大型多功能建筑瓶颈效应下的实时最优疏散模型构建与验证

针对大型多功能建筑火灾中因烟雾扩散和人员密集导致的疏散瓶颈问题，研究人员通过火灾模拟构建温度-能见度-毒气浓度数据库，开发基于人工神经网络（ANN）的实时可用安全疏散时间（ASETi ）预测算法，并结合CCTV人群密度估算技术提出动态最优路径规划系统。该模型通过缩比实验验证可靠性，为复杂建筑火灾疏散提供实时决策支持。

　　

随着城市大型多功能建筑的激增，这类集办公、商业、餐饮于一体的综合体在火灾中暴露出严峻挑战：烟雾与火焰沿疏散路径扩散，高密度人群区域易形成致命瓶颈。传统静态疏散模型难以应对火灾环境的实时变化，导致疏散效率低下甚至引发二次伤害。尽管已有研究探索建筑疏散行为（如Kodur团队提出出口位置优化可缩短24%疏散时间），但动态整合火灾参数与人群运动的系统仍属空白。韩国研究人员（单位未标注英文）在《Safety Science》发表的这项研究，首次将火灾动力学模拟（FDS）、人工智能预测与视频分析技术融合，构建了可实时响应火灾演变的智能疏散系统。

研究采用三大关键技术：1）基于FDS模拟构建温度-能见度-毒气浓度数据库；2）ANN模型实时预测特定位置ASET_i
（可用安全疏散时间）；3）CCTV视频流分析算法量化人群密度。通过1/50缩比建筑模型验证，证实系统可动态规避毒气聚集区与高密度瓶颈。

数据库构建
选取典型多功能建筑进行FDS火灾模拟，建立包含温度梯度、能见度衰减与CO浓度变化的关联数据库。数据显示火灾初期能见度下降速率与毒气扩散呈非线性相关，为ANN训练提供基础。

人群密度算法开发
通过64×128像素网格化处理CCTV画面，结合光流法追踪移动物体，实现每分钟2000帧的高效人群计数。实验表明该算法在85%置信区间内可准确识别密度>3人/m²
的瓶颈区域。

ASET_i
预测模型验证
ANN模型输入温度、能见度、CO浓度三参数，输出ASET_i
预测值。缩比实验显示预测误差<8%，显著优于传统线性回归模型（误差>22%）。

最优路径系统集成
将ASET_i
预测与人群密度数据叠加至建筑平面图，采用Dijkstra算法动态生成避开高危区域的最短路径。典型案例显示，该系统较固定路线方案可提升37%疏散成功率。

研究结论表明，该模型突破传统疏散系统对预设条件的依赖，首次实现火灾环境-人群分布双维度动态优化。通过Khaliunaa Darkhanbat团队构建的ANN-CCTV融合架构，系统在毒气扩散预测（R²
=0.91）与瓶颈识别（F1-score=0.89）方面均达工程实用标准。讨论部分强调，该技术可扩展至地铁站、机场等复杂公共场所，但需进一步解决多摄像头视角融合与极端烟雾条件下的算法鲁棒性问题。这项研究为智慧城市应急响应系统提供了关键技术范式。