【摘要】 依據(jù)建筑物火災危險性的影響因素，應用人工神經網絡理論及系統(tǒng)安全方法，建立了建筑物火災危險性的評價指標體系，該方法擺脫了評價過程中的隨機性和參評人員主觀上的不確定性及其認識上的模糊性等缺點，大大提高了準確性。為了驗證評價模型的準確性，將該理論應用到某高校圖書館火災危險性評價中，快速、準確地得到了安全評價結果，取得了滿意效果，為建筑物防火設計以及安全管理提供了可行的依據(jù)。

　　【關鍵詞】 人工神經網絡(ANN)；建筑物火災；安全評價；訓練；系統(tǒng)誤差

　　0 引言

　　20世紀世界各國都經歷了大規(guī)模城市化的過程，建筑業(yè)得到了突飛猛進的發(fā)展，不僅各種建筑物的數(shù)量大大增加，而且這些建筑的使用功能和所使用的建筑材料也發(fā)生了巨大的變化，建筑物內使用的電力、熱力設施大大增加，從而使火災危險程度發(fā)生了很大變化。城市化的加快，造成城市建設急功近利，盲目性很大，因而使城市規(guī)劃缺少理性支撐，缺少系統(tǒng)防災計劃，安全防范水平不高，導致了大部分城市抗御火災的能力極差，存在大量的火災隱患。所以火災起數(shù)及損失隨著城市化和現(xiàn)代化城市進程的加快呈上升趨勢。據(jù)統(tǒng)計，從1991-2000年10年間，我國的城市數(shù)量上升48.7%，建制鎮(zhèn)數(shù)量上升83.7%，城鎮(zhèn)總人口上升53.3%。與此同時，城市火災起數(shù)上升82%，死、傷人數(shù)分別上升59%和13%，直接財產損失上升58%。

　　隨著城市化建設的飛速發(fā)展，安全管理評價工作在城市綜合防災減災方面，占有越來越重要的地位，目前，安全管理的評價方法有很多。如層次分析法、灰色系統(tǒng)評價法、模糊綜合評價法等已經得到較為廣泛的應用，并取得了較好的評價效果。但是由于上述方法都缺乏自學習的能力，而且很難擺脫評價過程中的隨機性和參評人員主觀上的不確定性及其認識上的模糊性等，使得這些方法在實際應用中受到很大的限制，已遠不能適應新形勢的需要。而人工神經網絡模擬人的大腦活動，具有極強的非線性轉換能力、大規(guī)模并行處理、自訓練學習、自組織、內部有大量可調參數(shù)而使系統(tǒng)靈活性強等能力。它不僅能較好地吸取領域專家的評價經驗，并且還具備評價方法的規(guī)范性，較高的抗噪聲干擾能力和容錯性，一定的自組織、自適應性，具有較高的求解效率，表現(xiàn)出多種優(yōu)越性能，所以將神經網絡理論應用于建筑物火災安全評價之中，能克服上述安全評價方法的一些缺陷，大大提高其準確性，并能快速、準確地得到安全評價結果，為建筑物安全管理與控制提供快捷和科學的決策信息，從而及時預測、控制事故，減少事故損失。

　　1 建筑物火災危險性的影響因素及指標體系的建立

　　建筑物火災是由多個火災誘發(fā)系統(tǒng)相互作用的結果。其主要影響因素如下：

　　1)消防安全管理，完善的規(guī)章制度和火災疏散預案、設置專門值班人員、定期對各種設備進行檢修，是提前發(fā)現(xiàn)問題的最好手段。

　　2)建筑物自身狀況，建筑物的墻體、構件、內部裝修的燃燒物質性質、室內火災載荷等，對其控火能力有重要的影響。

　　3)建筑物的防火設計，合理的防火結構與布局，防火、防煙分區(qū)，以及通風空調體系采用良好的防火設計，能夠在火災發(fā)生的初期階段截斷其蔓延，將火災控制在一定的范圍之內。

　　4)安全疏散設計，設計合理的疏散通道和疏散指示標記以及應急照明，足夠數(shù)量的安全出口以及足夠寬敞的安全通道，能夠使人員傷亡降到最低。

　　5)商品性質，建筑物發(fā)生火災，很大程度上是由于建筑物內設備(商品)的易燃性引起，因此。把握易燃物品的數(shù)量及其燃燒性能，定期檢查違章使用狀況。是預防建筑火災的重要途徑之一。

　　6)群集特性，合理限制建筑物內單位時間的人流量，人的良好安全意識與安全行為、人的身體狀況與逃生技能，是減少火災發(fā)生后人員傷亡程度的主要途徑。

　　根據(jù)以上分析，筆者認為，可以建立如下的建筑火災評價指標體系(見表1)。

　　表1 建筑物火災危險性評價指標體系

 

