喬昱亞

(福建師范大學(xué)福清分校，福建福州 350300)

虛擬現(xiàn)實技術(shù)是多種技術(shù)集合而成的一項功能性仿真技術(shù)，當(dāng)前已經(jīng)被應(yīng)用到多個領(lǐng)域，并發(fā)揮重要作用。虛擬現(xiàn)實技術(shù)主要包括計算機(jī)圖形集成技術(shù)，當(dāng)前國際上針對該技術(shù)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(jī)交互過程、后臺運(yùn)行過程管控等。隨著虛擬現(xiàn)實技術(shù)的智能性進(jìn)一步增強(qiáng)，在實際應(yīng)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(jù)外界情況做出相應(yīng)的調(diào)整。由于該項技術(shù)已經(jīng)實現(xiàn)實時智能控制，因此可以被用于多個領(lǐng)域。在消防火災(zāi)應(yīng)用中可結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理，并結(jié)合虛擬現(xiàn)實技術(shù)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(jìn)行分析，得出建筑物的立體模型，通過建立空間三維坐標(biāo)再配合時間坐標(biāo)便可構(gòu)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(yīng)用過程中可通過VR軟件將建筑消防真實表達(dá)出來，并結(jié)合實際情況進(jìn)行綜合性分析，根據(jù)模擬情況結(jié)合實際情況進(jìn)行預(yù)判，之后便可得出優(yōu)化后的結(jié)果，提高建筑消防的安全性和可靠性。VR技術(shù)主要是對消防場景現(xiàn)場進(jìn)行模擬再現(xiàn)，消除可能存在的安全隱患，在此基礎(chǔ)上對消防項目進(jìn)行有效分析，降低消防成本[2]。

1.2 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種基于微觀結(jié)構(gòu)的網(wǎng)絡(luò)形式，屬于對人腦進(jìn)行仿真的系統(tǒng)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)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(yīng)能力。從人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)來看可將其劃分為人工智能的一個分支，在構(gòu)建人工神經(jīng)網(wǎng)絡(luò)過程中通過大量節(jié)點(diǎn)和信息流以及相關(guān)因素互相作用來完成數(shù)據(jù)分析及傳遞過程。人工神經(jīng)網(wǎng)絡(luò)可改變信息節(jié)點(diǎn)連接方式，通過多個節(jié)點(diǎn)及網(wǎng)絡(luò)層共同構(gòu)成不同形式的網(wǎng)絡(luò)結(jié)構(gòu)，并通過特殊算法得出最優(yōu)化結(jié)果。神經(jīng)網(wǎng)絡(luò)模型基本結(jié)構(gòu)見圖1。

圖1中，X=(x1,x2,…,xj,…,xN)T∈Rn表示人工神經(jīng)網(wǎng)絡(luò)的輸入向量，wji表示該神經(jīng)網(wǎng)絡(luò)中對應(yīng)編號為i和j的神經(jīng)元之間的連接權(quán)值，θi表示神經(jīng)元閾值，yi表示神經(jīng)網(wǎng)絡(luò)的最終輸出，結(jié)合神經(jīng)網(wǎng)絡(luò)模型基本原理及數(shù)據(jù)處理過程，可將yi表達(dá)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(dá)式分別見式(2)和式(3)。網(wǎng)絡(luò)權(quán)值、激勵函數(shù)等均和神經(jīng)網(wǎng)絡(luò)的連接方式有一定關(guān)系[3]。

圖1 神經(jīng)網(wǎng)絡(luò)模型基本結(jié)構(gòu)

(1)

(2)

(3)

BP神經(jīng)網(wǎng)絡(luò)是一種以誤差反向傳播算法為基本原理的多層次網(wǎng)絡(luò)，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(biāo)準(zhǔn)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型見圖2。模型結(jié)構(gòu)中的隱藏層包含多個神經(jīng)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(jù)輸出過程，進(jìn)而影響到網(wǎng)絡(luò)輸出結(jié)構(gòu)，即隱藏層可間接影響整個神經(jīng)網(wǎng)絡(luò)系統(tǒng)的數(shù)據(jù)處理及傳輸能力。

圖2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行充分研究，結(jié)合該網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏層神經(jīng)元數(shù)量，根據(jù)實際情況設(shè)置相關(guān)條件。對BP神經(jīng)網(wǎng)絡(luò)而言,可通過連續(xù)函數(shù)進(jìn)行數(shù)據(jù)處理，設(shè)置數(shù)據(jù)精度，本文就常見的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)展開研究，并將其作為基礎(chǔ)建立故障檢測模型。BP神經(jīng)網(wǎng)絡(luò)算法具有一定學(xué)習(xí)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(quán)值、閾值等，通過這些元素相互作用進(jìn)行相應(yīng)調(diào)整，使得實際輸出無限接近于期望值，最終得出較為準(zhǔn)確的數(shù)據(jù)處理結(jié)果[4]。

