摘 要：采用圖像火災(zāi)風(fēng)險(xiǎn)特征的模糊數(shù)學(xué)定性問(wèn)題的定量表示與分析，離散特性表述（不連續(xù)）模糊控制，以及系統(tǒng)工程方法關(guān)聯(lián)矩陣靜態(tài)評(píng)價(jià)的綜合層次分析方法對(duì)建筑物火災(zāi)風(fēng)險(xiǎn)進(jìn)行評(píng)估分析，為建筑物場(chǎng)所火災(zāi)風(fēng)險(xiǎn)評(píng)估分析提供更優(yōu)的綜合評(píng)估方法.

關(guān)鍵詞：火災(zāi)； 風(fēng)險(xiǎn)；圖像； 層次分析； 評(píng)估

中圖分類(lèi)號(hào)：TU998.1

文獻(xiàn)標(biāo)志碼：A

0 引 言

火災(zāi)一直以來(lái)都是人類(lèi)面臨的巨大風(fēng)險(xiǎn)與挑戰(zhàn)，建筑物是人類(lèi)居住、生活與工作的重要場(chǎng)所，因此，做好建筑物火災(zāi)的風(fēng)險(xiǎn)評(píng)估與防控對(duì)于人們生命與財(cái)產(chǎn)安全具有重要意義.

現(xiàn)有的建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)估分析與防治技術(shù)主要是基于火災(zāi)探測(cè)預(yù)警技術(shù)，該技術(shù)主要通過(guò)煙、溫度和光等信號(hào)探測(cè)火災(zāi)發(fā)生并實(shí)時(shí)報(bào)警.對(duì)于此類(lèi)的火災(zāi)風(fēng)險(xiǎn)評(píng)估方法通常有檢查表法［1-2］、火災(zāi)風(fēng)險(xiǎn)指數(shù)法［3-4］、古斯塔夫（Gustay Purt）法［5］和擬定性靜態(tài)分析方法.人工智能技術(shù)作為當(dāng)下的研究熱點(diǎn)［6］，受到國(guó)內(nèi)外各領(lǐng)域?qū)W者的廣泛重視，在消防火災(zāi)風(fēng)險(xiǎn)安全領(lǐng)域的應(yīng)用已經(jīng)有一些成功案例，主要方向?yàn)榛馂?zāi)探測(cè)分析評(píng)估方法技術(shù)，而在建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)估方面是運(yùn)用圖像層次分析，現(xiàn)仍還處于探索階段.

圖像型火災(zāi)探測(cè)技術(shù)的研究在國(guó)外起步較早，并最早用火災(zāi)圖像的亮度信息探測(cè)火災(zāi)［7］.之后，科研人員開(kāi)始通過(guò)探索火災(zāi)風(fēng)險(xiǎn)的圖像特征開(kāi)發(fā)探測(cè)算法.背景變化檢測(cè)技術(shù)有背景減法、幀間差法和光流法等，主要用于檢測(cè)候選區(qū)域和消除靜止的非目標(biāo)，但該技術(shù)無(wú)法區(qū)分火災(zāi)與非靜止物體引起的改變.顏色特征最先用于火焰或煙氣圖像的檢測(cè)，但是易受到背景場(chǎng)景的影響.此外，研究人員也有通過(guò)紋理特征、幾何形狀（如隨機(jī)性、粗糙度、圓形度和尖角等）、面積增長(zhǎng)、形狀變化、閃爍和小波變換等特征，消除火焰和煙氣等圖像探測(cè)過(guò)程中的誤報(bào).然而，這些人工特征都有各自的缺陷.

