基于贝叶斯网络的建筑火灾动态风险评估方法研究*

徐坚强， 刘小勇， 苏燕飞,3， 黄潜生,3

(1.安徽建筑大学 土木工程学院，安徽 合肥 230601；2.清华大学合肥公共安全研究院，安徽 合肥 230601；3.辰安天泽智联技术有限责任公司，安徽 合肥 230601 )

0 引言

据全国火灾统计管理系统显示，在2007—2016年的10年间，全国共接报有亡人的火灾10 815起，共亡15 193人[1]。为达到有效预防火灾，减轻火灾危害的目的，火灾风险评估工作是火灾科学和消防工程发展的重点[2]。鉴于防火门关闭情况、消防管理人员巡查频次、人员流动性等风险要素具有不确定性，传统风险评估方法难以适应其动态性。而随着物联网技术的快速发展，其在监测监控、人员定位、信息采集、智能探测等方面提供了更好的技术基础[3]；大数据、云计算的发展也为数据处理提供了更好的技术支撑[4]；同时，基于贝叶斯网络的评估方法能更好地处理不确定因素对火灾风险的影响，是不确定知识表达和推理领域较有效的理论模型之一[5]。通过对常见建筑火灾风险评估方法的分析研究发现，传统火灾风险评估多采用静态评估方法，评估对象具有一定稳定性，只能粗略估计建筑长期处于的安全风险状态，因而缺乏实时性[6]。因此，本文在实现火灾风险要素的实时监测、数据传输基础上，充分发挥大数据、云计算的支撑作用，将贝叶斯网络方法引入火灾风险定量评估过程中，为建筑火灾风险评估提供1种动态风险评估方法，以便进一步提高建筑火灾风险评估的准确性。

1 建筑火灾动态风险评估体系

1.1 动态风险评估方法介绍

建筑火灾按其发展阶段可划分为：起火、火势增长、火灾蔓延和烟气传播、蔓延至邻近建筑、火灾蔓延迫使人员疏散等5个阶段。动态风险评估将从建筑火灾发生的可能性和严重程度2个方面对风险进行量化，量化内容包括潜在火灾发展可能性、财产损失以及内部人员伤亡风险等，如图1所示。

图1 火灾风险评估系统中的火灾事故发展主线Fig.1 Fire accident development main line in fire risk assessment system

基于上述火灾发展过程，对各阶段事件可能性进行逻辑推理，确定各阶段可能风险要素及其状态变化对建筑火灾风险的影响程度，建立以火灾发展为主线的风险推理网络。在建筑日常使用过程中进行动态评估，针对具体的风险要素，依托物联网技术进行动态、实时监测，数据获取；凭借大数据技术在数据分析方面的优势，经后台评估模型的推理计算，最终得到动态风险评估的结果。

1.2 动态风险评估的实现

1.2.1 构建智能消防监测系统

自1999年物联网概念提出以来，物联网技术的发展一直被认为是世界信息产业的又一浪潮。为了获取数据，需依托物联网技术打造智能化的消防监测系统。利用物联网技术，通过无线射频识别、红外感应器等各种传感设备将消防设施和互联网连接起来，进行信息交换和通信，以实现消防设施的智能化识别、定位、监控和管理[7-8]。例如：在建筑日常使用过程中，对于消火栓系统给水压力，可进行24 h在线实时获取；对于流量，可设置自动试水时间进行定时采集；对于消防泵、阀门等设施开启状态，可通过启闭监控装置得以实现，以此掌握消防设施运行状态，了解建筑火灾风险情况。

1.2.2 搭建数据分析平台

大数据是指大小超出常规数据库工具获取、存储、管理和分析能力的数据集[9]。鉴于消防设施监测数据巨大，而大数据技术的发展为数据处理提供了技术支撑。在已获取的监测数据基础上，依托大数据技术，通过对日常历史监测数据的积累(包括正常和异常状态时的数据)，进一步分析可获得相应设施的完好率或故障率情况，用以确定下文中所描述贝叶斯网络的先验概率。此时，便可用于实时评估，进而动态反应建筑火灾危险性情况。当数据积累达到一定程度时，其分析得到的设施完好率或故障情况也将趋于稳定，更接近于真实情况。

1.2.3 确定评估算法

贝叶斯网络(BN)[10]也被称为信念网络或因果网络，是表示变量间概率依赖关系(因果关系)的有向无环图，它由代表变量的节点及连接节点的有向边构成。每个节点都有相应的条件概率表(CPT)与之对应，用以表明该变量与父节点之间概率依赖的数量关系。当父节点状态发生变化时，通过贝叶斯网络可以输出此时子节点发生的概率。

贝叶斯公式(Bayesian 定理)如式(1)所示：

(1)

