Preview

Пожаровзрывобезопасность/Fire and Explosion Safety

Расширенный поиск

Применение машинообучаемых цепей Маркова для определения ранга пожара и прогнозирования фаз его развития

https://doi.org/10.22227/0869-7493.2021.30.06.39-51

Полный текст:

Аннотация

Введение. Моделирование процессов развития и ликвидации пожаров требует учета большого количества случайных факторов о среде пожара и доступных ресурсах для его ликвидации. Важной особенностью развития пожаров является их пошаговый характер, где одна фаза (стадия) закономерно сменяется другой в результате как протекания физических процессов горения, так и решений, принятых в тех или иных состояниях пожара. В практике моделирования многофазных (многостадийных) процессов широко используются такие их модели, как деревья решений, многошаговые позиционные игры, случайные процессы, в числе которых значимое место занимают дискретные цепи Маркова, и др. Все эти модели имеют каждая свою структуру и параметры. Выбор структуры модели для той или иной прикладной задачи является эвристическим шагом. Параметры моделей практически всегда задаются, исходя из логических умозаключений, физики протекающих процессов и имеющихся статистических данных о моделируемом явлении. Такой подход обычно называют нормативным. Его альтернативой является адаптивный подход, при котором параметры моделей оцениваются по ретроспективным данным. Такой подход позволяет построить достаточно адекватные реальным объектам модели, способные адаптироваться к нестационарностям среды и изменчивости предпочтений ЛПР.
Актуальность исследования заключается в разработке технологии машинного обучения марковских моделей процесса развития пожара, позволяющих прогнозировать время завершения как отдельных его фаз, так и пожара в целом. Марковская модель может служить и основой определения оптимального ранга пожара.
Цели и задачи. Целью работы является создание и апробация технологии построения моделей, позволяющих строить оценки времени завершения пожара. В соответствии с этой целью поставлены и задачи машинного обучения модели и ее использования для прогнозирования и определения ранга пожара.
Методы. В исследовании использованы методы теории случайных процессов, математическая статистика, имитационное моделирование, технико-экономическое оценивание. Исследование основано на материалах отечественных и зарубежных публикаций.
Результаты и их обсуждение. Предложенный метод машинного обучения цепей Маркова по статистическим данным о времени реагирования пожарно-спасательных подразделений, а также использование обученных моделей и технико-экономических оценок для назначения оптимального ранга пожара позволяют применять построенные на их основе алгоритмы в составе систем поддержки принятия решений пожарной безопасности.
Выводы. Представленные результаты решения задачи построения адекватных моделей для прогнозирования фаз развития пожара и определения ранга пожара дают основание для построения эффективных систем поддержки принятия решений на оперативном горизонте управления пожарной безопасностью.

Об авторах

Н. Г. Топольский
Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий
Россия

Топольский Николай Григорьевич, д-р техн. наук, профессор, заслуженный деятель науки РФ;  профессор кафедры информационных технологий

РИНЦ ID: 114882

129366, г. Москва, ул. Бориса Галушкина, 4



В. Я. Вилисов
Технологический университет имени дважды Героя Советского Союза, летчика-космонавта А.А. Леонова
Россия

Вилисов Валерий Яковлевич, д-р экон. наук, канд. техн. наук, профессор кафедры математики и естественнонаучных дисциплин

РИНЦ ID: 521423

Scopus Author ID: 57205441277

ResearcherID: P-1650-2019

141074, Московская обл., г. Королев, ул. Гагарина, 42



Р. Ш. Хабибулин
Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий
Россия

Хабибулин Ренат Шамильевич, канд. техн. наук, доцент, начальник Учебно-научного комплекса  автоматизированных систем и информационных технологий

РИНЦ Author ID: 637284

Scopus Author ID: 6506192400

Researcher ID: A-4261-2016

129366, г. Москва, ул. Бориса Галушкина, 4



Б. М. Пранов
Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации
Россия

Пранов Борис Михайлович, доктор техн. наук, профессор, профессор кафедры прикладных информационных технологий

РИНЦ ID: 786906

119571, г. Москва, проспект Вернадского, 82, стр.1



Ф. В. Демехин
Региональная общественная организация содействия развитию деятельности в сфере пожарной безопасности «Коллегия пожарных экспертов»
Россия

Демехин Феликс Владимирович, д-р техн. наук, председатель

196006, г. Санкт-Петербург, Заставская ул., д. 31, корп. 1 литер P, этаж/комн 2/23



Список литературы

1. Брушлинский Н.Н., Клепко Е.А., Попков С.Ю., Соколов С.В. Управление пожарной безопасностью субъектов Российской Федерации на основе анализа пожарных рисков // Проблемы пожарной безопасности и чрезвычайных ситуаций. 2010. № 3. С. 104–114.

2. Собянин С.С. Московское правительство о пожарной безопасности в столице в 2018–2019 гг. // Каталог «Пожарная безопасность». 2019. URL: http://lib.secuteck.ru/articles2/firesec/moskovskoe-pravitelstvo-o-pozharnoy-bezopasnosti-v-stolitse-v (дата обращения: 14.12.2021).

3. Пожарные риски: динамика, управление, прогнозирование / под ред. Н.Н. Брушлинского, Ю.Н. Шебеко. М. : ВНИИПО, 2007. 370 с.

4. Taha H.A. Operations research: An introduction. 10th Global ed. Harlow (England): Pearson Education Limited, 2017. 848 p.