2 基于VR平臺的消防場景仿真神經(jīng)網(wǎng)絡(luò)計算

該研究主要針對構(gòu)建出消防場景的需求分析進(jìn)行計算，通過VR平臺模擬出對應(yīng)場景，在進(jìn)行消防場景的煙霧計算等過程中主要通過神經(jīng)網(wǎng)絡(luò)展開。

2.1 神經(jīng)網(wǎng)絡(luò)計算模型

在進(jìn)行消防場景的仿真神經(jīng)網(wǎng)絡(luò)計算分析時，主要考慮的因素為補(bǔ)風(fēng)口和排煙口，其中補(bǔ)風(fēng)口部分僅考慮自然風(fēng)情況，即在設(shè)置自然風(fēng)基礎(chǔ)上考慮補(bǔ)風(fēng)口的位置分布。補(bǔ)風(fēng)口總面積、補(bǔ)風(fēng)口高度，在其大空間一側(cè)開設(shè)單側(cè)對稱補(bǔ)風(fēng)口，在多面?zhèn)葔ι祥_設(shè)近似對稱補(bǔ)風(fēng)口。結(jié)合實際研究發(fā)現(xiàn)，當(dāng)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(jié)算結(jié)構(gòu)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(xùn)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(xué)習(xí)到最有效的知識即規(guī)律，本研究以計算機(jī)模擬火災(zāi)場景為基礎(chǔ)，得出如表1所示的15組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，其中前13組數(shù)據(jù)主要用于樣本學(xué)習(xí)，后兩組作為驗證數(shù)據(jù)，在試驗?zāi)M過程中設(shè)定數(shù)值試驗。具體考慮排風(fēng)機(jī)啟動時間、排煙口體積流量、補(bǔ)風(fēng)口高度、補(bǔ)風(fēng)口面積和補(bǔ)風(fēng)口位置作為主要因素，研究其對煙層高度的影響，在此基礎(chǔ)上通過神經(jīng)網(wǎng)絡(luò)進(jìn)行計算分析得出數(shù)據(jù)結(jié)果，見表1。

表1 計算表的樣本算例

表1中，K表示的是補(bǔ)風(fēng)口位置對稱性參數(shù)，其運(yùn)算結(jié)果為對稱補(bǔ)風(fēng)口數(shù)與總補(bǔ)風(fēng)口數(shù)的比值。則在以上分析基礎(chǔ)上得出網(wǎng)絡(luò)訓(xùn)練樣本集，見表2。

表2 網(wǎng)絡(luò)訓(xùn)練樣本集

2.3 結(jié)果分析

通過神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元和網(wǎng)絡(luò)傳遞函數(shù)進(jìn)行多次嘗試，調(diào)整網(wǎng)絡(luò)權(quán)值矩陣以及閾值向量的輸出向量與目標(biāo)向量誤差均小于設(shè)定值，或者促使訓(xùn)練樣本的相對誤差小于設(shè)定值，在經(jīng)過一系列調(diào)試好后確定其神經(jīng)元數(shù)目為13，對其樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，將測試數(shù)據(jù)輸入以上模型，最終得出預(yù)測值與實際值的比較結(jié)果，見表3[6]。

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

對大空間場景區(qū)域進(jìn)行仿真計算，通過FDS軟件進(jìn)行計算分析，以本研究神經(jīng)網(wǎng)絡(luò)模型構(gòu)建ANN模型，設(shè)定目標(biāo)值曲線為CFAST，得出統(tǒng)計圖見圖3。

圖3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與目標(biāo)值之對比

本研究構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型可精確地計算出煙氣層隨時間變化的趨勢，在所有預(yù)測點(diǎn)中最小相對誤差為0.00047，最大為0.116，達(dá)到消防工程精度需求，若輸入的樣本數(shù)足夠多，則訓(xùn)練結(jié)果更加準(zhǔn)確。本研究結(jié)果可有效地反映出火災(zāi)發(fā)生時的現(xiàn)場環(huán)境。

[參考文獻(xiàn)]

[1]陳斌,胡麗,李昂,等.基于BP神經(jīng)網(wǎng)絡(luò)算法的仿真研究[J].信息技術(shù),2016(8):85-88.

[2]金鑫,李浪,杜靜,等.基于神經(jīng)網(wǎng)絡(luò)的大型風(fēng)力機(jī)動力學(xué)仿真預(yù)測分析[J].太陽能學(xué)報,2017(2):464-471.

[3]李楠,吳玉厚.基于神經(jīng)網(wǎng)絡(luò)PID控制算法的自動調(diào)平系統(tǒng)的仿真研究[J].機(jī)電產(chǎn)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(jīng)網(wǎng)絡(luò)的場景自適應(yīng)道路分割算法[J].電子與信息學(xué)報,2017(2):263-269.

[5]王軍建.基于人工神經(jīng)網(wǎng)絡(luò)的城市消防系統(tǒng)評價及滅火救援能力分析[J].消防技術(shù)與產(chǎn)品信息,2016(10):47-50.

[6]謝巍,秦寶榮,曾健,等.含防扭結(jié)構(gòu)的VR動感椅平臺運(yùn)動分析和仿真[J].機(jī)電工程,2016(11):1344-1348.