船舶舱室火灾危险等级实时分类研究

徐 昊，袁 伟，俞孟蕻

(1.江苏科技大学计算机学院，江苏镇江212000；2.江苏科技大学电子信息学院，江苏镇江212000)

0 引言

邮轮具有高密集度的居住游客及船员，人员数量是其他船舶无法比拟的，而且其人员的活动形式也是多种多样。在这个相对狭小的空间一旦发生火灾，其传播速度非常迅速，造成的人员伤亡及财产损失是巨大的，因此邮轮安全得到了前所未有的重视[1]。能够在火灾发生之前就能够及时发现灾情，将火灾消灭在萌芽之中，自然可以将损失减轻到最小。但是火灾不可控的因素太多，很容易发生轰燃等剧烈燃烧的状况，使得扑灭难以进行，此时就需要将火灾控制在一定区域，防止火灾的进一步蔓延和安排船上人员逃生[2]。为实现这一目的，就需要能够对不同舱室的参数进行实时监测并判断该舱室灾情等级，灾情等级较高的舱室就有可能成为蔓延的对象，集中力量对高危险等级舱室进行攻关扑灭，就有可能控制火灾在较小区域，防止进一步蔓延。

对于火灾的等级评估从来都不是只根据某一类信息就能准确评估的，需要融合多类信息进行综合判断。黄衍顺[3]采用层次分析法对各个指标进行权重分析，并建立基于模糊识别模式的船舱火灾风险评价模型，把权广义距离之和最小的模糊识别模型用于综合评判中。姚绪梁[4]根据各舱室感温、感烟探头送入的火情信息以及舱室本身的火灾危险度信息，通过模糊推理决策得到了发生火灾时报警舱室及其邻舱的连锁报警等级信息。Ya-yun Wei[5]提出一种基于模糊数学和支持向量机（SVM）算法的火灾风险快速评估方法。上述方法融合了多种传感器的信息进行判断，但是只是针对单一舱室类型，需要预先掌握不同舱室的类型、尺寸等信息。因此本文提出了一种能够实时判断火灾中不同舱室危险等级的评估模型。

首先使用Pyrosim设计一个单层多舱室的平台，根据仿真实验分别定性和定量地分析烟气的蔓延特点，以烟气对人体的影响程度定量地划分级别，然后利用一个6层的改进的BP神经网络对数据进行分类，能够实时得出不同类型、尺寸舱室的危险级别。

1 舱室火灾等级分类模型建立

由于火灾蔓延实验成本较高，难以实施现场实验，所以本实验使用Pyrosim软件进行仿真，在仿真数据上验证模型的可行性。Pyrosim可对包含炉火、电气火、油火、气火在内的多种火灾进行数值模拟，计算出多种物质的运动和变化。其提供的可视化模块为烟气的蔓延规律提供了直观的表现，及生成图表定量分析各种物质的变化规律。

首先设计一个单层多舱室的平台，定性分析烟气蔓延的特点，确定传感器布置位置，然后定量分析不同物质的蔓延特点，最后根据不同物质对人体的影响将火灾危险等级进行定量的划分。

1.1 实验模拟场景设计

舱室火灾不同于建筑物火灾，舱室一般较为狭小，会使得燃烧不充分，烟气中含有大量未燃烧的烟尘和浓度较高的CO等有毒气体，这些携带着大量热量并可燃的烟气蔓延至相邻舱室附着在某些可燃物上，引发二次火灾，成为新的火源点[6]。由于本实验的对象是邮轮舱室，根据《国际海上人命安全公约》，一般情况下，舱室的所有衬板、风挡和天花板应为不燃材料，且竖井等通道有相应的控制系统。暂不考虑由于烟囱效应而引起的烟气向上蔓延而引发的二次火灾，所以本实验所采用的对象是单层具有多个房间的舱室，包括客房、餐厅、卫生间等房间。舱室大小根据实际而定，整个尺寸为（长宽高）36 m×24 m×2.5 m。模型墙壁均设定为不可燃烧。

统计数据显示，在火灾中因烟气死亡的人的可能性是被烧死的4～5倍[7]。烟气的传播速度超过火的速度5倍，其流动方向就是火灾蔓延的方向[8]。

根据上述实验条件，为了简化实验，舱室内没有放置家具等物品，将不同房间之间的门或通道设置为畅通，且无通风系统影响烟气蔓延，火灾舱室中的火焰已经发展成为较大规模，呈稳定释放热量的状态，以便于分析自然状态下烟气蔓延的特点。

