基于貝葉斯網絡的高層建筑火災情景演化

安 維

(惠州市消防支隊，廣東 惠州 516001)

基于貝葉斯網絡的高層建筑火災情景演化

安 維

(惠州市消防支隊，廣東 惠州 516001)

高層建筑火災的情景分析與演化是突發事件應急決策的基礎。從災害體、受災體、抗災體三個維度來描述高層建筑火災情景要素，研究了基于貝葉斯網絡和證據理論的高層建筑火災情景分析與推演模型，并以某國際大廈火災為案例，對情景分析與推演模型進行了驗證。

高層建筑；火災；貝葉斯網絡；情景演化

0 引言

隨著國民經濟的飛速發展，各種高層建筑不斷涌現。高層建筑的數量和高度快速增長，人員密集程度越來越高，建筑結構和功能十分復雜，可燃物極多，帶來非常大的火災隱患。近年來，國內外高層建筑火災頻繁發生。與一般建筑火災不同，高層建筑火災火勢蔓延快，人員疏散困難，火災撲救難度大，極易造成重大的人員傷亡和財產損失，給政府和社會的應對帶來巨大的挑戰。

突發事件演化模型描述了突發事件的產生、發展、蔓延、衍生、轉化等過程，有利于決策者根據事件狀態，分析和預測事件未來發展趨勢，是突發事件應急決策的基礎[1]。高層建筑火災是一種突發事件，其情景分析與演化就是依據當前情景要素的輸入，分析各要素之間的關系及其與下一個情景的各要素之間的關系，進而獲得下一個情景要素的相關信息。本文從災害體、受災體、抗災體三個維度來描述高層建筑火災情景要素，研究了基于貝葉斯網絡和證據理論的高層建筑火災情景分析與推演模型。

1 火災情景要素及其網絡表示

情景是事件發生后，應急決策主體對事件現在以及未來可能發生的所有狀態以及使事件從初始狀態向未來狀態演化的一系列事實描述[2]。突發事件發生以后，事件情景會伴隨著致災因子、承災體和孕災環境的變化而出現一系列的動態演化[1]。

高層建筑火災情景要素可以從三個維度進行描述：災害體、受災體、抗災體。從災害體的維度分析，高層建筑火災情景要素主要是火災相關信息。從受災體的維度分析，高層建筑火災情景要素主要包括火災發生后高層建筑的相關信息、受影響人群的基本情況、火災給自然和生態環境帶來的影響。從抗災體的維度分析，高層建筑火災情景要素主要指火災發生后應急處置人群所采取的相關措施。

抗災體可以控制災害體的發展，從而給受災體帶來影響。如果抗災體采取的應急處置措施非常合理、妥當，高層建筑火災情景會朝著樂觀的情景演變，給受災體帶來最小的損失，這時，情景演變路線是一條受到抗災體有效控制的路徑。反之，如果應急處置措施失效或不恰當，高層建筑火災情景會朝著悲觀的情景演變，受災體會受到巨大損失，這時，情景演變路線是一條急劇惡化的路徑。如果抗災體不采取任何措施，火災會按照其自身發生、發展機理的變化不斷演變，呈現出一條放縱的路徑。因此，由于抗災體的作用，高層建筑的火災情景會出現三種路徑：控制路徑、惡化路徑、放縱路徑。

眾多學者[3-5]采用網絡表示方法來描述突發事件情景，從而構建情景演變網絡，取得了較好的效果。本文也采用網絡表示方法來描述高層建筑火災情景，其圖形表達為：圓形表示高層建筑火災情景，三角形表示抗災措施。根據圖形表示方法，可以用圖1來描述情景A到情景B的演變過程。

