明清古建筑群火灾智能监测技术研究

王茹 ，李朴杰 †，王亚康 ，胡又文

（1.西安建筑科技大学 土木工程学院，陕西 西安 710055；2.上海建科工程咨询有限公司，上海 200032）

建筑是人类文明的标志，是人类社会发展的印迹，中国古代建筑的历史更是源远流长.由于时代久远，我国明清之前的建筑大多已经损毁，因此，当前我国存在较为完整的历史建筑，大多为明清时期的建筑.明清古建筑为木或砖木结构，其主要建筑材料为木材，其耐火性差，一旦发生火灾，大火往往难以扑灭.因此，对于古建筑火灾的防治，应以预防为主，消防为辅.

对于古建筑火灾的预防，以火灾监测为主要技术手段，早在2005年，刘国柱［1］提出以空气采样报警器探测空气中烟雾浓度.然而探测器大多为有线网络，需要在建筑内走线，甚至需要开孔安装，破坏古建筑结构.随着无线通信技术的出现，刘士兴等［2］、Palma 等［3］均提出利用无线传感器网络进行探测器布置，可解决有线传感器破坏古建筑美观性和结构的缺点.然而对于古建筑群而言，由于建筑数量十分庞大，导致所需探测器的数量更为庞大，仅依靠无线传感技术已无法满足其对探测器管理上的需求.因此，黄娟等［4］以ZigBee 无线通信技术传输探测数据，以Android 客户端为终端，将藏区古建筑群火灾探测器与移动终端连接，搭建了移动端的App 平台.然而移动端的App 平台，有着管理界面小、大批量管理不易的问题，仍然需要一个计算机平台进行大批量的数据管理，且对于海量数据的储存、处理，也有一定的不足.除此之外，大量的探测器势必会提高误报的频率，对于监测数据的处理，也需要进行相关优化.

针对此方面问题，本文提出一套基于xBIM 平台二次开发、SQL Server数据库管理系统的计算机火灾智能监测系统.以火灾危险源、建筑结构为因子，设置出火灾探测器的布置方案，再依据布置探测器情况建立数据库，储存和调用海量的实时监测数据，并应用迭代优化后的Man-kendall 趋势算法对其进行阈值处理，减少误报，提高准确性.在监测平台中，可以实时查看各个探测器的状态，并在触发阈值后给予及时的报警提示，提高了火灾监测的及时性、精确性，极大地方便了古建筑群火灾安全的管理.

1 火灾监测方案设计

1.1 火灾探测器的选型

选择适合的火灾探测器是进行火灾监测的第一步，对于明清古建筑而言，火灾探测器的选择应遵循以下原则：

1）明清古建筑为木或砖木结构，其火灾荷载密度［5-6］大，着火后火势凶猛，因此无论从古建筑的文物珍贵性考虑，抑或从安全角度考虑，明清古建筑的火灾报警最佳窗口期均应为燃烧的初期［7］.

2）火灾探测器的安装方式应为无损安装，避免打孔安装方式对古建筑结构的破坏.

3）火灾探测器的体积不应过大，以免影响建筑美观.

如今科技手段下，常用的火灾探测器有感烟探测器、感温火灾探测器、火焰探测器以及图像型火灾探测器等，对其原理及优缺点进行分析汇总见表1.

表1 各类火灾探测器对比Tab.1 Comparison of various fire detectors

经过对比分析，本文采用感烟探测器对明清古建筑进行火灾监控，原因如下：

1）明清古建筑为木或砖木结构，燃烧主要依靠大量的木构件、木家具等.木材表面在受到持续的热通量时，木材表面会随着温度升高而开始分解，产生大量的烟气，随着表面的热解持续增加，会在传递热通量的界面生成一个炭化层［8］，炭化层具有一定的阻燃功能，发生的是阴燃，同时产生大量的烟气，若在此时能探知出燃烧，便能及时控制火灾，若发展到明火阶段，即使发现，也损失较重，扑灭也较为不易.因此，感烟探测器是较好的选择.

