BIM建筑模型与BP人工智能在应急救援中应用

2020-06-05张兆宏

山西建筑 2020年12期

张兆宏

(神东煤炭集团救护消防大队,内蒙古鄂尔多斯 017000)

0 引言

在计算机技术快速发展的今天，人工智能已经逐渐成为人们日常生活中的一部分，并且人工智能已经在各个领域中发挥了不可替代的作用。随着大数据时代的到来，人工智能已经可以进行较为精准的预测工作，从而对工作的进一步开展方向提供一定的数据支持。在应急救援的工作之中，矿山应急救援工作占有了很大的比例，而对于每一次的矿山救援工作，救援人员所面临的状况都是有所差别的。如果将人工智能的手段引入到矿山救援的工作中来，为应急救援提供一定预测性的判断，一定会为救援工作的效率带来较大的提升。

本文简述了建筑信息模型(Building Information Modeling)与BP神经网络工作的定义，组成部分，工作原理等方面，并以矿山应急救援作为应用基础，讨论了人工智能以及BP神经网络在矿山应急救援中的应用。

1 BIM建筑信息模型

无论是地面建筑还是井下的施工中，所使用的大多都是二维平面图纸。在使用的过程中，缺乏一定程度上的直观性，并且在信息化上较为困难。为了更好的对建筑信息进行管理，使建筑的生命周期得到更好的体现，在2002年提出了建筑信息模型(Building Information Modeling)这一概念。BIM建筑信息模型是一种工程数据库技术，与二维平面图纸不同之处是BIM不仅包含了建筑结构之间的几何信息，还包括了建筑材料的属性等信息。从使用周期来看，BIM数据库的使用并不限于建筑的施工阶段，在建筑的前期设计与后期的使用运营阶段中，设计者、管理人员与使用者可以快速有效的提取所需要的信息(见图1)。

对比不同的信息数据，BIM模型主要的特点主要体现在三个方面：一是信息的可视化；二是信息的提取与共享；三是基于现实情况的模拟。可视化主要应用于建筑的设计与施工，可以有效的提高设计与施工的速度。BIM模型的模拟性主要是用于建筑相关的模拟，比如日照模拟、消防模拟、紧急疏散模拟。

由于BIM建筑信息模型带有十分详细的建筑信息，并且具有较强的规范性，可以作为人工智能的训练数据。通过具有针对性的信息，人工智能可以较为快速的训练，对现实的情况进行高效的模拟。

2 人工神经网络与BP神经网络

2.1 人工神经网络

人工神经网络是指将现有的数据通过类似于神经元网络的系统进行处理，得到所研究方向的数学模型。人工神经网络理论是基于生物神经元系统的处理信息的方式而产生的一种模型，从结构上看，两种之间有很强的关联性，神经元是生物神经系统的重要组成单元，人工神经网络也是通过一个个相对独立的节点所组成的，进行一些较为复杂的数据处理以及分析，单个的神经元处理方式如图2所示。

神经节点所包含的算法当中，包括两个关于输入输出端的函数，一是线性组合函数，二是传递函数。线性组合函数主要的功能是将要在计算之前对数据进行整合，对应到所输出的数据。传递函数是输入量与输出量之间的关系，主要适用于两者之间具有线性关系，在计算的过程之中，不随着输入输出量的改变而发生变化。传递函数形式有很多种，但最基本、最实用的是阈值函数、线性函数、S形函数,公式如式(1)～式(3)。

(1)

f(x)=ax

(2)

(3)

2.2 BP神经网络

BP神经网络是一种通过误差反馈机制来进行算法训练的多层前馈网络，是目前在人工智能领域较为常见的神经网络模型。BP神经网络的特点是通过预期的输出值与实际得到的输出值进行比较得到两者的误差，进而进行校正与改变，这种算法被叫做反向传播学习算法(Back-Propagation)。BP神经网络主要应用的场景是函数的逼近与对象识别等方面。BP神经网的结构组成主要是三个部分：输入层、隐含层、输出层。由于隐含层的数目并不是确定的，有可能是一层或者同时存在多层，到这里BP神经网络的层数不等。BP神经网络的拓扑示意图如图3所示。

对于隐含层节点数的确定，并没有一个统一的说法，仅仅有一些学者给出的经验公式，见式(4)。

(4)

其中，n1为中间层层数;m为输出单元数;n为输入单元数;a为常数。

对于BP算法的训练而言，其训练速度以及质量所涉及的参数包括三个。学习率主要决定的是系统的稳定性，学习率需要稳定在一个区间内，过大或者是过小都会影响系统所得到的结果。动量因子的选取一般大于学习率，其选取一般与修正量有关。收敛误差界值需要以训练当中的实际情况而定，训练次数的增加带来了收敛误差界值的增加。

3 BIM与BP神经网络在矿山应急救援中的应用

利用BIM建筑信息模型与BP神经网络解决在矿山应急救援过程中所遇到的非线性问题，对于救援工作来说是一种新方式，并可在实际的救援过程中提供一定的理论支持。

在井下灾害发生时，通过BIM建筑信息模型可以快速的定位灾害出现的位置，灾害波及的范围以及灾害的严重程度。在获取这些信息的基础上，可以更加准确的进行救援方案的制定。而且在救援的过程中，会出现意想不到的状况。在这些突发状况来临时，BIM建筑信息模型可以有效的进行模拟，进而为救援方案的改变提供理论支持。

在矿山救护队训练方面，往往对于每一个救护队队员的数据都需要分析，找到不同队员所出现的错误以及自身的不足。对于队员的评价，往往会存在着一定的个人因素在其中，不能完整的反映每一个队员真正的自身状态。通过将之前队员的训练数据用于人工神经网络的训练中，得到完整的训练评价体系，可以更加精确的定位每一个队员所存在的优势和不足，形成更加好的反馈，有利于加强救护队员的训练针对性。

在救灾的过程中，人工网络可以将BIM建筑信息模型中之前的灾害数据以及情况进行类比，并对当下的事故进行预测，所得到的预测数据可以作为救援开展的数据支持，帮助指挥系统做出合理的判断，保障救援工作的进行，使井下的被困人员可以快速的被营救出来。

矿山灾害的认定方面，都需要许多人力和物力进行长时间的工作，而且会出现一定的疑难复杂的问题，需要组织所对应的专家进行论证工作。这样一来，认定方面所需要的人力、物力、时间成本都会上升，并有可能处于一个较高的位置。如果将BIM建筑信息模型与BP神经网络引入到实际的灾害认定中来，通过已有的数据进行训练，就可以在认定的过程中减少繁琐复杂的人力工作。从而使得整体的认定工作更加的有效率，节省各项成本。