BIM-GNN：一种用于预测室内火灾特性的高效图神经网络框架

《Fire Safety Journal》：BIM-GNN: An efficient graph neural network framework for predictions of characteristics of indoor fire

　　

摘要

建筑物内的火灾涉及热量、烟雾和有毒气体的复杂时空传输过程。传统的计算流体力学模拟耗时过长，难以快速进行评估，而许多数据驱动的方法则忽略了建筑物的拓扑结构以及不同区域之间的相互关联。本研究提出了建筑信息模型-图神经网络方法，该方法将隐式的建筑信息模型语义（如IfcSpace和IfcDoor）转化为显式的、可学习的图结构，其中节点代表空间单元，边代表结构连接关系。一种基于物理原理的边权重设定机制能够体现与火灾相关的约束条件，包括基于体积的热量稀释效应以及通过开口处的通风效率，从而更准确地描述热量和烟雾的传播过程。此外，研究还开发了一种混合的长短期记忆网络-时空图卷积网络架构，该架构能够同时处理多尺度空间相互作用以及温度、一氧化碳和烟尘浓度等物理量?长期变化趋势。通过火势动态模拟器生成的数据集进行验证，BIM-GNN方法将火灾场景的预测时间从12.0小时缩短至0.025秒，同时保持了较高的精度（R2=0.9783），为快速进行火灾风险评估、构建火灾数字孪生模型以及制定应急响应策略提供了有力支持。

引言

建筑物火灾是对人类生命和建筑设施构成的最严重且最难以预测的威胁之一，尤其是在办公室大楼、酒店和地下设施等封闭环境中[1]。这类火灾往往会迅速恶化，产生强烈的热量、浓密的烟雾和有毒气体，不仅会阻塞疏散通道，还会让应急响应系统不堪重负。格伦费尔塔楼火灾（造成72人死亡）和普拉斯科大厦倒塌事故（导致30人死亡）等历史事件都凸显了此类火灾的严重后果[2]、[3]。

要提升建筑物在面对紧急情况时的抵御能力，仅仅依靠实时传感器远远不够，还需要能够快速预测火灾状况在空间和时间上的发展变化。即便能提前几秒钟预测出温度和烟雾密度等关键物理量，也能为火灾数字孪生模型的构建提供重要依据，有助于制定动态的疏散路线以及提前部署消防资源。

然而，一个亟待解决的难题就是计算效率问题。像火势动态模拟器这样的传统基于物理原理的模拟工具虽然能够提供高精度的结果，但往往需要数小时甚至数天才能完成计算[4]、[5]。这样的计算成本对于需要反复进行应急规划或实现实时数字孪生模型同步的场景来说无疑是不可行的，因为在这些场景中需要在几秒钟内评估多种不同的火灾情况。

尽管深度学习模型，尤其是长短期记忆网络，已被成功应用于火灾场景分析——例如刘等人开发的基于分布式光纤传感器的实时监测系统[6]，以及洪等人设计的结合多种气体浓度数据的非线性温度预测模型[7]——但这些方法仍然主要依赖于一维时间序列数据。这种处理方式无法完整反映复杂火灾场景中极为不均匀的温度分布情况。在多房间环境中，火灾的发展是由门和走廊等物理开口所形成的空间连接关系推动的，但传统的循环神经网络和长短期记忆网络架构缺乏对这种跨区域传播路径的拓扑结构认知能力[8]、[9]。因此，即便最近的长短期记忆网络应用在局部精度上有所提升，仅基于时间信息的模型依然难以准确预测由于延迟产生的连接效应，以及在没有充分考虑空间结构背景的情况下，火灾在复杂建筑中的传播规律。

本研究旨在解决一个核心问题：如何构建相应的计算框架，将复杂工程系统中的隐式时空关系转化为显式的、可学习的图结构？将建筑信息模型所包含的空间信息与图神经网络相结合，代表了工程知识表示方法方面的重大进步。与以往将建筑构件视为独立实体来处理的方法不同，我们的框架将空间、开口以及火灾传播路径之间的关系整合为一个统一的图结构，并通过基于物理原理的边权重设定来体现这些关系。

因此，要在以空间连接为主导的建筑尺度上模拟火灾动态，就必须采用具备拓扑结构感知能力的时空学习框架。这也就促使人们开发出基于图的深度学习方法，这类方法能够明确体现不同房间之间的连接关系，并实现信息在空间间的传递，进而更精准且易于理解地预测火灾的发展态势。