2）感烟探测器多为点型探测器［9］，其体积小、质量轻、安装方便简单，对古建筑表面不造成损坏.

3）感温火灾探测器和图像型火灾探测器虽对环境适应性较好，但感温火灾探测器敏感度较低，现已较少使用，图像型火灾探测器适用于明火阶段，对古建筑的保护不利.火焰探测器易受到环境的影响，误报频率高.

因此，综合考量后，针对明清木结构古建筑的自身特点，选取感烟探测器为最佳.

1.2 火灾危险源及建筑结构对火灾的影响

对于火灾探测器的布置而言，有两大影响因素，一是火灾危险源，二是建筑结构.

1.2.1 火灾危险源的影响

火灾危险源是火灾的源头，对火灾危险源实施监测防范，能有效降低发生火灾的概率，因此，人们通过危险源管理的方式对火灾进行防控，如设置火灾危险源登记台账［10］等.1949年以来，我国发生的大大小小古建筑文物火灾上千起，损坏珍贵建筑、文物不计其数，本文通过查找相关案例文献、搜索相关新闻报道、查阅官方网站，共查阅到百余起古建筑火灾事故，其中已查明起火原因的事故97起.

对这97 起古建筑起火原因进行了汇总分析，整理出11 种不同的火灾危险源，以统计图形式将不同火灾危险源所占比例进行表征，如图1所示.

图1 火灾危险源饼状图Fig.1 Fire hazard source pie chart

由图1 中可以看出，古建筑起火主要原因为电气老化或短路，殿内烛台、焚香或烧纸，乱丢烟头，生活用火等.因此，在对火灾探测器进行布置时，以当前古建筑的环境特点为对象、主要火灾危险源为重点，做到重点位置重点部署.

1.2.2 建筑结构的影响

火灾在建筑内的燃烧过程，是一个复杂的热力学、流体力学、传热学和燃烧学过程［11-13］，其热气流在建筑内部的运动路径，与建筑的结构、可燃物位置、门窗位置（氧气通道）均相关，其共同构成了建筑火灾的发展过程.因此对于建筑内部火灾探测器的布置，应根据建筑结构等实际情况进行.

对于明清古建筑而言，抬梁式与穿斗式木结构是使用最为广泛的两种木结构形式.这两种木结构，如图2 所示，在力学原理、木材用料上都截然不同.抬梁式木结构是梁柱支撑体系，由多层的架梁和柱子传受力，多用于北方地区；穿斗式木结构则是檩柱支撑体系，由檩柱直接将屋顶“顶起”，承受主要荷载，多用于南方地区.

图2 抬梁式与穿斗式木结构Fig.2 Lifting beam frame and Chuan-dou frame

两种木结构都以木材为主要受力构件，而抬梁式木结构在木材用量上更是穿斗式木结构的3.5倍［14］.抬梁式木结构多用于大跨度、大空间组合的官式建筑，而其恰巧为火灾的燃烧创造了条件，犹如燃烧的炉子，有大量的木材，也有充足的氧气空间.而穿斗式建筑多用于民居等空间较小的建筑，两者在建筑材料、结构形式、空间大小上，均不相同，在火灾发生后的蔓延情况也不相同.

1.3 烟雾模拟及探测器布置

为将火灾危险源及建筑结构对火灾事态的综合影响可视化，本文以 BIM 技术、火灾动力学模拟为手段［15-16］，对两个因素的共同作用进行模拟分析，以模拟出实际建筑环境下的最不利点，从而指导探测器的布置.PyroSim 是目前较为成熟的火灾动力学模拟分析软件，但其缺点是建立的模型较为粗糙简单，如屋顶斜面、曲面的建模均难以实现，这使得“建筑结构”这一因素的影响难以突出.因此，本文以Revit作为精细化的建模工具，Fbx 数据格式作为二者连接的桥梁进行建模分析.以某穿斗式木结构为例，该结构为三层穿枋结构，应用 Revit 建立该结构下的三维模型，并导入至 PyroSim 中，模型见图3.