圖1 情景A到情景B演變的圖形表示

對于任何一場高層建筑火災，我們都可以采用圖形表示方法來描述情景的演變過程，構建高層建筑火災情景演變網絡。

2 基于貝葉斯網絡的高層建筑火災情景推演

根據貝葉斯網絡建模理論[6-7]，高層建筑火災情景構建與推演過程主要分為三個步驟。

2.1 識別關鍵性的變量和變量的取值范圍，并用貝葉斯網絡中的節點進行表示，高層建筑火災情景要素包括災害體(F)、抗災體(B)、受災體(R)，其中，R影響F和B的狀態。因此，高層建筑火災的每一個關鍵情景Ci(Fi,Bi)就是貝葉斯網絡中的一個節點，F和B中相關信息的量化取值范圍就是節點的取值集合。

2.2 判斷網絡中節點間的相關關系，并用有向圖表示，也就是確定網絡的拓撲結構。高層建筑火災情景的演化受到抗災措施的巨大影響，采用不同的抗災措施，可能會出現不同的結果。本文在火災領域相關專家、消防人員和科研人員的幫助下，找出不同抗災措施下，當前情景和未來情景之間的演化關系，也就是確定貝葉斯網絡的拓撲結構。

2.3 確定貝葉斯網絡的概率參數。確定了網絡的拓撲結構，也就確定了未來可能發生的各種情景，但是還需要知道這些情景發生的概率。本文采用手工建模方法，由領域專家手動選取貝葉斯網絡的節點和拓撲結構，在定義節點狀態空間的基礎上，構造每個節點的條件概率分布。不同的領域專家，在確定貝葉斯網絡的概率參數時，可能會出現不同的結果。本文應用證據理論中的Dempster合成法則[8]，對多個專家的結果進行合成。

對于高層建筑火災來說，當火災發生后，火災當前的情景也就確定了。只需要知道不同的抗災措施下可能出現的情景變量，以及不同情景變量的先驗概率和條件概率，就可以應用貝葉斯網絡推理方法對未來出現的各情景變量進行推演。

3 實例應用

3.1 某國際大廈火災

2011年，某國際大廈因燃放煙花，導致B座樓梯南側外墻表面裝飾材料起火。消防支隊接到報警后迅速趕赴現場，消防總隊接報后立即啟動跨區域滅火救援預案，迅速調集力量前往增援。經全體消防官兵7個多小時的艱苦奮戰，大火基本撲滅，共搶救疏散群眾470名，保住了大廈A座絕大部分空間、C座整體、鄰近居民樓、共用裙樓、共用地下室和B座的部分房間，將火災損失降到了最低，創造了無人傷亡的超高層、大體量建筑火災撲救的成功案例。本文利用貝葉斯網絡和證據理論對該案例進行情景分析和推演。

3.2 某國際大廈火災情景推演

3.2.1 確定網絡節點變量

從災害體的角度分析，將火焰燃燒速度和建筑材料的發煙性作為火災情景本身的狀態變量。隨著火災燃燒速度的加快，建筑燃燒面積會不斷擴大，因此，將火災燃燒面積作為受影響的火災情景的狀態變量。

火災發生后，全力控制大火、積極搶救疏散人員、最大限度降低火災損失是救援部隊的第一任務。因此，從抗災體的角度分析，將“人員疏散情況”“消防隊員數量”“消防設備及其可用性”“應急準備情況”作為火災情景的響應變量。

從受災體的角度分析，火災發生后，會給建筑物本身帶來巨大的破壞。因此，將“建筑防排煙設備破壞程度”“建筑防火設備破壞程度”“疏散通道破壞程度”“疏散設施破壞程度”“建筑坍塌情況”“人員疏散情況”作為受災體本身的狀態變量。火災發生后，受災體會受到較大的財產和人員損失，因此，將“人員傷亡數”和“財產損失”作為受災體的損失變量。隨著災害體和抗災體的相互作用，受災體的相關狀態產生了很大的改變，從而造成火災燃燒面積和煙霧濃度的變化，所以煙霧濃度也作為火災情景的狀態變量。

