商业建筑单体消防指标智能化计算研究

吴 迪

(安徽理工大学经济与管理学院，安徽 淮南 232000)

随着建筑质量终身责任制的全面落实，消防设计无疑成为了建筑专业施工图设计中最为重要的，也是消耗时间和精力最为巨大的内容。分析建筑火灾发生和造成严重后果的原因，其中很重要的一点是在建筑设计的过程中，建筑防火指标选择仅仅是满足规范要求，没有针对建筑中火灾的易发处和不利点做出针对性的调整。随着我国城市发展速度的加快，新建了大量的商业建筑。商业建筑的疏散宽度，是消防审查部门关注的重点指标之一。在新建项目规模庞大的情况下，高精度的核查与计算设计单位提供的图纸尤为耗时耗力，考虑到设计单位在选择折算系数时，通常选择最小系数进行折算，而非根据建筑的性质与规模进行调整，选择合适的系数就使得整个工作量更加庞杂。

近年来，深度学习凭借其强大的学习能力，智能化消防大量应用在消防设计中，不仅大大提高了消防设计与审批的的效率，还从不同的研究方向完善了消防设计的内容。文献[1]将量子进化算法与火消防疏散路径规划结合起来，用量子比特表示信息素，优化消防疏散路径。文献[2]基于BIM平台，将国家标准与IFC数据关联，自动生成建筑工程施工质量最不利点，以便重点排查。文献[3]利用正反馈效应通过多次搜索迭代，实现消防疏散流线的智能化设计。文献[4]基于BIM平台，将自适应蚁群算法与消防疏散路径相结合，实现了建筑消防疏散路径的三维实时动态规划。这些研究都为消防的智能化辅助设计打下了坚实的基础。

为解决建筑消防安全设计中消防安全设计中火灾的易发处和不利点处与整体建筑执行平均标准以及相关消防安全指标在计算时仅按照最低要求考虑，未针对性地对消防设计中的薄弱环节进行强化设计的问题，本文研究了深度学习辅助建筑消防安全设计，通过研究某市近年来部分新建项目消防安全现状，结合审核单位与使用单位评价，提出一种基于决策树理论的商业建筑单层最小疏散宽度的智能化计算方式，为建筑消防安全设计提供帮助。

1 建筑防火指标智能化模型构建

1.1 智能化模型计算流程

导入绘制好的施工图纸后，通过对平面逐层框选外轮廓来获取各层平面的面积信息，然后将各层平面所在的楼层数、是否人员密集场所和标高信息，以图层命名的方式赋值给框选好的外轮廓以实现模型的简化和信息的跨平台输出。提取出单层面积和楼层数，根据消防设计防火规范给出公式，计算出单层的最低人数。将计算出的单层最低人数和之前提取的各层平面所在的楼层数、是否人员密集场所和标高信息一起，利用决策树算法求出最小疏散宽度的计算值，而后对疏散宽度进行智能修正，获取最小疏散宽度的实际需求。

1.2 建筑单体模型简化

使用CAD的PLINE命令，对商业建筑平面图外墙线进行框选，运用VBA插件在弹出菜单中输入框选平面的楼层数、是否人员密集场所和标高，将闭合的PL线框复制至新图层，新图层命名为A_B_CCCC_vX。其中A为楼层数；B为0或1，0代表非人员密集场所，1代表人员密集场所；C代表楼层标高，取小数点后3位，单位为米；X代表版本号。通过这种方式将原施工图简化为特殊图层名的PL线。模型简化后效果如图1所示。

图1 模型简化效果示意图

1.3 商业建筑单体防火指标智能化计算

1)单层最低人数判断

疏散人数的确定是整个建筑疏散设计中最根本的任务之一，准确计算建筑内的疏散人数，才能合理地确定建筑中各区域疏散门或安全出口和建筑内疏散楼梯所需要的有效宽度。对于商业建筑的疏散人数，国家行业标准《商店建筑设计规范》中有关条文的规定并不明确，导致出现了多种计算方式。因此，在此使用消防设计防火规范中所采用的计算面积系数来确定人员密度的设计值。单层最低人数判断逻辑如图2所示。

图2 单层最低人数判断逻辑图

2)商业建筑单层最小疏散宽度的智能化计算

①决策树算法介绍

决策树算法是一个总体概念，包含着多种子算法,最常见的是ID3、C4.5、CART等算法。ID3算法是概念学习系统，由Quinlan于1979年提出,是一种贪心算法，用信息增益来衡量是否应该分支属性，以此来决策树的构造。决策树归纳算法通常的构建形式通常是先去训练元组集，在对其赋予标签和编号，进而构造决策树,从模型的构建开始到满足约束条件结束树的生长，其间训练集不断切分成包含数据更小的子集。

②属性选择与度量

假如样本集合

D

中第

k

类样本所占比例为(

k

=1,2,…,|

y

|)，则数据集合

D

的信息熵为

(1)

由此可以得出结论，信息熵的值和样本集合

D

的纯度呈负相关，信息熵的数值越小，纯度越高。

本研究对楼层数、各楼层面积、楼层标高、防火分区面积、防火分区安全出口数、建筑总高度、建筑总层数、建筑总面积、地上部分面积、地下部分面积等指标进行划分，计算它们划分后的信息增益，最后根据划分的信息增益的大小来确定采用哪个属性进行划分。