近年來(lái)，一些研究者通過(guò)圖像的局部特征構(gòu)建視覺(jué)詞袋，進(jìn)行建筑物火災(zāi)圖像探測(cè)分析.但是這些算法在視點(diǎn)不變性和尺度不變性方面還沒(méi)有得到廣泛地驗(yàn)證.在現(xiàn)有的圖像型火災(zāi)探測(cè)技術(shù)中，大部分算法是通過(guò)人工提取特征，機(jī)器學(xué)習(xí)分類(lèi)實(shí)現(xiàn)的.而該類(lèi)方法存在以下問(wèn)題：1）人工提取特征需依賴(lài)專(zhuān)業(yè)知識(shí)，難以應(yīng)付多樣化的建筑物火災(zāi)風(fēng)險(xiǎn)類(lèi)型和復(fù)雜的場(chǎng)景變化；2）機(jī)械地將火災(zāi)分成煙氣和火焰2種探測(cè)目標(biāo)，限制了算法的使用范圍；3）傳統(tǒng)的探測(cè)算法大多采用淺層神經(jīng)網(wǎng)絡(luò)，這就難以處理從原始圖像到火災(zāi)模式的復(fù)雜映射關(guān)系，從而無(wú)法有效識(shí)別復(fù)雜背景下的火災(zāi)風(fēng)險(xiǎn)評(píng)估分析.

圖像火災(zāi)探測(cè)技術(shù)基本是從2015年才引入深度學(xué)習(xí)算法［6］，研究者將 AlexNet、VGG、Inception和ResNet等先進(jìn)的圖像分類(lèi)卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改造，分別研究了煙氣探測(cè)算法和火焰探測(cè)算法.相對(duì)于傳統(tǒng)圖像型火災(zāi)算法，基于深度學(xué)習(xí)的圖像型火災(zāi)探測(cè)算法應(yīng)用于復(fù)雜場(chǎng)景時(shí)，探測(cè)準(zhǔn)確性明顯提升.深度學(xué)習(xí)算法在圖像型火災(zāi)探測(cè)領(lǐng)域的優(yōu)越表現(xiàn)，使越來(lái)越多的科研人員開(kāi)始關(guān)注該領(lǐng)域的研究.但部分研究算法是由人工提取特征區(qū)域，再由卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選區(qū)域進(jìn)行分類(lèi)，沒(méi)有將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于算法探測(cè)的全過(guò)程［4］，導(dǎo)致計(jì)算量較大，需求的算力增加，從而探測(cè)速度較慢.

本文運(yùn)用模糊數(shù)學(xué)定性問(wèn)題的定量表示與分析，離散特性表述（不連續(xù)）模糊控制，以及系統(tǒng)工程方法關(guān)聯(lián)矩陣靜態(tài)評(píng)價(jià)的綜合層次分析方法對(duì)建筑物火災(zāi)風(fēng)險(xiǎn)進(jìn)行評(píng)估分析，為建筑物場(chǎng)所火災(zāi)風(fēng)險(xiǎn)評(píng)估提供更優(yōu)的綜合評(píng)估方法.

1 層次分析火災(zāi)風(fēng)險(xiǎn)場(chǎng)景圖像識(shí)別

火災(zāi)風(fēng)險(xiǎn)場(chǎng)景圖像識(shí)別指對(duì)評(píng)估對(duì)象的導(dǎo)致火災(zāi)因素和減小火災(zāi)危害因素進(jìn)行認(rèn)識(shí)和分類(lèi).通過(guò)搜集影響火災(zāi)風(fēng)險(xiǎn)（包括導(dǎo)致火災(zāi)發(fā)生的可能性和火災(zāi)后果嚴(yán)重程度）的常見(jiàn)因素資料，編制火災(zāi)風(fēng)險(xiǎn)清單；依據(jù)火災(zāi)風(fēng)險(xiǎn)清單圖像特征判斷風(fēng)險(xiǎn)情況，并結(jié)合人工智能識(shí)別技術(shù)特點(diǎn)，進(jìn)一步確定火災(zāi)風(fēng)險(xiǎn)場(chǎng)景與分類(lèi).從點(diǎn)火源、可燃物、防滅火能力及外部環(huán)境4個(gè)方向?qū)馂?zāi)風(fēng)險(xiǎn)場(chǎng)景進(jìn)行識(shí)別分析.

1.1 庫(kù)結(jié)構(gòu)確定

根據(jù)建筑物火災(zāi)風(fēng)險(xiǎn)場(chǎng)景識(shí)別結(jié)果構(gòu)建火災(zāi)風(fēng)險(xiǎn)場(chǎng)景數(shù)據(jù)庫(kù)結(jié)構(gòu)［8-14］見(jiàn)表1.

