CC BY
5
УСЛОВИЯ МНОГОЗАДАЧНОСТИ УПРАВЛЕНИЯ ПОЖАРНО-СПАСАТЕЛЬНЫМИ ПОДРАЗДЕЛЕНИЯМИ ПРИ ТУШЕНИИ ПОДВИЖНОГО ЖЕЛЕЗНОДОРОЖНОГО СОСТАВА НА МЕТАЛЛУРГИЧЕСКИХ ПРЕДПРИЯТИЯХ Денисов А.Н., Данилов М.М., Аникин С.Н., Цокурова И.Г.
05.13.10 УПРАВЛЕНИЕ В СОЦИАЛЬНЫХ
И ЭКОНОМИЧЕСКИХ СИСТЕМАХ
GOVERNANCE IN SOCIAL AND ECONOMIC SYSTEMS
2.3.4 УПРАВЛЕНИЕ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХ
MANAGEMENT IN ORGANIZATIONAL SYSTEMS
DOI: 10.33693/2313-223X-2022-9-1-39-46
Условия многозадачности управления пожарно-спасательными подразделениями при тушении подвижного железнодорожного состава на металлургических предприятиях
А.Н. Денисов3 ©, М.М. Данилов'3 ©, С.Н. Аникинс ©, И.Г. Цокуроваа ©
УНК пожаротушения ФГБОУ ВО «Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (Академия ГПС МЧС России)», г. Москва, Российская Федерация
a E-mail: dan_aleks@mail.ru b E-mail: mdagps@yandex.ru c E-mail: neytrinos@mail.ru d E-mail: venskovskaya@bk.ru
Аннотация. В статье определены алгоритмы оценки когнитивных возможностей руководителя пожарно-спасательного подразделения при принятии решений в области тушения пожаров железнодорожных составов на металлургическом предприятии исходя из условий многозадачности, рассмотрены факторы принятия решений на основе иерархизации принимаемых решений, а также рассмотрена управленческая задача по минимизации времени принятия решений руководителем путем использования потенциала нейронных сетей для разрешения проблемы принятия оптимального решения в условиях оперативной многозадачности. Полученные результаты могут быть использованы для корректировки существующей модели управления пожарно-спасательными подразделениями при тушении пожаров подвижных железнодорожных составов на металлургических предприятиях. Данная работа предназначена для лиц, принимающих управленческие решения и осуществляющих управление силами и средствами при тушении пожаров.
Ключевые слова: тушение задача управления, руководитель тушения пожара, оценка, алгоритм
f ^
ССЫЛКА НА СТАТЬЮ: Денисов А.Н., Данилов М.М., Аникин С.Н., Цокурова И.Г. Условия многозадачности управления пожарно-спасательными подразделениями при тушении подвижного железнодорожного состава на металлургических предприятиях // Computational nanotechnology. 2022. Т. 9. № 1. С. 39-46. DOI: 10.33693/2313-223X-2022-9-1-39-46
v J
DOI: 10.33693/2313-223X-2022-9-1-39-46
Multi-task Conditions for the Management of Fire and Rescue Units During Rolling Stock Extinguishing at Metallurgical Enterprises
A.N. Denisova ©, M.M. Danilovb ©, S.N. Anikinc ©, G.I. Tsokurovad ©
Department of Fire Tactics and Service (as part of the educational and scientific fire-fighting complex), Moscow, Russian Federation
a E-mail: dan_aleks@mail.ru b E-mail: mdagps@yandex.ru c E-mail: neytrinos@mail.ru d E-mail: venskovskaya@bk.ru
Abstract. The article defines algorithms for assessing the cognitive capabilities of the head of a fire and rescue unit and also considers the managerial task of minimizing the decision-making time of the head in the field of extinguishing fires of railway trains at a metallurgical enterprise based on the conditions of multitasking, the factors of decision-making in the conditions of operational multitasking are considered. The results obtained can be used to adjust the existing model of fire and rescue units management when extinguishing fires of rolling stock at metallurgical enterprises. This work is intended for those who make managerial decisions and manage forces and means when extinguishing fires.
