基于VR平臺的消防場景仿真神經網絡計算分析

喬昱亞

(福建師范大學福清分校，福建福州 350300)

虛擬現(xiàn)實技術是多種技術集合而成的一項功能性仿真技術，當前已經被應用到多個領域，并發(fā)揮重要作用。虛擬現(xiàn)實技術主要包括計算機圖形集成技術，當前國際上針對該技術的研究主要表現(xiàn)在對于現(xiàn)實的感知、用戶界面操作、人機交互過程、后臺運行過程管控等。隨著虛擬現(xiàn)實技術的智能性進一步增強，在實際應用過程中可實現(xiàn)在線實時管控，并可感知外界事物變化，根據外界情況做出相應的調整。由于該項技術已經實現(xiàn)實時智能控制，因此可以被用于多個領域。在消防火災應用中可結合神經網絡進行信息處理，并結合虛擬現(xiàn)實技術實現(xiàn)仿真，對消防演練以及消防策略有重要輔助作用[1]。

1 基于VR平臺的消防場景仿真

1.1 VR消防概述

VR平臺是在建筑項目中對建筑消防進行分析，得出建筑物的立體模型，通過建立空間三維坐標再配合時間坐標便可構建出基于建筑項目的4D模型，通過該4D模型便可展開對消防項目的有效管理。在實際應用過程中可通過VR軟件將建筑消防真實表達出來，并結合實際情況進行綜合性分析，根據模擬情況結合實際情況進行預判，之后便可得出優(yōu)化后的結果，提高建筑消防的安全性和可靠性。VR技術主要是對消防場景現(xiàn)場進行模擬再現(xiàn)，消除可能存在的安全隱患，在此基礎上對消防項目進行有效分析，降低消防成本[2]。

1.2 神經網絡

人工神經網絡是一種基于微觀結構的網絡形式，屬于對人腦進行仿真的系統(tǒng)結構，神經網絡具備與人類思維較為相似的邏輯能力，并具備非線性及線性處理能力、聯(lián)想記憶和自適應能力。從人工神經網絡的本質來看可將其劃分為人工智能的一個分支，在構建人工神經網絡過程中通過大量節(jié)點和信息流以及相關因素互相作用來完成數(shù)據分析及傳遞過程。人工神經網絡可改變信息節(jié)點連接方式，通過多個節(jié)點及網絡層共同構成不同形式的網絡結構，并通過特殊算法得出最優(yōu)化結果。神經網絡模型基本結構見圖1。

圖1中，X=(x1,x2,…,xj,…,xN)T∈Rn表示人工神經網絡的輸入向量，wji表示該神經網絡中對應編號為i和j的神經元之間的連接權值，θi表示神經元閾值，yi表示神經網絡的最終輸出，結合神經網絡模型基本原理及數(shù)據處理過程，可將yi表達為式(1)。其中，f表示激勵函數(shù)，常用激勵函數(shù)有閾值函數(shù)以及Sigmoid函數(shù)，表達式分別見式(2)和式(3)。網絡權值、激勵函數(shù)等均和神經網絡的連接方式有一定關系[3]。

圖1 神經網絡模型基本結構

(1)

(2)

(3)

BP神經網絡是一種以誤差反向傳播算法為基本原理的多層次網絡，層數(shù)一般3層以上，主要包括輸入層、隱藏層、輸出層幾個部分[12]，標準結構BP神經網絡模型見圖2。模型結構中的隱藏層包含多個神經元，該部分并未與外部直接相連，但其自身狀態(tài)會直接影響到數(shù)據輸出過程，進而影響到網絡輸出結構，即隱藏層可間接影響整個神經網絡系統(tǒng)的數(shù)據處理及傳輸能力。

圖2 神經網絡模型結構

對BP神經網絡進行充分研究，結合該網絡結構中的隱藏層神經元數(shù)量，根據實際情況設置相關條件。對BP神經網絡而言,可通過連續(xù)函數(shù)進行數(shù)據處理，設置數(shù)據精度，本文就常見的3層BP神經網絡結構展開研究，并將其作為基礎建立故障檢測模型。BP神經網絡算法具有一定學習能力，該算法中包含多種元素，主要有輸入及輸出元素、連接權值、閾值等，通過這些元素相互作用進行相應調整，使得實際輸出無限接近于期望值，最終得出較為準確的數(shù)據處理結果[4]。