舱室布局图如图1所示，火源点设置在图中小方框处，火源点设定为聚氨酯和黄松木，黄松木燃点为450℃，热释放功率为500 kW/s，其他参数为Pyrosim默认参数。

图1 舱室布局图Fig.1 Cabin layout

1.2 烟气蔓延定性分析

烟气蔓延一般会受舱室尺寸、布局等影响。从图2可以看出，当发生火灾时，会迅速产生大量烟气，6 s时就充满整个舱室，随着烟气增多，烟气会沿着走廊传播，起火35 s时，完全蔓延整个走廊，接着蔓延至和走廊相连的一些空间较小的舱室，起火80 s时，一些小空间的舱室已经被烟气完全蔓延，而餐厅由于空间较大，需要一定时间蔓延完全。起火160 s时，餐厅也被完全蔓延。最终随着火灾规模的不断扩大，烟气不断增加，热烟气层对其他舱室的可燃物辐射加热，使得可燃物达到燃点而引发二次火灾。

图2 烟气蔓延图Fig.2 Smoke spread map

根据上述对烟气蔓延的特点的一个定性分析，将各种传感器主要设置在门处和走廊节点处，可以比放置在各房间中心更快检测到预警的烟气各项参数。如图3所示，放置了10处，涵盖了大部分区域。

2 烟气蔓延规律分析

2.1 烟气蔓延定量分析

图3 传感器布置图Fig. 3 Sensor layout

定性分析烟气的传播规律，确定了传感器的布置位置，但是仍需要定量分析不同参数的数值变化，需要确定选择哪些传感器。

根据统计，火灾中致伤、致死的原因[9–11]如表1所示。

表1 火灾中致伤、致死原因Tab. 1 Causesof injury and death in a fire

通过以上对火灾中人员致伤致死的原因分析，并根据Pyrosim软件可监测的物质，选择监测温度（TEMP）、CO2浓度、CO浓度、O2浓度、烟尘密度、烟尘能见度6项数据。

通过整合数据，将不同位置同类传感器的数据绘制在一张图上，图例以“传感器_离火源点距离”的格式进行表示，可以直观看出火源点对不同距离传感器的影响。图4(a)~图4(f)六图分别表示温度、CO2浓度、CO浓度、O2浓度、烟尘密度和烟尘能见度。可知，传感器5离火源点距离最近，各项参数响应也最迅速。

图 4不同参数变化图Fig.4 Different parameterschangediagram

以温度属性为例进行具体分析。当起火6 s时，传感器5的温度值迅速上升，而其他传感器由于烟气还未蔓延到，基本呈水平趋势，变化不明显。起火35 s时，传感器5的温度值已达到暂时稳定值，在150℃左右。而烟气已经蔓延至各走廊处，传感器4和传感器6的温度值开始变化，但是由于离火源点较远，烟气温度下降，稳定在60℃和70℃处。起火160 s时，此时烟气已经充满了整个平台舱室，烟气无法散热降温，而火源点一直在释放热量，所以各个传感器处的温度都有不同程度的二次上升，尤其是传感器5，温度陡然上升至300℃。再观察其余几个属性的特点，除了传感器5和传感器6因为距离近，受火源点的影响较大，而变化抖动较大，其余几个传感器都基本呈线性关系变化。但是图4(f)图的烟尘能见度在50s处就基本全部趋于0。

2.2 舱室危险等级划分

通过对烟气蔓延特点的研究以及火灾中致死致伤原因的分析，可以对火灾等级进行划分。综合考虑不同参数，以对人体的影响程度为基准，即人可以在火灾中能够待多久，分为4个等级，划分等级如表2所示。

表2 舱室危险等级划分Tab.2 Classification of cabin hazard

3 舱室火灾等级分类模型

通过确定的检测参数，进行多组实验，整理数据，将其输入至BP神经网络中，输出舱室火灾等级，实现自动预警，为进一步预测火灾蔓延方向提供依据。模型流程图如图5所示。

图5 模型流程图Fig. 5 Model flow chart

3.1 BP神经网络

自1986年Rumelhart和McCelland首次提出BP神经网络[12]，距今已有30多年，在众多领域有着成熟的应用，成为最广泛的神经网络之一。BP神经网络的学习过程由信号的正向传播与误差的反向传播2个过程组成，不需要预先定义输入与输出之间的数学表达式。BP神经网络一般包含输入层、多个隐藏层和输出层，每一层都可以有多个节点（x），不同层之间的节点通过权重（w）连接，权重通过反向传播进行调节。