Key words: extinguishing control task, fire extinguishing manager, evaluation, algorithm
FOR CITATION: Danilov M.M., Danilov M.M., Anikin S.N., Tsokurova G.I. Multi-task Conditions for the Management of Fire and Rescue Units During Rolling Stock Extinguishing at Metallurgical Enterprises. Computational Nanotechnology. 2022. Vol. 9. No. 1. Pp. 39-46. (In Rus.) DOI: 10.33693/2313-223X-2022-9-1-39-46
ВВЕДЕНИЕ
Возникновение пожаров подвижных железнодорожных составов на металлургических предприятиях представляет собой особенно сложный вариант события, которое влечет за собой возникновение чрезвычайной ситуации, огромного материального ущерба, а также гибель и травмирование людей.
Необходимость совершенствования реагирования по-жарно-спасательных подразделений на деструктивные события путем корректного управления с учетом условий многозадачности и максимального учета возможных рисков для сотрудников, для лица, принимающего решение на пожаре, является одной из важнейших задач, определяющей успешность действий по тушению в конечном итоге. Кроме того, пожар подвижного железнодорожного состава на металлургическом промышленном предприятии как явление, относящееся к высшей категории сложности ввиду необходимости принятия совокупности решений, учитывающих особенности тушения как подвижного железнодорожного состава, так и объектов металлургических предприятий, определяет кратно большее количество первоначальных оперативных разнородных одновременных управленческих задач, требующих от руководителя тушения пожара наивысший уровень подготовки и предельную отдачу в плане использования собственных аналитических когнитивных ресурсов.
Критерий многозадачности при принятии решений руководителем тушения пожара в пожарной науке ранее
не рассматривался, равно как и система принятия решений, основанная на нейронных технологиях, позволяющих потенциально упростить данный процесс.
УПРАВЛЕНИЕ ПОЖАРНО-СПАСАТЕЛЬНЫМИ
ПОДРАЗДЕЛЕНИЯМИ
В УСЛОВИЯХ МНОГОЗАДАЧНОСТИ
Понятие многозадачности представляет собой наличие и многообразие разноплановых задач при ограниченном промежутке времени, которые непосредственно влияют на процесс принятия оптимального решения руководителем тушения пожара.
Как правило, для одновременного максимального охвата спектра задач на пожаре, необходимых для решения основной боевой задачи по тушению на месте пожара создается оперативный штаб пожаротушения. Оперативный штаб пожаротушения (далее - штаб, штаб пожаротушения) на месте пожара представляет собой нештатный орган управления, представляющий собой систему обработки и передачи оперативной информации. Объектом работы штаба является процесс, связанный с обеспечением аналитической деятельности руководителя тушения пожара. Оперативный штаб на месте пожара в обязательном порядке создается в следующих случаях:
• привлечение для проведения боевых действий по тушению пожаров сил и средств подразделений пожарной
охраны по повышенному номеру (рангу) пожара (№ 2 и выше);
• организация на месте пожара трех и более боевых участков;
• необходимость согласования с администрацией организаций проведения боевых действий по тушению пожаров [1].
Характерной особенностью работы штаба пожаротушения является анализ с использованием оперативных данных пожаротушения.
Основные этапы оценки обстановки и рекомендаций на пожаре могут быть выражены в виде блок-схемы (рис. 1) [2].
Рис. 1. Структурная схема Fig. 1. Block diagram
Следует учитывать, что совокупные данные по пожарам представляют из себя огромную базу данных, характеризующих временные, мощностные и экономические параметры реагирования пожарных подразделений [3].
Источник данных представляет собой базу, которая является совокупностью предметно-ориентированных, интегрированных наборов данных, которые организованы с целью поддержания управления для оперативного анализа и принятия решений.
ФИЗИОЛОГИЧЕСКИЕ ОГРАНИЧЕНИЯ
КОГНИТИВНЫХ ПРОЦЕССОВ
ПРИНЯТИЯ РЕШЕНИЙ ПО ТУШЕНИЮ ПОЖАРОВ
Блок обработки запросов содержит в себе факты и логическую взаимосвязь между этими фактами. Центральное место принадлежит детальному рассмотрению характера пожара. Технология работы сводится к последовательному рассматриванию совокупности правил (правило - предписываемое действие), при этом в своей деятельности руководитель тушения пожара в первую очередь опирается на собственный опыт и рекомендации штаба пожаротушения относительно предпринимаемых действий. Разумеется, результаты принятия решений, в том числе зависят от аналитических способностей и когнитивных возможности лица, принимающего решения.