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)遵從一個(gè)固定模式，即卷積層后連接池化層，再連接全連接層，最后根據(jù)損失函數(shù)與反向傳播算法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)［6］.在進(jìn)行人工智能算法開(kāi)發(fā)時(shí)，首先要根據(jù)建筑物場(chǎng)景選擇一款合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要考慮部署的設(shè)備與算力，以及要達(dá)到的效果.用攝像頭捕獲圖像，進(jìn)行實(shí)時(shí)識(shí)別.一般來(lái)說(shuō)，視頻的幀率至少要24幀，目前2款比較優(yōu)秀的輕量級(jí)神經(jīng)網(wǎng)絡(luò)是yolox-nano和nanodet，經(jīng)過(guò)比較，選擇yolox-nano作為此分析方法系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).yolox-nano模型大小僅有0.91 M參數(shù)，一次前向推理需要1.08 G FLOPs，在處理416×416尺寸圖像時(shí)約需要30 ms左右時(shí)間，具備良好的性能.

1.3 識(shí)別算法訓(xùn)練

對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練［6］，在形成的火災(zāi)風(fēng)險(xiǎn)場(chǎng)景圖像訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程分為2個(gè)階段.首先，數(shù)據(jù)由低層次向高層次傳播的階段，即前向傳播階段.其次，當(dāng)前向傳播得出的結(jié)果與預(yù)期不相符時(shí)，將誤差從高層次向低層次進(jìn)行傳播訓(xùn)練的階段，即反向傳播階段.訓(xùn)練過(guò)程如圖1所示.

1.4 火災(zāi)風(fēng)險(xiǎn)識(shí)別算法優(yōu)化

卷積神經(jīng)網(wǎng)絡(luò)看作一個(gè)由超參數(shù)與卷積核參數(shù)構(gòu)成的復(fù)雜非線性函數(shù)，在卷積神經(jīng)網(wǎng)絡(luò)的眾多參數(shù)保證了網(wǎng)絡(luò)在圖像識(shí)別中的優(yōu)秀性能［6，13］.因此，調(diào)整網(wǎng)絡(luò)參數(shù)成為提升卷積神經(jīng)網(wǎng)絡(luò)性能的最有效手段，最為常用的優(yōu)化方法有超參數(shù)優(yōu)化方法與卷積核參數(shù)優(yōu)化方法.

1.4.1 超參數(shù)優(yōu)化

超參數(shù)主要指卷積神經(jīng)網(wǎng)絡(luò)中必須人為設(shè)計(jì)初始化的參數(shù)［13］，主要包括網(wǎng)絡(luò)結(jié)構(gòu)（如網(wǎng)絡(luò)深度和寬度等）、學(xué)習(xí)率和批量等.這些參數(shù)需人為設(shè)置，因此常將一些實(shí)驗(yàn)或經(jīng)驗(yàn)作為準(zhǔn)則進(jìn)行初始化.

網(wǎng)絡(luò)結(jié)構(gòu)：相比于網(wǎng)絡(luò)寬度，網(wǎng)絡(luò)深度對(duì)網(wǎng)絡(luò)的性能影響更大.卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別性能一般是網(wǎng)絡(luò)深度越大，寬度越小，性能越好.對(duì)于卷積核的尺寸而言，由于任何大尺寸卷積核的感受野都可以被多個(gè)小尺寸卷積核的感受野代替.因此，卷積核尺寸隨著網(wǎng)絡(luò)深度的加深而減小.

學(xué)習(xí)率：學(xué)習(xí)率的本質(zhì)是參數(shù)在最優(yōu)更新方向上移動(dòng)的步長(zhǎng)，過(guò)大的學(xué)習(xí)率會(huì)導(dǎo)致網(wǎng)絡(luò)的參數(shù)值在最優(yōu)解附近反復(fù)波動(dòng)，學(xué)習(xí)率過(guò)小又會(huì)導(dǎo)致網(wǎng)絡(luò)參數(shù)收斂速度過(guò)慢.因此，在網(wǎng)絡(luò)訓(xùn)練前期一般設(shè)置較大的學(xué)習(xí)率，訓(xùn)練后期一般設(shè)置較小的學(xué)習(xí)率.

