34-я международная научно-техническая конференция "Системы безопасности – 2025"·Проблемы автоматизации систем безопасностиУДК 614.84:004.8:519.8

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПОЖАРНАЯ БЕЗОПАСНОСТЬ

ARTIFICIAL INTELLIGENCE AND FIRE SAFETY

  1. 1 ФИЦ ХФ им. Н.Н. Семенова РАН
18 октября 2025 4 просмотров 8 мин чтения
Аннотация

Современные системы пожарной безопасности все чаще используют искусственный интеллект (ИИ), но большинство моделей остаются «черными ящиками», не учитывающими физику горения. В данной работе предложен гибридный подход, объединяющий физические уравнения энергетического баланса с нейросетевой архитектурой CNN-LSTM и методами объяснимого ИИ (XAI). Показано, что сочетание физических моделей горения с нейросетевыми компонентами повышает точность прогнозирования и достоверность результатов.

#искусственный интеллект#пожарная безопасность#глубокое обучение#объяснимый ИИ#прогнозирование пожаров
Abstract

Modern fire safety systems are increasingly using artificial intelligence (AI), but most models remain "black boxes" that do not take into account the physics of combustion. In this paper, a hybrid approach is proposed that combines the physical equations of energy balance with the CNN-LSTM neural network architecture and explicable AI (XAI) methods. It is shown that the combination of physical models of combustion with neural network components increases the accuracy of forecasting and reliability of the results.

#artificial intelligence#fire safety#deep learning#explicable AI#fire forecasting
Полный текст1420 слов

Современные системы пожарной безопасности всё чаще интегрируют технологии искусственного интеллекта для повышения эффективности мониторинга, прогнозирования и реагирования. ИИ применяется для анализа видеопотоков с распознаванием дыма и пламени, обработки спутниковых данных при прогнозировании лесных пожаров, оптимизации маршрутов эвакуации и поддержки тактических решений руководителей тушения пожаров [1]. Особенно актуальным становится использование ИИ в условиях роста частоты и масштабов чрезвычайных ситуаций, вызванных как климатическими изменениями, так и урбанизацией. Однако, несмотря на активное развитие этого направления, в научной литературе выявляются существенные пробелы. Во-первых, большинство моделей глубокого обучения представляют собой «чёрные ящики», что снижает доверие со стороны оперативных служб, для которых критически важна прозрачность решений [2]. Во-вторых, модели часто игнорируют антропогенные факторы возгорания — основной источник пожаров в населённых пунктах [3]. В-третьих, отсутствуют стандартизированные наборы данных и единые метрики оценки, что затрудняет сравнение и воспроизводимость результатов [4].

Целью данной статьи является разработка и обоснование гибридного подхода к применению искусственного интеллекта в сфере пожарной безопасности, сочетающего физическое моделирование и методы объяснимого искусственного интеллекта (XAI) для повышения точности, надёжности и достоверности прогнозов.

Для достижения цели были поставлены и решены следующие задачи: проведен анализ существующих ИИ-решений в области пожарной безопасности; выявлены ключевые ограничения современных моделей; реализован модуль интерпретации на основе методов XAI; предложена архитектура гибридной модели на основе физических уравнений и нейронных сетей; произведена оценка эффективности предложенного подхода на основе экспериментальных данных о горении ацетона при ограниченных разливах или в открытых резервуарах.

Архитектура гибридной модели на основе физических уравнений и нейронных сетей включала:

физическую модель горения над поверхностью легковоспламеняющейся жидкости (ЛВЖ), основанную на уравнениях сохранения массы, импульса, энергии и диффузии паров топлива в воздушном слое над поверхностью, описываемую уравнением Фика с учетом градиента концентрации, и нейросетевую компоненту (свёрточно-рекуррентную архитектуру CNN-LSTM), обученную на экспериментальных данных о динамике пламени ацетона.

Разработанная физическая одномерная модель горения ЛВЖ в канале также учитывала теплопередачу от пламени к поверхности через конвекцию и излучение: Qqrad + Qqcon =ρfLvm′′, где ρf — плотность пара, Lv — теплота испарения, m′′ — массовая скорость испарения и геометрические ограничения: диаметр поверхности горючей жидкости и высоту сосуда, влияющие на турбулентность, скорость входящего воздуха и критическую высоту пламени.

Ключевой вывод модели: устойчивое горение возможно только при превышении критического уровня жидкости hcrit, ниже которого испарение недостаточно для поддержания температуры пламени. Это физическое ограничение является основой для интерпретации результатов ИИ.

Для анализа динамики пламени использованы видеозаписи горения ацетона в вертикальных цилиндрических резервуарах различной геометрией (диаметром 3–13 см, высота 5–20 см) и уровнями жидкости (0,5–5 см), полученные автором во время работы в Академии ГПС МЧС России. Общее количество кадров — более 12 000, разрешение 1920×1080, частота 30 кадров/с.