Начало [Start]
Ввод исходных данных [Input of iniral data]
Определение задач для эффективной организации тушения на текущий период времени [Definition of tasks for the effective organization of extinguishing for the current period of time]
Задача 1 [Task 1] Задача 2 [Task 2] Задача 3 [Task 3] ... Задача W [Task W]
Переход к рассмотрению следующей задачи (n = n + 1) [Moving on to the next problem (n = n + 1)]
Нет [Wo]
Расстановка задач в порядке присвоения приоритетов [Setting tasks in order of priority assignment]
Постановка задач личному составу
в порядке их приоритетности [Setting tasks for personnel in order of their priority]
Возникновение новых задач по организации тушения — нет [The emergence of new tasks [wo]" for the organization on of extiguishing]
Вывод полученных данных [Output of received data]
Конец [End]
Переход к рассмотрению очередной задачи [Transition to consideration of the next tasks]
Присвоение приоритета в рассматриваемой задаче руководителем тушения пожара [Assigning priority to the task under consideration be the fire extinguishing manager]
Рис. 2. Алгоритм типичной когнитивной расстановки приоритетов задач РТП Fig. 2. Algorithm of typical cognitive prioritization of director's tasks
MULTISCALE MODELING FOR INFORMATION CONTROL AND PROCESSING
В журнале Science опубликована статья С. Шаррона (S. Charron) и Э. Кошлена (E. Koechlin), в которой исследователи попытались экспериментально выяснить предел многозадачности человеческого мозга и понять его природу [4].
По результатам исследований было выявлено, что если возникающие перед человеком задачи требуют подключения высших отделов мозга, то оказалось, что человек может максимум выполнять только две из них, третья будет попросту игнорироваться мозгом. Таким образом, когнитивные особенности головного мозга руководителя тушения пожара не позволят выполнить весь спектр задач одновременно. То есть, в любом случае руководителю придется сначала выполнить собственный краткий умственный анализ и расстановку приоритетов поступающих задач, которые расставляются им самостоятельно, исходя из собственного опыта и полученных от штаба рекомендаций (рис. 2).
ОЦЕНКА КАЧЕСТВА УПРАВЛЕНИЯ НА ОСНОВЕ ИЕРАРХИЗАЦИИ РЕШЕНИЙ СО СМЕШАННЫМИ ПРИЗНАКАМИ
Формализация алгоритмов для поддержки принятия управленческих решений также может быть описана путем формализации процесса на основе предпочтений руководителя. Для этого предварительно формируется множество решений Об = {Ф., / = 1, п}, при этом любое решение характеризуется множеством показателей П = {п.,у = 1, т}. Тогда решение формализуется как: Ф/ = {ф'1(п1), ф'2(п2), ... , фт(пт)}, Фт(пт) - функция, определяющая подмножество пт □ П для любого конкретного решения.
Графическое представление алгоритма поддержки принятия решения при проведении оценки качества управления на основе иерархизации решений со смешанными признаками на основе медианного упорядочения представлено на рис. 3.
Начало [Start]
Ввод значений показателей решения [Entering the values of the object's indicators]
Сформировать матрицу потерь R [From a loss matrix R]
Сформировать матрицу векторов предпочтений П [From a matrix of preference vectors П]
Сформировать бинарную матрицу назначений Х [From a binary assignment matrix X]
Получить ранжировку решений [Get the ranking of decisions]
Использовать метод парных сравнений [Use the method of paired comparisons]
Получить ранжировку объектов с коэффициентов предпочтений каждого решения [Get the ranking of objects from the coefficients of preferences of each desicion]
Вывод полученных данных [Output of received data]
Конец [End]
Рис. 3. Алгоритм принятия решения при проведении оценки качества поддержки управления Fig. 3. Decision-making algorithm for assessing the quality of management support
Пошагово алгоритм можно охарактеризовать следующим образом:
Ш а г 1. Формируется набор показателей качества управления П = {п., у = 1, т}, для каждого решения (табл. 1):
Об = {Ф/, / = 1, п}.
Наилучшим считается решение с максимальными (+) / минимальными (-) показателями соответственно.
Шаг 2. Формируется вектор предпочтений, для этого решения распределяются по каждой строке, соответствующей одному из показателей.