正向传递过程的计算方法如下：

其中σ(·)表示激活函数。

在传统的BP神经网络中，激活函数常用Sigmoid函数，Sigmoid的数学公式是它可以将数值“挤压”至0～1之间，输出为概率。但是Sigmoid函数易饱和，使得梯度消失。从图6（a）可知，Sigmoid的导数从0开始，又很快趋于0，造成“梯度消失”现象。而且Sigmoid函数的输出值恒大于0，这会导致模型训练的收敛速度变慢。

图6 激活函数Fig.6 Activation function

自从AlexNet中提出使用ReLU来代替传统的激活函数，使得在深度神经网络中大大缓解了“梯度消失”这一问题[13]。如图6（b），ReLU的数学公式为σ(x)=max(0,x)，相较于Sigmoid函数，ReLU对随机梯度下降的收敛有着巨大的加速作用，而且ReLU的求导十分简单，几乎没有任何计算量，导数表达式为而且ReLU具有单侧抑制，稀疏激活性等优点，与人的脑神经元的工作原理相似。

3.2 网络结构与结果分析

使用BP神经网络训练模型，需要大量的数据，本文进行4次实验，火源点分别为图7中小方块处，包含了客房、餐厅、厨房等易发生火灾的地方，具有一定的普遍性。

图 7火源点放置位置图Fig.7 Fire source point placement map

现在已经确定了输入和输出的节点数，但是神经网络的网络层数和隐藏层节点数的选定以经验为主，并没有相应的理论指导。本文设计了4个网络结构进行测试，分别为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），括号表示所使用的激活函数。

每个网络结构进行了10次实验，然后取10次结果的平均值作为网络最终的精度，得出的结果如表3所示。可知，2个激活函数为ReLU的网络相比于Sigmoid网络均有较大提升，准确度约有8%的改善。激活函数相同的情况下，6层的网络相比于5层的网络的准确率约有1%的改善。考虑到该实验对象只是一个舱室平台，数据量不算大。当对整艘船的所有数据统一处理时，数据量规模进一步扩大，6层网络的优势能够进一步发挥出来。

表3 不同网络结构准确率Tab. 3 Accuraciesof different network structures

通过实验测试，最后选定6层的网络，结构为6-32-16-8-8-4，如图8所示。

图8 BP神经网络Fig.8 BPneural network

设定其余一些参数，学习率η为固定值0.005，动量常数α为固定值0.9，迭代次数epoch设定为1000次

图9 （a）给出了训练误差随迭代次数的变化曲线，可以看出在迭代30次左右时，loss曲线迅速下降，随着迭代次数增多，大约达到200次时，loss迎来二次下降，接着迭代次数达到600次时，loss已经趋于收敛。图9（b）则给出了训练的准确率和错误率的变化曲线，分别在30次、200次和600次迭代处开始较大的变化，与loss曲线的变化相呼应。

图9 Loss，accuracy，error的变化曲线Fig.9 Change curves of loss,accuracy,error

表4 分类精度Tab.4 Classification accuracy

表4 给出了重复10组实验下每一个火灾等级的分类精度，可以看出模型对划分的4个等级均有效果良好的分类精度，其中等级0和等级3的准确率最高，10次实验的单次准确率全部都在98%以上，平均准确率达到了99.5%，而等级1和等级2准确率稍低一些，但最低的单次准确率也在93%以上，平均准确率到达了96.24%和95.69%。最后从10次实验的4个等级的总准确率来看，最低一组数据为97.9%，最高一组为99%，模型在多次实验中的总准确率变化不明显，可以看出模型具有较好的鲁棒性。

4 结语

本文提出一种能够实时判断火灾中不同舱室危险等级的评估模型。首先利用Pyrosim软件对烟气的蔓延进行了定性和定量的分析，获得评估数据，以烟气对人体的影响程度定量得划分了4个级别。然后利用一个6层的BP神经网络对数据进行分类，能够实时得出不同舱室的危险级别，进行了多次实验，对火灾等级的分类精度达到了96%往上。一般来说，危险等级越高，越有可能成为蔓延的目标，通过模型可以让船上消防人员实时了解火灾态势，安排灭火策略和人员逃生。虽然本次仿真实验是在一个舱室平台上进行的，但是进行了多次实验，包含了不同类型、大小的舱室，具有一定的普遍性。而且BP神经网络的训练的模型较传统的火灾模型相比计算量较小，不需要预先对船舱进行建模，具有一定的工程应用价值。