ارائه یک روش ترکیبی از اینترنت اشیا و یادگیری ماشین برای شبیه سازی مسیرهای فرار اضطراری در زمان حریق ساختمان

در هنگام آتش سوزی در ساختمان های بلندمرتبه، یافتن سریع ترین و ایمن ترین مسیر فرار برای ساکنین حیاتی است، اما دود، گرما و وحشت ناشی از حادثه باعث می شود افراد اغلب مسیرهای اشتباه (مانند آسانسور یا راه پله های دودگرفته) را انتخاب کنند. هدف این مقاله ارائه یک روش ترکیبی از اینترنت اشیا و یادگیری ماشین برای شبیه سازی پویا و بلادرنگ مسیرهای فرار اضطراری بر اساس وضعیت لحظه ای آتش و تراکم جمعیت است. روش تحقیق شامل سه مرحله است: مرحله اول، نصب سنسورهای دود، دما و مادون قرمز در هر طبقه و راهرو برای جمع آوری داده از وضعیت حریق و حضور افراد. مرحله دوم، طراحی یک مدل یادگیری ماشین (جنگل تصادفی) که با استفاده از داده های تاریخی، احتمال مسدود بودن هر مسیر را در هر لحظه پیش بینی می کند. مرحله سوم، پیاده سازی یک الگوریتم مسیریابی پویا ( مبتنی بر الگوریتم دایکسترا با وزن دهی متغیر ) که هر چند ثانیه یک بار بهترین مسیر خروج را برای هر فرد محاسبه و از طریق نمایشگرهای نصب شده در راهروها و اپلیکیشن موبایل به ساکنین اعلام می کند. شبیه سازی کامپیوتری برای یک ساختمان ۱۰ طبقه با ۲۰۰ occupant انجام شد. یافته ها نشان داد که روش پیشنهادی در مقایسه با خروج بدون راهنما (که در آن افراد خودشان مسیر را انتخاب می کنند) زمان متوسط تخلیه را از ۲۸۰ ثانیه به ۱۶۵ ثانیه کاهش می دهد (۴۱ درصد بهبود) و تعداد افراد گرفتار در دود را از ۳۲ نفر به ۹ نفر کاهش می دهد. این روش نسبت به سیستم های استاتیک (با مسیرهای از پیش تعیین شده) نیز ۲۳ درصد زمان تخلیه کمتری دارد. نتایج نشان می دهد که ترکیب داده های لحظه ای سنسورها با الگوریتم مسیریابی تطبیقی می تواند جان بسیاری از ساکنین را در حوادث آتشسوزی نجات دهد.

کلیدواژه ها:

مسیر فرار اضطراری ، اینترنت اشیا ، یادگیری ماشین ، الگوریتم مسیریابی دایکسترا ، تخلیه ساختمان ، آتش سوزی