Научная статья на тему 'Алгоритмическое обеспечение интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара'

Алгоритмическое обеспечение интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
340
55
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ / РУКОВОДИТЕЛЬ ТУШЕНИЯ ПОЖАРА / РАЗВИТИЕ ПОЖАРА / ТУШЕНИЕ ПОЖАРА / ПРОГНОЗИРОВАНИЕ / МАТЕМАТИЧЕСКАЯ МОДЕЛЬ / НЕЧЕТКИЕ НЕЙРОННЫЕ СЕТИ / СЕТИ ANFIS / INTELLIGENT DECISION SUPPORT SYSTEM / HEAD OF FIREFIGHTING / SPREAD OF FIRE / FORECASTING / MATHEMATICAL MODEL / FUZZY NEURAL NETWORKS / ANFIS / FIREFIGHTING

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Кипер А. В., Станкевич Т. С.

Рассмотрены особенности разработки интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара в морском порту. Для решения задачи прогнозирования динамики распространения пожара предложен подход, основанный на разработке и применении интеллектуальной системы поддержки принятия решений на базе нечетких нейронных сетей ANFIS. Предложены алгоритмы поддержки принятия решений с использованием математических моделей прогнозирования: площади пожара; площади тушения пожара; плотности теплового излучения в помещении; высоты расположения нейтральной зоны в помещении. Выполнено тестирование разработанной интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара, на тестовой и обучающей выборке. Дана оценка предполагаемого экономического эффекта от внедрения интеллектуальной системы поддержки принятия решений в деятельность руководителей тушения пожара.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Кипер А. В., Станкевич Т. С.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

ALGORITHMIC SUPPORT OF THE INTELLECTUAL DECISION SUPPORT SYSTEM FOR THE HEAD OF FIREFIGHTING

During firefighting real fires the heads of firefighting often take insufficient effective solutions: ineffective solutions are up to 57 % of the total number of decisions. The rational way to increase the efficiency of head decision is the development and application of specialized software the Intelligent Decision Support System. The authors have proposed to design and use the Intelligent Decision Support System based on the Adaptive Neural Fuzzy Inference Systems (ANFIS) for solving the problem of forecasting the dynamics of the spread of fire. The authors have developed the mathematical model based on network ANFIS: the mathematical model for forecasting of fire area; the mathematical model for forecasting of firefighting area; the mathematical model for forecasting of the thermal radiation density in the room; the mathematical model for forecasting of the neutral zone height in the room. The authors have carried out testing of this system and have identified: 1) the network for forecasting of fire area the average testing error on the training data was 13.97 m 2, and on the test sample was 15.3 m 2; 2) the network for forecasting of firefighting area the average testing error on the training data was 15.4 m 2, and on the test sample was 16.7 m 2; 3) the network for forecasting of the thermal radiation density in the room the average testing error on the training data was 0.07 kW/m 2, and on the test sample was 0.15 kW/m 2; 4) the network for forecasting of the neutral zone height in the room-the average testing error on the training data was 0.023 m, and on the test sample was 0.031 m. As the final stage of development of the Intelligent Decision Support System we obtained the certificate of state registration of software. The expected cost-effectiveness of the implementation of the Intelligent Decision Support System for the most likely fire in the port area "Kaliningrad Sea Commercial Port" is 7028300 rubles. The scientific novelty of the research is that the first time: 1) the authors have developed methods and models of decision making of head of the firefighting under uncertainty and lack of time; 2) the authors have developed the mathematical model for forecasting of fire in buildings, which consists of the following mathematical models: • for forecasting of fire area; • for forecasting of firefighting area; • for forecasting of the thermal radiation density in the room; • for forecasting of the neutral zone height in the room; 3) the authors justified the use of an effective means of artificial intelligence the Intelligent Decision Support System to solve complex multicriteria problem of forecasting of fire in buildings in conditions of uncertainty; 4) authors have created new Intelligent Decision Support System for the head of firefighting in the seaport.

Текст научной работы на тему «Алгоритмическое обеспечение интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара»

А. В. КИПЕР, д-р техн. наук, профессор, профессор кафедры "Защита в чрезвычайных ситуациях", ФГБОУ ВПО "Калининградский государственный технический университет", Федеральное агентство по рыболовству (Россия, 236000, г. Калининград, Советский просп., 1; e-mail: kiper.aleksandr@yandex.ru)

Т. С. СТАНКЕВИЧ, старший преподаватель кафедры "Защита в чрезвычайных ситуациях", ФГБОУ ВПО "Калининградский государственный технический университет", Федеральное агентство по рыболовству (Россия, 236000, Калининград, Советский просп., 1; e-mail: nadezdastan39@mail.ru)

УДК 656.612:614.84:004.896

АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ, ПРЕДНАЗНАЧЕННОЙ ДЛЯ РУКОВОДИТЕЛЯ ТУШЕНИЯ ПОЖАРА

Рассмотрены особенности разработки интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара в морском порту. Для решения задачи прогнозирования динамики распространения пожара предложен подход, основанный на разработке и применении интеллектуальной системы поддержки принятия решений на базе нечетких нейронных сетей ANFIS. Предложены алгоритмы поддержки принятия решений с использованием математических моделей прогнозирования: площади пожара; площади тушения пожара; плотности теплового излучения в помещении; высоты расположения нейтральной зоны в помещении. Выполнено тестирование разработанной интеллектуальной системы поддержки принятия решений, предназначенной для руководителя тушения пожара, на тестовой и обучающей выборке. Дана оценка предполагаемого экономического эффекта от внедрения интеллектуальной системы поддержки принятия решений в деятельность руководителей тушения пожара.

