火灾风险评估可以有效地帮助消防管理人员掌握建筑物火灾风险程度，采取有针对性的防火措施。目前普遍认可的火灾风险评估方法大多基于规范要求的现场防火检查。该类方法具有系统、实用、可操作性强等优势，但同时存在评估结论时效性差、人力时间消耗大等不足。随着“智慧消防”建设不断深入，传统的火灾评估方法由于其过分依赖专家的经验和现场判断，而不是依靠建筑及其内部消防设施运行状态等数据驱动，在消防大数据、人工智能决策等领域的欠缺越发明显，难以适应当前消防科技的发展需求。因此，有必要研究新的评估方法，推进大数据分析和人工智能决策技术在智慧消防建设中的应用。

1 研究现状 1.1 基于现场检查的评估要素采集过程

现有火灾风险评估过程主要依靠检查人员对建筑防火措施和消防设施进行现场检查。普遍采用安全检查表法，按照相关标准要求对相关检查事项的符合性进行对照判断。对需要量化的评估事项需借助仪器测量，如消火栓系统试水装置、超声波流量计、测距仪、风速计等，但不能实现实时在线监测。

1.2 常用评估分析方法 1.2.1 基于指标体系的半定量评估方法

基于指标体系的半定量建筑火灾风险评估方法是通过构建评估指标及权重体系，对分项评估结果进行统计，以百分制量化评估分值，得出最终的评估结论^[1-2]。该方法具有系统、便捷、易于风险分级的优势，但评估结果易受检查人员专业水平、现场经验所影响，具有一定的主观性。

1.2.2 基于经验公式的定量评估方法

基于经验公式的半定量建筑火灾风险评估方法主要有火灾风险评估工程方法(fire risk analysis method for engineering, FRAME)，火灾风险、危险及价值评估方法(risk, hazard and value evaluation, RHAVE)以及FireCast等^[3-7]。FRAME基于假定的火灾场景，综合考虑火灾发生概率、火灾危害程度、人员在火灾中的暴露时间等因素，估算财物、设施、人员、活动等因子，综合评定建筑火灾风险，量化风险等级。该类方法的优势在于能够量化火灾风险，但无法实现对风险的动态评估。

1.2.3 基于性能化设计框架的风险评估方法

该类方法从防火设计实际需求出发，利用火灾模化、人员疏散仿真等数值计算方法，综合比较火灾可用疏散时间和必需疏散时间，对火灾安全进行评估^[8-9]。比较著名的有加拿大的FireCAM模型、FierAsystem模型，澳大利亚的CESARE-Risk模型和英国CRISP模型等。这类方法需预先设定火灾场景，估算火灾造成的人员伤害和财产损失，采用复杂的数学模型模拟火灾烟气蔓延过程、人员撤离时间等。这种方法属于确定性评估方法，数学模型较为复杂，风险评估成本较高，计算时间消耗长，无法实现动态评估，主要适用于特殊建筑的火灾风险评估需求，难以大范围推广。

1.2.4 基于概率分析的风险评估方法

基于概率分析的定量风险评估多采用事件树、事故树等系统安全评价方法^[10-17]。事件树能定性反映火灾事件动态变化过程，也能定量计算各阶段的概率，每个阶段的状态包括成功和失败2种情况，计算得到不同事件序列对应的后果事件概率。事故树分析方法通过建立树型结构和事件间的Boole逻辑关联，定量计算事故的发生概率。该类方法需要大量的数据资料和数学模型进行统计计算，对数据量的充足程度和评价人员的专业素质要求较高。

2 动态火灾风险评估

随着智慧消防建设的不断深入，火灾风险评估工作应将可监测获取的消防大数据与人工智能推理技术相结合^[18-19]。由于建筑运行过程中与风险相关的主要参数，如人员密度、消防水压等是在不断变化的，因此建筑火灾风险是一个动态变化的过程^[20-21]。建筑火灾风险评估所需的监测参数包括静态和动态2部分，静态参数在整个建筑使用周期内基本稳定，而动态参数则处于不断变化的过程中。传统的火灾风险评估结论不能准确区分火灾各阶段的风险差异。已有火灾定义是指由于火失去控制蔓延而形成的一种灾害性的燃烧现象，并将火灾过程划分为初期增长、充分燃烧、减弱共3个阶段^[22]。该定义主要基于火灾燃烧过程，适用于单室火灾，并未考虑到火灾在建筑内部发展蔓延的过程。动态建筑火灾风险评估的目的是对火灾发生发展的全过程进行风险分析，尤其是需要考虑与建筑消防设施动作的关联。传统火灾的定义已不适用于火灾风险评估工作的发展。

