System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及消防安全,具体为消防救援风险评估方法、装置、设备及可读存储介质。
技术介绍
1、随着近年来各类社会救援事故频发,消防救援任务越来越重。尤其是涉及水域、地震、山岳的救援行动,存在的安全隐患多、风险系数大,稍不注意就可能引发事故,严重影响救援任务的完成,执行消防救援任务做好风险评估工作能够有效地降低救援风险、提高救援效率。
2、例如中国专利公开了一种消防救援风险评估方法、装置、设备及可读存储介质,cn116993144a,包括:车路协同平台检测车辆在消防通道的停放时间;所述车路协同平台获取预估时间,所述预估时间为在所述消防通道对应的位置发生事故的情况下,消防车辆到达所述位置的预估时间;所述车路协同平台基于所述停放时间和所述预估时间,确定消防救援到达总时间;所述车路协同平台基于所述消防救援到达总时间对所述位置的消防救援风险进行评估。
3、虽然上述方案具有如上的优势,然而传统的消防救援风险评估方法依赖于离线或定期采集的数据,无法实时获取火灾场景的最新信息,由于火灾的发展速度较快,滞后的数据更新导致评估结果无法及时反映实际情况,面临实时性差的问题,评估结果滞后,难以及时响应火灾场景的动态变化,影响紧急决策和救援行动,此外在火灾蔓延趋势和烟雾密度方面的分析较为简单,难以精确模拟火势的动态变化,可能导致评估结果与实际情况存在较大偏差,因此亟需一种实时监测高灵活度的消防救援风险评估方法、装置、设备及可读存储介质来解决此类问题。
技术实现思路
1、(一)解决的技
2、针对现有技术的不足,本专利技术提供了消防救援风险评估方法、装置、设备及可读存储介质,解决现有技术中存在的离线或定期采集的数据,无法实时响应火灾场景的动态变化的问题。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现,本专利技术提供了消防救援风险评估方法,包括:
5、步骤1.救援场景信息实时获取,进行实时监测获取数据,并进行数据整合,建立实时数据流处理系统,数据流处理系统包括传感器、监控设备、卫星数据实时获取单元,提供火灾场景的全面感知,采用边缘计算处理实时数据,基于云计算进行大规模数据的处理分析;
6、步骤2.实时数据分析和模型更新,采用实时的智能分析,对实时数据进行即时处理,识别火灾蔓延趋势、烟雾密度,根据新的实时数据反馈,自适应调整评估模型的参数;
7、步骤3.动态风险区域标定和预测,利用gis技术,通过实时数据更新火险区域的边界,评估模型反映火势动态变化,采用机器学习算法进行动态预测,基于实时数据预测火灾蔓延的路径和速度;
8、步骤4.实时监测人员位置和通信系统,采用gps定位技术实时监测救援人员的位置,结合火源的实时动态,为救援队提供最新的位置和火势信息,配备实时通信和指挥系统,用于各个救援组织间信息传递;
9、步骤5.模型更新和灵活性机制,建立迭代模型更新机制,允许根据新的数据和场景经验快速更新评估模型。
10、本专利技术进一步地设置为:所述步骤1中,救援场景信息实时获取方法包括:
11、传感器部署和数据收集,传感器包括温度传感器、烟雾传感器、气体传感器;
12、部署传感器在火灾风险区域,实时收集传感器产生的数据;
13、设置监控摄像头、监控设备监测火灾现场,配置监控设备实时传输图像和视频流数据;
14、同时获取卫星数据,包括地理、气象相关信息,整合卫星数据提供全面火灾场景感知;
15、本专利技术进一步地设置为:所述步骤1中,救援场景信息实时获取方法还包括:
16、部署实时监测系统,通过传感器和监控设备实时监测火灾场景;
17、建立实时数据流处理系统;
18、在数据采集点附近使用边缘计算,进行初步的数据处理和分析;
19、并将实时监测到的数据传输至云端,在云端利用大规模数据处理和分析技术,对传感器、监控设备和卫星数据进行深度分析;
20、本专利技术进一步地设置为:所述步骤2中,进行实时智能分析方法包括:
21、采用卷积神经网络cnn作为实时分析的基础模型,部署实时分析模块,输入图像数据进行火灾场景分析;
22、利用火源位置、风向、温度参数,建立火灾蔓延模型:
23、,其中f表示火势蔓延函数;