Ключевые слова: интеллектуальная система поддержки принятия решения; руководитель тушения пожара; развитие пожара; тушение пожара; прогнозирование; математическая модель; нечеткие нейронные сети; сети ANFIS.

Введение

Бурное развитие морских перевозок повышает актуальность проблемы обеспечения пожарной безопасности на таких объектах транспортного комплекса, как морские порты. Морской порт представляет собой сложную систему, включающую объекты инфраструктуры, размещенные на специально отведенных территориях и в акваториях и предназначенные для обслуживания судов и пассажиров, осуществления операций с грузами и других услуг, обычно оказываемых в морском порту, а также для взаимодействия с другими видами транспорта [1]. Поскольку в портах сосредоточено большое количество потенциальных источников возникновения чрезвычайных ситуаций, их принято относить к особо опасным техническим объектам [2]. В Российской Федерации уровень безопасной эксплуатации портов оценивается как недостаточный, а в отдельных случаях — как опасный [3], что значительно повышает вероятность возникновения таких чрезвычайных ситуаций, как пожар.

© КиперА. В., Станкевич Т. С., 2014

Эффективность действий руководителя тушения пожара (РТП), направленных на спасение людей и тушение пожара в кратчайшие сроки, определяется своевременным и эффективным управлением личным составом пожарных подразделений и применением пожарной и аварийно-спасательной техники, огнетушащих веществ, инструмента и оборудования, средств связи и иных технических средств [4].

На качество решения управленческих задач РТП влияют:

• личностные факторы, определяемые своеобразием психических процессов, состояний и свойств личности руководителя (опыт, социально-психологические и индивидуально-типологические черты личности и др.);

• ситуационные факторы — конкретные обстоятельства, в которых принимается управленческое решение и которые влияют на разработку, оценку, выбор и реализацию альтернатив (поступающая к РТП информация характеризуется неполнотой, неточностью и т. п.).

Анализ статистических данных показывает, что управленческие решения РПТ, принимаемые под воздействием личностных и ситуационных факторов, зачастую не соответствуют обстановке на горящем объекте [5]: малоэффективные решения составляют до 57 % от их общего количества. Причем, если воздействие личностных факторов можно снизить путем организации соответствующей подготовки руководителей, то управление ситуационными факторами не представляется возможным.

Обобщая вышесказанное, можно констатировать, что в условиях неопределенности исходной информации повышение эффективности управленческих решений РТП при тушении пожара в морском порту является актуальной научной задачей.

В последние десятилетия для решения различных управленческих задач в условиях неопределенности информации все чаще используется новое программно-алгоритмическое обеспечение — интеллектуальные системы поддержки принятия решений (ИСППР), обладающие новыми существенными возможностями. Для решения с высокой эффективностью управленческих задач, возникающих при тушении пожара в морском порту, в условиях неопределенности информации и недостатка временных ресурсов на основании впервые представленных в [6] результатов была обоснована целесообразность использования в ИСППР элементов искусственного интеллекта — сетей АКБК. Согласно [7] данный тип сетей является высокоэффективным для решения задач прогнозирования. Такие системы способны моделировать развитие обстановки на пожаре, и по результатам моделирования руководитель выбирает стратегию и корректирует план тушения пожара.

При разработке ИСППР деятельность РТП рассматривалась как определенная совокупность его существенных решений в требуемый момент времени, обеспечивающих успешное тушение пожара. В результате анализа этой деятельности были определены составляющие ее решения:

• решение о площади пожара (ПП);

• решение о площади тушения пожара (ПТП);

• решение о распространении основных поражающих факторов пожара в помещении — плотности теплового излучения и высоты расположения нейтральной зоны, характеризующей степень задымления.

Математическая модель прогнозирования параметров пожара в здании

Математическое моделирование прогнозирования параметров пожара в здании выполнялось на основе математического аппарата нечеткой логики

и нейронных сетей. Используемая для этого сеть АКБК обладает способностью выявлять значимые признаки и скрытые закономерности в анализируемых экспертных данных для последующего формирования базы правил системы. Структура сети, представленная на рис. 1, реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала [8], где:

х1, х2, • • •, хп

и(1) и(2) надлежности;

правила;

* *

И1 ,

входы сети;

^ М) ()

значение функции при-

И

М

П , И2 , •••, ИМ полнения нечеткого правила;

• У1(х),У2(х),...,Ум(х) — вклад одного нечеткого правила в выход сети;

• у(х) — выход сети.

Настройка сети АКБК возможна путем применения алгоритма обратного распространения ошибки или алгоритма гибридного обучения, являющегося комбинацией метода наименьших квадратов и метода обратного распространения ошибки [9].

В процессе настройки сети выполняется оценка погрешности результата. Для этого строится функция ошибки, представляющая собой среднеквадра-тическое отклонение фактического значения выходной переменной от точечной оценки, полученное на основе нечеткого вывода по формуле [8]:

- степень выполнения нечеткого

относительная степень вы-

Е(а, Ь, р, д, г) = - X (v (л,) - v (лг ))2 п .

I

^ тт а, ь, 7 I е [1N],

(1)

где Е(а, Ь, р, д, г) — функция ошибки;

а, Ь — параметры функций принадлежности 1-го слоя сети;

р, д, г, г — параметры 4-го слоя сети; у(Лг) — фактическое значение выходной переменной;

V (Л^) — значение точечной оценки на основе нечеткого вывода; п — номер итерации; N — количество итераций.