为此，本文首先根据火灾中建筑消防设施的动作次序对火灾发展过程进行了重新划分，将建筑火灾发展过程划分为“火情—火警—火险—火灾”4个阶段，然后基于Bayes网络方法构建了火灾发展过程推理及动态风险评估模型。

3 火灾发展过程深入研究

依据火灾各阶段探测灭火设施动作特征、监测参数和火灾蔓延规律，建立了如图 1所示的建筑火灾阶段划分方法。建筑火灾过程分为“火情—火警—火险—火灾”4个阶段，图中水平箭头代表了4个阶段之间的发展顺序，细箭头代表了每个阶段的主要影响参数，方向由“因”指向“果”。

火情(fire omen)是指可燃物质开始热解，释放出气体和热解粒子的不稳定阶段，这一阶段未出现可用于探测的火灾参量，持续时间较长。

火警(fire alarm)是指随着火情的持续增长，在一定的条件下火灾早期参量，如气体、烟雾、温度、火焰等相继出现，火灾探测器可以探测报警的阶段。

火险(fire behavior)是指随着温度持续升高，燃烧产生的火焰蔓延，顶棚处水喷淋系统在温度达到68℃时玻璃泡破裂，水喷淋系统启动的阶段。

火灾(fire spread)是指在时间空间上失去控制而剧烈燃烧的现象，特指燃烧产生的火焰已经跨过防火分区、在不同楼层甚至建筑内部全面蔓延的阶段。

可见，由于建筑火灾发展的各个阶段规律不同，影响因素存在差异，而且各阶段可能性和后果存在较大差异，由“火情”至“火灾”阶段，发生的可能性逐渐降低而灾害损失却在逐步增加。因此，火灾动态风险评估模型应能清晰界定各阶段的特征，引入关键评估参数，分阶段对火灾风险进行量化。并且各阶段风险之间存在因果关联，由上游向下游传递，例如“火情”阶段的风险提高也会导致其下游“火险”阶段的风险提高。

4 Bayes网络方法

对于同一座建筑来说，火灾发生时间不确定、损失难以预估，是一个不可重复的事件。基于频率解释的概率分析方法假定在同等条件下可以进行无限次重复实验，当实验次数无限大时其概率可以近似等于频率。建筑火灾发生具有极大的偶然性，并不适用于采用频率解释方法对某一个具体建筑的火灾风险进行评估。Bayes法则允许对一次性事件进行概率评估。Bayes网络主要用于处理人工智能研究中的不确定性问题，火灾发生过程存在极大的不确定性，因此该方法可以满足建筑火灾动态风险评估模型的需要^[23]。

Bayes网络的理论依据是Bayes定理，该定理描述了先验概率和后验概率之间的关联，即Bayes公式，表示如下：

$ \begin{array}{c} P(H=\mathrm{h} | E=\mathrm{e})= \\ \frac{P(H=\mathrm{h}) P(E=\mathrm{e} | H=\mathrm{h})}{P(E=\mathrm{e})}. \end{array} $

(1)

其中：H和E为随机变量，H=h为某一假设，E=e为一组证据。在考虑证据E=e之前，对事件H=h的概率估计P(H=h)称为先验概率。而在考虑证据之后，对H=h的概率估计P(H=h|E=e)称为后验概率。Bayes网络是一个有向无圈图，其中节点包括父节点和子节点。节点间由代表因果关系的单向直线箭头所连接，由父节点(原因)指向子节点(结果)。