信息增益的定义如下

(2)

随着信息的增益增大，以属性

a

来区分取得的集合

D

纯度也就越大。

③Gini指数

(3)

基尼值反映了从数据集中随机抽取两个样本，其类别标记不一致的概率，因此基尼值越小，则数据集纯度越高。

对属性

a

进行划分，则属性

a

的基尼指数定义为

(4)

因此，在选择划分属性时，本文对数据集中楼层数、各楼层面积、楼层标高、防火分区面积、防火分区安全出口数、建筑总高度、建筑总层数、建筑总面积、地上部分面积、地下部分面积等指标进行观测，部分数据如表1所示，计算信息熵后选择信息增益最大的楼层数、人数、是否为人员密集场所、楼层标高属性作为划分属性。

1.4 单层最小疏散宽度智能化修正

由于人员疏散方向为一楼安全出口，故地面上各楼层楼梯肩负建筑更高标高楼层的疏散职能，地面下各楼层楼梯肩负建筑更低标高楼层的疏散职能，故对单层最小疏散宽度进行智能化修正。统计各层疏散总宽度，地上部分由上至下逐层分析，若疏散宽度小于上一层则将上一层宽度设为本层疏散宽度；地下部分由下至上逐层分析，若疏散宽度小于下一层则将下一层宽度设为本层疏散宽度。

2 模型效果验证

为验证模型的有效性，选取了合肥市某设计院2012～2020a设计的35个成功通过消防审查单位审核的单体商业施工图纸样本进行测试，部分数据如表2所示。展示数据为样本编号1～4#商业建筑，共计四栋楼；1#楼、2#楼各5层，其中地下部分一层，地上部分四层；3#楼、4#楼各2层，其中地上部分两层，无地下部分；1#楼负一层、一层、二层、2#楼四层为人员密集场所，其余所有建筑所有楼层均为非人员密集场所。

表1 消防设计数据集

表2 部分单体商业施工图纸部分数据样本

各栋楼各层施工图纸实际疏散宽度与智能化计算宽度之间差值如图4所示。由表2与图4可以看出：1)施工图纸疏散宽度均大于智能化计算宽度，二者数值在二层以上相差不大，但在负一层处施工图纸疏散宽度明显大于智能化计算宽度，在一层处施工图纸疏散宽度远远大于智能化计算宽度；2)施工图纸疏散宽度在一层处数值明显增大，与最低人数不成比例；3)最低人数和智能化计算宽度的数据大致呈一次函数关系；4)定义为人员密集场所的层数最低人数远大于定义为非人员密集场所；5)有别于1#、3#、4#楼，2#楼2～4层实际疏散宽度、智能化计算宽度均与最低人数不构成一次函数关系；6)在建筑规模较小时，智能化计算宽度与《建筑设计防火规范》规定的最小宽度数值一致，而在建筑规模较大时，智能化计算选择了相应较大的折算系数，得出数值略大于《建筑设计防火规范》规定的最小宽度数值。

图4 样本疏散宽度理论实际差值图

上述情况出现的原因分析如下：1)施工图纸绘制过程中，由于计算精确度不够，为求稳妥，通常取值倾向于取偏大的数值，但这种做法无疑会造成使用面积的减小，浪费了宝贵的土地资源；负一层的商业部分结合停车场布置，通向地面的汽车坡道在火灾发生时也可利用为安全疏散出口，故导致了负一层的实际疏散宽度明显大于智能计算值；在一层处，由于商业建筑的特性，大型商业外门开启选择的主要考虑因素是结合道路满足顾客流线进出方便以及外立面造型美观，故外门设计布置较多，导致了一层的实际疏散宽度远远大于智能计算值；2)智能化计算宽度得出的结果是满足疏散要求的最低宽度，是满足国家规范要求的底线值，至于在实际的设计、生产中，取值应结合不同建筑的特性，进行合理取值，表格所列的四栋建筑良好的遵循了这一原则；3)决定满足疏散的最低宽度要求的主要变量是该层的最低人数，二者在图表上的一致性证实了智能化计算模型的有效性；4)证实了人员密集场所定义的准确性；5)对2#楼单体复核发现，2#楼4层功能为小型影院，为人员密集场所，疏散宽度计算出现倒挂现象，即上部楼层疏散宽度要求大于下部楼层，数据中部分楼层宽度和该层最低人数不关联，是由于智能化计算智能修正的结果，验证了智能修正的可靠性；6)大型商业建筑具有人群集中效应，所需疏散指标随面积增长，但非线性关系，指标计算中的折算系数选择应与建筑规模挂钩。

3 结论

该模型的智能化计算结果可以100%满足国家规范的要求，且智能化计算结果精确可靠，可以有效根据建筑规模选择合适系数，可以更好的满足消防安全的需求，为建筑设计提供参考。另外，该智能化计算模型可以快速判断施工图纸中疏散宽度是否符合国家标准，能够有效减少消防审核部门的工作量。当然，由于消防安全的重要性，仅35个样本还远不够验证计算结果的精确性，软件的实际应用仍面临巨大挑战。因此，通过更多的实际项目学习和分析，实现对软件计算方式的优化，并应用到实际的设计中，将是进一步的研究方向。