基于PCA-FPP-BP神经网络的高层建筑火灾安全评价*

牛发阳　段美栋　王建波　姜东民　杨冠楠

(1.青岛理工大学管理学院　山东青岛 266520；　2.中建三局总承包公司郑州分公司　郑州 450000)



基于PCA-FPP-BP神经网络的高层建筑火灾安全评价*

牛发阳1段美栋1王建波1姜东民1杨冠楠2

(1.青岛理工大学管理学院山东青岛 266520；2.中建三局总承包公司郑州分公司郑州 450000)

为解决高层建筑构造复杂、人员密度大、火灾触发因素繁多而造成高层建筑火灾安全评价困难的问题，本文提出基于PCA-FPP-BP神经网络的高层建筑火灾安全评价模型。首先运用主成分分析(PCA)对构建的高层建筑火灾安全评价指标降维处理，筛选主要信息；接着基于三角模糊数构建模糊评判矩阵，利用模糊优先规划(FPP)求解指标的权重值，减少主观的影响；最后考虑到指标间关系错综复杂彼此交叉和反馈的特性，选择BP神经网络对高层建筑火灾安全进行评价。通过工程案例证明该评价模型的实用性以及可靠性。

高层建筑火灾安全评价模糊优先规划BP神经网络

0　引言

高层建筑结构复杂、人员流动性大、垂直距离长，导致火灾发生时火势蔓延迅速和人员疏散难度大，易造成人员伤亡、财产损失。因此，对于高层建筑火灾安全的评价迫切需要针对性、科学性、适用性的方法，以便于了解高层建筑所处火灾安全状态，及时采取应对措施。高层建筑火灾安全评价受到较多因素的影响，属于非线性评价问题。传统的评价方法无法有效的解决因素间的非线性问题，如利用层次分析法、区间层次分析法对指标赋权存在判断矩阵无法检验的缺陷[1-2]；选用模糊综合评价方法虽考虑了指标的模糊性，但核心仍然是利用层次分析法赋权[3]；选择灰色关联法保留了已有信息的完整，但指标间的关系并非成几何序列[4]；利用RBF神经网络较好的处理指标间复杂的关系[5]，但存在着网络输入指标过多导致RBF神经网络收敛速度慢的缺陷。上述学者在研究高层建筑火灾安全评价时忽略指标间的交叉作用，而火灾事故的发生可能由于单一因素引起的连锁反应。

鉴于此，本文提出基于PCA-FPP-BP神经网络的高层建筑火灾安全评价模型，试图通过三角模糊语言将定性指标定量化构建模糊评判矩阵，结合模糊优先规划计算判断矩阵的权重，克服其一致性检验难通过的弊端；利用主成分分析对输入指标降维，在提高训练速度的同时又不失信息的可靠性；最后将降维后的指标输入BP神经网络中，克服了高层建筑火灾安全指标间交叉问题，实现科学、快速地评价高层建筑火灾安全。

1　高层建筑火灾安全评价指标体系的构建

高层建筑火灾安全影响因素繁多，彼此交叉影响，造成难以构建完善的高层建筑火灾安全评价指标，而指标建立是否合理决定着高层建筑火灾安全评价的成败。建立高层建筑火灾安全评价指标要从全局考虑，即从火灾发生前后的救援、疏散、安全管理[6]等方面。故本文从高层建筑火灾发生和处理流程的角度作为建立指标的切入点，参照文献[7-8]的研究结果以及《高层建筑防火设计规范》、《消防法》、《建设工程消防监督管理规定》等相关文件的要求，邀请从事高层建筑消防设计人员、政府消防官兵、高校高层建筑火灾安全研究的教授等15人组成专家组，根据自身的工作经验以及专业知识，同时从具体工程案例的实际情况出发，建立了图1所示的高层建筑火灾安全评价指标体系。

图1　高层建筑火灾安全评价指标体系

2　基于PCA-FPP-BP神经网络的高层建筑火灾安全评价模型的构建

为克服高层建筑火灾安全评价指标繁多且彼此关联和制约，造成评价难度大，而传统赋权方法难以取得较好效果的问题，本文利用主成分分析法对所建立的指标进行初步筛选，排除非关键因素。接着运用模糊优先规划求得指标权重值，增加赋权的客观性。最后借助BP神经网络在自学习方面的优势，把经主成分分析法约简后的指标以及综合得分作为BP神经网络的输入，完成高层建筑火灾安全的评价。2.1指标降维

