pyrosim軟件進行仿真，在仿真數(shù)據(jù)上驗證模型的可行性。Pyrosim可對包含爐火、電氣火、油火、氣火在內的多種火災進行數(shù)值模擬，計算出多種物質的運動和變化。其提供的可視化模塊為煙氣的蔓延規(guī)律提供了直觀的表現(xiàn)，及生成圖表定量分析各種物質的變化規(guī)律。

首先設計一個單層多艙室的平臺，定性分析煙氣蔓延的特點，確定傳感器布置位置，然后定量分析不同物質的蔓延特點，最后根據(jù)不同物質對人體的影響將火災危險等級進行定量的劃分。

1.1 實驗模擬場景設計

艙室火災不同于建筑物火災，艙室一般較為狹小，會使得燃燒不充分，煙氣中含有大量未燃燒的煙塵和濃度較高的CO等有毒氣體，這些攜帶著大量熱量并可燃的煙氣蔓延至相鄰艙室附著在某些可燃物上，引發(fā)二次火災，成為新的火源點[6]。由于本實驗的對象是郵輪艙室，根據(jù)《國際海上人命安全公約》，一般情況下，艙室的所有襯板、風擋和天花板應為不燃材料，且豎井等通道有相應的控制系統(tǒng)。暫不考慮由于煙囪效應而引起的煙氣向上蔓延而引發(fā)的二次火災，所以本實驗所采用的對象是單層具有多個房間的艙室，包括客房、餐廳、衛(wèi)生間等房間。艙室大小根據(jù)實際而定，整個尺寸為（長寬高）36 m×24 m×2.5 m。模型墻壁均設定為不可燃燒。

統(tǒng)計數(shù)據(jù)顯示，在火災中因煙氣死亡的人的可能性是被燒死的4～5倍[7]。煙氣的傳播速度超過火的速度5倍，其流動方向就是火災蔓延的方向[8]。

根據(jù)上述實驗條件，為了簡化實驗，艙室內沒有放置家具等物品，將不同房間之間的門或通道設置為暢通，且無通風系統(tǒng)影響煙氣蔓延，火災艙室中的火焰已經(jīng)發(fā)展成為較大規(guī)模，呈穩(wěn)定釋放熱量的狀態(tài)，以便于分析自然狀態(tài)下煙氣蔓延的特點。

艙室布局圖如圖1所示，火源點設置在圖中小方框處，火源點設定為聚氨酯和黃松木，黃松木燃點為450℃，熱釋放功率為500 kW/s，其他參數(shù)為Pyrosim默認參數(shù)。

圖1 艙室布局圖Fig.1 Cabin layout

1.2 煙氣蔓延定性分析

煙氣蔓延一般會受艙室尺寸、布局等影響。從圖2可以看出，當發(fā)生火災時，會迅速產(chǎn)生大量煙氣，6 s時就充滿整個艙室，隨著煙氣增多，煙氣會沿著走廊傳播，起火35 s時，完全蔓延整個走廊，接著蔓延至和走廊相連的一些空間較小的艙室，起火80 s時，一些小空間的艙室已經(jīng)被煙氣完全蔓延，而餐廳由于空間較大，需要一定時間蔓延完全。起火160 s時，餐廳也被完全蔓延。最終隨著火災規(guī)模的不斷擴大，煙氣不斷增加，熱煙氣層對其他艙室的可燃物輻射加熱，使得可燃物達到燃點而引發(fā)二次火災。

圖2 煙氣蔓延圖Fig.2 Smoke spread map

根據(jù)上述對煙氣蔓延的特點的一個定性分析，將各種傳感器主要設置在門處和走廊節(jié)點處，可以比放置在各房間中心更快檢測到預警的煙氣各項參數(shù)。如圖3所示，放置了10處，涵蓋了大部分區(qū)域。

2 煙氣蔓延規(guī)律分析

2.1 煙氣蔓延定量分析

圖3 傳感器布置圖Fig. 3 Sensor layout

定性分析煙氣的傳播規(guī)律，確定了傳感器的布置位置，但是仍需要定量分析不同參數(shù)的數(shù)值變化，需要確定選擇哪些傳感器。

根據(jù)統(tǒng)計，火災中致傷、致死的原因[9–11]如表1所示。

表1 火災中致傷、致死原因Tab. 1 Causesof injury and death in a fire

通過以上對火災中人員致傷致死的原因分析，并根據(jù)Pyrosim軟件可監(jiān)測的物質，選擇監(jiān)測溫度（TEMP）、CO2濃度、CO濃度、O2濃度、煙塵密度、煙塵能見度6項數(shù)據(jù)。

