Интеллектуальный анализ процессов дымообразования на пожарах: новые подходы на основе ИИ-технологий

Цель. Целью исследования является изучение подходов по созданию интеллектуальной системы, внедрение которой способно повлиять на качество решений, принимаемых руководителем тушения пожара (РТП) в процессе управления личным составом при тушении пожара. Метод. В работе использованы методы статистического анализа, теории управления, способы обработки данных и реализации продукционных правил по индексированию, хешированию и кластеризации получаемой информации для её дальней трансформации в базу знаний. Результат. В работе приведены статистические данные по травмированию и гибели сотрудников пожарно-спасательных подразделений от термических последствий, вызванных движением газообразных масс на объектах капитального строительства. Продолжен цикл исследований по определению и применению методов и алгоритмов искусственного интеллекта в процессе управления боевыми действиями на месте вызова. Определена недостаточность исследований дымообразующей способности строительных материалов, влияющих на личный состав МЧС России на месте вызова. Вывод. Сформулирован алгоритм создания базы данных снимков дыма, образующегося при сгорании различных веществ и материалов, составляющих основную горючую нагрузку в помещениях объектов разного функционального назначения, и предложен классификатор изображений дыма в зависимости от пожарной нагрузки. Приведен пример описания структуры формируемой базы данных на основе существующих имитационных моделей и программных продуктов. Представлена модель формирования базы знаний РТП по анализу дыма в зависимости от типа горючей нагрузки.

1. О процессах дымообразования на месте пожара / М.В. Шевцов, А.Н. Денисов, М.М. Данилов [и др.] // Гражданская оборона на страже мира и безопасности: Материалы VIII Международной научно-практической конференции, посвященной Всемирному дню гражданской обороны: в 5-ти частях, Москва, 01 марта 2024 года. – Москва: Академия Государственной противопожарной службы, 2024. – С. 369-374. – EDN NXCBQV.

2. Обстоятельства производственного травматизма и гибели личного состава Федеральной противопожарной службы МЧС России (2010-2020 гг) / В.И. Евдокимов, В.С. Путин, А.А. Ветошкин, В.В. Артюхин // Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. – 2021. – № 4. – С. 5-19. – DOI 10.25016/2541-7487-2021-0-4-05-19. – EDN KPNHZI.

3. Анализ гибели (смерти) лиц из числа личного состава МЧС России за 2024 год [электронный ресурс]. URL: https://fireman.club/literature/analiz-gibeli-smerti-lichnogo-sostava-v-mchs-rossii-za-ikvartal-2024-goda/ (дата последнего обращения: 23 февраля 2025 г.).

4. Кошмаров Ю.А. Прогнозирование опасных факторов пожара в помещении: Учебное пособие. – M.: Академия ГПС МВД России, 2000. 118 с. ISBN – 59229-0011-0.

5. Пожаровзрывоопасность веществ и материалов и средства их тушения: Справочное издание: в 2-х книгах. Книга 1 / А.Н. Баратов, А.Я. Корольченко, Г.Н. Кравчук и др. - М.: Химия, 1990. - 496 с.

6. Пожаровзрывоопасность веществ и материалов и средства их тушения: Справочное издание: в 2-х книгах. Книга 2 / А.Н. Баратов, А.Я. Корольченко, Г.Н. Кравчук и др. - М.: Химия, 1990. - 384 с.

7. А.Я. Корольченко, Д.А. Корольченко. Пожаровзрывоопасность веществ и материалов и средства их тушения. Справочник: в 2-х ч. – 2-е изд. перераб.и доп. – М.: Асс. «Пожнаука», 2004. – Ч. I. – 713 c. ISBN – 5-901283-02-3.

8. Экспериментальная оценка объёмной концентрации и размеров твёрдых частиц дыма, образующихся при терморазложении горючих материалов / С.В. Пузач, Ю.Ю. Журавлев, О.Б. Болдрушкиев, Р.Г. Акперов // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. – 2024. – № 2. – С. 5-12. – DOI 10.25257/FE.2024.2.5-12. – EDN HBFAKS.

9. Пузач, С.В. Численное моделирование задымления помещений при пожаре с учетом различных типов пожарной нагрузки / С.В. Пузач, С.П. Калмыков // Пожаровзрывобезопасность. – 2024. – Т. 33, № 2. – С. 42-49. – DOI 10.22227/0869-7493.2024.33.02.42-49. – EDN NNKXIS.

10. Григорьева, М.П. Исследование дымообразующей способности напольных покрытий / М.П. Григорьева, Т.Ю. Еремина, Н.И. Константинова // Промышленное и гражданское строительство. – 2016. – № 3. – С. 25-30. – EDN VSEOCP.

11. Оценка пожарной опасности напольных покрытий при производстве пожарно-технической экспертизы / Г.В. Плотникова, А.И. Волкова, В.Ю. Селезнев, А.С. Ковалько // Вестник Восточно-Сибирского института МВД России. – 2013. – № 3(66). – С. 76-83. – EDN SIQSAT.

12. K. Muhammad, S. Khan, M. Elhoseny, S.H. Ahmed, and S.W. Baik, “Efficient fire detection for uncertain surveillance environment,” IEEE Transactions on Industrial Informatics, 2019.

13. D. Luan, T. Chu, Jakub Bielawski, C. Fan, W. Węgrzyński, X. Huang (2024) Smoke movement and stratification of tunnel fires under coupled effects of rainfall and ventilation, Fire Safety Journal, 104322. DOI: 10.1016/j.firesaf.2024.104323.

14. Багаев, И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля TensorFlow / И.И. Багаев // Математическое и программное обеспечение систем в промышленной и социальной сферах. – 2020. – Т. 8, № 1. – С. 15-22. – DOI 10.18503/2306-2053-2020-8-1-15-22. – EDN IZBILN.

15. Raschka, S. Machine learning in python: Main developments and technology trends in data science, machine learning, and artificial intelligence / S. Raschka, J. Patterson, C. Nolet // Information (Switzerland). – 2020. – Vol. 11, No. 4. – P. 193. – DOI 10.3390/info11040193. – EDN TEBRGY.

16. Эшанкулова, С. Жаҳон кутубхоналарида сунъий интеллектдан фойдаланиш истиқболлари / С. Эшанкулова // INFOLIB: информационно-библиотечный вестник. – 2023. – No. 3. – P. 41-45. – DOI 10.34920/2181-8207/2023/3-075. – EDN FPFQJQ.

17. Тыринов, В.С. Разработка и обучение нейросети распознаванию изображений на базе языка Python и библиотеки TensorFlow / В.С. Тыринов // Студенческая наука и XXI век. – 2023. – Т. 20, № 1- 1(23). – С. 108-110. – EDN XUPZXM.

18. Inoue T., Chaudhury S., De Magistris G., Dasgupta S. Transfer learning from synthetic to real images using variational autoencoders for precise position detection. Intern. Conf. on Image Processing (ICIP), Athens, 2018, pp. 2725–2729. doi:10.1109/ICIP.2018. 8451064.

19. PyTorch documentation [электронный ресурс]. URL: https://pytorch.org/docs/stable (дата последнего обращения: 06 февраля 2025 г.).

20. Константинов, А.А. Использование YOLO для обнаружения объектов в видеозаписи на языке Python с помощью библиотеки OpenCV / А.А. Константинов // Modern Science. – 2019. – № 6-1. – С. 191-198. – EDN GDYGHW.