綜上可以得到該火災情景知識表示的變量集合，見表1。在確定了上述網絡節點變量后，在領域專家和消防領域專業人員的幫助下，可確定這些變量的取值范圍。

表1 某國際大廈火災情景知識表示的變量集合

3.2.2 確定網絡拓撲結構

在確定網絡節點變量的基礎上，采用專家調查法一一確定這些節點變量之間的因果關系。對于多個專家的打分結果，采用Dempster合成法則進行合成。以火焰燃燒速度F1與其他變量之間因果關系的確定為例，說明貝葉斯網絡結構的確定過程。

首先，邀請消防領域的5名專家確定F1與其他變量之間因果關系的基本概率賦值函數Mi(A,D)，其中A表示自變量，D表示因變量。然后，利用Dempster證據合成法則對結果進行合成，分別得到F1與其他變量之間因果函數M(F1,D)，見表2。參考相關文獻和領域專家的經驗，設定信度閥值為η=0.85。如果M(F1,D)≥0.85，則因果關系成立；否則因果關系不成立。最后，得到火災情景演化的貝葉斯網絡結構，如圖2所示。

3.2.3 情景推演

根據圖2描述的火災情景演化的貝葉斯網絡結構，就可以對火災情景進行推演。本文采用手工建模方法，使用專家調查表采集領域專家根據經驗得到的節點變量的先驗概率和條件概率。對于多個領域專家的結果，同樣采用Dempster合成法則對其進行合成。

圖2 某國際大廈火災情景演化的貝葉斯網絡結構

首先，將F1，F2，B1，B2，B3和B4作為輸入情景，將R1，R2，R3，R4，R5，R6作為分析情景，將F3，F4，R7和R8作為輸出情景，使用BayesiaLab軟件來實現火災情景推演。火災發生情景作為第一個情景，將構建的貝葉斯網絡結構和輸入情景狀態變量的條件概率輸入到BayesiaLab軟件中，就可以計算輸出情景各節點變量的狀態概率。然后，將得到的輸出情景各節點變量的狀態概率作為下一次情景分析的輸入情景，對其進行分析，從而再得到輸出情景，依此循環直至火災結束，如圖3所示。這樣，就可以根據火災現場的情況，采集相關數據對某國際大廈火災進行情景分析與推演。

下面，以建筑坍塌情況R5為例，說明火災發生后建筑發生各種坍塌情況(松動、樓板塌落和完全坍塌)的條件概率的獲取過程。由圖3可知，建筑坍塌情況R5節點變量主要受到節點變量火焰燃燒速度F1和火災燃燒面積F3的影響。因此，邀請3名消防領域的專家分別在F1和F3的條件下，對建筑坍塌情況R5節點變量的條件概率Mi(P,Q,R)進行打分(P表示松動，Q表示樓板塌落或部分坍塌，R表示完全坍塌)，結果見表3。在此基礎上，利用Dempster證據合成法則對結果進行合成，從而得到在F1和F3的條件下R5節點變量的條件概率M(P,Q,R)，其他概率依此類推。

在得到所有節點變量的條件概率后，結合該火災案例的現場處置情況，確定火災發生情景和消防隊趕到后采用的措施，并將相關節點變量和參數輸入到BayesiaLab中去，從而得到后續情景。在該國際大廈平面結構圖的基礎上，在圖中標注計算得到的情境，從而得到火災情景的模擬推演示意圖，如圖4所示(圖中紅色圓圈位置為起火點)。

3.3 某國際大廈火災情景的實際演變

使用網絡表示方法對某國際大廈火災情景的實際演變過程進行描述。

表2 火焰燃燒速度F1與其他變量之間因果關系的專家打分數據與證據合成結果

圖3 高層建筑火災情景推演網絡

表3 建筑坍塌情況R5條件概率打分及證據合成結果

圖4 某國際大廈火災情景的模擬推演示意圖

3.3.1 關鍵情景。在火災領域相關專家、消防人員和科研人員的幫助下，確定以下情景為此次火災的關鍵情景：(1)情景C1，火災發生情景；(2)情景C2，火災發生后消防支隊力量到達現場時的火災和人員狀態；(3)情景C3，消防總隊領導趕到現場時的火災情景狀態；(4)情景C4，3時許A座東側外墻和建筑內部火勢已經得到有效控制；(5)情景C5，現場大火被基本撲滅，但B座建筑內部溫度高、煙霧濃，多處仍處于陰燃狀態；(6)情景C6，殘火被徹底消滅，整個滅火救援戰斗行動圓滿結束。