批量：批量表示網(wǎng)絡(luò)一次更新所需要的樣本數(shù)目，批量越大，網(wǎng)絡(luò)訓(xùn)練越穩(wěn)定，收斂速度越快；批量越小，網(wǎng)絡(luò)訓(xùn)練越不穩(wěn)定，收斂速度越慢.同時(shí)，在實(shí)際應(yīng)用中，批量過(guò)大會(huì)導(dǎo)致設(shè)備內(nèi)存溢出，出現(xiàn)網(wǎng)絡(luò)停止訓(xùn)練的情況.

1.4.2 卷積核參數(shù)優(yōu)化

隨著卷積神經(jīng)網(wǎng)絡(luò)的深度不斷加深，卷積核參數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)中數(shù)量最多的參數(shù)，其對(duì)網(wǎng)絡(luò)性能的影響也在不斷增加.因此，卷積核參數(shù)優(yōu)化方法是重要的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化手段，可分為參數(shù)規(guī)范方法與參數(shù)初始化方法.

參數(shù)規(guī)范方法主要基于一些數(shù)據(jù)的先驗(yàn)假設(shè)降低參數(shù)的方差或調(diào)節(jié)參數(shù)的期望.但是，在圖像識(shí)別任務(wù)中，即使是同一任務(wù)的相關(guān)數(shù)據(jù)也存在著較大的特征分布差異.因此，參數(shù)規(guī)范方法只對(duì)特定網(wǎng)絡(luò)有效，應(yīng)用范圍也比較小，代表方法有批量歸一化和隨機(jī)剪枝等.

參數(shù)初始化方法主要以隨機(jī)初始化為主，即滿足某一特定分布的隨機(jī)數(shù)初始化卷積核，也稱(chēng)為卷積核初始化方法.相比于參數(shù)規(guī)范方法，參數(shù)初始化方法的應(yīng)用范圍更廣，常用卷積核初始化方法有Gaussian初始化方法和He初始化方法［8-14］.

火災(zāi)風(fēng)險(xiǎn)識(shí)別算法在優(yōu)化后，各參數(shù)選取情況見(jiàn)表2.

2 計(jì)算方法

圖像型火災(zāi)風(fēng)險(xiǎn)評(píng)估層次分析方法的研究，能適應(yīng)不同建筑物的火災(zāi)風(fēng)險(xiǎn)分析評(píng)估，專(zhuān)業(yè)技術(shù)人員可以人工介入，實(shí)現(xiàn)對(duì)火災(zāi)風(fēng)險(xiǎn)評(píng)估結(jié)果的人工糾偏.實(shí)踐應(yīng)用中隨著基礎(chǔ)數(shù)據(jù)的積累，基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的火災(zāi)風(fēng)險(xiǎn)人工智能分析評(píng)估算法和火災(zāi)風(fēng)險(xiǎn)分析評(píng)估方法的研究工作，就是圖像型火災(zāi)風(fēng)險(xiǎn)層次分析評(píng)估方法［10-14］.

人工智能是新興科學(xué)技術(shù)，屬于計(jì)算機(jī)科學(xué)，如人腦一樣對(duì)特定物和目的做出評(píng)估分析的反應(yīng)或響應(yīng)、動(dòng)作及反饋的科學(xué)技術(shù)，人工智能的應(yīng)用包括機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專(zhuān)家系統(tǒng)等.

2.1 層次分析法

火災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)的方法有多種，其中采用模糊數(shù)學(xué)進(jìn)行綜合評(píng)價(jià)的方法被稱(chēng)為模糊綜合評(píng)價(jià)，其綜合考慮多種影響因素，并運(yùn)用模糊數(shù)學(xué)方法對(duì)某對(duì)象進(jìn)行評(píng)價(jià).建筑物場(chǎng)所火災(zāi)風(fēng)險(xiǎn)評(píng)估是一個(gè)相對(duì)的概念，無(wú)法明確與判斷一個(gè)建筑物場(chǎng)所是否會(huì)發(fā)生火災(zāi)，此問(wèn)題可被稱(chēng)為模糊問(wèn)題［7］.

層次分析法是一種定性與定量相結(jié)合的分析方法［9，13］，特點(diǎn)是將定性和定量因素同時(shí)處理.層次分析法將要評(píng)價(jià)的模糊問(wèn)題分解成不同的層次，并對(duì)各層次進(jìn)行分析，從而將其層次數(shù)學(xué)化.主要涉及構(gòu)建階梯式層次結(jié)構(gòu)模型，確定各評(píng)價(jià)因素和評(píng)價(jià)指標(biāo)的權(quán)重，進(jìn)行一致性檢驗(yàn)，以及對(duì)檢驗(yàn)結(jié)果進(jìn)行綜合排序等步驟.