Шаг 3. На порядковую шкалу наносятся значения вектора предпочтений (табл. 2), с учетом знаков (+)/(-) показателей (см. табл. 1).
Ш а г 4. Формирование группового распределения, на основе «медианы Кемени» [5; 6]. Критерий распределения - наилучшее представление индивидуальных предпочтений:
min
вп
Ц Вп
z—
-В'
Шаг 5. Формируется матрица потерь Пот = {Пот}. Критерий ее формирования:
п
=Ё к - < |.
(l)
B
п
Таблица 1
Набор показателей [Set of indicators]
Наименование показателя Шифр объекта [The cipher of the object]
[Name of the indicator] Ф1 Ф2 Ф3 Ф4 Ф5
Процентная эффективность рекомендуемого штабом решения, % [Percentage effectiveness of the solution recommended by the headquarters, %] 98 96 99 97 98
Площадь пожара на момент принятия решения, м2 [Fire area at the time of the decision, m2] 6 5 9 4 3
Время следования, мин [Travel time, min] 5 7 7 5 10
Среднее время реакции личного состава для реализации решения, с [Average reaction time of personnel for the implementation of the solution, s] 2,2 2,1 2 2,4 3,0
Вероятность отказа в выполнении решения, % [Probability of failure to implement the decision, %] 0,02 0,03 0,01 0,03 0,02
Таблица 2
Набор векторов предпочтений [Set of preference vectors]
Вектор предпочтений [Preference vector] Приоритет показателя [Indicator priority]
В ni 1 3 0 2 1
В п2 3 2 6 1 0
В п3 0 2 2 0 5
В п4 2 1 0 4 10
В п5 2 3 0 3 2
В результате получается матрица (1) и медианы рангов: 2, 2, 0, 2, 2 (табл. 3).
Таблица 3
Матрица потерь [Loss matrix]
3 3 6 4 10
2 3 2 3 5
2 2 0 2 2
1 2 0 1 1
0 1 0 0 0
Шаг 6. Осуществляется упорядочивание по медианам рангов (табл. 4).
Таблица 4
Упорядочивание по медианам рангов [Ordering by median ranks]
Ряд упорядоченный [Ordered row] Новые ранги [New ranks] Расположение факторов по оценке [Location of factors by evaluation]
1 1 1
2 3,5 2
3 3,5 2
4 3,5 2
5 3,5 2
Шаг 7. Осуществляется упорядочивание для нового ранга объектов (табл. 5).
Таблица 5
Упорядочивание для нового ранга объектов [Ordering for the new rank of objects]
Шифр объекта [The cipher of the object] Медиана [Median] Новый ранг [New rank]
Ф1 2 2
Ф2 2 2
Ф3 0 1
Ф4 2 2
Ф5 2 2
Шаг 8. Определяется итоговое ранжирование альтернатив:
Ф < Ф Ф Ф Ф
4' 5'
Это значит, что решение Ф3 более эффективно, чем решение Ф1. Так как ряды «решений» были оценены одинаково, потому они объединены в одну эквивалентную группу. Аналогичный процесс может быть проведен и с перечнем объектов определенных категорий.
Однако следует понимать, что для проведения процедуры оценки тех или иных факторов, влияющих на результат тушения, у руководителя тушения пожара просто физически не хватит личных когнитивных ресурсов, а ограниченность по времени не даст реализовать алгоритмы в рабочем режиме.
Практика показывает, что детерминированные элементы процесса организации тушения пожара типовых объектов по первому рангу пожара принципиально не отличаются друг от друга. Можно сказать, что руководитель тушения пожара уже практически заранее знает всю последовательность необходимых действий на «не сложном» пожаре, то есть, говорить, что тушение пожара в таком случае обусловлено возникновением фактора многозадачности не следует. При этом при организации тушения пожаров по повышенным рангам имеется гораздо больше исходных данных, которые обязан принять во внимание руководитель тушения, и которые не позволяют однозначно сформировать последовательность действий по тушению на начальном этапе, вот в этом
случае многозадачность как раз и является определяющим фактором, характеризующим подход в организации тушения пожара по повышенному рангу. При тушении подвижного железнодорожного состава на металлургическом предприятии это будет являться характерной ситуацией.
