DEVELOPMENT OF THE SYSTEM OF THE DECISION SUPPORT FOR HEAD OF FIRE EXTINGUISHING BASED ON THE ADAPTIVE NEURAL FUZZY INFERENCE SYSTEMS (ANFIS) DURING THE FIRE ON THE TERRITORY OF SEAPORT
Abstract and keywords
Abstract (English):
The features of substantiation and development of the decision support system for the head of fire extinguishing are considered. The system is intended to improve the reliability of management decisions in predicting the dynamics of the fire spread and in determining the necessary fire fighting forces and equipment under uncertainty. For definition the dynamics of the fire spread and the necessary fire fighting forces and equipment the approach based on the Adaptive Neural Fuzzy Inference Systems (ANFIS) is offered. During the development of the decision support system input parameters were selected using the method of expert assessment and were evaluated. A database, which enables users to store and use data in predicting the dynamics of the fire spread and in determining the necessary fire fighting capabilities, is created. The database replenishment by the user in the course of work is realized. The task of forming the training samples for the system is solved. The results of predicting the spread of dangerous effects of fire and determination of necessary for localization and liquidation forces and equipment are evaluated.

Keywords:
decision support system, neural fuzzy system, ANFIS, prediction
Text
Введение Морские порты (МП) представляют собой особо опасные технические объекты, на территории которых находится большое количество потенциальных источников возникновения чрезвычайных ситуаций. Уровень их безопасной эксплуатации в Российской Федерации оценивается как недостаточный, а в отдельных случаях – как опасный [1]. Особую угрозу для объектов инфраструктуры МП представляют пожары, которые могут стать причиной дезорганизации работы объекта, а в ряде случаев – причиной его полной ликвидации. Главную роль в снижении тяжести последствий пожара играют правильные решения руководителя тушения пожара (РТП). Известно, что тушение пожара представляет собой комплекс управленческих решений по обеспечению безопасности людей, животных, спасению материальных ценностей, локализации и ликвидации горения [2]. Одним из основных способов обеспечения защиты людей, находя-щихся в зоне воздействия опасных поражающих факторов пожара, является прогнозирование динамики его развития. Построение сценария распространения пожара выполняет РТП на основе значительного объема данных, в том числе сведений о степени огнестойкости здания, его конструктивной и функциональной пожарной опасности, о пределах огнестойкости строительных конструкций здания и т. д. Неверный прогноз развития пожара ведет к ошибочному определению необходимых сил и средств, привлекаемых для его локализации и ликвидации. Кроме того, ошибочный прогноз не позволяет правильно определить маршрут движения пожарных при спасании людей. Это означает что ошибка в прогнозировании динамики развития пожара может стать причиной дополнительного травмирования и гибели людей, а также повлечь существенные материальные потери. К первостепенным задачам управления относится также расчет сил и средств (СиС), привлекаемых для тушения пожара. Для его выполнения необходимы сведения о конструктивных и объемно-планировочных решениях зданий, имеющихся силах и средствах и другие данные. Некорректное определение привлекаемых для тушения пожара СиС влечет за собой дополнительный как материальный, так и социальный ущерб. Однако, согласно результатам анализа статистических данных, решения РТП в большинстве случаев не соответствуют обстановке на горящем объекте: ошибочные решения составляют до 63 % их общего количества [3]. Обобщая вышесказанное, можно констатировать, что в условиях неопределенности исходной информации повышение достоверности управленческих решений РТП является актуальной научной задачей. Ее решение позволит существенно сократить количество погибших и пострадавших при пожаре людей, а также уменьшить материальный ущерб. На основании