基于Revit的医院火灾人员疏散路径优化及智能诱导*

宋嘉宝 姜雪 张培红

(东北大学资源与土木工程学院 沈阳 110819)

0 引言

医院类建筑内人员高度密集，病患人员应急反应能力及行为能力存在特殊性，加之对医院环境的不熟悉，医院火灾中人员疏散难度增加。在经过疏散路径优化的基础上，进行智能疏散诱导，对于提高医院火灾中人员疏散安全具有重要的意义。近年来，中外学者利用实体物理模型和计算机数值模拟技术相结合的方法，进行了大量有关疏散路径优化决策的研究。张新伟等[1]建立了基于改进的自适应蚁群算法的应急疏散路径优化模型，开发了基于油气管道典型事故后果分析的城镇大规模应急疏散决策优化系统平台。傅军栋等[2]、江奎东等[3]、SINGHAL K等[4]利用蚁群算法，实现了火灾中疏散路线的优化。张苏英等[5]、刘勇等[6]调整了蚁群算法启发函数中初始信息素分布情况，对蚁群算法进行改进，实现了路径的动态规划。张玮等[7]提出改进烟花-蚁群混合算法求解最优路径。张苏英等[8]添加了双向搜索策略并结合A*算法改进初始信息素分布，提出了一种改进双向蚁群算法。贾进章等[9]、LIANG Y等[10]基于遗传-蚁群算法求解火灾时期人员疏散最优路径。王钾等[11]提出一种融合量子进化算法的改进蚁群算法用于消防疏散路径规划。王培良等[12]、KAMALAKANNAN R等[13]提出了蚁群-元胞优化算法，加快了搜索速度，增大了优化算法的解空间。近年来，BIM技术在疏散路径规划中也逐渐得到了广泛应用，LI N等[14]设计了环境感知信标部署算法，利用BIM提供传感领域几何信息，并用启发式算法研究急救者和受困者的定位模式。周鹏等[15]利用BIM技术，结合自适应蚁群算法对建筑消防疏散路径进行规划。喻敏等[16]、吴水根等[17]利用Pathfinder和Pyrosim等仿真软件进行了疏散路径规划。

已有的研究，一般需要人工实现节点初始状态数据库的构建，因此需要花费大量时间，一定程度上影响了基于疏散路径优化算法的智能疏散诱导技术的推广和应用。本文利用BIM技术的信息化特点，对Revit进行二次开发，实现对于复杂建筑空间节点初始状态三维信息数据的智能获取，自动生成节点初始状态数据库，减少建模所需时间，提高基于自适应蚁群算法的疏散路径优化模型的运行效率。

1 医院中人员疏散行为特点现场观测分析

医院中人员构成复杂，有医护工作者、病患、陪护人员、其他人员(后勤工作者、消防员等)等不同行为特点的人群。人群的年龄、性别以及身体状况等因素影响其在疏散中的逃生能力以及反应判断能力。通过某医院实地观察测试，获得人员步行速度及反应时间数据，结果整理如表1所示。可以看出，相对于正常的成年人，老年和儿童患者的行动力差、决策能力低，所需疏散反应时间相对较长，因此，对医院类建筑进行基于疏散路径优化的智能诱导具有重要意义。

表1 医院中疏散时人员步行速度

2 基于Revit的空间节点数据库的智能构建

为了实现智能、快速生成自适应蚁群算法疏散路径规划所需要的疏散节点初始状态数据库，对Revit 2018进行二次开发，创建智能疏散模块，并生成新建数据库插件。

某医院急诊病房楼总建筑面积38万m2，占地面积2.35万m2，共17层，地下1层，标准层5～18层层高约为3.6 m，整体建筑高度约为69 m。根据《综合医院建筑设计规范》(GB 51039—2014)以及《消防安全疏散标志设置标准》规定，在超过20 m的安全过道中需要设置疏散标识，且标识间距小于20 m，在安全出口处需要设置疏散标识。以此为依据，在Revit平台上构建该医院急诊大楼一楼的三维模型，绘制疏散节点，包括根节点(出口)、源节点(人员疏散起点)、中间节点(走廊通道、楼梯口节点等)，如图1所示。

图1 某三甲医院门诊一楼Revit模型及疏散节点绘制

利用Revit平台的Filtertype函数，辨识安全出口及疏散通道上的障碍物，实现对每一个不同类型的疏散节点，包括源节点、中间节点和根节点的筛选。通过注册wpf命令，调用LocatedCmd_CanExecuted函数不断唤醒线程，实时监听用户所选中的疏散节点，将疏散节点的信息以定位视图(见图2)及文字的方式(见图3)呈现出来，检查和核对所建立数据库的节点信息，发现问题可以及时修正，更新数据库。