通過整合數(shù)據(jù)，將不同位置同類傳感器的數(shù)據(jù)繪制在一張圖上，圖例以“傳感器_離火源點距離”的格式進行表示，可以直觀看出火源點對不同距離傳感器的影響。圖4(a)~圖4(f)六圖分別表示溫度、CO2濃度、CO濃度、O2濃度、煙塵密度和煙塵能見度?？芍瑐鞲衅?離火源點距離最近，各項參數(shù)響應也最迅速。

圖 4不同參數(shù)變化圖Fig.4 Different parameterschangediagram

以溫度屬性為例進行具體分析。當起火6 s時，傳感器5的溫度值迅速上升，而其他傳感器由于煙氣還未蔓延到，基本呈水平趨勢，變化不明顯。起火35 s時，傳感器5的溫度值已達到暫時穩(wěn)定值，在150℃左右。而煙氣已經(jīng)蔓延至各走廊處，傳感器4和傳感器6的溫度值開始變化，但是由于離火源點較遠，煙氣溫度下降，穩(wěn)定在60℃和70℃處。起火160 s時，此時煙氣已經(jīng)充滿了整個平臺艙室，煙氣無法散熱降溫，而火源點一直在釋放熱量，所以各個傳感器處的溫度都有不同程度的二次上升，尤其是傳感器5，溫度陡然上升至300℃。再觀察其余幾個屬性的特點，除了傳感器5和傳感器6因為距離近，受火源點的影響較大，而變化抖動較大，其余幾個傳感器都基本呈線性關系變化。但是圖4(f)圖的煙塵能見度在50s處就基本全部趨于0。

2.2 艙室危險等級劃分

通過對煙氣蔓延特點的研究以及火災中致死致傷原因的分析，可以對火災等級進行劃分。綜合考慮不同參數(shù)，以對人體的影響程度為基準，即人可以在火災中能夠待多久，分為4個等級，劃分等級如表2所示。

表2 艙室危險等級劃分Tab.2 Classification of cabin hazard

3 艙室火災等級分類模型

通過確定的檢測參數(shù)，進行多組實驗，整理數(shù)據(jù)，將其輸入至BP神經(jīng)網(wǎng)絡中，輸出艙室火災等級，實現(xiàn)自動預警，為進一步預測火災蔓延方向提供依據(jù)。模型流程圖如圖5所示。

圖5 模型流程圖Fig. 5 Model flow chart

3.1 BP神經(jīng)網(wǎng)絡

自1986年Rumelhart和McCelland首次提出BP神經(jīng)網(wǎng)絡[12]，距今已有30多年，在眾多領域有著成熟的應用，成為最廣泛的神經(jīng)網(wǎng)絡之一。BP神經(jīng)網(wǎng)絡的學習過程由信號的正向傳播與誤差的反向傳播2個過程組成，不需要預先定義輸入與輸出之間的數(shù)學表達式。BP神經(jīng)網(wǎng)絡一般包含輸入層、多個隱藏層和輸出層，每一層都可以有多個節(jié)點（x），不同層之間的節(jié)點通過權重（w）連接，權重通過反向傳播進行調節(jié)。

正向傳遞過程的計算方法如下：

其中σ(·)表示激活函數(shù)。

在傳統(tǒng)的BP神經(jīng)網(wǎng)絡中，激活函數(shù)常用Sigmoid函數(shù)，Sigmoid的數(shù)學公式是它可以將數(shù)值“擠壓”至0～1之間，輸出為概率。但是Sigmoid函數(shù)易飽和，使得梯度消失。從圖6（a）可知，Sigmoid的導數(shù)從0開始，又很快趨于0，造成“梯度消失”現(xiàn)象。而且Sigmoid函數(shù)的輸出值恒大于0，這會導致模型訓練的收斂速度變慢。

圖6 激活函數(shù)Fig.6 Activation function

自從AlexNet中提出使用ReLU來代替?zhèn)鹘y(tǒng)的激活函數(shù)，使得在深度神經(jīng)網(wǎng)絡中大大緩解了“梯度消失”這一問題[13]。如圖6（b），ReLU的數(shù)學公式為σ(x)=max(0,x)，相較于Sigmoid函數(shù)，ReLU對隨機梯度下降的收斂有著巨大的加速作用，而且ReLU的求導十分簡單，幾乎沒有任何計算量，導數(shù)表達式為而且ReLU具有單側抑制，稀疏激活性等優(yōu)點，與人的腦神經(jīng)元的工作原理相似。

