基于贝叶斯网络的高层建筑火灾情景演化

安 维

(惠州市消防支队，广东 惠州 516001)

基于贝叶斯网络的高层建筑火灾情景演化

安 维

(惠州市消防支队，广东 惠州 516001)

高层建筑火灾的情景分析与演化是突发事件应急决策的基础。从灾害体、受灾体、抗灾体三个维度来描述高层建筑火灾情景要素，研究了基于贝叶斯网络和证据理论的高层建筑火灾情景分析与推演模型，并以某国际大厦火灾为案例，对情景分析与推演模型进行了验证。

高层建筑；火灾；贝叶斯网络；情景演化

0 引言

随着国民经济的飞速发展，各种高层建筑不断涌现。高层建筑的数量和高度快速增长，人员密集程度越来越高，建筑结构和功能十分复杂，可燃物极多，带来非常大的火灾隐患。近年来，国内外高层建筑火灾频繁发生。与一般建筑火灾不同，高层建筑火灾火势蔓延快，人员疏散困难，火灾扑救难度大，极易造成重大的人员伤亡和财产损失，给政府和社会的应对带来巨大的挑战。

突发事件演化模型描述了突发事件的产生、发展、蔓延、衍生、转化等过程，有利于决策者根据事件状态，分析和预测事件未来发展趋势，是突发事件应急决策的基础[1]。高层建筑火灾是一种突发事件，其情景分析与演化就是依据当前情景要素的输入，分析各要素之间的关系及其与下一个情景的各要素之间的关系，进而获得下一个情景要素的相关信息。本文从灾害体、受灾体、抗灾体三个维度来描述高层建筑火灾情景要素，研究了基于贝叶斯网络和证据理论的高层建筑火灾情景分析与推演模型。

1 火灾情景要素及其网络表示

情景是事件发生后，应急决策主体对事件现在以及未来可能发生的所有状态以及使事件从初始状态向未来状态演化的一系列事实描述[2]。突发事件发生以后，事件情景会伴随着致灾因子、承灾体和孕灾环境的变化而出现一系列的动态演化[1]。

高层建筑火灾情景要素可以从三个维度进行描述：灾害体、受灾体、抗灾体。从灾害体的维度分析，高层建筑火灾情景要素主要是火灾相关信息。从受灾体的维度分析，高层建筑火灾情景要素主要包括火灾发生后高层建筑的相关信息、受影响人群的基本情况、火灾给自然和生态环境带来的影响。从抗灾体的维度分析，高层建筑火灾情景要素主要指火灾发生后应急处置人群所采取的相关措施。

抗灾体可以控制灾害体的发展，从而给受灾体带来影响。如果抗灾体采取的应急处置措施非常合理、妥当，高层建筑火灾情景会朝着乐观的情景演变，给受灾体带来最小的损失，这时，情景演变路线是一条受到抗灾体有效控制的路径。反之，如果应急处置措施失效或不恰当，高层建筑火灾情景会朝着悲观的情景演变，受灾体会受到巨大损失，这时，情景演变路线是一条急剧恶化的路径。如果抗灾体不采取任何措施，火灾会按照其自身发生、发展机理的变化不断演变，呈现出一条放纵的路径。因此，由于抗灾体的作用，高层建筑的火灾情景会出现三种路径：控制路径、恶化路径、放纵路径。

众多学者[3-5]采用网络表示方法来描述突发事件情景，从而构建情景演变网络，取得了较好的效果。本文也采用网络表示方法来描述高层建筑火灾情景，其图形表达为：圆形表示高层建筑火灾情景，三角形表示抗灾措施。根据图形表示方法，可以用图1来描述情景A到情景B的演变过程。

