基于Minecraft的火灾场景下疏散动力学研究

简介:虽然Minecraft被广泛应用于儿童教育和人工智能方向的研究,但未有学者利用 Minecraft 开展火灾紧急情况下的疏散实验研究。本研究基于Minecraft平台开展一系列火灾场景下允许多人实时参与的行人疏散实验,克服了现有虚拟疏散实验创建逼真环境的复杂性和高成本以及缺乏行人间的交互作用的局限性,为进行火灾场景下的疏散实验提供了一种更灵活、更经济、更高效的方法。Minecraft平台为实验参与者提供了真实的3D视觉效果,且允许多人实时参与,更贴近真实场景下的行人疏散过程。同时基于CRNN模型高效、准确识别实验中行人实时位置,基于Voronoi图方法,能够量化行人速度、密度、流量和疏散时间等统计学数据,极大地完善了用于疏散模型参数校对和模拟结果验证的实验数据,填补了火灾场景下多人疏散实验的空白。

基于深度学习的行人运动建模研究

简介:随着全球城市人口的持续增长,商场、交通枢纽和体育场馆等大型公共场所的行人流量和人群密度显著增加,管理和优化行人流动变得愈发重要。本研究提出了一种基于深度学习的行人运动模型,能够实时地模拟行人运动,为智能交通系统提供强有力的算法支持。该模型通过预测行人未来的轨迹及其在关键区域的流动情况,能够为安全人员提供实时的态势感知,从而优化公共区域的行人流量管理与安全措施。这种技术不仅提升了公共场所的安全性,也增强了行人流管理的效率,为建设更智能化的城市环境奠定了基础。

基于人工神经网络的火源定位系统设计与实现

简介:火源定位是火灾调查中的一项重要环节。当前的火灾调查大多基于调查人员的经验以及火灾历史数据,火灾调查中火源定位的智能辅助手段还较为稀缺。针对上述存在的问题,此研究提出一种基于人工神经网络的火源定位方法,使用建筑墙面的烟灰沉积数据对火源位置进行定位。烟灰沉积数据由Fire Dynamics Simulator(FDS)模拟获得,针对该数据设计一个数据预处理程序,将其转化为特定格式的数据样本用于人工神经网络训练。人工神经网络模型可根据烟灰沉积特征快速预测火源位置,极大提高火灾调查的工作效率。

行人交通与疏散过程的高效介观数学模型研究

简介:尽管宏观和微观疏散模型被广泛应用,却鲜有介观尺度的疏散模型。本研究提出了一种具有不同网格尺寸的介观疏散模型,不再追踪单个行人的移动,而是基于行人密度-速度的经验公式,动态计算网格之间的行人密度流动。与仅使用简单行人人数或者轨迹研究疏散过程的微观疏散模型不同,介观疏散模型使用动态密度图方法研究疏散过程,动态密度图不仅反映出行人密度分布和疏散模式,红色的网格区域可以直接被认定为瓶颈区域。将介观疏散与商业软件Pathfinder结果对比显示,在具有相同表现的情况下,介观疏散模型计算所用时间仅为Pathfinder的50分之一,显示出该介观模型高速计算能力。

考虑行人动态不耐烦程度的疏散模型研究

简介:本研究充分考虑不耐烦情绪的自增长和在人群中的传播,提出了一种考虑行人动态不耐烦程度的疏散模型,用于定性和定量描述疏散过程中的不耐烦程度,更真实反映疏散过程中人与人之间的相互作用。在经典疏散场景下的数值模拟表明不耐烦程度对整体疏散效率不会总是消极的,适当的不耐烦情绪将提高疏散效率。此外,对障碍物的研究表明,合理设置障碍物可以减少行人不耐烦情绪的传播,从而提高疏散效率。