2 基于VR平臺的消防場景仿真神經網絡計算

該研究主要針對構建出消防場景的需求分析進行計算，通過VR平臺模擬出對應場景，在進行消防場景的煙霧計算等過程中主要通過神經網絡展開。

2.1 神經網絡計算模型

在進行消防場景的仿真神經網絡計算分析時，主要考慮的因素為補風口和排煙口，其中補風口部分僅考慮自然風情況，即在設置自然風基礎上考慮補風口的位置分布。補風口總面積、補風口高度，在其大空間一側開設單側對稱補風口，在多面?zhèn)葔ι祥_設近似對稱補風口。結合實際研究發(fā)現(xiàn)，當排煙口位于頂部時，在排出一定體積煙量時排煙口位置變化對其結算結構基本無影響，因此可忽略排煙口數(shù)量、大小和方位。因此在實際計算過程中只需要考慮其排煙體積流量大小及其啟用時間。

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 訓練樣本

在實際研究中，為了通過最少數(shù)量的樣本作為代表學習到最有效的知識即規(guī)律，本研究以計算機模擬火災場景為基礎，得出如表1所示的15組數(shù)據作為神經網絡訓練樣本，其中前13組數(shù)據主要用于樣本學習，后兩組作為驗證數(shù)據，在試驗模擬過程中設定數(shù)值試驗。具體考慮排風機啟動時間、排煙口體積流量、補風口高度、補風口面積和補風口位置作為主要因素，研究其對煙層高度的影響，在此基礎上通過神經網絡進行計算分析得出數(shù)據結果，見表1。

表1 計算表的樣本算例

表1中，K表示的是補風口位置對稱性參數(shù)，其運算結果為對稱補風口數(shù)與總補風口數(shù)的比值。則在以上分析基礎上得出網絡訓練樣本集，見表2。

表2 網絡訓練樣本集

2.3 結果分析

通過神經網絡模型隱含層神經元和網絡傳遞函數(shù)進行多次嘗試，調整網絡權值矩陣以及閾值向量的輸出向量與目標向量誤差均小于設定值，或者促使訓練樣本的相對誤差小于設定值，在經過一系列調試好后確定其神經元數(shù)目為13，對其樣本進行網絡訓練，將測試數(shù)據輸入以上模型，最終得出預測值與實際值的比較結果，見表3[6]。

表3 神經網絡預測結果

對大空間場景區(qū)域進行仿真計算，通過FDS軟件進行計算分析，以本研究神經網絡模型構建ANN模型，設定目標值曲線為CFAST，得出統(tǒng)計圖見圖3。

圖3 神經網絡模型預測值與目標值之對比

本研究構建的神經網絡模型可精確地計算出煙氣層隨時間變化的趨勢，在所有預測點中最小相對誤差為0.00047，最大為0.116，達到消防工程精度需求，若輸入的樣本數(shù)足夠多，則訓練結果更加準確。本研究結果可有效地反映出火災發(fā)生時的現(xiàn)場環(huán)境。

[參考文獻]

[1]陳斌,胡麗,李昂,等.基于BP神經網絡算法的仿真研究[J].信息技術,2016(8):85-88.

[2]金鑫,李浪,杜靜,等.基于神經網絡的大型風力機動力學仿真預測分析[J].太陽能學報,2017(2):464-471.

[3]李楠,吳玉厚.基于神經網絡PID控制算法的自動調平系統(tǒng)的仿真研究[J].機電產品開發(fā)與創(chuàng)新,2015(6):109-110.

[4]王海,蔡英鳳,賈允毅,等.基于深度卷積神經網絡的場景自適應道路分割算法[J].電子與信息學報,2017(2):263-269.

[5]王軍建.基于人工神經網絡的城市消防系統(tǒng)評價及滅火救援能力分析[J].消防技術與產品信息,2016(10):47-50.

[6]謝巍,秦寶榮,曾健,等.含防扭結構的VR動感椅平臺運動分析和仿真[J].機電工程,2016(11):1344-1348.