　　2 用于安全評價問題求解的神經網絡設計

　　人工神經網絡是由大量簡單的基本元件——神經元相互聯(lián)結，模擬人的大腦神經處理信息的方式，進行信息并行處理和非線形轉換的復雜網絡系統(tǒng)。人工神經網絡處理信息是通過信息樣本對神經網絡的訓練，使其具有人的大腦的記憶、辨識能力，完成各種信息處理功能。該理論具有良好的自學習、自適應、聯(lián)想記憶、并行處理和非線形轉換的能力，避免了復雜數(shù)學報導，在樣本缺損和參數(shù)漂移的情況下，仍能保證穩(wěn)定的輸出。人工神經網絡這種模擬人腦智力的特性，受到學術界的高度重視和廣泛研究，已經成功地應用于眾多領域，如模式識別、圖像處理、語音識別、智能控制、虛擬現(xiàn)實、優(yōu)化計算、人工智能等領域。

　　2.1 BP神經網絡安全評價過程圖

　　根據(jù)前饋多層式網絡中的取反向傳播模型原理，人工神經網絡安全評價過程圖(見圖1)，簡要地說明了BP神經網絡評價過程。

 

圖1 BP神經網絡安全評價過程圖

　　起初評價時輸入分為3部分：①啟動樣本(通過灰色聚類獲得的樣本)；②安全標準值樣本(經處理后的安全標準樣本)；③輸入對應的樣本訓練目標值。經神經網絡訓練學習后得到了安全評價數(shù)據(jù)庫(網絡權值和網絡結構)，基于安全評價數(shù)據(jù)庫，輸入評價對象的指標數(shù)據(jù)并進行BP網絡處理，經處理后可得到安全評價結果。同時又可以將新得到的安全評價結果生成新的樣本，再次進行網絡訓練，更新數(shù)據(jù)庫。隨著網絡訓練樣本數(shù)增加，網絡的訓練使評價的結果更加精確。當訓練樣本得到一定數(shù)量時，會增加網絡訓練收斂難度，可采取隨機從數(shù)據(jù)庫中提取一定的訓練樣本的辦法，進行網絡訓練，更新數(shù)據(jù)庫。

　　2.2 網絡結構設計

　　神經網絡的拓撲結構由網絡的層數(shù)、各層的節(jié)點以及節(jié)點的連接方式等組成。在以BP網絡為代表的前饋神經網絡，只有相鄰層上的節(jié)點相連接，節(jié)點間的連接強度用權值來表示，因此，在進行網絡結構設計過程中，關鍵的設計參數(shù)只涉及網絡的層數(shù)和各層的神經元數(shù)。

　　前饋網絡采用典型、應用領域最多的BP網絡模型結構，其結構層數(shù)對網絡的性能具有重要的影響。嚴格意義上講，確定網絡層數(shù)的方法是通過大量實際問題的求解來尋求最合適的網絡層數(shù)。

　　在網絡結構的層數(shù)確定以后，各層數(shù)的神經元數(shù)同樣是關鍵參數(shù)，其神經元數(shù)對網絡訓練及其收斂速度有顯著的影響。在筆者所需要解決的建筑物火災安全評價問題上，對應于各評價指標體系，其網絡的輸入和輸出層的神經元數(shù)是確定的，可以調整的參數(shù)是隱含層的神經元數(shù)量。

　　綜合考慮了基于人工神經網絡的安全評價問題，選定了如圖2所示的網絡結構，采用4層網絡模型結構，其結構參數(shù)描述為(P-S1-S2-A)，其中輸入矢量P、第一隱含層的神經元數(shù)S1、第二隱含層的神經元數(shù)S2以及輸出層A。由于建筑物火災安全評價指標體系中各單元體系的指標數(shù)不同，輸入矢量數(shù)P不同；輸出層的單元數(shù)在文中的問題求解中，由于只有一個輸出，故輸出層只有一個神經元。兩個隱含層的神經元數(shù)將根據(jù)各評價單元的訓練收斂情況進行調整。

 

圖2 建筑物火災安全評價神經網絡結構設計

　　原始數(shù)據(jù)的訓練結果期望目標值與評價結果的輸出格式如表2所示。

表2 安全評價輸出結果等級的劃分對照表

 

　　3 建筑物火災安全評價模型評價能力的訓練

　　3.1 網絡訓練樣本輸入數(shù)據(jù)的初始化方法

　　由于神經網絡訓練過程中，傳遞激活函數(shù)是訓練的關鍵環(huán)節(jié)，而傳遞函數(shù)的特性要求其信息的輸人數(shù)據(jù)在[0，1]區(qū)間內，因此，必須對網絡訓練所需的原始樣本數(shù)據(jù)進行初始化處理，轉化為分布于[0，1]區(qū)間范圍的數(shù)據(jù)，這是網絡模型訓練過程的基礎工作。初始化的具體方法取決于原始數(shù)據(jù)的數(shù)量級，根據(jù)每個輸入數(shù)據(jù)中的最大值來確定初始化的數(shù)量級，根據(jù)式(1)進行。