впервые представленных в [4] результатов, для решения указанной задачи прогнозирования динамики распространения пожара и расчета СиС в условиях неопределенности была обоснована целесообразность использования элементов искусственного интеллекта. При этом лучшие результаты удалось получить на основе использования нечетких нейронных сетей ANFIS, обеспечивающих, кроме того, автоматизацию процесса формирования системы представления знаний и адаптацию ее под решаемые задачи. Реализация компьютерной модели этих сетей потребовала разработки методики выбора параметров, влияющих на принятие решения РПТ на основе экспертных оценок с использованием функции оценки эффективности; базы данных, обеспечивающей их эффективное хранение и использование при прогнозе динамики и расчете СиС, необходимых для тушения пожара; алгоритма внесения изменений в базу данных пользователем в процессе работы системы; методики формирования обучающих выборок для системы поддержки принятия решений (СППР). Концепция выбора параметров, определяющих достоверность принятия решения РПТ В начале процесса разработки СППР потребовалось определить выборку факторов, существенно влияющих на достоверность принятия решения РТП. Для этого использовался метод экспертных оценок [5]. Сформированная экспертная группа состояла из десяти высококвалифицированных специалистов (Э1, Э2, … Э10). С их помощью были отобраны и ранжированы показатели, влияющие на достоверность прогнозирования динамики развития пожара и определения количества необходимых СиС (табл. 1). Таблица 1 Перечень ранжируемых параметров Ранжируемые параметры для прогноза развития пожара Ранжируемые параметры для расчета СиС x1 Площадь помещения x1 Площадь помещения x2 Этаж, на котором произошел пожар x2 Этаж, на котором произошел пожар x3 Предел огнестойкости строительных конструкций x3 Предел огнестойкости строительных конструкций x4 Этажность здания x4 Этажность здания x5 Площадь проёмов в ограждающих конструкциях помещений x5 Площадь проёмов в ограждающих конструкциях помещений x6 Внутренняя планировка здания x6 Внутренняя планировка здания x7 Наличие систем вентиляции x7 Наличие систем вентиляции x8 Линейная скорость распространения горения x8 Линейная скорость распространения горения x9 Время развития пожара x9 Время развития пожара x10 Площадь здания x10 Площадь здания x11 Пожарная нагрузка x11 Пожарная нагрузка x12 Степень огнестойкости x12 Степень огнестойкости x13 Площадь пожара x14 Площадь тушения В результате экспертной оценки установлено, что число степеней свободы при определении экспертами наиболее важных факторов, влияющих на достоверность прогноза динамики развития пожара, ν = 11, а для расчета СиС – ν = 13; степень значимости α = 0,05 в обоих случаях; табличное значение критерия Пирсона χ2 для данных значений ν и α равно 19,7 и 22,4 соответственно. Расчетный критерий Пирсона для соответствующих задач составляет 63,3 и 56,4, что значительно превышает табличную величину. Это означает, что мнения экспертов согласованы с вероятностью 95 %. В результате анализа оценок экспертной группы удалось установить, что наиболее важными показателями, влияющими на достоверность прогноза площади пожара, являются: x1 – площадь помещения; x3 – предел огнестойкости строительных конструкций; x8 – линейная скорость распространения горения; x9 – время развития пожара. В качестве аналогичных показателей, обусловливающих достоверность расчета СиС, определены: x1 – площадь помещения; x3 – предел огнестойкости строительных конструкций; x8 – линейная скорость распространения горения; x9 – время развития пожара; x14 – площадь тушения. Другой важной задачей разработки компьютерной модели нейронных сетей являлась оценка достаточности выбранных показателей [4]. Для этого сопоставлялись временные затраты и оценивалось изменение точности вычислений путем расчета следующих критериев: - время прогнозирования развития пожара экспертом при учете 4-х факторов – t1, с; - время прогнозирования развития пожара экспертом при учете всей совокупности факторов – t2, с; - погрешность прогнозирования развития