智慧消防设计：AI 自动评估复杂建筑火灾疏散时间
针对这些建筑场景的消防安全评估，工程实践中通常采用性能化的消防设计方案(Performance-based design, PBD) ，即通过利用先进的计算模拟和分析工具，以安全性能为导向进行工程设计与评估[1]。其中，安全疏散时间（RSET）是重要的参数，表征建筑内全部人员从火灾发生到疏散至安全的总时间，其精确计算对于建筑设计优化和应急响应策略制定具有重要意义[2]。
图1:复杂城市建筑对于传统疏散安全评估的挑战
目前的安全疏散时间（RSET）评估主要通过公式计算，以及数值模拟软件（如Pathfinder、FDS+Evac 等），通过场景建模对建筑内的行人疏散过程进行模拟重现。这些方法计算精度较高，已经成为工程范式；但存在设计周期长、设计成本高、操作复杂、专业要求高和合理性审查难等限制。
针对上述问题，香港理工大学和清华大学的研究团队合作提出了基于人工智能的智慧疏散评估方法。通过训练AI模型，使其掌握大型建筑内部的疏散行为特征和规律，进而实现在给定建筑图纸和设计条件下的快速精准预测REST。
同时，现实中的大型建筑疏散过程往往涉及更为复杂的人员流动模式和空间利用特征。为此，我们以场景内行人密度变化为指标，对AI模型进一步拓展了对疏散过程动态变化的智慧预测，为性能化消防设计提供快速精准的预测和解决方案。
复杂建筑场景疏散仿真数据集构建
复杂建筑场景疏散仿真数据集构建
本研究通过收集真实的大型建筑平面图，基于Pathfinder行人疏散模拟，构建了包含66组场景、1,068个疏散案例的大型数据库，涵盖机场航站楼、高铁站、地铁站、展览中心、体育场馆和客运站等6类大型公共建筑。数据库涵盖了不同的空间布局、人员分布密度 (0.5,1,2,4,8 人/m²) 和 出口宽度配(2, 4, 6 m)，最大建筑面积达41,845 m²。
随后，通过颜色-数值映射字典，将所有建筑平面图转换为512×512像素的标准化输入，实现建筑信息的数字化表达，并采用六维矩阵编码进行数据预处理，即将复杂的建筑信息（边界条件、初始人员分布、出口参数、时间步长、缩尺比例）压缩储存到 512×512×6 的标准化矩阵中，在被AI模块所训练的同时能够最大限度地避免关键信息丢失。
图2: 数据集构建及预处理过程
基于深度学习的智能疏散预测框架
基于深度学习的智能疏散预测框架
在前期测试中，我们发现大型建筑疏散预测任务对图像精度较高要求，需要至少512×512像素的高分辨率图像才能清晰识别建筑细节。同时，为了避免传统GAN模型 (Generative adversarial network，GAN) 模型在处理高分辨率图像时容易出现的梯度消失和模式崩塌，经横向对比，我们最终采用Pix2PixHD框架以及渐进式训练策略，对所述复杂建筑疏散预测模型进行构建。
图3: Pix2PixHD模型框架
Pix2PixHD架构采用多尺度生成器和判别器设计。多尺度生成器包括全局生成器（G1）和局部增强器（G2），以及三个不同尺度的判别器（D1-D3），用于渐进式的捕捉疏散过程的宏观模式和局部细节。通过全局生成器，模型先学习整体疏散模式，再通过局部增强器细化局部密度变化，能够有效实现高分辨率图像生成任务。
图4: 多尺度生成器和判别器
实例展示与验证
实例展示与验证
通过输入预处理后的建筑平面图，预训练后的AI模型可快速输出疏散全过程不同时刻下的人员密度热力图。以下展示了AI模型在真实大型机场航站楼测试案例中的预测表现。
该模型还具备处理多功能区域建筑的能力，无论是相互连通的大型会展中心，还是空间分离的大型体育场馆，都能准确预测具有不同初始行人密度的各区域独立疏散过程。对于连通区域，AI 能够智能识别区域间连接点，预测人员跨区域流动；对于分离区域，AI 能够独立评估各区域疏散效率，展现了预测模型良好的训练效果及其强大的泛化能力。
通过AI模型预测的疏散过程，我们可以快速提取出建筑的安全疏散时间（RSET）。经过对320组测试集的验证，该AI模型展现出优异的预测性能：当所设置的图像生成间隔为1秒时，所预测的疏散时间相较于Pathfinder模拟的真值预测精度达到约95%。
图8: 疏散时间预测误差可视化对比
传统方法漫长的设计周期及长时间的建模和计算过程，而AI模型的计算效率实现了革命性提升：AI方法将预测时间缩短至几秒，即使结合预处理过程，完成整个评估也仅需若干分钟。对比传统的CFD软件，AI模型能辅助工程师对建筑的疏散安全性进行快速精准评估，并便于对设计参数进行优化调整，例如出口数量、宽度配置或疏散路径设计，以实现设计最优解。
本文小结
本文小结
本文基于深度学习框架提出了大型复杂建筑疏散过程和RSET快速预测评估模型，为大型公共建筑火灾疏散评估提供了高精度、高效率、低成本的AI解决方案。该项成果受香港研究资助局主题研究计划、国家自然科学基金，以及清华-港理工合作科研基金资助，已发表于建筑工程领域的核心刊物《Journal of Building Engineering》[3]。
目前，我们正在进一步升级智慧疏散预测模型，使模型能够处理更复杂的疏散场景和更多元的疏散评估参数及指标。同时，基于用户友好的图形操作界面也在进一步构建中，旨在进一步优化所提出的智慧疏散全流程评估过程。研究团队将持续推进相关工作，继续助力实现消防设计和分析的智能化发展。
相关链接文献
[1] Y. Zeng, Y. Li, P. Du, X. Huang, Smart fire detection analysis in complex building floorplans powered by GAN, J. Build. Eng. 79 (2023) 107858.[2] Y. Zhang, X. Zhang, X. Huang, Design a safe firefighting time (SFT) for major fire disaster emergency response, Int. J. Disaster Risk Reduct. 88 (2023) 103606.
[3] T. Lu, Y. Zeng, Z. Zheng, Y. Zhang, X. Huang, X. Lu, AI-Powered Safe Egress Time Assessment for Complex Building Fire Evacuation, Journal of Building Engineering. (2025) 110394. https://doi.org/10.1016/j.jobe.2025.113013
