Особенности применения нейросетей при тушении подвижных железнодорожных составов
Features of the use of neural networks in extinguishing rolling stock
- 1 Академия ГПС МЧС Росиии
В статье рассмотрены некоторые особенности организации тушения пожаров на подвижном железнодорожном составе, порядок организации обработки оперативных данных на пожаре. Предложена концептуальная модель организации тушения, включающая в себя нейросетевые технологии, а также рассмотрены преимущества ее применения
The article discusses some features of the organization of fire extinguishing on rolling stock, the procedure for organizing the processing of operational data on fire. A conceptual model of the organization of extinguishing, including neural network technologies, is proposed, and the advantages of its application are considered
Возникновение пожаров подвижных железнодорожных составов на путях следования представляет собой особенно сложный вариант события, который с большой долей вероятности влечет за собой возникновение чрезвычайной ситуации, существенный материальный ущерб, а также может повлечь гибель и травмирование людей.
Необходимость совершенствования реагирования пожарно-спасательными подразделениями на подобные деструктивные события сопряжены с необходимостью принятия во внимание возможных рисков для личного состава пожарно-спасательных подразделений лицом, принимающего решение.
В
области исследования управления
тактическими возможностями подразделений
по тушению пожаров и определению
зависимостей эффективности использования
ресурсов подразделений в зависимости
от их сложности внесли такие ученые как
Денисов А.Н., Данилов М.М., Тараканов Д.В.
и др., в области теории искусственных
нейронных сетей
У. Мак-Каллок, У.
Питтс, М.Минский, Хлопкова О.А. и др. В
области применения нейросетей в пожарной
охране проводили свои исследования
такие ученые как Станкевич Т.С. (реализация
нейро-нечеткой модели при тушении
пожаров в морских портах), Вилисов В.Я.
(разработка модели по распределению
сил и средств пожарной охраны путем
реализации алгоритмов машинного
обучения, в том числе нейронных сетей).
Однако, исследований в области применения
сил и средств подразделений пожарной
охраны на пожаре посредством применения
нейросетей, формировании и реализации
алгоритмов тушения пожаров на его основе
для реализации максимально возможного
позитивного сценария тушения пожаров
подвижных железнодорожных составов до
настоящего времени не проводились.
Одной из особенностей пожров на подвижном железнодорожном составе является его непредсказуемое место территориальной локализации. Достаточно сложно спрогнозировать пожар отдельно взятого подвижного железнодорожного состава в конкретном месте разветвленной железнодорожной сети страны, то есть, руководитель тушения пожара (далее – РТП) должен в первую очередь предусмотреть организацию своевременной доставки необходимого количества сил и средств (далее – СиС) к месту происшествия.
Следующим немаловажным на начальном этапе фактором является корректный выбор привлекаемых сил и средств. Учитывая действующую систему привлечения сил и средств, основанную на использовании планов привлечения сил и средств пожарно-спасательных гарнизонов для тушения пожаров и проведения АСР (далее – План привлечения) [1], которые в свою очередь довольно жестко предписывают использовать конкретные силы и средства подразделений по установленным рангам пожара, можно логично предположить, что предусмотренный Планом привлечения перечень СиС, который окажется на пожаре, может не на 100 процентов соответствовать оптимальному. Как итог, РТП довольно часто приходится работать по принципу «то, что есть на месте» (в соответствии с рангом пожара) и только в отдельных случаях опытный руководитель привлекает дополнительные единицы специальной техники, когда заранее на основе своего опыта может спрогнозировать, например, затяжной характер происшествия, либо отдельные нюансы его развития, которые РТП с небольшим боевым опытом может не предусмотреть.
В результате проведенной работы [2] зарубежными исследователями были определены операционные пределы человеческого мозга при попытке выполнения нескольких задач одновременно. Оказалось, что человек может максимум выполнять только две из них, третья будет попросту игнорироваться мозгом. Таким образом, оперативные возможности отдельного человека не позволят выполнить весь спектр задач одновременно. В том числе для компенсации этих ограничений на месте происшествия создается штаб пожаротушения, призванный обеспечить систематизацию и анализ широкого спектра задач.
Большая часть предлагаемых штабом решений является предварительно-оценочной, поэтому РТП следует ответственно подходить к выбору системы, по которой они будут проводить оценку действий. То есть, для оценки и дальнейшего прогноза условий пожаротушения РТП требуется наличие полной картины сложившейся текущей ситуации, поскольку только в этом случае РТП сможет корректно оценить параметры организации тушения пожара [3].
Технология принятия решения руководителем тушения пожара с учетом критерия многозадачности следует рассматривать как целостный процесс поэтапного принятия оптимального решения из многообразия возможных.
Однако, следует понимать, что процесс автоматизации процесса принятия решения осуществляется не только в целях ускорения процесса тушения, а также в целях избегания различных ошибок в том числе при выполнении задач низкого уровня сложности.
Применение нейросети при организации тушения пожара на железнодорожном составе позволят автоматизировать определенные этапы принятия решений РТП или спрогнозировать некоторые характерные процессы, который регулярно возникают при тушении таких пожаров (определение ранга вызова, необходимость привлечения дополнительных сил и средств, корректное обоснование привлечения резервной техники, прогнозирование успешности хода тушения пожара в зависимости от поданных стволов и применения определенного огнетушащего вещества и т.д.).
