基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明:所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。

模拟火灾逃生系统设计的应用

系统采用PC机配置32路开关量输入输出卡,结合外围的信号检测、烟雾灯光和语音部分组成,应用VC++6.0编程软件,具有开发成本低,结构简单,现场真实感强的特点。

分区域变尺度网格的社区火灾场景数值仿真

目的火灾场景数值仿真对消防救援和应急疏散具有重要意义。火灾场景仿真需要对室内外地物及环境进行精细建模和大量数值计算,而传统地图和空间分析无法满足日趋复杂的建筑物消防场景表达。为此本文基于室内外地图研究基础,构建面向社区安全的火灾场景数值仿真模型。方法通过传统制图技术建立社区地物分布模型,利用室内制图技术建立建筑物内部场景,利用3维建模技术重建社区室内外3维模型,引入火灾数值模拟方程进行仿真计算。根据社区建筑物分布和其内部结构复杂程度的差异,提出分区域变尺度的网格划分方法,以提高计算效率。结果通过对红树湾社区进行"精细"、"粗糙"和"分区域变尺度"3种不同方法的仿真实验,分析火灾模型的计算速度、温度场及烟气扩散情况。与精细网格方法相比,分区域变尺度方法和粗糙网格方法的计算速度是其8倍和24倍,烟气最低能见度误差为2 m和13.5 m,分区域变尺度方法相较于粗糙网格方法与精细网格方法的温度变化曲线更加吻合。分区域变尺度方法的模拟精度更接近于精细网格方法,同时效率得到提升。结论本文提出的火灾场景仿真模型将室内制图应用扩展到社区消防研究,实验结果表明,所提出的分区域变尺度网格划分方法能够在保证数值模拟精度的前提下提高仿真效率,具有重要的应用价值。