基于VR平台的消防场景仿真神经网络计算分析

乔昱亚

(福建师范大学福清分校，福建福州 350300)

虚拟现实技术是多种技术集合而成的一项功能性仿真技术，当前已经被应用到多个领域，并发挥重要作用。虚拟现实技术主要包括计算机图形集成技术，当前国际上针对该技术的研究主要表现在对于现实的感知、用户界面操作、人机交互过程、后台运行过程管控等。随着虚拟现实技术的智能性进一步增强，在实际应用过程中可实现在线实时管控，并可感知外界事物变化，根据外界情况做出相应的调整。由于该项技术已经实现实时智能控制，因此可以被用于多个领域。在消防火灾应用中可结合神经网络进行信息处理，并结合虚拟现实技术实现仿真，对消防演练以及消防策略有重要辅助作用[1]。

1 基于VR平台的消防场景仿真

1.1 VR消防概述

VR平台是在建筑项目中对建筑消防进行分析，得出建筑物的立体模型，通过建立空间三维坐标再配合时间坐标便可构建出基于建筑项目的4D模型，通过该4D模型便可展开对消防项目的有效管理。在实际应用过程中可通过VR软件将建筑消防真实表达出来，并结合实际情况进行综合性分析，根据模拟情况结合实际情况进行预判，之后便可得出优化后的结果，提高建筑消防的安全性和可靠性。VR技术主要是对消防场景现场进行模拟再现，消除可能存在的安全隐患，在此基础上对消防项目进行有效分析，降低消防成本[2]。

1.2 神经网络

人工神经网络是一种基于微观结构的网络形式，属于对人脑进行仿真的系统结构，神经网络具备与人类思维较为相似的逻辑能力，并具备非线性及线性处理能力、联想记忆和自适应能力。从人工神经网络的本质来看可将其划分为人工智能的一个分支，在构建人工神经网络过程中通过大量节点和信息流以及相关因素互相作用来完成数据分析及传递过程。人工神经网络可改变信息节点连接方式，通过多个节点及网络层共同构成不同形式的网络结构，并通过特殊算法得出最优化结果。神经网络模型基本结构见图1。

图1中，X=(x1,x2,…,xj,…,xN)T∈Rn表示人工神经网络的输入向量，wji表示该神经网络中对应编号为i和j的神经元之间的连接权值，θi表示神经元阈值，yi表示神经网络的最终输出，结合神经网络模型基本原理及数据处理过程，可将yi表达为式(1)。其中，f表示激励函数，常用激励函数有阈值函数以及Sigmoid函数，表达式分别见式(2)和式(3)。网络权值、激励函数等均和神经网络的连接方式有一定关系[3]。

图1 神经网络模型基本结构

(1)

(2)

(3)

BP神经网络是一种以误差反向传播算法为基本原理的多层次网络，层数一般3层以上，主要包括输入层、隐藏层、输出层几个部分[12]，标准结构BP神经网络模型见图2。模型结构中的隐藏层包含多个神经元，该部分并未与外部直接相连，但其自身状态会直接影响到数据输出过程，进而影响到网络输出结构，即隐藏层可间接影响整个神经网络系统的数据处理及传输能力。

图2 神经网络模型结构

对BP神经网络进行充分研究，结合该网络结构中的隐藏层神经元数量，根据实际情况设置相关条件。对BP神经网络而言,可通过连续函数进行数据处理，设置数据精度，本文就常见的3层BP神经网络结构展开研究，并将其作为基础建立故障检测模型。BP神经网络算法具有一定学习能力，该算法中包含多种元素，主要有输入及输出元素、连接权值、阈值等，通过这些元素相互作用进行相应调整，使得实际输出无限接近于期望值，最终得出较为准确的数据处理结果[4]。

2 基于VR平台的消防场景仿真神经网络计算

该研究主要针对构建出消防场景的需求分析进行计算，通过VR平台模拟出对应场景，在进行消防场景的烟雾计算等过程中主要通过神经网络展开。

2.1 神经网络计算模型

在进行消防场景的仿真神经网络计算分析时，主要考虑的因素为补风口和排烟口，其中补风口部分仅考虑自然风情况，即在设置自然风基础上考虑补风口的位置分布。补风口总面积、补风口高度，在其大空间一侧开设单侧对称补风口，在多面侧墙上开设近似对称补风口。结合实际研究发现，当排烟口位于顶部时，在排出一定体积烟量时排烟口位置变化对其结算结构基本无影响，因此可忽略排烟口数量、大小和方位。因此在实际计算过程中只需要考虑其排烟体积流量大小及其启用时间。

P=[T1,T2,T3,…,Tn;Ve1,Ve2,Ve3,…,Ven;H1,H2,H3,…,Hn;S1,S2,S3,…,Sn;K1,K2,K3,…,Kn].

(4)

Z=[Zt0-1,Zt0-2,…,Zt0-n,…,Zt16-1,Zt16-2,…,Zt16-n].

(5)

2.2 训练样本

在实际研究中，为了通过最少数量的样本作为代表学习到最有效的知识即规律，本研究以计算机模拟火灾场景为基础，得出如表1所示的15组数据作为神经网络训练样本，其中前13组数据主要用于样本学习，后两组作为验证数据，在试验模拟过程中设定数值试验。具体考虑排风机启动时间、排烟口体积流量、补风口高度、补风口面积和补风口位置作为主要因素，研究其对烟层高度的影响，在此基础上通过神经网络进行计算分析得出数据结果，见表1。

表1 计算表的样本算例

表1中，K表示的是补风口位置对称性参数，其运算结果为对称补风口数与总补风口数的比值。则在以上分析基础上得出网络训练样本集，见表2。

表2 网络训练样本集

2.3 结果分析

通过神经网络模型隐含层神经元和网络传递函数进行多次尝试，调整网络权值矩阵以及阈值向量的输出向量与目标向量误差均小于设定值，或者促使训练样本的相对误差小于设定值，在经过一系列调试好后确定其神经元数目为13，对其样本进行网络训练，将测试数据输入以上模型，最终得出预测值与实际值的比较结果，见表3[6]。

表3 神经网络预测结果

对大空间场景区域进行仿真计算，通过FDS软件进行计算分析，以本研究神经网络模型构建ANN模型，设定目标值曲线为CFAST，得出统计图见图3。

图3 神经网络模型预测值与目标值之对比

本研究构建的神经网络模型可精确地计算出烟气层随时间变化的趋势，在所有预测点中最小相对误差为0.00047，最大为0.116，达到消防工程精度需求，若输入的样本数足够多，则训练结果更加准确。本研究结果可有效地反映出火灾发生时的现场环境。

[参考文献]

[1]陈斌,胡丽,李昂,等.基于BP神经网络算法的仿真研究[J].信息技术,2016(8):85-88.

[2]金鑫,李浪,杜静,等.基于神经网络的大型风力机动力学仿真预测分析[J].太阳能学报,2017(2):464-471.

[3]李楠,吴玉厚.基于神经网络PID控制算法的自动调平系统的仿真研究[J].机电产品开发与创新,2015(6):109-110.

[4]王海,蔡英凤,贾允毅,等.基于深度卷积神经网络的场景自适应道路分割算法[J].电子与信息学报,2017(2):263-269.

[5]王军建.基于人工神经网络的城市消防系统评价及灭火救援能力分析[J].消防技术与产品信息,2016(10):47-50.

[6]谢巍,秦宝荣,曾健,等.含防扭结构的VR动感椅平台运动分析和仿真[J].机电工程,2016(11):1344-1348.