图3 穿斗式木结构模型Fig.3 Chuan-dou frame model

图4 烟雾模拟结果Fig.4 Smoke simulation results

模拟环境初始温度为 20 ℃，网格单元大小为0.25 m×0.25 m×0.25 m，以殿中烛台引燃木质香案作为起火点.由于木结构建筑火灾荷载大，因此起火点设置为快速火，单位热释放速率为 611 kW/m2.对于感烟探测器的布置，重点关注模拟结果中烟雾的扩散情况.其模拟结果如图 4 所示，由于设置为快速火，产生的热烟气在T=3 s 时，便上升至起火点上方第一层穿枋，随后在T=25 s 时，在屋顶向两侧蔓延，集中于二层与三层穿枋之间.

随后，烟气沿两侧山墙顺流而下，而随着时间的推移，烟气密度逐渐增大而开始逐渐下沉并从门窗通风处开始外溢.火灾源在古建筑内的位置因建筑的不同布局而具有特殊性.当古建筑内部发生火灾时，着火点产生的热烟气流随时间流动的轨迹具有一定普遍性，即热烟气均是先由火灾源处上升，升至屋顶结构最高处时沿屋面结构横向散开，后随着浓度的增强开始下沉.在探测器布置点位受限的前提下，若将感烟探测器全部布置于最低一层层架处，则及时“捕捉”到细小上升烟气的概率较低.若将感烟探测器全部布置于顶层层架，则需至烟气上升至屋顶且向四周蔓延开时方能捕捉火情，不具备及时性.二层作为烟气穿越层，在火灾前期不及一层的及时性，在火灾后期不及顶层的普遍性.因此，既针对可预测性火灾源在一层层架处进行重点布控实现及时性监测，又在顶层层架处布置提高烟气捕捉概率，实现“及时性”与“普遍性”相结合.在本文案例中，应在香案烛台上方的第一层穿枋或斗枋上布置感烟探测器，在其余无火灾危险源的地方，在第三层穿枋或檩处设置感烟探测器，这样能够最快速地发现火情，从而最大限度保护古建筑.

2 探测器监测数据处理

2.1 固定阈值算法下的漂移问题

在完成火灾探测器的布置方案后，根据《古建筑木结构维护与加固技术标准》（GB/T 50165―2020）［17］中的要求，需对监测系统设置报警阈值.报警阈值的设置是火灾探测器是否精准、及时的体现，同时也是智能监测平台智能化、精确化的体现.

传统感烟探测器的报警机制均为开关量式的［18］，即“0”或“1”的区别.设置一固定阈值A，当探测到的数据超过阈值时，探测器进行报警.其报警机制见式（1）：

这种传统固定阈值的算法原理固然简单，实现起来也较容易，但其简单粗暴的火灾判断方法，在实际应用时，却因探测器的漂移现象［19-20］而经常发生误报.

如图5 所示，感烟探测器在正常工作时，其探测数据并不是一个固定值，而是在一个稳定值附近上下波动，由于探测器的应用环境中通常悬浮着大量无处不在的尘埃颗粒，它们会随着气流落入烟雾探测器的迷宫中，尘埃的积累会影响探测器的灵敏度，使其发生误报警，且随着时间的推移，光电发射器和接收管的老化也会导致探测器对火灾的响应变慢，这即是探测器的漂移现象.

图5 漂移现象导致的误报Fig.5 Mispositives caused by the drift phenomenon

2.2 Mann-Kendall算法

为了解决固定阈值算法易产生漂移的问题，本文采用了Mann-kendall 算法对探测器进行阈值设定，以减少误报，提升监测系统的准确性.Mann-Kendall 算法属于趋势算法，应用于研究数据序列趋势或突变中，一般分为趋势检验及突变检验，是一种非参数检验方法［21-22］.在水文、气象研究中有着广泛的应用，通过对径流、降水、气温等要素的时间序列进行趋势、突变分析，从而判断各要素未来的情况.