图2 节点35的邻节点

点击图3右上角的“生成报表”控件，可以将所有节点的各项信息整理成数据库，即自适应蚁群算法路径优化所需要的数据库，如图4所示，将表格以“.xls”格式保存到电脑中任意位置进行下一步运算。

图3 新建数据库模块

3 某医院急诊病房一楼疏散路径优化案例应用

基于Revit的空间节点数据库构建及其与路径优化算法接口的流程见图5。Revit 通过“.addin”文件识别和加载路径优化自适应蚁群算法软件作为外部插件，命名为“路径优化”模块。进入该模块后，打开如图4构建的空间节点初始状态数据库，利用自适应蚁群算法，得到疏散路径优化方案。

图4 自动生成的适用于疏散路径优化算法的节点初始状态数据库(部分)

按照图5所示流程，根据该医院建筑结构特点，自动生成疏散空间网络节点初始状态数据库，总共112个节点。其中，源节点32个、中间节点74个、根节点 6个，分别代表医院的北门(59号节点)、西1门(26号节点)、西2门(89号节点)、东北门(83号节点)、东南门(65号节点)和西南门(1号节点)。

图5 基于Revit的空间网络节点数据库的构建及路径优化流程

设置蚁群算法初始参数，取α=0.5、β=1、ρ=0.1，进行1 000次迭代，在不考虑其他影响因素的前提下，假设没有发生火灾，利用蚁群算法计算程序[18]，得出了路径优化结果如图6所示。

图6 无火条件下医院疏散路径优化决策结果

分别假设医院6个出口大门附近的1、26、59、65、83、89号节点为起火点，其他初始参数设置不变，可以得到火灾情况下疏散路径优化结果。59号节点为医院正门，以其为例，疏散结果和疏散标识方向示意如图7所示。

图7 以59号节点为例，火灾情况下医院疏散路径优化决策结果

统计有火和无火条件下路径优化决策结果，得到在不同条件下路径规划时，各个出口的疏散节点选择情况，通过每个出口的节点选择数量计算得到不同出口疏散的人员通过率，如图8所示。

由图8可以看出，在无火情况下，医院中59号节点的通过率较高为23.08%，而89号节点的通过率较低为14.42%。与无火情况相比，当医院的6个出口中有1个起火而不可通过后，其他5个出口的通过率发生改变，且通过路径优化后每个出口的通过率较为平均，避免了人员疏散时在某个出口过于集中的情况，合理分配每个出口通过的人数，从而提高疏散效率。

图8 有火和无火条件下各个出口人员通过率

统计无火灾以及发生火灾时医院内各个源节点至根节点的路径长度，得到在无火条件和有火条件下，各最优疏散方案中最长疏散路径的长度。

根据表1中医院人员步行速度，取患病女性(中青年)的步行速度为中值进行计算，疏散速度为0.85 m/s，假设疏散总人数为2 500人，按照各个出口人员通过率能够计算得到每个出口的通过人数，人员密度0.97人/m2，流动系数取1.5人/(m·s)，全体人员完成安全疏散行动的时间t受到行走时间tW和通过出口或通道的时间tP影响，其计算公式为

(1)

(2)

式中，tW为行走时间，s；L为人员从初始位置行走至疏散安全出口的距离，m；v为人的行走速度，m/s；tP为通过出口或通道的时间，s；P为在出口或通道处排队通过的总人数；W为出口宽度，m；D为出口流动系数，人/(m·s)。

通过上式计算得到在有火或者无火条件下，最长的人员疏散行动时间，结果如表2所示。

表2 疏散行动时间

从表2中可以看出，在7种情况下，均存在tW>tP的关系，说明医院内人员到达出口时，其它人员已经通过离开，疏散行动时间由最远点的人员行走时间tW决定，结果说明疏散中没有人员滞留现象出现，疏散路径规划合理。

4 结论

通过实地观测和调研，分析了医院中不同行为特点人员疏散的步行速度和疏散反应时间。结合BIM技术，利用Revit二次开发实现空间网络数据库的建立，并与人员疏散路径优化算法进行融合，以某医院建筑一层为例，进行了大规模人员应急疏散优化的案例应用。结果表明：

(1)相对于正常的成年人，老年患者和儿童的行动力较差，疏散决策反应时间相对较长。

(2)直接利用Revit三维模型的信息化特点进行数据提取，实现了空间节点初始状态数据的智能获取、数据库的自动生成和在线监听，及其与路径优化模块的数据传递，提高了路径优化算法的建模和计算速度。

(3)通过医院火灾疏散实例，验证了基于Revit的空间节点数据库构建的有效性，可以直接提取疏散节点信息，并自动获取邻节点应用于规划疏散路线，有效避免疏散时容易出现的拥挤、混乱等现象。