Математическая модель прогнозирования площади пожара в здании

Блок-схема алгоритма прогнозирования распространения пожара в здании на базе сети АКБВ (рис. 2) включает восемь блоков:

1) блок ввода входных параметров — информативных признаков объекта х1, х2,..., хп: площади помещения, где произошел пожар, м2; предела огнестойкости строительных конструкций, мин; линей-

И

Начало

г

XU х2, ..., Хп^

f

f

Wj = min и-^W. V-a20). н-^ОО

То - Т1 + Т2

7.1

Если 0<т< 10, toL = 0,5vt

Если 10<T<To, тоL = 0,5v + v (т - 10)

Если To<T<T;, TO L = 0,5v + v (то - 10) + 0,5V(t-T0)

7.2

7.3

1 у = na^L Да

у - knL2

у A С-1

Конец

Рис. 2. Блок-схема алгоритма прогнозирования площади пожара

ной скорости распространения горения, м/мин; времени развития пожара, мин;

2) блок определения значений функции принадлежности ц a (x) при конкретных значениях входов x1, x2, ..., xn, где At — нечеткая переменная, ассоциированная с данным узлом;

3) блок установления степени истинности антецедентов (характеристик предшествовавших событий) каждогоj-го правила базы знаний системы путем выполнения нечеткой логической операции "и" ("min") на параметрах антецедентов правил по формуле

ЦA1 (x)> ЦA2 (x)> • • • > ЦAt (x) | > (2)

Wy = min

где Иу — степень истинности антецедентов каждого у'-го правила базы правил; и а (х) — значение функции принадлежности при значениях входов х1, х2, ..., хп; 4) блок расчета относительной степени выполнения нечеткого правила с использованием формулы

= Wy /Е

(3)

где w* — относительная степень выполнения у-го нечеткого правила;

сумма всех степеней истинности посылок каждого '-го правила базы правил; 5) блок расчета вклада каждого нечеткого правила в выход сети по формуле

где у

сети

У у = wy vkj > (4)

вклад каждого нечеткого правила в выход

Vу — четкое число, задающее заключение каждого у'-го правила;

6) блок определения выходного значения сети — прогнозируемой ПП по формуле

y = Е у*

(5)

где У — прогнозируемая площадь пожара;

X Уу — суммарный вклад всех нечетких правил в выход сети;

7) блок устранения логических ошибок: в случае получения отрицательного либо нулевого результата — прогнозируемой ПП:

а) расчет времени свободного развития пожара т0 (с момента его возникновения до введения на тушение первых стволов) выполняется по формуле [10]:

то- Т1 + Т2,

(6)

где т1 — время с момента возникновения пожара до сообщения о нем в пожарную охрану, мин;

т2 — время боевого развертывания, мин; т2 - 8 мин;

б) определение пути Ь, пройденного огнем за время т, осуществляется по формулам [10]:

если 0 < т < 10, то Ь - 0,5ут; (7)

если 10 < т < Т0, то Ь - 0,5у + V (т -10); (8)

если т0 < т < т, то Ь -0,5у + V (т0 - 10) + 0,5V (т - т0),

(9)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

где V — линейная скорость распространения горения, м/мин;

т1 — время, прошедшее с момента возникновения пожара до его локализации, мин; в) расчет прогнозируемой площади пожара у, м2: если форма пожара может быть аппроксимирована кругом, то используется формула (10), если — прямоугольником, то формула (11) [10]:

у - ЫЬ2; (10)

у - пакЬ, (11)

где к — коэффициент, учитывающий величину угла а, в направлении которого происходит распространение пламени; к-1, если а - 360°; к - 0,5, если а - 180°; к - 0,25, если а - 90°; п — число направлений развития пожара; ай — ширина площади пожара (здания, помещения), м; 8) блок вывода результатов.

Математическая модель прогнозирования площади тушения пожара в здании

Блок-схема алгоритма прогнозирования ПТП в здании, расположенном в морском порту, на базе сети АКБК (рис. 3) включает также восемь блоков: 1) блок ввода входных параметров — информативных признаков объекта х1, х2, ..., хп: площади помещения, где произошел пожар, м2; предела огнестойкости строительных конструкций, мин; линейной скорости распространения горения, м/мин; времени развития пожара, мин; площади пожара, м2;

2-6) блоки обработки информации, соответствующие блокам 2-6 алгоритма прогнозирования распространения пожара;

7) блок устранения логических ошибок: в случае получения отрицательного либо нулевого результата — прогнозируемой площади тушения; если форма пожара может быть аппроксимирована кругом,

Рис. 3. Блок-схема алгоритма прогнозирования площади тушения пожара

то для расчета используется формула (12), если — прямоугольником, то формула (13) [11]:

у - кп (Ь -(Ь - йт))2; (12)

у - пЬькт, (13)

где йт — глубина тушения; для ручных стволов йт - 5 м, для лафетных — йт - 10 м; п — количество направлений введения стволов на путях распространения горения; Ьй—ширина фронтараспространения горения, м; 8) блок вывода результатов.

Математическая модель определения плотности теплового потока в помещениях здания

Блок-схема алгоритма прогнозирования плотности теплового потока на базе сети АКБК (рис. 4) включает восемь блоков:

1) блок ввода входных параметров — информативных признаков объекта х1, х2, ..., хп: линейной

Начало

Рис. 4. Блок-схема алгоритма прогнозирования плотности теплового излучения в помещении

Начало

скорости распространения горения, м/мин; времени развития пожара, мин; пожарной нагрузки в помещении, МДж/м2; объема помещения, м3; площади поверхности теплообмена в помещении, м2; площади пожара в помещении, м2;

2-6) блоки обработки информации, соответствующие блокам 2-6 алгоритма прогнозирования распространения пожара;

7) блок устранения логических ошибок: в случае получения отрицательного или нулевого результата — прогнозируемой плотности теплового потока расчет выполняется по формуле [11]:

Р V м ^ пож О. ?