高层建筑火灾安全指标间相互关联，不经约简直接进行评价不但增加评价过程的难度而且可能因指标间的多元共性而造成评价结果不科学。而主成分分析恰好可通过降维技术在保留关键因素的前提下把若干个指标减少为几个主要的指标，实现对冗余指标的剔除。关于PCA的具体计算步骤见文献[9]。

2.2运用模糊优先规划计算指标权重

为消除高层建筑火灾安全指标不确定性和模糊性，选择三角模糊数将定性指标定量化，三角模糊语言变量转化关系见表1。用(l,m,u)表示三角模糊数M，且l≤m≤u，其中l，u，m分别表示M支撑的下界、上界及中值。u-l的差值大小表示模糊程度的高低，当u=m=l时，M为非模糊判断，表达形式见公式(1)：

(1)

(2)

式中，l和u表示专家模糊评判的最小可能值和最大可能值；m表示最可能值；wi，wj分别表示第i，j个评价指标的权重。当wi/wj≤lij或wi/wj≥uij时，uij<0，表示模糊判断矩阵一致性较差；当wi/wj=mij时，uij取得最大值1。

在可行权向量中，定义其比值隶属度的最小值，即：

up(w)=min{uij(w)|i=1,2,…,n-1;j=2,3,…,n;j>i}

(3)

在满足上述条件的解集中，选择隶属度最大的向量作为解向量，即：

λ*=up(w*)=max{up(w)}

(4)

模糊优先规划可转换成如下的线性规划求解：

(5)

利用Matlab2012a求得最优解(w*，λ*)，其中w*表示隶属度最大的权重值大小，λ*>0表示模糊判断矩阵一致性较好，反之较差。

2.3BP神经网络训练样本数据

表2　高层建筑火灾安全等级

图2　BP神经网络训练模型

3　工程案例分析

以青岛中南金石广场高层建筑为例，验证建立评价模型的有效性。金石广场位于青岛市黄岛区珠江路与井冈山路交叉口，集五星级酒店、5A甲级写字楼、商业街、精装loft公寓于一体的复合商务集群。主体为框架结构，耐火等级为一级，地下3层，地上33层，其中1～6层为商业裙楼，7～27层为公寓住宅，第9层为避难层，建筑总高度135 m，建筑总面积约6万m2，消防水泵设置在底层，室内设置消防报警系统、消火栓系统、自动喷淋灭火系统、防排烟系统。周边拥有大型购物广场，人员流动性强，交通压力大。因此，评价其火灾安全等级对广场的火灾管理显得尤为重要。按照高层建筑火灾安全等级(见表1)对高层建筑火灾安全因素进行打分。同时调查北京国贸大厦、广州中信广场、上海环球金融中心、深圳地王大厦、南京紫峰大厦等高层建筑火灾安全管理作为BP神经网络的20组样本数据。

3.1对高层建筑火灾安全评价指标降维处理

利用主成分分析借助SPSS 20.0软件对指标数据进行降维处理，处理结果见表3。从表3中可以得出，前3个指标即：防火涂料、安全出口数量、消防车道的累计贡献率为84.9%，从而实现指标的降维，即把原来的18个评价指标约简为3个。选择这3个指标为BP神经网络的输入，提高其训练效率。

表3　3个主成分特征值以及累计贡献率

3.2求解降维后指标的权重

利用三角模糊数对降维后的指标进行两两比较，建立模糊判断矩阵，然后计算指标权重值。

maxλ

(6)

得出w1=0.437 0，w2=0.323 5，w3=0.239 5，λ=0.824 6>0，说明建立的模糊判断矩阵的一致性较好。

3.3基于PCA-FPP-BP神经网络的高层建筑火灾安全评价

把PCA降维后的3个主要指标以及专家打分归一化后的结果并结合FPP计算出来该指标的权重值，最终得出高层建筑火灾安全等级的期望值，将其输入BP神经网络。其中将1～15组样本数据作为BP神经网络的训练样本，16～20组样本数据作为BP神经网络检验样本。采用BP神经网络中常用的traingd算子，利用MATLAB.R2012aBP神经网络工具箱对输入的样本数据进行训练。经过多次模拟训练发现：当训练次数为300时，能够满足目标误差ε=0.93的要求。为了检验经主成分分析后的BP神经网络在训练的精度以及速度两方面具有优势，将原有数据输入到传统的BP神经网络中，两者训练的对比结果见表4。