пожара экспертом при учете 4-х факторов – ε1, %; - погрешность прогнозирования развития пожара экспертом при учете всей совокупности факторов – ε2, %; - время расчета СиС экспертом при учете 5-и факторов – t*1, с; - время расчета СиС экспертом при учете всей совокупности факторов – t*2, с; - ошибка расчета СиС экспертом при учете 5-и факторов – ε*1, %; - ошибка расчета СиС экспертом при учете всей совокупности факторов – ε*2, %; Полученные результаты приведены в табл. 2. Таблица 2 Результаты оценки достаточности выбранных показателей Номер эксперта Э1 Э2 Э3 Э4 Э5 Э6 Э7 Э8 Э9 Э10 Среднее значение Для прогнозирования развития пожара t1, с 41 40 35 45 62 71 45 39 29 39 44,3 t2, с 114 152 135 149 180 169 146 135 120 145 147,5 ∆|t1 – t2|, с 103 112 100 104 118 98 101 96 91 109 103,2 ε1, % 75 79 77 80 85 72 68 65 67 70 73,8 ε2, % 69 63 64 72 70 64 56 54 56 57 62,5 ∆|ε11 – ε2|, % 6 16 13 8 15 8 12 11 11 12 11,3 Для расчета СиС t*1, с 53 57 49 69 77 68 75 67 44 55 61,4 t*2, с 185 189 199 190 184 16 184 177 185 192 185,1 ∆|t*1 – t*2|, с 132 132 150 121 107 98 109 110 141 137 123,7 ε*1, % 64 59 58 67 75 62 59 54 67 65 63 ε*2, % 58 52 53 60 64 52 48 47 52 51 53,7 ∆|ε*11 – ε*2|, % 6 7 5 7 11 10 11 7 15 14 9,3 Из табл. 2 видно, что при расчетах с использованием 4-х основных показателей среднее время прогнозирования динамики распространения пожара сокращается более чем на 103 с. При определении СиС с использованием 5-и параметров время расчета уменьшается более чем на 123 с. Средние погрешности принятия решения при этом возрастают на 11,3 и 9,3 % соответственно, т. е. уменьшение точности решения задачи при этом оказывается приемлемым. Необходимость работы с сокращенным набором показателей в большей степени обусловлена существенными временными затратами на их сбор. Временные затраты на сбор всей совокупности параметров – T1, сокращенного их набора – T2 и сокращение ∆T времени при сборе только наиболее важных параметров приведены в табл. 3. Таблица 3 Результаты сопоставления временных затрат на сбор данных для некоторых объектов Объект Для прогнозирования развития пожара Для расчета СиС T1, с T2, с ∆T, с T1, с T2, с ∆T, с № 1 – административное здание электрохозяйства 2 460 480 1 980 3 030 900 2 130 № 2 – механические мастерские 2 700 540 2 160 3 260 930 2 330 № 3 – автозаправочная станция 1 860 420 1 440 2 370 770 1 600 № 4 – рефрижераторный склад 1 560 410 1 150 2 100 660 1 440 № 5 – управление торгового порта 4 080 670 3 410 4 560 1 090 3 470 № 6 – станция биологической очистки 2 940 554 2 386 3 500 920 2 580 № 7 – мастерская ВПМ – подстанция 2 040 425 1 615 2 650 750 1 900 № 8 – склад-терминал № 10 аммиачной селитры 1 620 400 1 220 2 130 660 1 470 № 9 –административно-бытовое здание 3 060 645 2 415 3 610 1 000 2 610 № 10 – аммиачно-холодильная установка № 3 3 480 690 2 790 4 060 1 050 3 010 Среднее значение 2 580 523,4 2 056,6 3 127 873 2 254 Из табл. 3 видно, что в среднем временные затраты на сбор сокращенного набора параметров для прогноза динамики развития пожара на 2 057 с меньше времени, израсходованного на сбор всей их совокупности. Аналогично предыдущему, временные затраты на сбор параметров для расчета СиС с использованием сокращенного набора в среднем уменьшаются на 2 254 с. Это означает, что при использовании сокращенных наборов параметров РТП получает возможность прогнозировать динамику развития опасных факторов пожара и определять СиС в среднем в 5 и в 3,6 раза быстрее соответственно. При этом средние погрешности принятия решения остаются на приемлемом уровне. Таким образом, в условиях неопределенности информации и при жестком дефиците времени рациональным способом для своевременного прогнозирования РТП динамики развития пожара и определения потребного количества СиС являются расчеты с использованием сокращенного набора характеризующих параметров. Алгоритм функционирования нечеткой нейронной сети ANFIS Алгоритм функционирования СППР на основе сети ANFIS представлен на рис. 1 [6]. Рис. 1. Блок-схема алгоритма функционирования СППР 1. Входные параметры – информативные признаки объекта x1, x2, …, xn. 2. Определение значений функции принадлежности µAi(x) при конкретных значениях входов x1, x2, …, xn , где Ai – нечеткая переменная, ассоциированная с данным узлом. 