У =

3,6(5 п

+ 5 ст)

(14)

где У — плотность теплового потока, кВт/м2; Р — коэффициент химического недожога; vм — массовая скорость выгорания материала, кг/(м2-ч);

5пож — площадь пожара в помещении, м2;

Рис. 5. Блок-схема алгоритма прогнозирования высоты расположения нейтральной зоны в помещении

О пр — низшая массовая теплота сгорания, кДж/кг;

5пол, 5пер, 5ст — площадь соответственно пола,

перекрытия и стен помещения, м2;

8) блок вывода результатов.

Математическая модель определения степени задымления в помещениях здания

Блок-схема алгоритма прогнозирования степени задымления в помещении на базе сети АОТК (рис. 5) включает восемь блоков:

1) блок входных параметров — информативных признаков объектах1, х2, ..., хп: линейной скорости распространения горения, м/мин; времени развития пожара, мин; пожарной нагрузки в помещении, МДж/м2; объема помещения, м3; площади пожарав помещении, м2;

2-6) блоки обработки информации, соответствующие блокам 2-6 алгоритма прогнозирования распространения пожара;

7) блок оценки результата: в случае получения отрицательного либо нулевого результата — высоты расположения нейтральной зоны в помещении, которая характеризует степень задымления, расчет выполняется по формулам [11]:

если h* = h*, то y =

если h1 Ф h2 , то y = — Ип +

И,

пр

Vpâ/j

+1

И

Z 5

(15)

(16)

пр

Z 5

+1

где h* , h2 — высота расположения соседних проемов, м;

Нпр — высота наибольшего проема, м;

рв, рпг — плотность соответственно наружного

воздуха и продуктов горения, кг/м3;

S 5в — площадь соответственно приточных и р 2 вытяжных отверстии, м ;

Нп — высота приточного отверстия, м;

Н — расстояние между центрами приточных и

вытяжных отверстии, м;

8) блок вывода результатов.

Программная реализация интеллектуальной системы поддержки принятия решений

ОсновоИ для программирования ИСППР являются математические модели (формулы (1)—(16)) и алгоритмы (см. рис. 1-5) процесса принятия решении РТП.

Для разработки системы была выбрана эффективная среда программирования прикладных программ MatLab, как наиболее полно соответствующая следующим требованиям, предъявляемым к ИСППР РТП [12-20]:

• возможность решения разнообразных видов инженерных и математических задач;

• наличие пакета программ Fuzzy Logic, позволяющего строить и обучать искусственные неирон-ные сети, в том числе нечеткие неиронные сети;

• совместимость с основными компонентами других программных сред компании Microsoft;

• совместимость с различными средами разработки программного обеспечения;

• кроссплатформенность;

• простота разработки приложении;

• высокая скорость выполнения вычислении и др. При создании графического интерфеиса пользователя ИСППР РТП использована интегрированная среда разработки программного обеспечения для

Microsoft Windows на языке программирования Delphi. Поскольку необходимые программные заготовки и программный код содержатся непосредственно в данной среде программирования, это позволило существенно упростить процесс создания графического интерфейса и снизило вероятность случайных программных ошибок.

При оценке погрешности функционирования сети ANFIS посредством ее тестирования на обучающей и тестовой выборке ANFIS-редактором установлено следующее:

• для сети прогнозирования динамики распространения пожара средняя ошибка тестирования (average testing error) на обучающей выборке составила 13,97 м2, а на тестовой выборке — 15,3 м2;

• для сети прогнозирования площади тушения пожара средняя ошибка тестирования (average testing error) на обучающей выборке составила 15,4 м2, а на тестовой выборке — 16,7 м2;

• для сети прогнозирования плотности теплового потока в помещении средняя ошибка тестирования (average testing error) на обучающей выборке составила 0,07 кВт/м2, а на тестовой выборке — 0,15 кВт/м2;

• для сети прогнозирования степени задымления в помещении средняя ошибка тестирования (average testing error) на обучающей выборке составила 0,023 м, а на тестовой выборке — 0,031 м.

В качестве завершающего этапа разработки ИСППР, предназначенной для РТП, получено свидетельство о государственной регистрации программы для ЭВМ [21].

Оценка экономической эффективности от внедрения ИСППР РТП

При оценке предполагаемого экономического эффекта от внедрения ИСППР использованы методики из [22-25]. Их сущность состоит в сравнении затрат на приобретение и обслуживание ИСППР с предотвращенным экономическим ущербом, полученным в результате применения программы. В качестве примера оценки экономической эффективности ИСППР использовался наиболее вероятный случай возникновения пожара — пожар на складе № 2 ОМТС ОАО "Калининградский морской торговый порт" при следующих условиях:

• стоимость одного программного продукта СПП = = 100 тыс. руб.; стоимость необходимого для функционирования системы оборудования Спо = 25,5 тыс. руб.;

• в содержании персонала для настройки и обслуживания ИСППР необходимости нет, поэтому затраты на установку программы См (тыс. руб.) и затраты на эксплуатацию программы Сэ1 (тыс. руб.) равны нулю;

2

в

ш

• затраты на обеспечение функционирования ИСППР с учетом ее круглосуточной работы в течение первого года Сэ2 - 16 тыс. руб.;

• дополнительные затраты на эксплуатацию ИСППР составляют до 3 % от всех затрат на эксплуатацию продукта [25] — Сэ3 - 0,5 тыс. руб.;

• в связи с невозможностью постановки натурного эксперимента использовались решения РТП контрольной и экспериментальной групп при тушении пожара на складе № 2 ОМТС. РТП экспериментальной группы в сравнении с контрольной группой принимали решение быстрее в среднем на 1370 с;

• социально-экономический ущерб, обусловленный поражением людей опасными факторами пожара, принят равным нулю в случае использования ИСППР и при самостоятельном принятии решений РТП;

• урон для окружающей среды в случае использования ИСППР и при самостоятельном принятии решений РТП принят равным 0. Дальнейшая оценка экономической эффективности внедрения ИСППР выполнена по методике, разработанной на основе [22-25], с учетом принятых начальных условий:

а) общие затраты на приобретение программы и ее эксплуатацию в течение первого года определены по формуле

С з = С ПП + С по + С м + Сэ1 + Сэ2 + Сэ3 = (17)

= 100 + 25,5 + 16 + 0,5 = 142, (17)

где Сз — общие затраты на приобретение и эксплуатацию программы, тыс. руб.;

б) величина снижения ущерба от пожара определена по формуле

(ЛЭ3' -ЛЭ3) = 5пожС1А, = = 346 • 0,3 • 22,8 = 2370,1, (18)

где (ЛЭ3' - ЛЭ3) — величина снижения ущерба от пожара, тыс. руб.; 5пож — площадь пожара, м2; С1 — удельное снижение ущерба от пожара на 1 м2 объекта при сокращении времени тушения пожара на 1 мин в соответствии с [25], тыс. руб./(м2-мин);

Л( — сокращение времени тушения пожара РТП экспериментальной группы в сравнении с контрольной группой, мин;

в) величина снижения затрат на тушение пожара (ЛЭ4' - ЛЭ4), определенная экспертами, составила 15 тыс. руб.;

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

г) величина снижения косвенного социально-экономического ущерба (ЛЭ5' - ЛЭ5), определенная экспертами, составила 5 тыс. руб.;

д) стоимость сохраненных материальных ценностей Сс (тыс. руб.) в результате использования ИСППР определена по формуле

С с = (ЛЭ 3' - ЛЭ 3) + + (ЛЭ4' - ЛЭ4) + (ЛЭ5' - ЛЭ5); (19)

е) прибыль от применения программы в течение первого года использования вычислена по формуле

С пр = Сс Кп - Сз =

= (2370,1 + 15 + 5) • 3 - 142 = 7028,3 , (20)

где Кп — количество пожаров, происшедших в течение года на территории портов в России;

ж) экономическая эффективность внедрения ИСППР определена по формуле

С = у ^р = 1 • Ю283 = 49,5, ' С, 142

(21)

где у — показатель социального эффекта.

Предполагаемый экономический эффект от внедрения ИСППР только на одном наиболее вероятном пожаре в ОАО "Калининградский морской торговый порт" превышает 7028,3 тыс. руб., т. е. использование ИСППР в процессе тушения пожаров является экономически выгодным.

Заключение

Процесс принятия решения РТП относится к классу трудноформализуемых и слабоструктурированных задач. Данный тип задач более эффективно решается при поддержке интеллектуальной системы, использующей знания опытных экспертов.

Математические модели прогнозирования ПП и ПТП, определения распространения теплового излучения и высоты расположения нейтральной зоны в помещении разработаны на базе сетей АОТК.

Для разработки ИСППР была выбрана эффективная среда программирования Ма1:ЬаЪ, как наиболее полно соответствующая требованиям к программным продуктам для РТП.

Оценка погрешности функционирования ИСППР показала лучшие, чем у существующих систем, и приемлемые для практики результаты. Подтвержден экономический эффект от внедрения данной системы.

Новизна работы заключается в том, что впервые авторами:

1) разработаны методы и модели процессов принятия решений РТП при тушении пожара в условиях неопределенности и жесткого дефицита времени;

2) разработана математическая модель прогнозирования параметров пожара в здании как система новых математических моделей процесса принятия решений РТП, содержащая математические модели:

- прогнозирования площади пожара;

- прогнозирования площади тушения пожара;

- прогнозирования плотности теплового излучения в помещениях здания;

- определения степени задымления в помещениях здания;

3) обосновано применение такого эффективного средства искусственного интеллекта, как ИСППР на базе нечетких нейронных сетей АКБК, для решения сложной многокритериальной задачи про-

гнозирования развития пожара в зданиях, характеризующейся существенной неопределенностью;

4) построена новая интеллектуальная система для поддержки принятия решений РТП при тушении пожара в порту.

Практическая ценность результатов заключается в разработке интеллектуальной системы поддержки принятия решений РТП, обладающей существенной экономической эффективностью.

СПИСОК ЛИТЕРАТУРЫ

1. Кодекс торгового мореплавания Российской Федерации : Федер. закон от 30.04.99 г. № 81-ФЗ; принят Гос. Думой 31.03.99 г. URL : http://www.consultant.ru/document/cons_doc_LAW_158435 (дата обращения: 28.03.2014 г.).

2. Градостроительный кодекс Российской Федерации : Федер. закон от 29.12.2004 г. № 190-ФЗ; принят Гос. Думой 22.12.2004 г.; одобр. Сов. Федерации 24.12.2004 г.; введ. 29.12.2004 г. // Российская газета. —2004. —№ 290. URL : http://www.consultant.ru/popular/gskrf/ (дата обращения: 28.03.2014 г.).

3. О системе обеспечения безопасности судоходства на водном транспорте и роли государственного морского и речного надзора // Материалы государственной службы по надзору в сфере морского и речного транспорта, 2008. URL : http://council.gov.ru/files/journalsf/item/20090924133814.pdf (дата обращения: 28.03.2014 г.).

4. Об утверждении Порядка тушения пожаров подразделениями пожарной охраны : приказ МЧС РФот31.03.2011г.№ 156. URL: http://base.garant.ru/55171543/(дата обращения: 28.03.2014 г.).

5. Тетерин И. М., Климовцов В. М., Прус Ю. В. Методология разработки экспертных систем для оперативного управления пожарными подразделениями // Интернет-журнал "Технологии техносферной безопасности". —2008. —№ 5 (21). — С. 1-68. URL : http://ipb.mos.ru/ttb (дата обращения: 28.03.2014 г.).