2.2 火災(zāi)風(fēng)險(xiǎn)評(píng)估層次結(jié)構(gòu)

建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)價(jià)體系分為目標(biāo)層、準(zhǔn)則層和指標(biāo)層，其中準(zhǔn)則層為一級(jí)指標(biāo)，指標(biāo)層為二級(jí)指標(biāo).綜合前述建筑物火災(zāi)風(fēng)險(xiǎn)影響因素，建立階梯層次結(jié)構(gòu)見(jiàn)表3.

2.3 火災(zāi)風(fēng)險(xiǎn)指標(biāo)權(quán)重確定

構(gòu)建判斷矩陣是層次分析法的第一步，通過(guò)比較各層因素的重要性，并采用相關(guān)數(shù)字標(biāo)度表示，以量化不同因素的重要程度.選擇正確的標(biāo)度方法，進(jìn)而構(gòu)造出一致性判斷矩陣，是層次分析法運(yùn)用的前提和保障.相比于三標(biāo)度和1～9標(biāo)度，指數(shù)標(biāo)度法更符合人們的思維判斷，同時(shí)避免了三標(biāo)度中評(píng)價(jià)指標(biāo)之間重要關(guān)系劃分不細(xì)致的問(wèn)題，以及1～9標(biāo)度法中評(píng)價(jià)指標(biāo)權(quán)重值之差縮小的問(wèn)題.計(jì)算公式為，

U=1.316b（1）

式中，U為指標(biāo)權(quán)重，b為標(biāo)度，其具體含義見(jiàn)表4.

基于火災(zāi)安全領(lǐng)域?qū)＜覍?duì)相關(guān)因素重要性的評(píng)價(jià)，得到準(zhǔn)則層及指標(biāo)層的判斷矩陣［9，13］.由于判斷人認(rèn)識(shí)的局限性和多樣性，所得到的判斷矩陣需進(jìn)行一致性檢驗(yàn)，判斷計(jì)算得到的權(quán)重是否合理.

一致性指標(biāo)計(jì)算公式為，

式中，CI為趨向一致性，n為判斷矩陣的階數(shù)，λmax為矩陣的最大特征根.

一致性比率計(jì)算公式為，

若一致性比率CRlt;0.10，則滿足一致性要求.RI為隨機(jī)一致性指數(shù)，RI取值見(jiàn)表5.

一級(jí)指標(biāo)權(quán)重確定，見(jiàn)表6.

計(jì)算得到矩陣最大特征根λmax=4.028 4，特征向量Wu=［0.483 2 0.260 9 0.149 3 0.106 6］.由一致性檢驗(yàn)公式（2）和式（3）計(jì)算得出，CR=0.016 3lt;0.1，滿足一致性要求.

二級(jí)指標(biāo)權(quán)重確定，見(jiàn)表7.

計(jì)算得到矩陣最大特征根λmax1=4.028 4，特征向量Wu1=［0.208 4 0.112 6 0.440 2 0.238 9］.由一致性檢驗(yàn)公式（2）和式（3）計(jì)算得出，CR=0.016 3lt;0.1，滿足一致性要求，見(jiàn)表8.

計(jì)算得到矩陣最大特征根λmax2=4.009 4，特征向量Wu2=［0.444 2 0.194 9 0.120 8 0.240 0］.由一致性檢驗(yàn)公式（2）和式（3）計(jì)算得出，CR=0.005 4lt;0.1，滿足一致性要求，見(jiàn)表9和表10.

計(jì)算得到矩陣最大特征根λmax3=2.000 0， 特征向量Wu3=［0.633 9 0.366 1］.

計(jì)算得到矩陣最大特征根λmax4=2.000， 特征向量Wu3=［0.568 2 0.431 8］.