3. Определение степени истинности посылок каждого j-го правила базы знаний системы путем выполнения нечеткой логической операции «и» («min») на параметрах посылок правил по формуле wj = min│µA1(x), µA2(x), …, µAj(x)│, где wj – степень истинности посылок каждого j-го правила базы правил; µAj(x) – значение функции принадлежности при конкретных значениях входов x1, x2, …, xn; j – количество правил в базе правил. 4. Расчет относительной степени выполнения нечеткого правила по формуле w*j = wj/Ʃwj , где w*j – относительная степень выполнения j-го нечеткого правила; wj – степень истинности посылок каждого j-го правила базы знаний; Σwj – сумма всех степеней истинности посылок каждого j-го правила базы правил. 5. Расчет вклада каждого нечеткого правила в выход сети по формуле yj = w*j · vkj,, где yj – вклад каждого нечеткого правила в выход сети; w*j – относительная степень выполнения j-го нечеткого правила; vkj – четкое число, задающее заключение каждого j-го правила. 6. Определение суммы вкладов всех правил по формуле y = Σyj , где y – выход сети; Σyj – суммарный вклад всех нечетких правил в выход сети. Реализация системы поддержки принятия решений на базе сети ANFIS Моделирование процессов принятия решения РТП выполнено в среде Matlab R2010b с использованием пакета расширения Fuzzy Logic Toolbox. Реализация нечеткой нейронной сети ANFIS осуществлена с помощью ANFIS-редактора, который позволяет автоматически выявлять скрытые закономерности в экспертных данных и формировать на основе полученных выводов базу правил системы. При этом обучение в системе выполнено автоматически так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспертными данными. Методика создания нечеткой нейронной сети ANFIS, предназначенной для прогнозирования развития пожара, в среде Matlab содержит следующие пункты: 1. Загрузка ANFIS-редактора. 2. Загрузка обучающей выборки: а) выбор в области загрузки данных (Load Data) типа данных – обучающая выборка (Traning); б) загрузка данных Load Data; в) выбор файла в диалоговом окне – Dataprognoz.dat. 3. Создание исходной системы нечеткого логического вывода в области генерирования (Generate FIS): а) выбор способа создания системы – генерирование системы по методу решетки (Grid partition); б) ввод количества термов для каждой входной переменной в окне ввода параметров – 4-е входные переменные, каждая имеет три терма; в) ввод типа функций принадлежности для входных и выходной переменных в окне ввода параметров – входные параметры имеют треугольную функцию принадлежности (trimf); выходной параметр представляет собой постоянную величину (constant). 4. Выполнение обучения в области обучения (Train FIS): а) выбор метода оптимизации (Optim. Method) – гибридный метод, объединяющий метод обратного распространения ошибки с методом наименьших квадратов (hybrid); б) задание поля требуемой точности обучения (Error tolerance) – 0; в) поле задания количества итераций обучения (Epochs) – 100 epochs; г) запуск режима обучения (Train Now). 5. Тестирование нечеткой системы с выводом результатов в область визуализации:в области тестирования (Test FIS) выбора выборки – Dataprognoz.dat. запуск тестирования (Test Now). 6. Сохранение нечеткой нейронной сети под названием ANFIS_Fire.fis. 7. Получение результата прогноза для определенных входных данных (x1 = 10; x2 = 10; x3 = 10; x4 = 10) путем ввода в командную область следующего кода: >>x = [10 10 10 10]; % ввод входных параметров; >>fis = readfis('ANFIS_Fire.fis')'; % загрузка файла ANFIS_Fire.fis; >>у = evalfis(x,fis) % вывод результата прогноза. Представленная выше методика применена и при создании сетей ANFIS, предназначенных для расчета потребных СиС: - сети ANFIS_tysh.fis для расчета количества стволов, необходимых для тушения пожара; - сети ANFIS_zash.fis для расчета количества стволов, необходимых для защиты смежных помещений. При оценке погрешности функционирования