При этом применяемый метод нейросетевого программирования позволит нивелировать непохожесть существующих входящих параметров. Это достигается тем, что корректно обученная нейронная сеть уже учитывает основные взаимозависимости параметров, поскольку обучается на соответствующей доступной обучающей выборке. При этом каждый последующий пожар, как правило, не отличается принципиально от пожаров такого типа, произошедших ранее. Таким образом, следует вывод о том, что для пожаров одного и того же типа необходимо унифицировать пакет входящих данных, т.е. определить перечень контрольных параметров, представляющих собой некий набор данных. Унификация может быть достигнута, кроме всего прочего, и путем автоматизированного считывания и обработки доступных данных с оборудования. Схема обработки данных при пожаре нейронной сетью будет иметь вид:
Рисунок 1 - Схема обработки данных нейросетью при пожаре [4].
При применении нейросетей в сфере организации тушения пожаров подвижных железнодорожных составов возникает другая проблема – вероятность недостаточного количества данных для обучающей выборки.
То
есть, в первую очередь необходимо решить
проблему ограниченного объема обучающей
выборки, поскольку согласно имеющимся
статистическим данным за 2016-2020 гг.
произошло всего
339 пожаров (рис.2).
Изначально можно предположить, что
данного количества явно недостаточно
для обучения нейросети традиционным
способом, поскольку для реализации
процесса обучения требуются тысячи
примеров в обучающей выборке. Однако,
и эта проблема в настоящее время может
быть решена с достаточной степенью
приемлемости.
Рисунок 2 -Динамика количества пожаров и количества погибших на пожарах железнодорожных составов в 2016-2020 гг.
Из широкого спектра методов решения проблемы ограниченной выборки авторами в настоящее время отдается предпочтение методу нечёткой логики и нечётких множеств для решения проблемы малого объёма обучающих данных в диффузионных нейронных сетях. Поскольку подобные сети имеют большое количество входных параметров, и, как следствие, очень насыщенную структуру, то данный тип наиболее полно подходит для реализации модели тушения. Подход предполагает составление нечётких «если–то» правил для описания связей между различными параметрами, которые позволяют преодолеть проблему противоречивости и недостатка данных, что в условиях организации тушения пожара является крайне важным. С использованием этих правил и методов дефаззификации, то есть преобразования в четкое число, получатся новые примеры, за счёт которых имеющаяся обучающая выборка может быть расширена [5].
Следует понимать, что скорость реализации алгоритма принятия решения предварительно обученной нейронной сетью позволит достаточно быстро обрабатывать входящие данные и в результате осуществлять прогноз обстановки на пожаре в краткосрочной перспективе. В любом случае, фактические затраты времени на обработку соответствующих данных нейросетями будут кратно меньше, чем время обработки этих же данных личным составом подразделений.
Возможность моментального прогнозирования обстановки на основе текущих данных хотя бы на низком уровне позволит значительно снизить время реакции лица, принимающего решение.
Заключение. Таким образом, преимуществом применения нейронных сетей является то, что применение средств автоматизации в виде соответствующего программного обеспечения с интуитивно понятным интерфейсом на их базе позволит как минимум существенно повысить производительность системы принятия решений РТП, автоматизировав разработку элементарных прогнозов и рекомендаций, на основе которых РТП сможет осуществлять принятие части управленческих решений условно «низкого» уровня (подразумевающие простую логику принятия без сложных зависимостей) согласием либо непринятием. Кроме того, система позволит осуществлять постоянный прогноз обстановки на пожаре на начальном этапе и в краткосрочной перспективе развития пожара при своевременном внесении динамически изменяемых существенных факторов (такие как площадь пожара, наличие огнетушащих веществ, количество личного состава и т.д.) на различных этапах тушения.
Следует отметить, что применение алгоритмов принятия решений, основанные на нейронных сетях позволят в отдельных случаях нивелировать недостаток практического опыта молодого руководителя тушения пожара, тем самым снижая риски принятия критически некомпетентных решений и в итоге положительно влияя на ход ликвидации ЧС в целом.
В перспективе в зависимости от эмпирических результатов и практической верификации полученных результатов обученную нейронную сеть можно будет соответствующим образом корректировать и «доучивать» на перманентной основе, таким образом постоянно увеличивая степень точности прогнозов, предлагаемых руководителю тушения пожара на месте, тем самым качественно повышая тактические возможности пожарных подразделений в области управления по мере накопления эмпирических данных.
Список литературы
1. Приказ МЧС России от 25.10.2017 № 467 «Об утверждении Положения о пожарно-спасательных гарнизонах».
2. Divided Representation of Concurrent Goals in the Human Frontal Lobes/ Sylvain Charron, Etienne Koechlin // Science 328, 360 (2010); DOI: 10.1126/science.1183614.
3. Приказ МЧС России от 16.10.2017 № 444 (ред. от 28.02.2020) «Об утверждении Боевого устава подразделений пожарной охраны, определяющего порядок организации тушения пожаров и проведения аварийно-спасательных работ» (Зарегистрировано в Минюсте России 20.02.2018 N 50100).
4. Денисов А.Н., Цокурова И.Г., Аникин С.Н. Модель и алгоритм управления рисками гибели пожарных при тушении пожаров на металлургических предприятиях. Computional nanotechnology, М – «Юр-Вак», №3, т.8, с. 76-85.
5. Huang C., Moraga C. A Diffusion-Neural-Network for Learning from Small Samples/ International Journal of Approximate Reasoning. – 2004. – V. 35 P. 137–161.