24、结合传感器测得的烟雾密度、监控设备的图像数据,建立烟雾密度模型;
25、,其中g表示烟雾密度识别函数;
26、建立动态调整机制,基于实时数据反馈,调整模型参数,调整方式为:
27、,
28、其中表示新模型参数,则为旧模型参数,表示为学习率,表示损失函数对参数的梯度;
29、采用随机梯度下降sgd,利用硬件加速器提高实时性;
30、周期性更新模型,建立反馈机制,收集实际场景数据调整模型;
31、本专利技术进一步地设置为:所述步骤3中,动态风险区域标定和预测方法具体为:
32、基于步骤1中对火灾场景的实时监测,获取的相关数据,包括风向、温度、地形,利用gis技术绘制火灾区域的地图,并通过实时数据更新火险区域的边界;
33、采用循环神经网络rnn建立机器学习模型,输入历史数据进行训练,预测火灾蔓延的可能路径和速度;
34、根据机器学习模型的预测结果,更新火险区域的边界;
35、进行实时火险预警,当预测结果表明火灾可能扩散至新区域时发出警报;
36、本专利技术进一步地设置为:所述步骤3中,建立机器学习模型步骤包括:
37、收集实时监测的火灾场景数据,设风向为w、温度为t、地形为ter;
38、利用gis技术绘制火灾区域的地图,并通过实时数据更新火险区域的边界;
39、建立循环神经网络rnn模型学习火灾蔓延的可能路径和速度;
40、rnn模型的输入包括历史监测到的火灾场景数据序列,具体为:
41、
42、其中t表示当前时刻数据,t-1和t-n分别表示上一个时间步观测数据以及前n个时间步的观测数据;
43、并将数据划分为训练集和验证集;
44、本专利技术进一步地设置为:所述步骤3中,建立机器学习模型步骤还包括:
45、建立损失函数l,利用历史数据进行模型训练,优化模型参数,最小化损失函数,具体的:
46、,其中和分别表示i时刻的火灾蔓延可能路径以及速度,n表示样本数量,和分别表示历史数据中的火灾蔓延实际路径以及实际速度;
47、利用训练好的rnn模型对当前时刻的火灾场景数据进行预测,得到火灾蔓延的可能路径和速度;
48、根据rnn模型预测的路径和速度,更新火险区域的边界;
49、建立更新函数预测路径和速度映射为新的边界;
50、当模型预测结果表明火灾可能扩散至新区域本文档来自技高网...
【技术保护点】
1.消防救援风险评估方法,其特征在于,包括:
2.根据权利要求1所述的消防救援风险评估方法,其特征在于,所述步骤1中,救援场景信息实时获取方法包括:
3.根据权利要求2所述的消防救援风险评估方法,其特征在于,所述步骤1中,救援场景信息实时获取方法还包括:
4.根据权利要求3所述的消防救援风险评估方法,其特征在于,所述步骤2中,进行实时智能分析方法包括:
5.根据权利要求4所述的消防救援风险评估方法,其特征在于,所述步骤3中,动态风险区域标定和预测方法具体为:
6.根据权利要求5所述的消防救援风险评估方法,其特征在于,所述步骤3中,建立机器学习模型步骤包括:
7.根据权利要求6所述的消防救援风险评估方法,其特征在于,所述步骤3中,建立机器学习模型步骤还包括:
8.消防救援风险评估装置,其特征在于,包括:
9.消防救援风险评估设备,所述消防救援风险评估设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,其特征在于:
10.一种可读存储介质,用于存储程序,其
...【技术特征摘要】
1.消防救援风险评估方法,其特征在于,包括:
2.根据权利要求1所述的消防救援风险评估方法,其特征在于,所述步骤1中,救援场景信息实时获取方法包括:
3.根据权利要求2所述的消防救援风险评估方法,其特征在于,所述步骤1中,救援场景信息实时获取方法还包括:
4.根据权利要求3所述的消防救援风险评估方法,其特征在于,所述步骤2中,进行实时智能分析方法包括:
5.根据权利要求4所述的消防救援风险评估方法,其特征在于,所述步骤3中,动态风险区域标定和预测方法具体为:
6.根据权利要求5所述...
【专利技术属性】
技术研发人员:刘灵聪,战天英,刘奕峰,杨伟明,喻忠,
申请(专利权)人:清大东方消防技术服务有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。