сети ANFIS установлено: 1) для нечеткой нейронной сети, позволяющей прогнозировать динамику распространения пожара, средняя погрешность на обучающей выборке составила 13,97 м2, а на тестовой выборке – 15,3 м2; 2) для сети расчета количества стволов, подаваемых на защиту смежных помещений, количество решенных задач составило 227 из 250, т. е. погрешность равна 8,5 %; 3) для сети расчета количества стволов, которые необходимо подать на ликвидацию пожара, количество решенных задач составило 271 из 300, погрешность равна 9,7 %. На рис. 2 изображено диалоговое окно с результатами оценки погрешности функционирования сети на обучающей выборке для ANFIS_Fire.fis, а на рис. 3 – интерфейс пользователя в активном состоянии. На рис. 2 иллюстрируется процесс обучения нечеткой нейронной сети, представленный в виде графика зависимости ошибки от количества циклов обучения: по оси абсцисс – количество циклов обучения сети (Epochs), по оси ординат – значение ошибки тестирования (Errors). На основании анализа результатов обучения установлено, что ошибка тестирования на обучающей выборке составляет 13,97 и при увеличении количества циклов более 60 практически не изменяется. На рис. 2 указаны также функциональные области ANFIS-редактора: область визуализации; область свойств ANFIS; область тестирования; область обучения; область генерирования FIS; область вывода информации; область загрузки данных. Интерфейс пользователя, изображенный на рис. 3, прост в обращении, позволяет вводить основные показатели, выводить результаты, а также выполнять необходимые настройки системы. Построение сценария развития пожара выполняется по сокращенному набору параметров: площадь помещения, м2; предел огнестойкости строительных конструкций, мин; линейная скорость распространения горения, м/мин; время развития пожара, мин. Для выполнения расчета оптимального количества СиС, привлекаемых к тушению пожара, вводятся: площадь помещения, м2; предел огнестойкости строительных конструкций, мин; линейная скорость распространения горения, м/мин; время развития пожара, мин; площадь пожара, м2; № этажа, на котором произошел пожар; количество людей на объекте, чел. В программе предусмотрены дополнительные функции, такие как «Обучение», «Запись», «Пополнение базы данных». Первая из них дает возможность сохранения необходимых данных в формате MS Excel. Вторая функция используется для настройки системы. Третья позволяет пользователю пополнять базу данных, что обеспечивает уменьшение погрешности функционирования системы. Рис. 2. Диалоговое окно с визуализацией результатов обучения: Error – значение ошибки; Epochs – количество циклов обучения Рис. 3. Диалоговое окно в активном состоянии с визуализацией результатов Нами выполнена оценка эффективности разработанной СППР на выборке из n = 47 различных пожаров, обеспечивающей достоверность принятия решения с вероятностью > 0,95. При этом оценивались характерные пожары, аналогичные пожару на складе Южного порта (г. Москва) 4 марта 2012 г. Данный пожар выбран в качестве примера, поскольку по количеству недостоверных решений он оказался наиболее показательным. По имеющимся данным первоначально его площадь составляла 2 000 м2. В результате оценки сложившейся обстановки пожару был присвоен 2-й ранг. В ходе тушения стало ясно, что РТП неверно оценил динамику развития пожара и ошибочно определил необходимый состав сил и средств, поэтому спустя несколько часов пожару был присвоен 3-й ранг. Однако к моменту прибытия дополнительных ресурсов, соответствующих пожару 3-го ранга, площадь горения возросла до 5 000 м2, т. е. возможностей дополнительных подразделений стало недостаточно уже к моменту их прибытия. Руководитель тушения пожара вынужден был повысить ранг пожара до 4-го, после чего прибывшими дополнительными силами он был полностью ликвидирован. Разработанная СППР, использующая исходные данные, имеющиеся у РТП к моменту принятия им управляющего решения, позволила существенно более точно оценить обстановку и произвести расчет ресурсов, необходимых для тушения пожара. При этом время принятия решения