定义X（n）为感烟探测器在时间段n内的输出信号序列，其代表了在时间段n内的烟雾浓度变化情况.则有符号函数见式（2）.

式中：Sign 为符号函数；j为时间序列的第j个值；i=j+1，且0

即对于n时间段内的某一时刻Xi，若烟雾浓度信号大于其前一时刻的浓度信号Xj，则输出为+1，因此，无论烟雾浓度的信号值是大是小，只要前一时刻大于后一时刻，均记为+1，相反则记为-1，相同则记为0.此种计数方式的优点则在于忽略了具体数值的大小，只强调前后值是增大还是减小，避免了某一瞬时时刻的漂移值大于固定阈值，从而引起误报.

此时，便引出Mann-kendall趋势检验的统计量S见式（3）.

式中：当n≥8时，S服从正态分布，其均值为0.

对统计量S求方差为：

式中：b为分组数；ta是第a组数据的个数.

对统计量S进行标准化，得到式（5）.

此时，Zc服从标准正态分布.Zc为正值时则表示当前数列趋势为递增，即火灾探测器在某一时间段n内测得的烟雾浓度是递增的.因此，设置合理的n值以及Zc的置信区间，即可在无规律的监测信号中掌握烟雾浓度的变化趋势，同时也避免了漂移产生的误报信号.

2.3 实时监测下的迭代优化处理

火灾探测器为实时动态的监测，一般火灾探测器每3 s生成一个数据，根据《点型感烟火灾探测器》（GB 4715—2005）［23］要求，点型感烟火灾探测器应在30 s 内做出报警，即要求对30 s 内产生的10 个数据进行判断处理.一般而言，对每30 s 产生的数据进行一次处理，即每隔30 s 处理一次数据，这样会使得报警的效率降低，对火灾曲线的判断力也会降低.

对于以上情况，本文将监测系统中的Mann-Kendall 算法进行迭代优化，如图6 所示，以10 个数据为一组，将新产生的数据认定为新一组的“第10个数据”，将前一组的第10 个数据认定为新一组的“第9个数据”，以此类推至前一组数据的第2个数据认其为新一组的“第1 个数据”，即将新数据与前一组的9 个数据组合为新的一组数据进行处理，这样就实现了数据处理的连续性，提高了数据处理效率.设定置信区间为大于85%，则认为这10 个数据的增加趋势可信，即这30 s 内烟雾浓度上升.在标准正态分布表中，85%的置信区间对应的Zc值为1.04，即Zc值大于1.04，则探测器进行报警.此部分在监测系统中，为监测平台在调取数据库数据后的数据分析中应用，以代码的形式体现，部分代码见图7.

图6 迭代优化示意图Fig.6 Schematic representation of the iterative optimization

图7 Mann-Kendall算法迭代优化后部分代码Fig.7 Partial code of the Mann-Kendall method after iterative optimization

3 古建筑群火灾智能监测平台搭建

3.1 开发工具及环境

智能火灾监测系统包括探测器系统、监测数据分析与处理、状态评估、实时预警等模块，在古建筑群内数量庞大的探测器系统会实时产生海量的监测数据，通过对数据的集成化管理，提高了处理火灾隐患的准确性，方便了对火灾安全的管理.

对于错综复杂的古建筑群而言，应用BIM 技术可以对建筑群进行信息化和可视化管理，也可将探测器与古建筑群进行实时联动.本文利用已有的BIM 平台——xBIM（eXtensible Building Information Modelling）平台［24-26］，进行二次开发，设计古建筑火灾实时监测平台.xBIM 是一个.NET 工具包，其可以构建从命令行应用程序到Windows 应用程序、Web服务扩展的所有内容.在平台中，以IFC 格式读取BIM 模型，全面支持几何、拓扑操作和可视化.本文以Visual Studio 为开发工具、C#为语言、.NET 为开发框架，搭建平台界面.