为应对上述挑战，本研究做出了以下贡献：

• •
  自动化的建筑信息模型到图结构转换方法：该方法建立了一套系统化的流程，用于解析建筑信息模型中的语义信息（如IfcSpace、IfcDoor、IfcStair），并将隐式的建筑几何形状转化为显式的、可学习的图结构，这些图结构能够为深度学习模型提供空间连接信息（详见第3.2节）。
• •
  基于物理原理的边权重设定机制：该机制建立了一套权重更新系统，能够将火灾动态中的基本原理——比如基于体积的热量稀释效应、通过开口处的通风效率以及燃料负荷的影响——融入图结构的拓扑设计中，从而体现火灾传播过程中的不对称性特征（详见第3.2.3节）。
• •
  LSTM-STGCN混合架构：该研究提出了一种混合型的深度学习替代模型，它将时空图卷积网络与长短期记忆网络相结合，从而既能捕捉复杂的空间连接关系，又能体现火灾动态中的长期时间依赖性（详见第3.4节）。
• •
  多尺度验证与效率提升：该研究实现了计算性能的显著提升，将火灾场景的预测时间从需要12小时才能完成的计算流体力学模拟缩短到了仅需0.025秒，这一成果在单个区域规模和整个建筑规模的模拟中均得到了验证（详见第4节单个区域规模案例和第5节建筑规模案例）。

本文的其余部分结构如下：第2节回顾了当前建筑物火灾预测领域的研究进展；第3节详细介绍了该预测框架的核心方法及理论基础；第4节通过单个区域的案例对模型进行了验证；第5节则将该模型的验证范围扩展到整个建筑规模的预测任务；第6节对研究成果进行了总结，并探讨了未来的研究方向。

章节节选

从基于物理原理的方法到数据驱动方法的演变

在消防安全分析领域，传统的数值方法一直占据主导地位。张等人[10]基于火势动态模拟器的大涡模拟技术，提出了一个大空间内烟雾温度场的整体预测模型。张等人[11]则利用BFD曲线和实验数据，建立了一个数学模型，用于预测复燃火灾导致的温度分布情况。虽然这些方法能够给出高精度的结果，但它们更注重物理精度，而非实时分析能力。

在

多尺度预测的总体框架

作为一类复杂的時間序列预测问题，火灾动态预测的核心目标是根据历史观测数据，预测建筑环境中各类关键物理量的发展趋势。在实际应用中，人们会通过分布在建筑物内的多个监测点获取温度、一氧化碳浓度和烟雾浓度等物理量的时间序列数据，进而利用这些数据来预测这些物理量未来的变化趋势。

空间拓扑图构建结果

研究选取了一间标准的酒店客房作为验证对象，该客房配备了典型的家具、一扇入口门和一扇外窗。研究人员使用三维网格划分方法对该空间进行离散化处理，将其划分为4×5×3的均匀网格，共计60个测量节点，具体结构如图8所示。每个节点都会记录空间坐标以及温度、烟雾浓度等状态参数，通过空间关系分析，这些节点之间会形成连接边，进而构成一个更为精细的拓扑网络。

一

空间拓扑图构建结果

研究选取了一栋五层高的钢筋混凝土框架结构办公建筑作为研究对象，该建筑呈矩形布局，层高为3米，各楼层之间通过楼梯相连。该建筑的拓扑网络包含184个节点，其中103个为IfcSpace类型节点，77个为IfcDoor类型节点，4个为IfcStair类型节点。研究人员通过分析节点之间的空间相邻关系来确定它们之间的连接关系，初始时这些边的权重被设置为节点中心点之间的欧几里得距离。

为了能够捕捉火灾传播过程中的非线性特征，这些边权重会通过所提出的方法进行更新

研究成果总结

本研究建立了一个统一的计算框架，可用于快速进行火灾场景预测，该框架通过基于图的深度学习技术克服了传统计算流体力学模拟方法的诸多局限性。其主要研究成果总结如下：

• (1)
  自动化的建筑信息模型到图结构转换功能：所开发的方法能够成功解析建筑信息模型中的语义信息（如IfcSpace、IfcDoor），从而将隐式的建筑几何形状转化为显式的、可学习的图结构。这一创新成果充分体现了丰富的语义数据在

CRediT作者贡献说明

赵金成：负责项目的指导工作、方法论设计、资金申请以及概念构思工作。段立平：参与模型的验证工作、项目指导以及方法论研究。刘继明：负责文章的撰写与修改工作、模型验证以及项目指导。吴迪：承担文章初稿的撰写工作、方法论研究以及相关实验分析工作。

数据可用性说明

相关数据将在收到请求后提供。

利益冲突声明

? 作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

作者们衷心感谢中国国家自然科学基金委员会对本研究提供的资金支持（项目编号：52478186）。

吴迪|段立平|刘继明|赵金成

上海交通大学海洋与土木工程学院海洋工程国家重点实验室，中国上海200240