新论文：基于生成式人工智能的建筑火灾场景智能模拟
论文：Generative artificial intelligence for fire scenario analysis in complex building design layouts
DOI：https://doi.org/10.1016/j.firesaf.2025.104427
0
太长不看版
太长不看版
基于性能的消防安全评估旨在通过分析建筑火灾场景来确保全面的消防安全。由于传统的计算流体动力学（CFD）火灾模拟计算量大、耗时长，分析的场景数量受到限制，通常仅基于最坏情况假设来选择火灾位置。本文提出了一种利用生成人工智能（Generative AI）来预测复杂建筑布局下的火灾场景，快速模拟烟气运动和温度分布的结果（图1）。
本研究采用三种用于图像生成的生成式人工智能模型：基于生成对抗网络（GAN）的pix2pix和pix2pixHD，以及扩散模型。这些模型从海量CFD数据集中学习烟气运动和热量分布模式，经过训练后，在对新的未见过的建筑布局进行测试时，这些模型展现出了卓越的准确性，并提供了近乎实时的评估结果。
图1 研究框架
1
研究背景
研究背景
对建筑设计进行消防安全评估是消防安全工程领域的重要挑战，因为建筑的总体形状、内部隔断和房间布局等因素都会影响火灾发生时的烟气和热量的蔓延。传统的消防安全评估方法，特别是在基于性能的消防安全设计过程中，通常依赖于计算流体动力学（CFD）模拟来分析火灾场景。然而，每个建筑设计方案中可能发生的火灾场景数量极为庞大，若采用CFD方法对所有潜在场景进行评估，不仅计算量巨大且计算时间长。因此，需要一种更高效和实用的替代方法来评估消防安全。
本文提出了一种基于生成式人工智能的方法，用于预测筑布局中的烟气运动和温度分布。该方法的核心是利用大量CFD模拟结果数据集训练生成式人工智能模型，这些模型将捕捉建筑布局、火灾场景以及烟气和热量传播之间的复杂关系。借助该AI模型，可以快速评估各种建筑布局和火灾条件下的消防安全，为建筑设计师和消防工程师提供一种高效实用的工具。
2
研究方法
研究方法
2.1 建筑布局数据集
本研究搜集了30个具有多样几何特征和内部隔墙配置的真实建筑平面图，涵盖从小型到大型建筑，其平面形状包含规则矩形、L型、T型，以及含斜向墙体或弧形墙的设计。针对每个建筑平面图，分别设定两种不同的火灾情景（起火点分别位于不同位置），最终形成60个模拟案例。
通过在同一建筑内设置不同的起火位置，构建了一个多样化的数据集，这不仅有助于模型学习建筑几何形状，还能学习不同起火位置对火灾场景的影响。该数据集按8:2比例划分为训练集（48个案例）和测试集（12个案例），如图2所示，其中训练集用于模型参数学习，测试集用于验证模型泛化能力。
图2 建筑布局数据集
2.2 火灾场景数据集
该方法包括使用计算流体力学（CFD）模拟来生成不同建筑布局的火灾场景的数据集，采用Fire Dynamics Simulator（FDS）软件进行基于CFD的火灾模拟，相关建模与输出结果如图3所示。计算耗时随建筑规模的增大而显著延长，对于结构简单的小型建筑，最快仅需约5小时完成模拟；而对于结构复杂的大型建筑，模拟时间最长可达28小时。从CFD模拟结果中提取了天花板附近的烟气浓度和温度的分布图。
图3 基于CFD模拟的火灾场景数据集构建
2.3 生成式人工智能模型构建
本研究采用了基于生成对抗网络（GAN）的pix2pix、pix2pixHD以及扩散模型（diffusion model）这三种基于图像的生成人工智能模型。这些模型将捕捉建筑布局、火灾场景以及烟气和热量传播之间的复杂关系。
本研究采用特征张量作为输入，将不同条件信息编码为张量形式作为模型输入，具体而言，使用了一个包含墙面位置、起火位置以及时间点的3通道输入特征张量，如图4所示。该模型的输出为烟气浓度和温度的可视化分布图，从600秒的火灾模拟过程中每10秒提取一个输出图像。
图4 模型输入和输出信息
3
模型性能
模型性能
使用了两种常用的图像相似度评估指标，来评估模型生成的结果图和真实的火灾场景图的相似程度，包括：归一化均方根误差（NRMSE）和结构相似性指数（SSIM）。实验结果如图5所示，其中，diffusion模型在两个指标上表现都很好，均显著优于pix2pix和pix2pixHD模型。
图5 实验结果
Pix2pix、pix2pixHD和diffusion三种不同模型生成的典型案例（AI未见过的建筑布局）结果的烟气浓度和温度分布分别如视频1和图6（测试案例1）以及视频2和图7（测试案例2）所示。
视频1 测试案例1的烟气浓度与温度分布
图6 测试案例1的烟气浓度与温度分布数据
视频2 测试案例2的烟气浓度与温度分布
图7 测试案例2的烟气浓度与温度分布数据
表1 总结了每个模型在训练时间和模拟时间方面的计算需求。其中，pix2pix模型在模拟时间方面表现出最高的效率，仅需5秒就可以生成结果。扩散模型提供了最为准确的结果，但其在训练和模拟时间方面的计算需求较长；然而，与CFD相比，其计算时间仍然快了很多。
表1 CFD和生成式人工智能模型的性能对比
4
结语
结语
本研究提出了一种基于生成式人工智能的火灾场景快速评估方法，适用于具有复杂形态和隔墙布局的多房间建筑。通过在海量CFD模拟结果的火灾场景数据集上进行训练，这些模型能够根据输入的建筑布局和起火位置，快速生成600秒内的烟气运动和温度分布情况，与传统的CFD模拟方法相比，其计算效率显著提高。
测试结果表明，扩散模型生成的火灾场景比GAN更为准确，准确率高达94%。不过，扩散模型的计算时间相对较长，需5分钟才能生成一个案例的结果，而GAN的pix2pix仅需5秒。
总体而言，本研究验证了生成式AI模型在消防安全评估中具有较高的应用价值，克服了传统CFD模拟方法计算量大、耗时长等局限性。该成果推动了人工智能技术在消防安全工程实践中的应用进程，为设计师和消防安全工程师提供了一种高效、准确和可扩展的智能分析工具。
---End---