3.2 網(wǎng)絡結構與結果分析

使用BP神經(jīng)網(wǎng)絡訓練模型，需要大量的數(shù)據(jù)，本文進行4次實驗，火源點分別為圖7中小方塊處，包含了客房、餐廳、廚房等易發(fā)生火災的地方，具有一定的普遍性。

圖 7火源點放置位置圖Fig.7 Fire source point placement map

現(xiàn)在已經(jīng)確定了輸入和輸出的節(jié)點數(shù)，但是神經(jīng)網(wǎng)絡的網(wǎng)絡層數(shù)和隱藏層節(jié)點數(shù)的選定以經(jīng)驗為主，并沒有相應的理論指導。本文設計了4個網(wǎng)絡結構進行測試，分別為6-32-16-8-8-4（ReLU）、6-32-16-8-8-4（Sigmoid）、6-32-16-8-4（ReLU）和6-32-16-8-4（Sigmoid），括號表示所使用的激活函數(shù)。

每個網(wǎng)絡結構進行了10次實驗，然后取10次結果的平均值作為網(wǎng)絡最終的精度，得出的結果如表3所示?？芍?個激活函數(shù)為ReLU的網(wǎng)絡相比于Sigmoid網(wǎng)絡均有較大提升，準確度約有8%的改善。激活函數(shù)相同的情況下，6層的網(wǎng)絡相比于5層的網(wǎng)絡的準確率約有1%的改善?？紤]到該實驗對象只是一個艙室平臺，數(shù)據(jù)量不算大。當對整艘船的所有數(shù)據(jù)統(tǒng)一處理時，數(shù)據(jù)量規(guī)模進一步擴大，6層網(wǎng)絡的優(yōu)勢能夠進一步發(fā)揮出來。

表3 不同網(wǎng)絡結構準確率Tab. 3 Accuraciesof different network structures

通過實驗測試，最后選定6層的網(wǎng)絡，結構為6-32-16-8-8-4，如圖8所示。

圖8 BP神經(jīng)網(wǎng)絡Fig.8 BPneural network

設定其余一些參數(shù)，學習率η為固定值0.005，動量常數(shù)α為固定值0.9，迭代次數(shù)epoch設定為1000次

圖9 （a）給出了訓練誤差隨迭代次數(shù)的變化曲線，可以看出在迭代30次左右時，loss曲線迅速下降，隨著迭代次數(shù)增多，大約達到200次時，loss迎來二次下降，接著迭代次數(shù)達到600次時，loss已經(jīng)趨于收斂。圖9（b）則給出了訓練的準確率和錯誤率的變化曲線，分別在30次、200次和600次迭代處開始較大的變化，與loss曲線的變化相呼應。

圖9 Loss，accuracy，error的變化曲線Fig.9 Change curves of loss,accuracy,error

表4 分類精度Tab.4 Classification accuracy

表4 給出了重復10組實驗下每一個火災等級的分類精度，可以看出模型對劃分的4個等級均有效果良好的分類精度，其中等級0和等級3的準確率最高，10次實驗的單次準確率全部都在98%以上，平均準確率達到了99.5%，而等級1和等級2準確率稍低一些，但最低的單次準確率也在93%以上，平均準確率到達了96.24%和95.69%。最后從10次實驗的4個等級的總準確率來看，最低一組數(shù)據(jù)為97.9%，最高一組為99%，模型在多次實驗中的總準確率變化不明顯，可以看出模型具有較好的魯棒性。

4 結語

本文提出一種能夠實時判斷火災中不同艙室危險等級的評估模型。首先利用Pyrosim軟件對煙氣的蔓延進行了定性和定量的分析，獲得評估數(shù)據(jù)，以煙氣對人體的影響程度定量得劃分了4個級別。然后利用一個6層的BP神經(jīng)網(wǎng)絡對數(shù)據(jù)進行分類，能夠實時得出不同艙室的危險級別，進行了多次實驗，對火災等級的分類精度達到了96%往上。一般來說，危險等級越高，越有可能成為蔓延的目標，通過模型可以讓船上消防人員實時了解火災態(tài)勢，安排滅火策略和人員逃生。雖然本次仿真實驗是在一個艙室平臺上進行的，但是進行了多次實驗，包含了不同類型、大小的艙室，具有一定的普遍性。而且BP神經(jīng)網(wǎng)絡的訓練的模型較傳統(tǒng)的火災模型相比計算量較小，不需要預先對船艙進行建模，具有一定的工程應用價值。