Для визуализации областей входного изображения, влияющих на решение, применён метод Grad-CAM (Gradient-weighted Class Activation Mapping). Этот метод вычисляет градиенты выхода сети (класс: "затухание"/"устойчивое горение") относительно активаций последнего сверточного слоя, формируя тепловую карту.

Важна не просто визуализация, а физическая интерпретация. Карты активации сравнивались с физически обоснованными зонами риска: кромка канала — зона смешивания паров с воздухом, определяющая устойчивость пламени; поверхность жидкости — источник паров, критический для поддержания горения; верхняя часть пламени — зона динамических колебаний, менее значимая для затухания.

Экспериментальная база включала 120 уникальных сценариев (5 геометрий × 6 уровней жидкости × 4 повторности). Модель обучалась на 80% данных, валидировалась на 10%, тестировалась на 10%.

Для повышения интерпретируемости был применён метод Grad-CAM, позволяющий визуализировать, какие участки входного изображения (например, кромка резервуара, уровень жидкости) оказывают наибольшее влияние на прогноз модели.

Оценка эффективности проводилась по метрикам точности классификации (затухание/устойчивое горение), F1-мере и визуальной согласованности карт активации Grad-CAM с физически обоснованными зонами риска.

Гибридная модель была обучена на видеоданных, синхронизированных с измерением уровня жидкости. Для сравнения использовалась чисто нейросетевая модель (CNN-LSTM без физического регуляризатора).

Модель

Точность (%)

F1-мера

Отклонение h −hreal (см)

Чистая CNN-LSTM

83.7

0.821

0.42

Гибридная (CNN-LSTM + физ. рег.)

92.4

0.908

0.11

Анализ карт активации Grad-CAM показал, что гибридная модель концентрирует внимание в двух ключевых областях:

  • Кромка канала (68% активации) — зона смешивания паров с воздухом.
  • Поверхность жидкости (26% активации) — источник паров.

Разработанная гибридная модель продемонстрировала точность в 92,4 % при прогнозировании затухания пламени ацетона, что на 8,7 % выше, чем у чисто нейросетевой модели. При этом карты Grad-CAM показали высокую концентрацию внимания модели в области кромки резервуара и поверхности жидкости, что полностью согласуется с физической природой процесса, при котором именно в этих зонах формируется горючая смесь.

Важно, что модель корректно определила критический уровень жидкости, ниже которого горение становится неустойчивым. Это значение совпало с экспериментально установленным в предыдущих работах, что подтверждает физическую адекватность гибридного подхода.

Применение искусственного интеллекта в сфере пожарной безопасности имеет большой потенциал, но требует преодоления ключевых ограничений — прежде всего непрозрачности моделей и оторванности от физической реальности [5]. Предложенный гибридный подход, сочетающий физическое моделирование и методы объяснимого ИИ, позволяет повысить как точность прогнозов, так и доверие к ним со стороны специалистов.

Технологии искусственного интеллекта открывают новые возможности для повышения эффективности систем пожарной безопасности. Однако их успешное внедрение требует преодоления ряда препятствий: непрозрачности моделей, фрагментарности данных и отсутствия междисциплинарной интеграции. Предложенный гибридный подход, сочетающий физическое моделирование, ГИС-анализ, социально-экономические факторы и методы объяснимого ИИ, позволяет создавать надёжные, интерпретируемые и практически значимые решения. Такие системы могут использоваться как для профилактики (карты рисков, стратегии реконструкции городов), так и для оперативного реагирования (интеллектуальные тренажёры, системы раннего оповещения). Дальнейшие исследования целесообразно направить на создание открытых бенчмарков (эталонный показатель или ориентир), стандартизацию метрик и разработку отечественных ИИ-платформ в рамках стратегических инициатив, таких как Указ Президента РФ от 15.02.2024 № 124.

Литературы

1. Ku C.-Y. Predictive Modeling of Incidence Using Deep Newal Networks // Fire 2024, 7(4), 136; https://doi.org/10.3390/fire7040136.

2. Sobha P., Latifi S. A Survey of the Machine Learning Models for Forest Fire Prediction and Detection // Internation Journal of Communications, Network and System Sciences. 2023. 16(7), 131–150; https://doi.org/10.4236/ijcns.2023.167010

3. Rini C., Akkshaya S., Anushuya E. Real-time fire detection and video alerting system using deep learning // International Research Journal of Engineering and Technology (IRJET). 2021. V.8. No. 4. P.2709-2711.

4. Selvaraju R.R., Cogswell M., Das A., et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization // IEEE International Conference on Computer Vision (ICCV). 2017. DOI: 10.1109/ICCV.2017.74

5. Arrieta A.B., Díaz-Rodríguez N., Del Ser J, et al. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI // Information Fusion. 2020. V. 58. P. 82-115; https://doi.org/10.1016/j.inffus.2019.12.012.

Есть что обсудить?
Оставьте комментарий — автор и читатели увидят его в обсуждении.