6. Кипер А. В., Станкевич Т. С. Разработка нечеткого классификатора на базе нечеткой системы Сугено для определения ранга пожара на территории морского порта // Вестник Астрахан. гос. техн. ун-та. Сер.: Морская техника и технология. — 2012. — № 2. — С. 18-25.

7. Зайченко Ю. П., Севаее Ф. Исследование эффективности нечеткой нейронной сети ANFIS в задачах макроэкономического прогнозирования // Систем. дослвдж. та шформ. технологи. — 2005.—№ 1. —С. 100-112.

8. Карпенко А. П., МоорД. А., Мухлисуллина Д. Т. Многокритериальная оптимизация на основе нейро-нечеткой аппроксимации функции предпочтений лица, принимающего решения // Наука и образование: электронное научное издание. Инженерное образование. —2010. —№ 6. — С. 1-21. URL : http://technomag.edu.ru/doc/135375.html (дата обращения: 28.03.2014 г.).

9. Мещеряков В. А., Денисов И. В. Моделирование адаптивной системы нейро-нечеткого управления рабочим процессом стрелового крана // Проектирование инженерных и научных приложений в среде MATLAB : матер. УМеждунар. науч. конф. —Харьков : БЭТ,2011. — C. 367-375.

10. Подгрушный А. В., Захаревский Б. Б., Денисов А. Н., Сверчков Ю. М.Методические указания к решению тактических задач по теме "Основы прогнозирования обстановки на пожаре. Локализация и ликвидация пожаров". — М. : Академия ГПС МЧС России, 2005. — 37 с.

11. Бондаренко М. В., Денисов А. Н.,ХолошняН. С., ДжангиевР. Н. Пожаротушение. Методические указания к выполнению курсовой работы. — М. : Академия ГПС МЧС России, 2011. — 51с.

12. СебестаРоберт У. Основные концепции языков программирования. — 5-е изд. / Пер. с англ. — М. : ООО "И. Д. Вильямс", 2001. — 672 с.

13. Эванс Эрик. Предметно-ориентированное проектирование (DDD): структуризация сложных программных систем / Пер. с англ. — М. : ООО "И. Д. Вильямс", 2011. — 448 с.

14. Бьерн Страуструп. Язык программирования С++: специальное издание / Пер. с англ. — М. : Изд-во "Бином", 2011. — 1136 с.

15. ФленовМ.Е. Библия Delphi. — 3-е изд. — СПб. : БХВ-Петербург, 2011. — 688 с.

16. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. — М.: Горячая Линия -Телеком, 2007.—288 с.

17. Поршнев С. В. MATLAB 7. Основы работы и программирования. — М. : ООО "Бином-Пресс", 2011. —320 с.

18. Фленов М.Е. Библия C#. — 2-е изд. — СПб. : БХВ-Петербург, 2011. — 560 с.

19. Эккель Брюс. Философия Java. — 4-е изд. — СПб. : Питер, 2009. — 640 с.

20. АлексеевЕ. Р., Чеснокова О. В., Кучер Т. В. Free Pascal и Lazarus: учебник по программированию.

— М. : ALT Linux; Изд. дом ДМК-Пресс, 2010. — 442 с.

21. Свид. 2013610686 Российская Федерация. Свидетельство о государственной регистрации программы для ЭВМ. Определитель тактики тушения пожара на территории ОАО "Калининградского морского торгового порта" / Станкевич Т. С., Кипер А. В.; заявитель и правообладатель: ФГБОУ ВПО "БГАРФ". —№ 2013610686; заявл. 21.11.2012 г.; опубл. 09.01.2013 г.; Реестр программ для ЭВМ. — 1 с.

22. РД 03-496-02. Методические рекомендации по оценке ущерба от аварий на опасных производственных объектах: утв. постановлением Госгортехнадзора от 29.10.2002 г. № 63; введ. 29.10.2002 г.

— М.: ГУП "Научно-технический центр по безопасности в промышленности Госгортехнадзора России", 2002. — Сер. 03, вып. 19. — 40 с.

23. Членов А. Н., Буцынская Т. А., Шакирова А. Ф. Оценка экономической эффективности метода поддержки управленческих решений в системе безопасности объекта // Интернет-журнал "Технологии техносферной безопасности". —2012. —№ 1 (41). — 4 с. URL: http://ipb.mos.ru/ttb/2012-1 (дата обращения: 28.03.2014 г.).

24. Акимов В. А., Кондратьев-Фирсов В. М.Методика оценки социально-экономического ущерба в случае аварийных ситуаций на химически опасных объектах // Проблемы безопасности и чрезвычайных ситуаций. — М. : ВИНИТИ, 2009. — № 1. — С. 52-66.

25. Александр Поддубный. Расчет экономического эффекта от внедрения системы автоматизации [Электронный ресурс] // Antegra consulting. URL: http://www.antegra.ru/news/experts/_det-experts/4 (дата обращения: 28.03.2014 г.).

Материал поступил в редакцию 21 апреля 2014 г.

= English

ALGORITHMIC SUPPORT OF THE INTELLECTUAL DECISION SUPPORT SYSTEM FOR THE HEAD OF FIREFIGHTING

KIPER A. V., Doctor of Technical Sciences, Professor of Safeguard in Emergency Situations Department, Kaliningrad State Technical University, Federal Agency for Fishery (Sovetskiy Avenue, 1, Kaliningrad, 236000, Russian Federation; e-mail address: kiper.aleksandr@yandex.ru)

STANKEVICH T. S., Lecturer of Safeguard in Emergency Situations Department, Kaliningrad State Technical University, Federal Agency for Fishery (Sovetskiy Avenue, 1, Kaliningrad, 236000, Russian Federation; e-mail address: nadezdastan39@mail.ru)

ABSTRACT

During firefighting real fires the heads of firefighting often take insufficient effective solutions: ineffective solutions are up to 57 % of the total number of decisions. The rational way to increase the efficiency of head decision is the development and application of specialized software — the Intelligent Decision Support System.