Подытожив, можно сказать, что проблема многозадачности на пожаре решается руководителем тушения пожара путем определения перечня задач, расстановки приоритетов их выполнения и дальнейшей реализации задач с учетом расстановленных приоритетов.
Учитывая ограниченные возможности по одновременной обработке и анализу входящих данных отдельного человека, нельзя не отметить, что формализация входных данных по складывающейся обстановке на пожаре позволит сформировать массив данных, который впоследствии может быть с кратно более высокой скоростью обработан при помощи компьютера. В частности, данная проблема может быть решена путем применения предварительно обученной нейросети.
В качестве множества входных лингвистических переменных принимаются факторы обстановки на пожаре, характеризующие текущую ситуацию в определенный момент времени, начиная с момента поступления сообщения [3; 7].
Однако при применении нейросетей в сфере организации тушения пожаров подвижных железнодорожных составов вкупе с металлургическими предприятиями возникает другая проблема - недостаточное количество данных для обучающей выборки.
То есть, в первую очередь необходимо решить проблему ограниченного объема обучающей выборки, поскольку согласно имеющимся статистическим данным, за период с 2016 по 2020 г. (5 лет) произошло всего 339 пожаров, что явно недостаточно для обучения нейросети традиционным способом, поскольку для реализации процесса обучения требуются тысячи примеров в обучающей выборке [8-12]. Однако и эта проблема в настоящее время может быть решена с достаточной степенью приемлемости.
Общие методы решения данной проблемы можно классифицировать следующим образом:
• уменьшение объема или отказ от тестовой выборки;
• псевдослучайная генерация новых примеров;
• структурные изменения нейронной сети или нейросете-вой модели.
Однако не все методы корректны для использования в условиях организации тушения пожаров, в частности, на железнодорожных составах.
Из широкого спектра методов решения проблемы ограниченной выборки авторами в настоящее время отдается предпочтение методу нечеткой логики и нечетких множеств
Литература
1. Приказ МЧС от 16 октября 2017 года № 444 «Об утверждении Боевого устава подразделений пожарной охраны, определяющего порядок организации тушения пожаров и проведения аварийно-спасательных работ».
2. Пранов Б.М. Модели и методы автоматизированной обработки информации и их применение // Об одном классе задач оптимального размещения ресурсов. Тверь, 1991. С. 43-65.
3. Денисов А.Н., Цокурова И.Г., Аникин С.Н. Модель и алгоритм управления рисками гибели пожарных при тушении пожаров на металлургических предприятиях // Computational Nanotechnology. 2021. Т. 8. № 3. С. 76-85.
4. Charron S., Koechlin E. Divided representation of concurrent goals in the human frontal lobes // Science. 2010. No. 328. P. 360. DOI: 10.1126/science.1183614.
для решения проблемы малого объема обучающих данных в диффузионных нейронных сетях. Поскольку подобные сети имеют большое количество входных параметров, и, как следствие, очень насыщенную структуру, то данный тип наиболее полно подходит для реализации модели тушения. Подход предполагает составление нечетких «если-то» правил для описания связей между различными параметрами, которые позволяют преодолеть проблему противоречивости и недостатка данных, что в условиях организации тушения пожара является крайне важным. С использованием этих правил и методов дефаззификации, то есть преобразования в четкое число, получатся новые примеры, за счет которых имеющаяся обучающая выборка может быть расширена [13].
ВЫВОДЫ
В статье проанализированы когнитивные возможности лица, принимающего решения в условиях многозадачности, которые прямо влияют на успех действий по тушению пожаров. Учитывая некоторые нормальные физиологические ограничения руководителя ввиду определенных пределов человеческих возможностей, авторы пришли к выводу о целесообразности оптимизации и автоматизации процессов принятия решения посредством применения метода машинного обучения, т.е. применения нейросети как одного из наиболее перспективных общепризнанных направлений машинного обучения на данный момент, таким образом выделив отдельное концептуальное направление развития пожарной науки в области оперативного управления на пожаре определенного типа.