为了弥补现有定量评估方法处理不确定性问题方面的不足，利用贝叶斯网络在处理不确定性问题上的优势进行改进[11]。在监测数据获取有效的基础上，量化火灾各中间节点以及后果和影响因子之间的因果关联，建立以火灾发展为主线的风险推理网络，确定网络结构、节点位置，分析风险节点发生概率，以此计算网络节点状态取值变化对推理结果的敏感程度。

2 基于贝叶斯理论的建筑火灾动态风险评估模型

在系统查找风险点以及风险要素的基础上，构建火灾风险评估模型。

2.1 评估指标体系设计

建立全面、准确的火灾风险评估体系，是进行火灾风险评估工作的关键。依据建筑物本身的防火能力、灭火能力、安全管理水平以及发生火灾后的安全疏散能力[12-13]，在建筑日常使用过程中，根据人员情况、消防设施情况、建筑使用情况等充分梳理火灾发展各阶段关键风险要素，由此建立风险评估指标体系，如图2所示。

图2 建筑火灾风险评估指标体系Fig.2 Building fire risk assessment index system

2.2 建立贝叶斯网络结构

基于建筑结构特征、消防管理水平、危险源分布特征、消防部门日常防火检查重点，在已筛选出风险要素基础上，通过历史火灾数据统计及实验数据，研究各影响变量的取值范围以及离散化方法，量化火灾阶段各节点以及后果和影响因子的因果关联，建立以火灾发展为主线的风险推理网络。并结合火灾发展规律和风险要素划分结果，建立火灾过程节点，以此确定推理网络结构，如图3所示。其中，风险要素节点的确定，主要考虑该阶段的关键影响因素。

2.3 计算模型

根据已建立的贝叶斯网络模型，将建筑物在日常使用过程中需要监测的火灾风险要素分为静态和动态2个部分。其中静态变量状态值由物业管理人员一次性输入，在整个建筑使用周期内不发生变化，如建筑高度、相邻建筑防火间距等；而动态参数会发生一系列的变化，需通过现代物联网监测手段进行在线监测、定期采集，如室内消火栓栓口静水压力、阀门开闭情况等。根据一次性输入的静态变量和实时获取的动态变量，利用建立的火灾风险评估模型通过后台计算，系统可以输出起火、火势增长、火灾蔓延和烟气传播、蔓延至邻近建筑、火灾蔓延迫使人员疏散等建筑火灾发展5个阶段对应的火灾风险分项指数以及该建筑的火灾风险综合指数。

假设1个简单的建筑火灾风险贝叶斯网络，如图4所示。其中，使用明火x2和易燃易爆化学品x3是导致点火源y存在的2个原因，它们按照条件概率分布对点火源y存在的状态进行影响。同理，在点火源y和可燃物x1存在状态已知的情况下，可求出2者对建筑起火z发生状态的影响。条件概率表中0表示不存在，1表示存在。

图3 火灾风险评估推理网络结构Fig.3 Reasoning network structure diagram of fire risk assessment

图4 建筑起火风险评估推理网络结构Fig.4 Reasoning network structure of building fire risk assessment

通过建立起来的贝叶斯网络便可进行建筑火灾可能性计算：

(2)

对于建筑火灾风险要素x1，x2，x3，当3者的先验概率已知时，就可以通过式(2)求出建筑发生火灾的概率P(z=1)，即建筑物起火风险可能性大小。同时系统可以判断评估过程中发现的问题，给出针对性的整改建议，以降低建筑火灾风险综合指数。

3 实例分析

3.1 基本情况

基于上述火灾发展阶段，以建筑消防给水系统可靠性评估模型为例，对模型进行验证。首先，从消防泵启动可靠性、管网供水可靠性、阀门开启状态等3方面入手构建用于评估消防给水系统可靠性的贝叶斯网络拓扑结构。确定节点变量的状态值离散方法和先验概率，建立用于量化节点变量之间关联的条件概率表。最后，评估给水系统在流量、水压等参数已知条件下给水可靠性。

3.2 推理过程及结果

3.2.1 节点变量选取

在分析影响建筑消防给水系统可靠性风险要素的基础上确定节点变量，选取能够描述建筑消防给水系统可靠性的关键要素，如表1所示。

3.2.2 确定贝叶斯拓扑图

在分析中间节点变量影响因子及可能结果的基础上建立因果关联。根据已确定的节点变量及关联，建立建筑物室内消防给水系统可靠性评估贝叶斯网络结构，如图5所示。

表1 建筑消防给水系统可靠性节点变量选取Table 1 Selection of node variables for building fire water supply system reliability

