АНАЛИЗ БОЛЬШИХ ДАННЫХ ПО ПОЖАРНОЙ

ОПАСНОСТИ ОБЪЕКТА ЗАЩИТЫ С ИСПОЛЬЗОВАНИЕМ

АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

Предложен вариант использования алгоритмов машинного обучения для анализа больших данных по пожарной опасности объектов защиты. Рассмотрен алгоритм машинного обучения “глубокие нейронные сети” и возможные варианты по его дальнейшему улучшению.

Ключевые слова: пожарная опасность, объект защиты, нейронные сети.

ANALYSIS OF LARGE DATA ON FIRE HAZARD OF

PROTECTED OBJECT USING ALGORITHM OF MACHINE LEARNING

A variant of using machine learning algorithms for analyzing big data on fire hazard of protected objects is proposed. The machine learning algorithm "deep neural networks" and possible options for its further improvement are considered.

Key words: fire hazard, object of protection, neural networks.

 Пожарная опасность объекта защиты – состояние объекта защиты, характеризуемое возможностью возникновения и развития пожара, а также воздействия на людей и имущество опасных факторов пожара [1].

 Своевременный и качественный анализ пожарной опасности объекта защиты позволяет снизить возможную пожарную опасность, не допустить или сократить человеческие и материальные потери.

 Проблема выбора оптимального метода анализа пожарной опасности объекта защиты при наличии большого объёма данных до сих пор не решена. Аналитики и специалисты в области пожарной безопасности предлагают множество вариантов анализа больших данных. На данный момент общепринятым способом является анализ человека на основе процессов, происходящих на объекте защиты и используемых при этом веществ [2].

 Одними из оптимальных и современных методов для анализа больших данных по пожарной опасности объекта защиты могут быть алгоритмы машинного обучения. Они способны на основе массива входящих и выходящих данных определять зависимости между данными и в дальнейшем с крайне высокой точностью определять выходящие данные для ранее неизвестного массива.

 Глубокое обучение (нейронные сети/deep neural network/DNN) – алгоритм, являющийся частью области “машинное обучение”, позволяющий не только строить сложные концепции из более простых, но и, благодаря приобретению знаний, опытным путём исключить этап формального описания знаний человеком [3].

 Схема простой полносвязной нейронной сети, состоящей из 2 слоёв по 3 персептрона в каждом, с 2 входами и 1 выходом, представлена на рис. 1.

 Рис. 1. Схема простой полносвязной нейронной сети

 Схема на рис. 1 наглядно демонстрирует принцип работы нейронной сети. Принцип работы представленной ранее нейронной сети заключается в том, что сигнал со входящих нейронов поступает на нейроны, находящиеся в так называемом скрытом слое. Каждый сигнал умножается на вес данного входа. Далее результаты передаются в сумматор, а далее в функцию активации, от которой зависит каким будет выходящий сигнал.

 В связи с тем, что в качестве примера мы взяли персептрон, функция активации будет представлять из себя кусочно-постоянную функцию sgn. Формула каждого нейрона скрытого слоя и нейрона выхода будет выглядеть следующим образом

$f\left(x\right)=sgn\left(\alpha +{\sum }_{i=1}^n{z}_n{x}_n\right)$ ,

 где a – порог входа, z_n – вес n-го входа, а x_n – сигнал n-го входа.

 При масштабировании данной концепции, изменении соединения, замены функции активации (например на сигмоиду или гиперболический тангенс) предполагается получение DNN, способной с высокой степенью точности определять вероятность начала возгорания на объекте.

 Из характеристик объекта защиты (класс конструктивной пожарной опасности зданий, сооружений и пожарных отсеков, класс функциональной пожарной опасности зданий, сооружений и пожарных отсеков, наличие первичных средств пожаротушения, система предотвращения пожара, система передачи извещений о пожаре, система пожарной сигнализации, система противодымной защиты, система противопожарной защиты и прочие) возможно формирование единой базы данных. Так же большой объём важных статистических данных собирается и анализируется в ходе расследования на объекте защиты после пожара. Эти данные могут служить дополнением или корректировкой в уже сформированную единую базу.

 Предлагается использовать единую базу данных при реализации алгоритма глубокого обучения, который будет нацелен на выявление скрытых зависимостей между данными, а в дальнейшем и на определение вероятности возникновения пожара.

 Предполагается, что применение алгоритмов машинного обучения (в том числе и нейронных сетей) позволит проводить быстрый, детальный и своевременный анализ больших данных по пожарной опасности объектов защиты. Что в свою очередь, несомненно, снизит, а возможно и частично предотвратит довольно большие материальные и человеческие потери [4] от возможных пожаров или иных чрезвычайных ситуаций на объектах защиты.

 Литература

1.  ГОСТ Р 51901.10-2009/ISO/TS 16732:2005 Менеджмент риска. Процедуры управления пожарным риском на предприятии.
2.  Федеральный закон от 22.07.2008 N 123-ФЗ (ред. от 27.12.2018) "Технический регламент о требованиях пожарной безопасности". Статья 95.
3.  Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение, изд-во Манн, Иванов и Фербер. 2017 г. 21-24 c.
4.  Государственный доклад «О состоянии защиты населения и территорий Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в 2019 году». Часть 1, 9-11 с.