The authors have proposed to design and use the Intelligent Decision Support System based on the Adaptive Neural Fuzzy Inference Systems (ANFIS) for solving the problem of forecasting the dynamics of the spread of fire.

The authors have developed the mathematical model based on network ANFIS: the mathematical model for forecasting of fire area; the mathematical model for forecasting of firefighting area; the mathematical model for forecasting of the thermal radiation density in the room; the mathematical model for forecasting of the neutral zone height in the room.

The authors have carried out testing of this system and have identified:

1) the network for forecasting of fire area — the average testing error on the training data was 13.97 m2, and on the test sample was 15.3 m2;

2) the network for forecasting of firefighting area — the average testing error on the training data was 15.4 m2, and on the test sample was 16.7 m2;

3) the network for forecasting of the thermal radiation density in the room — the average testing error on the training data was 0.07 kW/m2, and on the test sample was 0.15 kW/m2;

4) the network for forecasting of the neutral zone height in the room—the average testing error on the training data was 0.023 m, and on the test sample was 0.031 m.

As the final stage of development of the Intelligent Decision Support System we obtained the certificate of state registration of software.

The expected cost-effectiveness of the implementation of the Intelligent Decision Support System for the most likely fire in the port area "Kaliningrad Sea Commercial Port" is 7028300 rubles. The scientific novelty of the research is that the first time:

1) the authors have developed methods and models of decision making of head of the firefighting under uncertainty and lack of time;

2) the authors have developed the mathematical model for forecasting of fire in buildings, which consists of the following mathematical models:

• for forecasting of fire area;

• for forecasting of firefighting area;

• for forecasting of the thermal radiation density in the room;

• for forecasting of the neutral zone height in the room;

3) the authors justified the use of an effective means of artificial intelligence — the Intelligent Decision Support System to solve complex multicriteria problem of forecasting of fire in buildings in conditions of uncertainty;

4) authors have created new Intelligent Decision Support System for the head of firefighting in the seaport.

Keywords: intelligent decision support system; head of firefighting; spread of fire; firefighting; forecasting; mathematical model; fuzzy neural networks; ANFIS.

REFERENCES

1. Merchant shipping code of the Russian Federation. Federal Law on 30 April 1999 No. 81. Available at: http://www.consultant.ru/document/cons_doc_LAW_158435 (Accessed28 March2014) (in Russian).

2. Town-Planning Code of the Russian Federation. Federal Law on 29 December 2004 No. 190. Available at: http://www.consultant.ru/popular/gskrf/ (Accessed 28 March 2014) (in Russian).

3. O sisteme obespecheniya bezopasnosti sudokhodstva na vodnom transporte i roli gosudarstvennogo morskogo i rechnogo nadzora [About safety of navigation on the waterway transport and the role of the state of marine and river inspection]. Materialy gosudarstvennoy sluzhby po nadzoru v sfere morskogo i rechnogo transporta [Materials Civil Service for Supervision of Maritime and River Transport]. Available at: http://council.gov.ru/files/journalsf/item/20090924133814.pdf (Accessed 28 March2014).

4. On approving the fire fighting procedure for fire brigades. Order of Emercom of Russia on 31 March 2011 No. 156. Available at: http://base.garant.ru/55171543/(Accessed28 March2014) (inRussian).

5. Teterin I. M., Klimtsov V. M., Prus Yu. V. Metodologiyarazrabotki ekspertnykh system dlyaoperativ-nogo upravleniya pozharnymi podrazdeleniyami [The methodology for developing expert systems for operational management of firefighting divisions]. Internet-zhurnal "Tekhnologii tekhnosfernoy bezopasnosti"—Internet magazine "Technology Technospheric Safety", 2008, no. 5 (21), pp. 1-68. Available at: http://ipb.mos.ru/ttb (Accessed 28 March 2014).

6. Kiper A. V., Stankevich T. S. Razrabotkanechetkogo klassifikatoranabaze nechetkoy sistemy Sugeno dlya opredeleniya ranga pozhara na territorii morskogo porta [Desing of fuzzy classifier for definition of the rank of the fire in the territory on seaport]. VestnikAstrakhanskogo gosudarstvennogo tekhniche-skogo universiteta. Seriya: Morskaya tekhnika and tekhnologiya — Vestnik of Astrakhan State Technical University. Series: Marine Engineering and Technologies, 2012, no. 2, pp. 18-25.

7. Zaychenko Yu. P., SevaeeF. Issledovaniye effektivnostinechetkoyneyronnoyseti ANFIS vzadachakh makroekonomicheskogo prognozirovaniya [Investigation of the efficiency of fuzzy neural network ANFIS in problems of macroeconomic forecasting]. System. doslidzh. ta inform. tekhnologii — System Research and Information Technologies, 2005, no. 1, pp. 100-112.

8. Karpenko A. P., Moor D. A., Mukhlisullina D. T. Mnogokriterialnaya optimizatsiyana osnove neyro-nechetkoy approksimatsii funktsii predpochteniy litsa, prinimayushchego resheniya [Multi-criteria optimization based on neuro-fuzzy function approximation to the preferences of the decision maker]. Nauka and obrazovaniye: elektronnoye nauchnoye izdaniye. Inzhenernoye obrazovaniye — Science and Education: Electronic Scholarly Edition. Engineering Education, 2010, no. 6, pp. 1-21. Available at: http://technomag.edu.ru/doc/135375.html (Accessed 28 March 2014).