3.2.3 节点变量状态值确定

建筑火灾发展过程贝叶斯网络节点众多，构成1个复杂系统。系统内每个节点变量均应具有某种特定的概率分布，对应不同的状态值有着不同的发生概率，这也决定复杂系统具有极大的不确定性特征。对于研究对象及目的，最理想状态是给出网络结构中节点对应变量的概率分布函数，但已有国内外火灾事故数据库仅能给出部分原因的发生频率，还无法构建全部网络节点的连续分布函数。因此，需对贝叶斯网络结构中各节点进行离散化处理，本实例所涉及的关键要素状态值及先验概率，如表2所示。

图5 建筑消防给水系统可靠性贝叶斯网络Fig.5 Reliability Bayesian network of building fire water system

3.2.4 计算推理过程

采用贝叶斯网络对给水系统可靠性评估的前提是对各状态参量进行实时监测，在已获取监测数据的基础上，选取数据状态所处区域，经计算得到给水系统可靠性评估结果。以给水系统管网供水可靠性局部推理网络为例：当获取到管网静水压力A1和流量A2数据后，通过对“静水压力”和“流量”2个节点的状态值进行判断以确定概率分布，经计算可得“给水系统管网供水可靠性B2”的条件概率，即管网供水可靠性。给水系统管网供水可靠性局部推理网络，如图5虚线部分所示。

表2 给水系统节点变量离散化Table 2 Discretization of node variables in water supply system

建立贝叶斯网络后，通过式(2)推理算法及表2中各风险要素先验概率可进行给水系统管网供水可靠性条件概率计算，计算结果如表3所示。例如：当管网静水压力和流量均达到设计要求时，说明管网可靠性比较稳定，即使存在一些波动也不会出现较大的偏差，因此管网供水可靠性状态为高，所以有：

(3)

P(B2)低=1-P(B2)高=0.097 5

(4)

∑P(B2)i=1(i=高、低)

(5)

由此可得，在管网静水压力和流量均处于正常状态时，给水系统管网供水处于正常状态可靠性为高的概率为0.902 5，可靠性为低的概率为0.097 5。同理可求，当静水压力和流量处于不同状态值时，管网供水相应状态值，以确定节点变量间的依赖关系。

表3 给水系统管网供水可靠性条件概率Table 3 Probability of reliability of water supply network system

同理，当获取管网供水可靠性后，通过水泵启动可靠性、管网供水可靠性、阀门开启状态便可进行建筑消防给水系统可靠性条件概率计算，其结果如表4所示。例如：当水泵正常启停、阀门正常开启且管网供水可靠性为高时，则给水系统可靠性状态也为高，所以有：

P(C)高=P(B1)高·P(B2)高·P(B3)高=0.884 5

(6)

P(C)低=1-P(C)高=0.115 5

(7)

鉴于消防给水系统在建筑起火灭火过程中发挥的重要性，水泵能否正常启停、阀门是否开启是给水系统可靠性的保障，因此当水泵无法正常启停或是阀门未开启时，可将给水系统可靠性直接定义为低，由此可得建筑消防给水系统可靠性评估结果。

表4 建筑消防给水系统可靠性条件概率Table 4 Reliability probability of building fire water supply system

通过对建筑火灾风险要素进行全面的监测、评估，最终可得出整个建筑火灾风险评估结果。在所得各风险要素可靠性相对概率的基础性上进行风险排序，以发现日常消防检查的重点。

进行诊断推理时，当假定消防给水系统可靠性为低时，通过计算可得各风险要素处于不利状态时的后验概率，如表5所示。例如：当消防给水系统可靠性为低时，由管网供水压力不足导致的可能性为：

(8)

表5 消防给水系统可靠性为低时各风险要素故障率Table 5 Failure rate of each risk factor in low reliability of fire water supply system

基于贝叶斯网络双向推理的优势，当建筑火灾发生时，通过诊断推理能够实现快速分析、查找火灾原因的目的，并在火灾风险评估工作中发挥重要作用。

4 结论

1)提出1种建筑火灾动态风险评估模型，包括基于贝叶斯网络的建筑火灾风险评估推理网络结构、建筑火灾动态风险评估指标体系以及相应风险评估的计算模型。

2)在风险评估过程中引入“贝叶斯网络”元素不仅可以用于风险辨识，还能通过网状结构和条件概率的方法对风险进行分析和评价，更好地解决不确定因素对火灾风险的影响，提高风险评估的准确性。同时，在风险评估过程中加入“动态”元素，可以进一步解决传统风险评估在评估实时性方面的不足。

3)由实例可知，通过贝叶斯网络不仅可以推算建筑发生火灾的可能性，还能够推算在建筑发生火灾情况下，1个或多个风险要素故障的概率，从而有效识别引起建筑火灾的关键因素，为减少火灾风险提供依据。