2.4 指標(biāo)隸屬度及評(píng)估矩陣

利用人工智能圖像識(shí)別技術(shù)，對(duì)各因素進(jìn)行模糊評(píng)價(jià)，識(shí)別一個(gè)或多個(gè)評(píng)估單元，依據(jù)識(shí)別結(jié)果（典型識(shí)別物種類(lèi)），判定評(píng)估對(duì)象火災(zāi)風(fēng)險(xiǎn)等級(jí).首先，對(duì)每個(gè)輸入評(píng)估單元各指標(biāo)的危害等級(jí)進(jìn)行評(píng)判.

評(píng)估單元各指標(biāo)的危險(xiǎn)等級(jí)判據(jù)為，

其中，N為所識(shí)別出的典型識(shí)別物種數(shù)；N真為該指標(biāo)層對(duì)應(yīng)的典型識(shí)別物總種數(shù).

指標(biāo)隸屬度的計(jì)算公式為，

式中，Kmn為m指標(biāo)的n等級(jí)所對(duì)應(yīng)的隸屬度；m為指標(biāo)編號(hào)；n為模糊風(fēng)險(xiǎn)等級(jí)，共5個(gè)等級(jí)，分別為低、較低、一般、較高和高，為便于統(tǒng)計(jì)計(jì)算，分別用數(shù)字1、3、5、7和9表示；N0為輸入評(píng)估單元的總數(shù)量.

評(píng)分結(jié)果見(jiàn)表11.K11=0.0，表明輸入場(chǎng)景中無(wú)低風(fēng)險(xiǎn)場(chǎng)景；K13=0.5，表明輸入場(chǎng)景中有50%場(chǎng)景為一般風(fēng)險(xiǎn).

則點(diǎn)火源因素評(píng)判矩陣為（舉例）：

同理，得到其他準(zhǔn)則層的評(píng)判矩陣C2、C3和C4.

2.5 火災(zāi)風(fēng)險(xiǎn)的模糊綜合評(píng)估

根據(jù)指標(biāo)層模糊綜合評(píng)判向量計(jì)算公為，

E1=Wu1×Ci［］（6）

同理，得到其他指標(biāo)因素的模糊綜合評(píng)判向量E2、E3和E4.

將各指標(biāo)層評(píng)判向量Ei進(jìn)行組合得到準(zhǔn)則層的評(píng)判矩陣.

根據(jù)準(zhǔn)則層的模糊綜合評(píng)估向量計(jì)算公式，

E=Wu×C［］（8）

再結(jié)合綜合評(píng)分值計(jì)算公式，計(jì)算得出綜合火災(zāi)風(fēng)險(xiǎn)值為，

T=E×DT（9）

式中，T為綜合火災(zāi)風(fēng)險(xiǎn)值；DT=［1，3，5，7，9］，對(duì)應(yīng)于評(píng)語(yǔ)集矩陣的定義［低，較低，一般，較高，高］.根據(jù)T值大小，給出建筑火災(zāi)風(fēng)險(xiǎn)等級(jí)，見(jiàn)表12.

綜上所述，本研究采用的建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)估層次分析方法可實(shí)現(xiàn)遠(yuǎn)程火災(zāi)風(fēng)險(xiǎn)診斷.

3 結(jié) 論

本研究構(gòu)建了建筑物圖像型火災(zāi)風(fēng)險(xiǎn)評(píng)估層次分析方法，并在火災(zāi)風(fēng)險(xiǎn)分析評(píng)估工作中得以實(shí)現(xiàn)［1］.由于建筑物場(chǎng)景情況的多樣性和復(fù)雜性等存在巨大差異，而多數(shù)火災(zāi)風(fēng)險(xiǎn)評(píng)估方法又存在各自的局限性，因此，難以找到一個(gè)相對(duì)通用的火災(zāi)風(fēng)險(xiǎn)分析評(píng)估方法能夠客觀反映建筑物的火災(zāi)風(fēng)險(xiǎn)程度，而層次分析法可以相對(duì)客觀得到評(píng)估對(duì)象的火災(zāi)風(fēng)險(xiǎn)，拓展了建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)估分析的延展性和選擇性.同時(shí)，基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的火災(zāi)風(fēng)險(xiǎn)人工智能評(píng)估算法變得可行.