图1 情景A到情景B演变的图形表示

对于任何一场高层建筑火灾，我们都可以采用图形表示方法来描述情景的演变过程，构建高层建筑火灾情景演变网络。

2 基于贝叶斯网络的高层建筑火灾情景推演

根据贝叶斯网络建模理论[6-7]，高层建筑火灾情景构建与推演过程主要分为三个步骤。

2.1 识别关键性的变量和变量的取值范围，并用贝叶斯网络中的节点进行表示，高层建筑火灾情景要素包括灾害体(F)、抗灾体(B)、受灾体(R)，其中，R影响F和B的状态。因此，高层建筑火灾的每一个关键情景Ci(Fi,Bi)就是贝叶斯网络中的一个节点，F和B中相关信息的量化取值范围就是节点的取值集合。

2.2 判断网络中节点间的相关关系，并用有向图表示，也就是确定网络的拓扑结构。高层建筑火灾情景的演化受到抗灾措施的巨大影响，采用不同的抗灾措施，可能会出现不同的结果。本文在火灾领域相关专家、消防人员和科研人员的帮助下，找出不同抗灾措施下，当前情景和未来情景之间的演化关系，也就是确定贝叶斯网络的拓扑结构。

2.3 确定贝叶斯网络的概率参数。确定了网络的拓扑结构，也就确定了未来可能发生的各种情景，但是还需要知道这些情景发生的概率。本文采用手工建模方法，由领域专家手动选取贝叶斯网络的节点和拓扑结构，在定义节点状态空间的基础上，构造每个节点的条件概率分布。不同的领域专家，在确定贝叶斯网络的概率参数时，可能会出现不同的结果。本文应用证据理论中的Dempster合成法则[8]，对多个专家的结果进行合成。

对于高层建筑火灾来说，当火灾发生后，火灾当前的情景也就确定了。只需要知道不同的抗灾措施下可能出现的情景变量，以及不同情景变量的先验概率和条件概率，就可以应用贝叶斯网络推理方法对未来出现的各情景变量进行推演。

3 实例应用

3.1 某国际大厦火灾

2011年，某国际大厦因燃放烟花，导致B座楼梯南侧外墙表面装饰材料起火。消防支队接到报警后迅速赶赴现场，消防总队接报后立即启动跨区域灭火救援预案，迅速调集力量前往增援。经全体消防官兵7个多小时的艰苦奋战，大火基本扑灭，共抢救疏散群众470名，保住了大厦A座绝大部分空间、C座整体、邻近居民楼、共用裙楼、共用地下室和B座的部分房间，将火灾损失降到了最低，创造了无人伤亡的超高层、大体量建筑火灾扑救的成功案例。本文利用贝叶斯网络和证据理论对该案例进行情景分析和推演。

3.2 某国际大厦火灾情景推演

3.2.1 确定网络节点变量

从灾害体的角度分析，将火焰燃烧速度和建筑材料的发烟性作为火灾情景本身的状态变量。随着火灾燃烧速度的加快，建筑燃烧面积会不断扩大，因此，将火灾燃烧面积作为受影响的火灾情景的状态变量。

火灾发生后，全力控制大火、积极抢救疏散人员、最大限度降低火灾损失是救援部队的第一任务。因此，从抗灾体的角度分析，将“人员疏散情况”“消防队员数量”“消防设备及其可用性”“应急准备情况”作为火灾情景的响应变量。

从受灾体的角度分析，火灾发生后，会给建筑物本身带来巨大的破坏。因此，将“建筑防排烟设备破坏程度”“建筑防火设备破坏程度”“疏散通道破坏程度”“疏散设施破坏程度”“建筑坍塌情况”“人员疏散情况”作为受灾体本身的状态变量。火灾发生后，受灾体会受到较大的财产和人员损失，因此，将“人员伤亡数”和“财产损失”作为受灾体的损失变量。随着灾害体和抗灾体的相互作用，受灾体的相关状态产生了很大的改变，从而造成火灾燃烧面积和烟雾浓度的变化，所以烟雾浓度也作为火灾情景的状态变量。

