Кластеризация пожаров на объектах топливно-энергетического комплекса по ретроспективным статистическим данным для выявления рангов пожаров

Введение. Такое определение как «ранг пожара» используется в практике управления реагированием и ликвидации пожаров достаточно давно и имеет несколько смыслов, основные из которых два: укрупненно показать степень сложности пожара; исходя из ранга пожара, выделить адекватное количество различных видов ресурсов для успешной его ликвидации. Цепочка элементов: пожар – степень сложности – необходимые ресурсы, пока не воплощена в эффективные методики и нормативные документы, что придает актуальность данному направлению исследований.

Цели и задачи. Целью работы является разработка технологии построения моделей рангов пожаров на основе использования кластерного анализа. В числе задач — разведочный анализ данных и построение стохастической модели рангов пожаров.

Методы. В исследовании использованы методы математической статистики и машинного обучения без учителя в варианте кластерного анализа.

Результаты и обсуждение. Показана возможность определения сетки рангов пожара и соответствующего количества выделяемой автотехники на основе обработки методами кластерного анализа выборки ретроспективных данных о пожарах. Показано, что полученные результаты очень близки к нормам выделения автотехники на пожары в г. Москве. Выдвинута концепция стохастических рангов пожаров как более информативной модели для распределения ресурсов.

Выводы. Представленные результаты решения задачи выявления сетки рангов пожаров по выборке ретроспективных данных позволяют не только определять количество ресурсов, необходимых для ликвидации того или иного пожара на объектах ТЭК, но и дают возможность строить адаптивные стохастические модели рангов пожаров, адекватные региону, отрасли и иным подмножествам объектов пожара.

1. Топольский Н.Г., Вилисов В.Я. Методы, модели и алгоритмы в системах безопасности: машинное обучение, робототехника, страхование, риски, контроль. М. : РИОР, 2021. 475 с. DOI: 10.29039/02072-2

2. Топольский Н.Г., Прус Ю.В., Климовцов В.М. Определение ранга пожара на объекте по диаграммам состояния // Системы безопасности. СБ-2004 : мат. 13-й межд. конф. М. : Академия ГПС МЧС России, 2004. С. 297–299.

3. 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.

4. Вилисов В.Я., Хабибулин Р.Ш. Применение методов планирования эксперимента в экспертных процедурах для машинного обучения модели распределения ресурсов при ликвидации пожара // Технологии техно­сферной безопасности. 2023. Вып. 1 (99). С. 44–63. DOI: 10.25257/TTS.2023.1.99.44-63

5. Хабибулин Р.Ш. Кластерный анализ в области предупреждения и ликвидации пожаров и чрезвычайных ситуаций // Технологии техносферной безопасности. 2022. Вып. 3 (97). С. 202–214. DOI: 10.25257/TTS.2022.3.97.202-214

6. Вилисов В.Я., Хабибулин Р.Ш. Статистический анализ и моделирование данных о ликвидации пожаров на топливно-энергетических предприятиях // Пожары и чрезвычайные ситуации: предупреждение, ликвидация. 2023. № 3. С. 63–74. DOI: 10.25257/FE.2023.3.63-74

7. Stroh R., Bect J., Demeyer S., Fischer N., Vazquez E. Gaussian process modeling for stochastic multi-fidelity simulators, with application to fire safety. 2016. DOI: 10.48550/arXiv.1605.02561

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. P. 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). URL: http://agps-2006.narod.ru/ttb/2017-3/44-01-17.ttb.pdf

10. Hamke E.E., Jordan R., Ramon-Martinez M. Breath Activity Detection Algorithm. 2016. DOI: 10.48550/arXiv.1602.07767

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

12. Власов К.С., Порошин А.А. Исследование региональных особенностей параметров крупных пожаров // Технологии техносферной безопасности. 2022. Вып. 2 (96). С. 82–91. DOI: 10.25257/TTS.2022.2.96.82-91

13. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб. : Питер, 2018. 480 с.

14. Хайкин С. Нейронные сети: полный курс. М. : Изд. Вильямс, 2006. 1104 с.

15. Pedregosa F., Varoquaux G., Gramfort A., Michel V. et al. SciKit-Learn. Machine learning in Python // Journal of Machine Learning Research. 2011. Nо. 12. Рр. 2825–2830.

16. 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. DOI: 10.1016/j.dss.2020.113260

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

18. Дюран Б., Оделл М. Кластерный анализ. М. : Статистика, 1977. 127 с.

19. Пранов Б.М. Вопросы применения кластерного анализа в пожарной статистике // Технологии техно­сферной безопасности. 2021. Вып. 4 (94). С. 117–124. DOI: 10.25257/TTS.2021.4.94.117-124

20. Пожары и пожарная безопасность в 2019 году // Статистика пожаров и их последствий : стат. сб. / под общ. ред. Д.М. Гордиенко. М. : ВНИИПО МЧС России, 2020. 80 с.

21. Zhang T., Wang Z., Wong H.Y., Tam W.Ch., Huang X., Xiao F. Real-time forecast of compartment fire and flashover based on deep learning // Fire Safety Journal. 2022. Vol. 130. P. 103579. DOI: 10.1016/j.firesaf.2022.103579

22. Nguyen H.T., Abu-Zidan Y., Zhang G., Nguyen K.T.Q. Machine learning-based surrogate model for calibrating fire source properties in FDS models of facade fire tests // Fire Safety Journal. 2022. Vol. 130. P. 103591. DOI: 10.1016/j.firesaf.2022.103591

23. Gulyamova G.M. et al. About methods of decrease in fire hazard at gas stations // International Academy Journal Web of Scholar. 2019. Vol. 1. Issue 1 (31). Pp. 8–10. DOI: 10.31435/rsglobal_wos/31012019/6306