в среднем сократилось в 4 раза, а привлечения дополнительных сил и средств не потребовалось. В результате этого расчетное время тушения пожара уменьшилось приблизительно в 2,8 раза, а расчетный ущерб снизился почти в 1,7 раза. В ходе исследования производилось сравнение разработанной СППР с аналогичными программными продуктами [7]. В основу известных программных продуктов, моделирующих распространение опасных факторов в помещении, положена интегральная модель развития пожара. Однако известно [8], что такие модели имеют множество недостатков и их применение для прогнозирования динамики пожаров ограничено. Кроме того, в указанных программных продуктах для расчета СиС, привлекаемых к тушению пожара, применяются существенно упрощенные линейные математические модели, которые в условиях неопределенности исходной информации имеют значительно меньшую эффективность, чем нечеткие нейронные сети ANFIS [4]. Заключение С использованием элементов искусственного интеллекта разработана СППР, предназначенная для прогнозирования динамики развития пожара и расчета требуемого количества СиС, необходимых для его локализации и тушения. Методом экспертных оценок выбраны сокращенные совокупности параметров, с приемлемой достоверностью характеризующие обстановку на объекте с точки зрения принятия решения РТП. Определены временные затраты на сбор сокращенных совокупностей параметров. Установлено, что РТП, используя сокращенные совокупности, прогнозирует динамику развития опасных факторов пожара в среднем 5 раз быстрее и определяет СиС в среднем в 3,6 раза быстрее. Оценена погрешность функционирования СППР при использовании сокращенных совокупностей параметров: погрешность прогнозирования динамики распространения пожара на обучающей выборке составила 13,97 м2, на тестовой выборке – 15,3 м2; погрешность расчета СиС, необходимых для защиты смежных помещений от распространения пожара, составила 8,5 %; погрешность расчета СиС, привлекаемых для тушения пожара – 9,7 %. Таким образом, разработанная система поддержки принятия решения РТП на базе нечетких нейронных сетей ANFIS позволяет РТП своевременно принимать обоснованные решения при организации и управлении тушением пожара.
References

1. O sisteme obespecheniya bezopasnosti sudohodstva na vodnom transporte i roli gosudarstvennogo morskogo i rechnogo nadzora // Materialy gosudarstvennoy sluzhby po nadzoru v sfere morskogo i rechnogo transporta, 2008: http://council.gov.ru/files/journalsf/item/20090924133814.pdf (data obrascheniya: 01.12.2012).

2. Terebnev V. V. Spravochnik rukovoditelya tusheniya pozhara. Takticheskie vozmozhnosti pozharnyh podrazdeleniy. - M.: Pozhkniga, 2004. - 256 s.

3. Teterin I. M., Klimovcov V. M., Prus Yu. V. Metodologiya razrabotki ekspertnyh sistem dlya operativnogo upravleniya pozharnymi podrazdeleniyami // Tehnologii tehnosfernoy bezopasnosti. - 2008. - № 5 (21). - S. 1-68: http://ipb.mos.ru/ttb.

4. Kiper A. V., Stankevich T. S. Razrabotka nechetkogo klassifikatora na baze nechetkoy sistemy Sugeno dlya opredeleniya ranga pozhara na territorii morskogo porta // Vestn. Astrahan. gos. tehn. un-ta. Ser.: Morskaya tehnika i tehnologiya. - 2012. - № 2. - S. 18-25.

5. Gaykov-Alehov A. A., Agafonov V. A. Planirovanie i organizaciya eksperimenta na baze paketa STATISTICA: Laboratornyy praktikum. - SPb.: BGTU «VOENMEH», 2004. - 65 s.

6. Mescheryakov V. A., Denisov I. V. Modelirovanie adaptivnoy sistemy neyronechetkogo upravleniya rabochim processom strelovogo krana // Proektirovanie inzhenernyh i nauchnyh prilozheniy v srede MATLAB: materialy V Mezhdunar. nauch. konf. - Har'kov: BET, 2011. - C. 367-375.

7. Primenenie sistem podderzhki prinyatiya resheniy rukovoditelyami operativnyh podrazdeleniy pri tushenii pozharov v krupnyh gorodah / I. M. Teterin, N. G. Topol'skiy, V. M. Klimovcov, Yu. V. Prus // Tehnologii tehnosfernoy bezopasnosti. - 2008. - № 4 (20). - S. 15-48.

8. Primenenie polevogo metoda matematicheskogo modelirovaniya pozharov v pomescheniyah: metod. rekomendacii. - M.: VNIIPO, 2003. - 35 s.


Login or Create
* Forgot password?