5. Топольский Н.Г., Вилисов В.Я. Методы, модели и алгоритмы в системах безопасности: машинное обучение, робототехника, страхование, риски, контроль. М. : РИОР, 2021. 475 с.

6. Вилисов В.Я. Применение марковских цепей для моделирования и прогнозирования развития пожара // Инженерный вестник Дона. 2021. № 3. URL: http://www.ivdon.ru/ru/magazine/archive/n3y2021/6881 (дата обращения 14.12.2021).

7. Топольский Н.Г., Бутузов С.Ю., Вилисов В.Я. Информационно-аналитические модели поддержки управления при ликвидации пожаров и чрезвычайных ситуаций. М. : АГПС МЧС России, 2021. 216 с.

8. Lee H.-R., Lee T. Multi-agent reinforcement learning algorithm to solve a partially-observable multi-agent problem in disaster response // European Journal of Operational Research. 2021. Vol. 291. Issue 1. Pp. 296–308. DOI: 10.1016/j.ejor.2020.09.018.

9. Бедило М.В., Бутузов С.Ю., Прус Ю.В., Рыженко А.А., Чурсин Р.Г. Модель адаптивного управления оперативными службами РСЧС в чрезвычайных ситуациях межрегионального и федерального уровня // Технологии техносферной безопасности. 2017. № 1 (71).

10. Hamke E.E., Jordan R., Ramon-Martinez M. Breath activity detection algorithm. 2016. URL: https://arxiv.org/abs/1602.07767 (дата обращения: 14.12.2021).

11. Zhang X., Mahadevan S. Bayesian neural networks for flight trajectory prediction and safety assessment // Decision Support Systems. 2020. Vol. 131. DOI: 10.1016/j.dss.2020.113246 URL: https://www.sciencedirect.com/science/article/pii/S0167923620300014 (дата обращения: 14.12.2021).

12. Овсяник А.И., Копнышев С.Л., Бурков В.Н., Щепкин А.В. О методике исследования достаточности мероприятий по обеспечению безопасности функционирования региона страны // Технологии техносферной безопасности. 2017. № 2 (72). URL: http://agps-2006.narod.ru/ttb/2017-2/39-02-17.ttb.pdf (дата обращения: 14.12.2021).

13. Ларичев О.И., Мошкович Е.М. О возможностях получения от человека непротиворечивых оценок многомерных альтернатив // Дескриптивный подход к изучению процессов принятия решений при многих критериях : сб. тр. М. : ВНИИСИ, 1980. Вып. 9. С. 3–26.

14. Петровский А.Б. Теория принятия решений. М. : Академия, 2009. 400 с.

15. Fertier A., Barthe-Delanoë A-M., Montarnal A., Truptil S., Bénaben F. A new emergency decision support system: the automatic interpretation and contextualisation of events to model a crisis situation in real-time // Decision Support Systems. 2020. Vol. 133. P. 113260. DOI: 10.1016/j.dss.2020.113260

16. Cavdur F., Sebatli A. A decision support tool for allocating temporary-disaster-response facilities // Decision Support Systems. 2019. Vol. 127. P. 113145. DOI: 10.1016/j.dss.2019.113145

17. Trekin A., Novikov G., Potapov G. etc. Satellite imagery analysis for operational damage assessment in Emergency situations // Cornell University Library, NY, USA URL: arxiv.org/pdf/1803.00397.pdf (дата обращения: 14.12.2021).

18. Fertier A., Barthe-Delanoë A.-M., Montarnal A., Truptil S., Bénaben F. A new emergency decision support system: the automatic interpretation and contextualisation of events to model a crisis situation in real-time // Decision Support Systems. 2020. Vol. 133. P. 113260. URL: sciencedirect. com/science/article/pii/S0167923620300154 (дата обращения: 14.12.2021).

19. Cavdur F., Sebatli A. A decision support tool for allocating temporary-disaster-response facilities // Decision Support Systems. 2019. Vol. 127. P. 113145. URL: sciencedirect.com/science/article/pii/S0167923619301745 (дата обращения: 14.12.2021).

20. Пожары и пожарная безопасность в 2016 г. // Статистический сборник. М. : ФГУ ВНИИПО, 2017. 124 с.

21. Себер Дж. Линейный регрессионный анализ. М. : Мир, 1980. 456 с.

22. Де Гроот М.М. Оптимальные статистические решения. М. : Мир, 1974. 492 с.

23. Stroh R., Bect J., Demeyer S., Fischer N., Vazquez E. Gaussian process modeling for stochastic multi-fidelity simulators, with application to fire safety. 2016. URL: https://arxiv.org/abs/1605.02561 (дата обращения: 14.12.2021).


Рецензия

Для цитирования:


Топольский Н.Г., Вилисов В.Я., Хабибулин Р.Ш., Пранов Б.М., Демехин Ф.В. Применение машинообучаемых цепей Маркова для определения ранга пожара и прогнозирования фаз его развития. Пожаровзрывобезопасность/Fire and Explosion Safety. 2021;30(6):39–51. https://doi.org/10.22227/0869-7493.2021.30.06.39-51

For citation:


Topolskiy N.G., Vilisov V.Y., Khabibulin R.S., Pranov B.M., Demekhin F.V. Application of Markov chains to rank fires and forecast fire development phases. Pozharovzryvobezopasnost/Fire and Explosion Safety. 2021;30(6):39–51. (In Russ.) https://doi.org/10.22227/0869-7493.2021.30.06.39-51

Просмотров: 127


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0869-7493 (Print)
ISSN 2587-6201 (Online)