В любом случае, скорость реализации алгоритма принятия решения предварительно качественно обученной нейронной сетью и возможность моментального прогнозирования обстановки на основе текущих данных хотя бы на низком уровне позволит значительно снизить уровень многозадачности организации тушения пожара по повышенному рангу. Фактически, функционально машинные алгоритмы могут позволить сосредотачивать внимание РТП (и, как следствие, тратить меньше времени на принятие решения) не на отдельных задачах, а на их группах. Таким образом, при обеспечении технической возможности передачи одобренных руководителем тушения пожара группы управленческих решений низкого уровня сложности (рутинные обязательные операции), которые может на себя взять нейронная сеть, совокупное время на принятие всех необходимых указаний может быть значительно снижено, что, несомненно, повлияет на скорость тушения пожара и на итоговый ущерб.
References
1. Order EMERCOM of Russia dated 16.10.2017 No. 444 (ed. from 28.02.2020) "On approval of the Combat Charter of Fire Protection Units, which determines the procedure for organizing fire fighting and emergency rescue operations" (Registered with the Ministry of Justice of Russia 20.02.2018 No. 50100).
2. Pranov B.M. Models and methods of automated information processing and their application. In: About one class of problems of optimal allocation of resources. Tver, 1991. Pp. 43-65.
3. Danilov M.M., Tsokurova G.I., Anikin S.N. Model and algorithm for risk management of firefighters' deaths during fire extinguishing at metallurgical enterprises. Computational Nanotechnology. 2021. Vol. 8. No. 3. Pp. 76-85. (In Rus.) DOI: 10.33693/2313-223X-2021-8-3-76-85
5. Антосяк П.П., Волошин А.Ф. О задаче нахождения строгой результирующей ранжировки в виде медианы кемени-снелла // International Book Series "Information Science and Computing". Artificial Intelligence and Decision Making. 2007. Pp. 91-98.
6. Фам Куанг Хиеп, Квятковская И.Ю. Использование медианных распределений для решения задачи оценки конкурентоспособности телекоммуникационных услуг // Изв. ВолгГТУ. Серия: Актуальные проблемы управления, вычислительной техники информатики в технических системах: межвуз. сб. научн. ст. 2014. № 6 (133). Вып. 20. С. 86-91.
7. СП 11.13130.2009. Свод правил. Места дислокации подразделений пожарной охраны. Порядок и методика определения (утв. Приказом МЧС РФ от 25.03.2009 №181) (ред. от 09.12.2010) [Электронный ресурс]. URL: http://docs.cntd.ru/document/1200071155
8. Пожары и пожарная безопасность в 2016 году: статистический сборник / под общ. ред. Д.М. Гордиенко. М.: ВНИИПО, 2017.
125 с.
9. Пожары и пожарная безопасность в 2017 году: статистический сборник / под общ. ред. Д.М. Гордиенко. М.: ВНИИПО, 2018.
126 с.
10. Пожары и пожарная безопасность в 2018 году: статистический сборник / под общ. ред. Д.М. Гордиенко. М.: ВНИИПО, 2019.
127 с.
11. Пожары и пожарная безопасность в 2019 году: статистический сборник / под общ. ред. Д.М. Гордиенко. М.: ВНИИПО, 2020. 82 с.
12. Пожары и пожарная безопасность в 2020 году: статистический сборник / под общ. ред. Д.М. Гордиенко. М.: ВНИИПО, 2021. 114 с.
13. Huang C., Moraga C. A diffusion-neural-network for learning from small samples // International Journal of Approximate Reasoning. 2004. Vol. 35. Pp. 137-161.
4. Charron S., Koechlin E. Divided representation of concurrent goals in the human frontal lobes. Science. 2010. No. 328. P. 360. DOI: 10.1126/science.ll83614.
5. Antosyak PP., Voloshin A.F. On the problem of finding a strict resulting ranking in the form of the Kemeni-Snell's median. In: International Book Series "Information Science and Computing". Artificial Intelligence and Decision Making. 2007. Pp. 91-98.
6. Pham Quang Hiep, Kvyatkovskaya I.Yu. The deployment of distribution median to solveproblems of estimations competitiveness telecommunication services. Izvestia VTSU. Series: Current problems of management, computer engineering and informatics in technical systems: Inter-university. coll. scientific papers. 2014. No. 6 (133). Issue 20. Pp. 86-91.