综上可以得到该火灾情景知识表示的变量集合，见表1。在确定了上述网络节点变量后，在领域专家和消防领域专业人员的帮助下，可确定这些变量的取值范围。

表1 某国际大厦火灾情景知识表示的变量集合

3.2.2 确定网络拓扑结构

在确定网络节点变量的基础上，采用专家调查法一一确定这些节点变量之间的因果关系。对于多个专家的打分结果，采用Dempster合成法则进行合成。以火焰燃烧速度F1与其他变量之间因果关系的确定为例，说明贝叶斯网络结构的确定过程。

首先，邀请消防领域的5名专家确定F1与其他变量之间因果关系的基本概率赋值函数Mi(A,D)，其中A表示自变量，D表示因变量。然后，利用Dempster证据合成法则对结果进行合成，分别得到F1与其他变量之间因果函数M(F1,D)，见表2。参考相关文献和领域专家的经验，设定信度阀值为η=0.85。如果M(F1,D)≥0.85，则因果关系成立；否则因果关系不成立。最后，得到火灾情景演化的贝叶斯网络结构，如图2所示。

3.2.3 情景推演

根据图2描述的火灾情景演化的贝叶斯网络结构，就可以对火灾情景进行推演。本文采用手工建模方法，使用专家调查表采集领域专家根据经验得到的节点变量的先验概率和条件概率。对于多个领域专家的结果，同样采用Dempster合成法则对其进行合成。

图2 某国际大厦火灾情景演化的贝叶斯网络结构

首先，将F1，F2，B1，B2，B3和B4作为输入情景，将R1，R2，R3，R4，R5，R6作为分析情景，将F3，F4，R7和R8作为输出情景，使用BayesiaLab软件来实现火灾情景推演。火灾发生情景作为第一个情景，将构建的贝叶斯网络结构和输入情景状态变量的条件概率输入到BayesiaLab软件中，就可以计算输出情景各节点变量的状态概率。然后，将得到的输出情景各节点变量的状态概率作为下一次情景分析的输入情景，对其进行分析，从而再得到输出情景，依此循环直至火灾结束，如图3所示。这样，就可以根据火灾现场的情况，采集相关数据对某国际大厦火灾进行情景分析与推演。

下面，以建筑坍塌情况R5为例，说明火灾发生后建筑发生各种坍塌情况(松动、楼板塌落和完全坍塌)的条件概率的获取过程。由图3可知，建筑坍塌情况R5节点变量主要受到节点变量火焰燃烧速度F1和火灾燃烧面积F3的影响。因此，邀请3名消防领域的专家分别在F1和F3的条件下，对建筑坍塌情况R5节点变量的条件概率Mi(P,Q,R)进行打分(P表示松动，Q表示楼板塌落或部分坍塌，R表示完全坍塌)，结果见表3。在此基础上，利用Dempster证据合成法则对结果进行合成，从而得到在F1和F3的条件下R5节点变量的条件概率M(P,Q,R)，其他概率依此类推。

在得到所有节点变量的条件概率后，结合该火灾案例的现场处置情况，确定火灾发生情景和消防队赶到后采用的措施，并将相关节点变量和参数输入到BayesiaLab中去，从而得到后续情景。在该国际大厦平面结构图的基础上，在图中标注计算得到的情境，从而得到火灾情景的模拟推演示意图，如图4所示(图中红色圆圈位置为起火点)。

3.3 某国际大厦火灾情景的实际演变

使用网络表示方法对某国际大厦火灾情景的实际演变过程进行描述。

表2 火焰燃烧速度F1与其他变量之间因果关系的专家打分数据与证据合成结果

图3 高层建筑火灾情景推演网络

表3 建筑坍塌情况R5条件概率打分及证据合成结果

图4 某国际大厦火灾情景的模拟推演示意图

3.3.1 关键情景。在火灾领域相关专家、消防人员和科研人员的帮助下，确定以下情景为此次火灾的关键情景：(1)情景C1，火灾发生情景；(2)情景C2，火灾发生后消防支队力量到达现场时的火灾和人员状态；(3)情景C3，消防总队领导赶到现场时的火灾情景状态；(4)情景C4，3时许A座东侧外墙和建筑内部火势已经得到有效控制；(5)情景C5，现场大火被基本扑灭，但B座建筑内部温度高、烟雾浓，多处仍处于阴燃状态；(6)情景C6，残火被彻底消灭，整个灭火救援战斗行动圆满结束。