表4　基于PCA-FPP-BP神经网络与BP神经网络训练结果对比

从表4中两者预测结果以及相对误差的对比中可知：基于PCA-FPP-BP神经网络除了在样本18训练输出结果相对误差较大，为24.082%，剩余检验样本相对误差均较为理想；而传统BP神经网络则在样本18的误差高达42.528%，排除个别样本的不合理之处，基于PCA-FPP-BP神经网络在精度上比传统BP神经网络更具优势，能够取到较好的效果。此外样本20最终的输出结果为0.913 6，说明金石广场火灾安全等级位于低火灾范围，需采取加强日常消防演练，保证安全出口的畅通，保证装修材料的耐火等级等措施。

4　结论

(1)通过主成分分析法对构建的高层建筑火灾安全指标进行降维处理，既保留了对高层建筑火灾安全有重要的影响指标，同时减少了BP神经网络的输入，提高训练的速度。

(2)利用三角模糊语言将定性指标定量化，建立模糊矩阵，运用模糊优先规划计算指标的权重，使得指标赋权更加客观性，进一步消除专家主观打分带来的弊端。同时结合BP神经处理非线性关系的优势完成对高层建筑火灾安全的评价，使得评价结果更加科学、高效。

(3)通过建立的PCA-FPP-BP神经网络模型对金石广场火灾安全进行评价，证明该评价模型具有一定的可行性，对于类似高层建筑的火灾安全评价具有一定的推广性。

[1]贾水库,田斌.层次分析法在高层学生公寓火灾危险性评价中的应用[J].中国安全科学学报,2009,19(5):114-118.

[2]王振,刘茂.应用区间层次分析法(IAHP)研究高层建筑火灾安全因素[J].安全与环境学报,2006,6(1):12-15.

[3]吕显智,马建云,陶昆,等.基于模糊综合评价法的高层宾馆消防安全现状评价[J].中国安全生产科学技术,2011,7(5):138-143.

[4]王粟.基于灰色关联分析的高层建筑火灾风险评估[J].中国安全生产科学技术,2013,9(8):83-89.

[5]刘勇求.基于RBF神经网络的高层建筑火灾风险评价[J].中国西部科技,2008,7(4):53-54.

[6]万金保,熊友强,杨勤佳.基于证据理论的高层建筑火灾风险综合模型研究[J].工业建筑,2010(S1):94-99.

[7]万金保,熊友强,孙蕾.高层建筑火灾风险的灰色模糊综合评估[J].工业建筑,2010(S1):100-104.

[8]邵望定.基于模糊综合评价的高层建筑火灾风险评估模型[J].武警学院学报,2015(2):68-70.

[9]张颖.基于PCA的模糊BP网络建模方法在藻类生长状态预测中的应用[J].上海海事大学学报,2011,32(4):76-79.

[10]丁元春,翁发禄,唐敏康.基于突变理论的高层建筑火灾安全综合评价[J].建筑科学,2012(1):22-25.

Fire Safety Assessment of High Rise Building Based on PCA-FPP-BP Neural Network

NIU Fayang1DUAN Meidong1WANG Jianbo1JIANG Dongmin1Yang Guannan2

(1.SchoolofManagement,QingdaoTechnologicalUniversityQingdao，Shandong266520)

In order to solve the difficult problem of the high-rise building fire safety evaluation caused by the complex high-rise building structure, personnel density and various fire-caused factors, this paper proposes a high-rise building fire safety assessment model based on PCA-FPP-BP neural network. Firstly, the principal component analysis (PCA) is used to reduce the dimension of the building fire safety evaluation index, and the main information is selected; then, fuzzy judgment matrix is constructed based on triangular fuzzy number, the weight value of the index is solved by fuzzy priority programming (FPP) and the subjective influence is reduced; finally considering the complicated relations between indexes and the characteristics of cross each other and feedback, the BP neural network is selected to evaluate the fire safety of high-rise buildings. The practicability and reliability of the evaluation model are proved through the engineering case.

high-rise buildingfire risksafety evaluationfuzzy preference programmingBP neural network

2016-01-23)

国家自然科学基金(71471094)，山东省自然科学基金(ZR2011GL021)。

牛发阳，男，1990年生，河南信阳人，硕士研究生，研究方向为工程项目管理。