5 Bayes网络火灾风险评估模型 5.1 确定网络结构

根据建筑火灾发展阶段划分方法，基于Netica Bayes网络计算软件^[24]构建火灾动态风险评估Bayes网络, 如图 2所示。

5.1.1 父节点

本文所建立的评估网络中，父节点为火灾各阶段风险评估参数(监测指标)，如表 1所示。表中为每一阶段风险的关键评估参数，总计16个，这16个关键参数既包括静态参数(如建筑面积、消防站距离)，也包括动态参数(道路拥堵度、灭火有效性)，其中静态参数由管理人员输入，动态参数由监测终端提供信息数据测算得到。

可见，在火情阶段燃烧现象处于萌芽状态时，根据热自燃理论^[25]，热分解过程能否持续并引发着火，受到可燃物燃烧性能(即火险类别)、环境湿度、点火源种类和能量的影响。能否达到火警阶段，燃烧特征被火灾探测器探测到，即燃烧过程能否持续，受着火区域可燃物数量、密度影响。火灾载荷大，燃烧易于持续，将产生足够多的烟气或/和高温引发报警；到达火险阶段，已经形成局部燃烧，火势较大，火灾能否蔓延取决于消防灭火设施的灭火可靠性和消防员能否快速到达实施灭火(受到消防站距离、道路拥堵程度所影响)；如果火势未被有效控制或扑灭，明火和高温烟气将向相邻房间或防火分区蔓延，程度受到建筑耐火等级、装饰材料的燃烧性能、防火分隔措施有效性影响。一旦隔火措施失效，火灾将蔓延到建筑内部多个区域甚至整座建筑，此时极有可能造成较大的人员伤亡和财产损失。

5.1.2 结果节点

本模型包括4个结果节点，即上述火灾发展过程的4个阶段。针对每个阶段，模型将计算该阶段风险的后验概率值(范围为0~1)。该数值是对阶段火灾风险为“高”的隶属度，即模型中4个结果节点均分为2种状态(风险高、风险低)，如果后验概率接近于1，可以判定该阶段风险为高；反之，则风险低。可以依据后验概率，对建筑火灾阶段风险进行估算，随着火灾基础数据的不断完善，该评估值将不断趋近于真实发生概率。

5.2 确定网络参数

网络参数代表了评估对象基本特征和父子节点之间的关联程度，包括节点变量参数和条件概率表 2部分，如果数据量足够的话，可以通过参数学习来对网络参数进行估计，或通过对象特征进行判断。

5.2.1 节点变量参数

节点变量参数是指在考虑评估对象特定证据之前对评估网络中父节点的概率进行估计，即先验概率。本模型中节点变量指的是上述16个评估要素变量，通过数据分析和特征判断进行设定。如依照国标《建筑设计防火规范》中对物质火灾危险性划分方法，令“火险类别”节点包括5种状态值A、B、C、D、E，分别对应极易燃、易燃、可燃、难燃、不燃。也可通过现场抽样调查，如统计得到某建筑内部存在的固定和容载按其燃烧性能分类占比为：A(5%)、B(5%)、C(60%)、D(10%)、E(20%)，如图 2中“Classification”节点所示。

5.2.2 条件概率表

条件概率表反映了父节点处于不同状态时，子节点状态的概率，即用于量化父节点对子节点的影响效果。由于火灾基础数据还无法提供条件概率表参数估计中所需的全部数据，本文主要基于风险变化特征设定条件概率值。以“火情”子节点为例，条件概率表的设置如表 2所示。“火情”节点的父节点包括湿度、点火源、火险类别。当环境湿度高、室内物品为不燃物质且不存在点火源时，风险为“低”的概率达0.96，可以判定为低风险；如果湿度和点火源状态值保持不变，随着物品的火险类别提高，风险为“低”的概率随之降低，风险为“高”的概率不断增加；当物品的火险类别达到“极易燃/A类”时，风险为“低”的概率降低到0.36，风险为“高”的概率提高到0.64；若环境湿度进一步降至“低”且存在点火源，那么此时风险为“高”的概率可达0.89。条件概率表可以认为是一把具有多维标准刻度的尺子，用于量化评估参数对中间节点和目标节点风险的影响程度。