7. Set of rules. Locations of fire departments. Procedure and method of determination (Ministry of Emergencies of the Russian Federation dated 25.03.2009 No. 181) (ed. from 09.12.2010) [Electronic resource]. URL: http://docs.cntd.ru/document/1200071155
8. Fires and fire safety in 2016: A statistical digest. D.M. Gordienko (gen. ed.). Moscow: VNIIPO, 2017. 125 p.
9. Fires and fire safety in 2017: A statistical digest. D.M. Gordienko (gen. ed.). Moscow: VNIIPO, 2018. 126 p.
10. Fires and fire safety in 2018: A statistical digest. D.M. Gordienko (gen. ed.). Moscow: VNIIPO, 2019. 127 p.
11. Fires and fire safety in 2019: A statistical digest. D.M. Gordienko (gen. ed.). Moscow: VNIIPO, 2019. 82 p.
12. Fires and fire safety in 2020: A statistical digest. D.M. Gordienko (gen. ed.). Moscow: VNIIPO, 2021. 114 p.
13. Huang C., Moraga C. A diffusion-neural-network for learning from small samples. International Journal of Approximate Reasoning. 2004. Vol. 35. Pp. 137-161.
Статья проверена программой Антиплагиат
Рецензент: Коршунов И.В., кандидат технических наук, доцент; начальник пожарно-строевой и газодымозащитной подготовки Академии Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий России
Статья поступила в редакцию 14.02.2022, принята к публикации 19.03.2022 The article was received on 14.02.2022, accepted for publication 19.03.2022
СВЕДЕНИЯ ОБ АВТОРАХ
Денисов Алексей Николаевич, доктор технических наук, профессор; профессор кафедры пожарной тактики и службы в составе УНК пожаротушения ФГБОУ ВО «Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (Академия ГПС МЧС России)». Москва, Российская Федерация. ORCID: 0000-00032594-9389; SPIN: 1845-4634; E-mail: dan_aleks@mail.ru
Данилов Михаил Михайлович, кандидат технических наук; доцент кафедры пожарной тактики и службы в составе УНК пожаротушения ФГБОУ ВО «Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (Академия ГПС МЧС России)». Москва, Российская Федерация. SPIN: 5304-5496; E-mail: mdagps@ yandex.ru
Аникин Сергей Николаевич, адъюнкт кафедры пожарной тактики и службы в составе УНК пожаротушения ФГБОУ ВО «Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (Академия ГПС МЧС России)». Москва, Российская Федерация. ORCID: 0000-0002-8996-0192; SPIN: 9419-3590; E-mail: neytrinos@mail.ru
Цокурова Ирина Григорьевна, адъюнкт кафедры пожарной тактики и службы в составе УНК пожаротушения ФГБОУ ВО «Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий (Академия ГПС МЧС России)». Москва, Российская Федерация. ORCID: 0000-0001-6760-099X; SPIN: 5139-1065; E-mail: venskovskaya@bk.ru
МНОГОМАСШТАБНОЕ МОДЕЛИРОВАНИЕ ДЛЯ УПРАВЛЕНИЯ И ОБРАБОТКИ ИНФОРМАЦИИ MULTISCALE MODELING FOR INFORMATION CONTROL AND PROCESSING ABOUT THE AUTHORS
Denisov N. Alexey, Dr. Sci. (Eng.), Professor; professor at the Department of Fire Tactics and Service (as part of the educational and scientific fire-fighting complex) of the State Fire Academy of Emercom of Russia. Moscow, Russian Federation. ORCID: 0000-0003-2594-9389; SPIN: 1845-4634; E-mail: dan_aleks@mail.ru
Danilov M. Mikhail, Cand. Sci. (Eng.); associate professor at the Department of Fire Tactics and Service (as part of the educational and scientific fire-fighting complex) of the State Fire Academy of Emercom of Russia. Moscow, Russian Federation. ORCID 0000-0003-2732-7620; SPIN: 5304-5496; E-mail: mdagps@yandex.ru
Sergei N. Anikin, postgraduate at the Department of Fire Tactics and Service (as part of the educational and scientific fire-fighting complex) of the State Fire Academy of Emercom of Russia. Moscow, Russian Federation. ORCID 0000-00028996-0192; SPIN 9419-3590; E-mail: neytrinos@mail.ru
Tsokurova G. Irina, postgraduate at the Department of Fire Tactics and Service (as part of the educational and scientific fire-fighting complex) of the State Fire Academy of Emercom of Russia. Moscow, Russian Federation. ORCID 0000-0001-6760-099X; SPIN 5139-1065; E-mail: venskovskaya@bk.ru