3.3.2 抗灾措施。在接到报警后，消防力量采取了一系列的抗灾措施，使火灾得到了很好的控制，将火灾损失降到了最低点。

3.3.3 情景演变网络。根据网络表示方法，得到某国际大厦火灾情景演变的网络表示图，如图5所示。在该国际大厦平面结构图的基础上，将关键情景在图中进行标注，得到火灾情景的实际演变平面示意图，如图6所示(图中红色圆圈位置为起火点)。

图5 某国际大厦火灾情景演变的网络表示

3.4 推演结果与火灾实际演变情况的比较

将情景分析与推演结果(图4)和火灾实际演变情况(图6)进行对比，可以看出本文根据情景模拟推演得到的火灾发展趋势与火灾现场实际情况基本上一致，但也存在一些误差。造成误差的主要原因可能是确定贝叶斯网络的拓扑结构和概率参数采用了专家打分法，该方法不仅会造成结果的主观性比较强，而且程序比较繁琐，从而影响了情景推演的结果。总体上来看，本文采用的基于贝叶斯网络和证据理论的高层建筑火灾情景演化方法是可行的。

图6 某国际大厦火灾情景的实际演变平面示意图

4 结论

高层建筑火灾发生后，火焰和浓烟会迅速蔓延扩大，极易造成重大人员伤亡和财产损失。本文在分析高层建筑火灾情景要素的基础上，采用网络表示方法构建火灾情景演变网络，并结合贝叶斯网络和证据理论实现了高层建筑火灾的情景分析与推演，最后以某国际大厦火灾为案例，对情景分析与推演模型进行了实际验证。

[1] 李从东,高杨,赵映红.突发事件应急管理中的情景适应度研究[J].西安电子科技大学学报(社会科学版),2012,22(3):40-47.

[2] 袁晓芳,田水承,王莉.基于PSR与贝叶斯网络的非常规突发事件情景分析[J].中国安全科学学报,2011,23(1):169-176.

[3] 姜卉,黄钧.罕见重大突发事件应急实时决策中的情景演变[J].华中科学大学学报(社会科学版),2009,23(1):104-108.

[4] 陈刚,谢科范,刘嘉,等.非常规突发事件情景演化机理及集群决策模式研究[J].武汉理工大学学报(社会科学版),2011,24(4):458-462.

[5] 姜卉.应急实时决策中的情景表达及情景间关系研究[J].电子科技大学学报(社科版),2012,14(1):48-52.

[6]PEARLJ.Probabilisticreasoninginintelligentsystems:networksofplausibleinference[M].MorganKaufmann,SanMateo,CA,1988.

[7]CHUPS,ZHAOX.Bayesiananalysisforextremeclimaticevents:areview[J].AtmosphericResearch,2011,102:243-262.

[8] 周忠宝.基于贝叶斯网络的概率安全评估方法及应用研究[D].长沙:国防科学技术大学,2006.

(责任编辑 马 龙)

Bayesian Network-based Scenario Evolution of High-rise Building Fires

AN Wei

(HuizhouMunicipalFireBrigade,GuangdongProvince516001,China)

High-rise building fire’s emergency response decisions are made on the basis of scenario analysis and evolution. Based on Bayesian networks and evidence theory, this thesis studies the scenario analysis and evolution model of high-rise building fires from three aspects, namely fire sources, fire victims, fire fighters, then verifies the scenario analysis and evolution model in the fire of an International Building.

high-rise building; fire; Bayesian network; scenario evolution

2016-10-16

安维(1976— )，男，四川南充人，高级工程师。

D631.6

A

1008-2077(2017)02-0020-06