 

式中，

　　Pij——初始化后的用于網絡輸入的數(shù)據(jù)；

　　Xij——原始采集數(shù)據(jù)；

　　N——使原始數(shù)據(jù)中各指標數(shù)據(jù)對應的最大值max(Xij)轉化為[0，1]范圍的數(shù)據(jù)的值，通過試算得到。

　　3.2 網絡訓練樣本數(shù)據(jù)和待評建筑物安全數(shù)據(jù)的準備

　　根據(jù)某高校圖書館提供的建筑物火災原始數(shù)據(jù)分析和整理而得到的27個實例樣本作為基于神經網絡的安全評價模型的訓練樣本數(shù)據(jù)，并分別對安全管理因素訓練樣本、群集特性因素訓練樣本、商品性質因素訓練樣本、安全疏散因素訓練樣本、防火設計因素訓練樣本、建筑情況因素訓練樣本各個分級單元指標的27個網絡訓練樣本進行網絡訓練。為了使網絡達到較小的系統(tǒng)總誤差，訓練最大步數(shù)選擇要大一些，評價網絡的好壞也都用系統(tǒng)誤差來刻畫。在計算機試算過程中發(fā)現(xiàn)，并不是網絡學習誤差越小，網絡的推理能力也越強。也就是說，網絡存在最佳的訓練步數(shù)，使網絡訓練誤差和評價誤差都達到要求，避免網絡過度訓練而出現(xiàn)“麻痹”現(xiàn)象，最佳的訓練步數(shù)需要多次運算才能得到。

　　3.3 網絡訓練過程及其建筑物火災安全評價結果

　　根據(jù)單元評價指標體系進行評價模型結構參數(shù)、網絡訓練參數(shù)確定，并根據(jù)上述的各個訓練樣本數(shù)據(jù)在計算機上進行訓練，網絡完全識別了所給的學習樣本，達到要求的誤差并確定網絡內部結構參數(shù)權值后，訓練結果表明了網絡汁算值與期望輸出值的分布情況，訓練過程的誤差、學習率、最大迭代次數(shù)以及實際所用的循環(huán)次數(shù)，各個單元指標的訓練特征分別如圖3～圖8所示。所有圖的上半部分為訓練誤差的變化情況，下半部分為學習率動態(tài)調整的變化狀態(tài)，圖形表明網絡訓練均達到收斂狀態(tài)。

 
圖3 安全管理因素訓練過程監(jiān)測

 
圖4 群集特性因素訓練過程監(jiān)測

 
圖5 商品性質因素訓練過程監(jiān)測

 
圖6 安全疏散因素訓練過程監(jiān)測

 
圖7 防火設計訓練過程檢測

 

  圖8 建筑情況因素訓練過程監(jiān)測

　　經過大量計算后，由訓練樣本數(shù)據(jù)得到完成訓練并達到收斂條件后的網絡權重參數(shù)，作為待評建筑物火災各單元指標體系參數(shù)計算的依據(jù)，安全評價的計算結果匯總于表3。

　　從表3所示的評價結果可知，待評建筑物安全狀況的評價結果與實際情況相符。結合該圖書館的特點及安全狀況，由于客觀條件限制，沒有真正處于完全安全狀態(tài)的建筑物，存在導致事故的隱患，但完全消除隱患在我國消防技術和經濟條件下還是可能的。因此，評價結果大部分處于“較安全”狀態(tài)，該結果在我國建筑物中具有普遍性，同時也證明了安全評價結果的可靠性。

　　4 結論

　　1)把神經網絡理論引入建筑物火災安全管理評價中，建立建筑物火災安全管理新的評價模型，在一定程度上彌補了現(xiàn)有評價方法的不足，并且神經網絡理論將為建筑物火災的安全管理提供科學的決策信息，從而避免事故的發(fā)生。

　　2)基于人工神經網絡理論的建筑物火災安全評價，有利于城市的防火規(guī)劃的制定，有利于城市消防的宏觀調控，有利于城市消防防災減災對策的完善。因此，該研究對城市生命線系統(tǒng)的日常管理、工程監(jiān)控及減災對策的綜合研究以及適合于區(qū)域發(fā)展的使用系統(tǒng)的建立和完善具有積極的意義，并且還可為城市建設和經濟的可持續(xù)發(fā)展提供現(xiàn)代化的管理和決策方法。

　　表3 待評建筑物安全評價結果匯總表