对于探测器产生的实时数据，应用SQL Server建立数据库［27-28］.SQL Server 是Microsoft 开发设计的一个关系数据库智能管理系统，以C#和 T-SQL 进行混合编程，具备使用方便、可伸缩性好、软件集成度高等优势，方便火灾探测器海量数据的储存及调用.本文以SqlDataReader（Sqlcon）的方式读取数据库，以SqlCommand（SQLstr）执行添加、修改和删除操作.

3.2 监测数据库开发

采用SQL Server 创建结构化数据库后，将监测数据储存在网络云中，在xBIM 平台中对数据进行调用和阈值分析，这样方便了数据的管理与检索，也极大提高了监测系统的运行工作效率.对于明清古建筑群火灾监测，其数据库的基本需求为：以古建筑单体为监测对象，包括ID 编号、名称、位置以及建筑防火等级，每个监测对象上的探测器数量；对于探测器，应包括探测器的编号ID、安装位置、安装时间、预警阈值以及备注；对于探测器监测到的数据应根据时间进行记录.

对以上需求进行梳理，并将其转换成对应的数据表.

感烟探测器的相关信息储存于火灾探测器数据表中，其逻辑结构如表2所示.

表2 火灾探测器数据表Tab.2 Fire detector data

以古建筑群内的各个建筑单体为监测对象，需有明确的建筑位置，并注明建筑防火等级，其逻辑结构如表3所示.

表3 监测建筑数据表Tab.3 Monitoring building data

将监测数据置于监测数据表中，其逻辑结构如表4所示.

表4 监测数据表Tab.4 Monitoring data

以某明清古建筑群为例，在SQL Server 上使用T-SQL 语言和图形操作界面对数据表格进行创建后，如图8所示.

图8 监测数据库Fig.8 Monitoring database

3.3 平台监测实施

以某明清古建筑群为例，进行火灾监测系统实施.如图9 所示，输入提前预设的账号和密码，即可登录监测平台主界面.

图9 火灾智能监测平台登录窗口Fig.9 Login window of the intelligent fire monitoring platform

进入主界面后，如图10 所示，可以看到监测项目名称、项目位置、古建筑数量以及火灾探测器数量等概况，在主界面还有监测古建筑群的BIM模型.

图10 火灾智能监测平台主界面Fig.10 Main interface of the intelligent fire monitoring platform

将监测方案的设计储存在数据库中后，在平台管理中，有“探测器管理”这一选项，可以对火灾探测器进行管理.如图11 所示，进入管理界面后，在右侧可以看到所有已添加的探测器信息，选定相关探测器后，可以看到此探测器的基本详细信息，并可以对其参数进行设定和修改.

图11 火灾探测器管理界面Fig.11 Fire detector management interface

对于火灾探测器的实时监测，如图12 所示，在“实时监测”这一页面中，左侧有古建筑群中每个建筑设置的探测器列表，点击任意一个探测器，即可看到每个探测器的状态，包括探测器的信息、监测实时数据以及实时动态曲线图.

图12 实时监测界面Fig.12 Real-time monitoring interface

当监测到数据触发报警机制时，便会出现弹窗警示，如图13 所示.在火灾警报窗口，会注明发生报警的探测器ID 以及当前的趋势置信区间对应的正态分布值，并记录当前火灾发生的时间.

图13 火灾报警窗口Fig.13 Fire alarm window

4 结论

1）以火灾危险源、建筑结构作为火灾主要影响因素，以火灾动力学模拟作为手段，对古建筑进行火灾探测器的布置优化，可提高火灾探测器的高效性、准确性.

2）对于古建筑群内庞大的火灾探测器系统，集成化火灾智能监测平台的开发，极大地方便了对火灾安全的管理，提高了火灾报警的及时性，对古建筑群的文物保护提供了新思路.

3）实时迭代优化后的Mann-Kendall 算法，可避免传统固定阈值算法下的漂移问题，减少感烟探测器的误报频率.云数据库的开发，对海量大数据的储存、调用提供了高效便利的管理工具，也为古建筑群的实时监测提供了新的技术手段.