9. Meshcheryakov V. A., Denisov I. V. Modelirovaniye adaptivnoy sistemy neyro-nechetkogo upravle-niyarabochim protsessom strelovogo krana [Modelling adaptive neuro-fUzzy control of jib crane workflow]. Proektirovaniye inzhenernykh andnauchnykhprilozheniy v srede MATLAB: materialy VMezh-dunarodnoy nauchnoy konferentsii [Design Engineering and Scientific Applications in MATLAB: V International scientific conference]. Kharkov, BET Publ., 2011, pp. 367-375.

10. PodgrushnyyA. V., Zakharevskiy B. B., Denisov A. N., Sverchkov Yu. M. Metodicheskiyeukazaniyak resheniyu takticheskikh zadachpo teme "Osnovyprognozirovaniya obstanovki napozhare. Lokalizatsiya and likvidatsiyapozharov" [Methodical instructions to solve tactical problems on "Fundamentals of forecasting fire situation. Localization and liquidation of fires"]. Moscow, State Fire Academy of Emercom of Russia Publ., 2005. 37 p.

11. Bondarenko M. V., Denisov A. N., KholoshnyaN. S., Dzhangiev R. N. Pozharotusheniye. Metodicheskiye ukazaniya k vypolneniyu kursovoy raboty [Firefighting. Methodical instructions to carry out the course work]. Moscow, State Fire Academy of Emercom of Russia Publ., 2011. 51 p.

12. Sebesta Robert W. Concepts of programming languages. 5th edition. Lebanon, Indiana, U. S. A., Addison-Wesley, 2001. 698 p. (Russ. ed.: Sebesta Robert W. Osnovnyye kontseptsii yazykov programmirova-niya. Moscow, I. D. Vilyams Publ., 2001. 672 p.).

13. Eric Evans, Martin Fowler. Domain-driven design: Tackling complexity in the heart of software. Prentice Hall Publ., 2003. 320 p. (Russ. ed.: Evans Eric. Predmetno-oriyentirovannoye proektirovaniye (DDD): strukturizatsiya slozhnykhprogrammnykh sistem. Moscow, I. D. Vilyams Publ., 2011.448 p.)

14. Bjarne Stroustrup. The C++ Programming Language, Special Edition. 3th ed. United States, Boston, Addison Wesley, 2000. 1040 p. (Russ. ed.: Byerne Straustrup. Yazyk programmirovaniya C++: spe-tsialnoye izdaniye. Moscow, Binom Publ., 2011. 1136 p.).

15. Flenov M. E. Bibliya Delphi. 3-e izdaniye [Bible Delphi. 3th edition]. Saint Petersburg, BHV-Petersburg Publ., 2011. 688 p.

16. Shtovba S. D. Proektirovaniye nechetkikh sistem sredstvami MATLAB [Design of fuzzy systems by means of MATLAB]. Moscow, Hot Line - Telecom Publ., 2007. 288 p.

17. Porshnev S. V. MATLAB 7. Osnovy raboty and programmirovaniya [MATLAB 7. Fundamentals and Programming]. Moscow, Binom-Press Publ., 2011. 320 p.

18. Flenov M. E. Bibliya C#. 2-e izdaniye [Bible C#. 2th edition]. Saint Petersburg, BHV-Petersburg Publ.,

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

2011. 560 p.

19. Bruce Eckel. Thinking in Java. 4th ed. New Jersey, USA, Prentice Hall, 2006. 1079 p. (Russ. ed.: Bruce Eckel. Filosofiya Java. 4-e izdaniye. Saint Petersburg, Piter Publ., 2009. 640 p.).

20. AlekseevE. R., ChesnokovaO. V., Kucher T. V. Free Pascal i Lazarus: uchebnikpo programmirova-niyu [Free Pascal and Lazarus: tutorial programming]. Moscow, ALT Linux Publ., DMK-Press Publ., 2010. 442 p.

21. StankevichT. S.,KiperA. V. OpredeliteltaktikitusheniyapozharanaterritoriiOAO "Kaliningradsko-go morskogo torgovogo porta" [Determinant of the fire fighting tactics on the territory "Kaliningrad Sea Commercial Port"]. Certificate of State Registration of Computer Software, no. 2013610686,2013.

22. Management Document 03-496-02. Methodical recommendations on accident damage assessment at hazardous production facilities. Moscow, State Unitary Enterprise "Scientific and Technical Center for Industrial Safety Gosgortechnadzor of Russia" Publ., 2002, series 03, issue 19. 40 p. (in Russian).

23. Chlenov A. N., Butsynskaya T. A., Shakirova A. F. Otsenka ekonomicheskoy effektivnosti metoda podderzhki upravlencheskikh resheniy v sisteme bezopasnosti obyekta [Estimation of economic efficiency of method to support management decisions in the security system of object]. Internet-zhurnal "Tekhnologii tekhnosfernoy bezopasnosti" — Internet Magazine "Technology Technospheric Safety",

2012, no. 1 (41). 4 p. Available at: http://ipb.mos.ru/ttb/2012-1 (Accessed 28 March 2014).

24. Akimov V. A., Kondratyev-Firsov V. M. Metodika otsenki sotsialno-ekonomicheskogo ushcherba v sluchaye avariynykh situatsiy na khimicheski opasnykh obyektakh [Methodology for assessing the socio-economic damage in case of emergencies on chemically hazardous objects]. Problemy bezopasnosti i chrezvychaynykh situatsiy — Problems of Safety and Emergencies. Moscow, VINITI Publ., 2009, no. 1.pp. 52-66.

25. Alexander Poddubnyy. Raschet ekonomicheskogo effekta ot vnedreniya sistemy avtomatizatsii [Calculation of economic benefit from the introduction of automation systems]. Available at: http://www.an-tegra.ru/news/experts/_det-experts/4/ (Accessed 28 March 2014).

i Надоели баннеры? Вы всегда можете отключить рекламу.