3.3.2 抗災措施。在接到報警后，消防力量采取了一系列的抗災措施，使火災得到了很好的控制，將火災損失降到了最低點。

3.3.3 情景演變網絡。根據網絡表示方法，得到某國際大廈火災情景演變的網絡表示圖，如圖5所示。在該國際大廈平面結構圖的基礎上，將關鍵情景在圖中進行標注，得到火災情景的實際演變平面示意圖，如圖6所示(圖中紅色圓圈位置為起火點)。

圖5 某國際大廈火災情景演變的網絡表示

3.4 推演結果與火災實際演變情況的比較

將情景分析與推演結果(圖4)和火災實際演變情況(圖6)進行對比，可以看出本文根據情景模擬推演得到的火災發展趨勢與火災現場實際情況基本上一致，但也存在一些誤差。造成誤差的主要原因可能是確定貝葉斯網絡的拓撲結構和概率參數采用了專家打分法，該方法不僅會造成結果的主觀性比較強，而且程序比較繁瑣，從而影響了情景推演的結果。總體上來看，本文采用的基于貝葉斯網絡和證據理論的高層建筑火災情景演化方法是可行的。

圖6 某國際大廈火災情景的實際演變平面示意圖

4 結論

高層建筑火災發生后，火焰和濃煙會迅速蔓延擴大，極易造成重大人員傷亡和財產損失。本文在分析高層建筑火災情景要素的基礎上，采用網絡表示方法構建火災情景演變網絡，并結合貝葉斯網絡和證據理論實現了高層建筑火災的情景分析與推演，最后以某國際大廈火災為案例，對情景分析與推演模型進行了實際驗證。

[1] 李從東,高楊,趙映紅.突發事件應急管理中的情景適應度研究[J].西安電子科技大學學報(社會科學版),2012,22(3):40-47.

[2] 袁曉芳,田水承,王莉.基于PSR與貝葉斯網絡的非常規突發事件情景分析[J].中國安全科學學報,2011,23(1):169-176.

[3] 姜卉,黃鈞.罕見重大突發事件應急實時決策中的情景演變[J].華中科學大學學報(社會科學版),2009,23(1):104-108.

[4] 陳剛,謝科范,劉嘉,等.非常規突發事件情景演化機理及集群決策模式研究[J].武漢理工大學學報(社會科學版),2011,24(4):458-462.

[5] 姜卉.應急實時決策中的情景表達及情景間關系研究[J].電子科技大學學報(社科版),2012,14(1):48-52.

[6]PEARLJ.Probabilisticreasoninginintelligentsystems:networksofplausibleinference[M].MorganKaufmann,SanMateo,CA,1988.

[7]CHUPS,ZHAOX.Bayesiananalysisforextremeclimaticevents:areview[J].AtmosphericResearch,2011,102:243-262.

[8] 周忠寶.基于貝葉斯網絡的概率安全評估方法及應用研究[D].長沙:國防科學技術大學,2006.

(責任編輯 馬 龍)

Bayesian Network-based Scenario Evolution of High-rise Building Fires

AN Wei

(HuizhouMunicipalFireBrigade,GuangdongProvince516001,China)

High-rise building fire’s emergency response decisions are made on the basis of scenario analysis and evolution. Based on Bayesian networks and evidence theory, this thesis studies the scenario analysis and evolution model of high-rise building fires from three aspects, namely fire sources, fire victims, fire fighters, then verifies the scenario analysis and evolution model in the fire of an International Building.

high-rise building; fire; Bayesian network; scenario evolution

2016-10-16

安維(1976— )，男，四川南充人，高級工程師。

D631.6

A

1008-2077(2017)02-0020-06