當(dāng)前火災(zāi)風(fēng)險(xiǎn)分析評(píng)估診斷技術(shù)中，只是在火災(zāi)風(fēng)險(xiǎn)識(shí)別階段實(shí)現(xiàn)了人工智能化，在風(fēng)險(xiǎn)評(píng)價(jià)階段依然采用傳統(tǒng)的火災(zāi)風(fēng)險(xiǎn)評(píng)估分析法體系，受限建筑物火災(zāi)風(fēng)險(xiǎn)分析評(píng)估體系的適用范圍，難以保證對(duì)所有類(lèi)型的建筑物的評(píng)估對(duì)象給出足夠客觀的評(píng)估結(jié)論.未來(lái)將采用人工智能技術(shù)，超越人為設(shè)計(jì)的火災(zāi)風(fēng)險(xiǎn)評(píng)估分析指標(biāo)體系，構(gòu)建火災(zāi)風(fēng)險(xiǎn)評(píng)估層次分析模型，有效提升建筑物場(chǎng)景火災(zāi)風(fēng)險(xiǎn)層次分析法的拓展性與適應(yīng)性.

參考文獻(xiàn)：

［1］范維澄，孫金華，陸守香.火災(zāi)風(fēng)險(xiǎn)評(píng)估方法學(xué)［M］. 北京：科學(xué)出版社，2004

［2］唐飛，胡隆華，霍然，等.基于層次分析法的城中村區(qū)域火災(zāi)風(fēng)險(xiǎn)評(píng)估模型［J］.消防科學(xué)與技術(shù)，2010，29（6）：533-537

［3］余高明，鄭立剛.火災(zāi)風(fēng)險(xiǎn)評(píng)估［M］.北京：機(jī)械工業(yè)出版社，2019.

［4］田玉敏，蔡晶菁，姜宏梁，等.建筑物火災(zāi)風(fēng)險(xiǎn)評(píng)估指南［M］.北京：化學(xué)工業(yè)出版社，2014.

［5］楊黎仁，商靠定，劉靜.古斯塔夫法在電商物流倉(cāng)庫(kù)火災(zāi)風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究［J］.安全與環(huán)境學(xué)報(bào)，2018，18（6）：2120-2125.

［6］徐敏，陳國(guó)良，周心權(quán).高層建筑火災(zāi)風(fēng)險(xiǎn)的神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)［J］.湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2003，21（3）：69-72.

［7］孫宇臣，王自朝，葛寶臻.視頻火災(zāi)探測(cè)系統(tǒng)現(xiàn)狀分析［J］.消防科學(xué)與技術(shù)，2007，26（4）：414-417.

［8］李華軍，梅寧，程曉舫.城市火災(zāi)危險(xiǎn)性模糊綜合評(píng)估［J］.火災(zāi)科學(xué)， 1995，4（1）：44-50.

［9］李無(wú)為.層次分析法簡(jiǎn)介［J］. 學(xué)校衛(wèi)生，1989，10（4）：26-29.

［10］李引擎，馬道貞，徐堅(jiān).建筑結(jié)構(gòu)防火設(shè)計(jì)計(jì)算和構(gòu)造處理［M］.北京：中國(guó)建筑工業(yè)出版社， 1991.

［11］孫波，程明.建筑火災(zāi)的防范［J］.山東消防， 2002，17（12）：42.

［12］蔡躍.火災(zāi)下預(yù)應(yīng)力混凝土結(jié)構(gòu)計(jì)算理論及抗火設(shè)計(jì)方法研究［D］.上海：同濟(jì)大學(xué)，2003.

［13］侯遵澤，楊瑞.基于層次分析方法的城市火災(zāi)風(fēng)險(xiǎn)評(píng)估研究［J］.火災(zāi)科學(xué)， 2004，13（4）：203-208.

［14］江見(jiàn)鯨，徐志勝.防災(zāi)減災(zāi)工程學(xué)［M］.北京：機(jī)械工業(yè)出版社， 2005.

Study on Hierarchical Analysis Method of Fire Risk Assessment of Buildings

Abstract：

The quantitative representation and analysis of fuzzy mathematical qualitative problems in picture fire risk characteristics，discrete characteristic expression （discontinuous） fuzzy control，and comprehensive level analysis of the fire risk which is related to the system engineering incidence matrix static evaluation method are all scientifically and positively discussed and researched，which can make better fire risk assessment analysis.Therefore，a better system evaluation method can be selected and applied.

Key words：

fire;risk;picture;hierarchical analysis;assessment