6 评估结果与讨论 6.1 敏感度分析

网络结构及参数直接决定着影响因素节点对阶段火灾风险的影响程度，下面采用敏感度分析法找出对各阶段风险影响较大的因素。通过计算得到的互信息值(mutual information)^[26]，影响较大的前4个节点分析结果如表 3所示。可见，影响第4个阶段“火灾”风险的因素中，上一阶段“火险”节点对其影响最大，其次为“火警”节点，这也充分说明，火灾发展各阶段之间具有较显著的因果关联，即上一阶段对下一阶段的影响是较为明显的。“耐火性能”节点是除前2个阶段节点外影响最直接的，包括建筑的耐火等级和装修装饰材料燃烧性能2个父节点。从分析结果可以得到，建筑自身的耐火等级和内部装饰材料的燃烧性能是最直接的火灾蔓延影响因素。

其他3个阶段风险主要影响因子及百分比分别为：火情阶段，物品火险类别(7.96%)和环境湿度(1.25%)；火警阶段，物品数量(0.64%)和火险类别(0.30%)；火险阶段，救援人员到场及时性(0.82%)。

6.2 基本场景的“火灾”阶段风险排序

根据各阶段风险“高”的后验概率值，对同类功能建筑火灾风险进行排序，数值越接近于1，风险越高。选择火灾荷载、耐火等级、防火门完好率、距消防队距离等4个主要影响因素，构建甲、乙2个建筑场景，比较建筑火灾风险，建筑特征如表 4所示。

可见，甲、乙建筑特征具有明显区别，直观上判断乙建筑的火险要大于甲建筑，但无法对二者的风险差别进行量化。将已知5个评估要素代入评估网络推理得到甲、乙建筑各阶段火险为“高”的评估概率(隶属度)，如图 3所示。

可见，由于乙建筑室内存有大量可燃物质，甲建筑室内仅存有少量不燃物质，因此乙建筑火情阶段风险值达到0.45，远高于甲建筑(0.15)；进一步推理得出，由于乙建筑室内可燃物品密度大，因此燃烧持续产生明显初期火灾特征(烟、温度)的风险也是较大的(达0.373)；到达火险阶段时，由于消防队距离较远，延长了消防人员到场时间，风险达到0.427；最终，由于乙建筑耐火等级仅为3级，防火门大部分损失，导致火灾蔓延到多个防火分区的风险大大增加，发展到火灾阶段风险达到0.485，而此时甲建筑发展到火灾阶段的风险仅为0.295。

6.3 阶段风险的整合

将甲、乙建筑各阶段风险评估结果绘制于雷达图，如图 4所示。理论上，各阶段风险值最大为1，因此理论上最高综合火灾风险等级为图 4中坐标位置1.0所围成的正方形面积。具体到每个建筑，其综合火灾风险为其4阶段风险计算值所围成面积与理论风险最大值的比，即

$ R=\frac{R_{1} \cdot R_{2}+R_{2} \cdot R_{3}+R_{3} \cdot R_{4}+R_{4} \cdot R_{1}}{4}. $

(2)

其中R₁、R₂、R₃、R₄分别为火情、火警、火险、火灾等4阶段风险评估值。结果表明，靠近雷达图中心的甲建筑火灾风险相对较低(R_甲=0.056)，明显小于乙建筑的火灾风险(R_乙=0.189)。

7 结论

本文在对建筑火灾发展过程重新划分的基础上，研究了阶段火灾风险影响因子及因果关系，构建了用于评估建筑火灾阶段动态风险的Bayes网络和推理过程，提出了以风险评估为目的建筑火灾发展阶段划分方法，将建筑火灾风险考虑成一个动态变化过程，监测的参数包括静态和动态2部分，静态参数在整个建筑使用周期内不发生变化，通过监测动态参数实现对火灾风险动态评估。采用了Bayes网络构建了风险评估模型，可以实现多源、异构消防评估参数的融合，将大数据分析与Bayes网络方法用于火灾风险评估，通过模型推理对火灾风险再评估，可以实现对风险的量化，满足了对风险量化的要求，为当前智慧消防建设提供了重要的模型支撑，探索了人工智能技术在智慧消防领域的应用。