Odhad doby potřebné k evakuaci měkkých cílů v reálném čase pomocí surogačních modelů založených na strojovém učení

Abstract

Integrací moderních metod strojového učení a modelování evakuace budov lze testovat nové postupy při odhadování vývoje krizových mimořádných událostí pro jejich efektivní zdolání. Dosavadní využití simulací evakuačních modelů spočívá zejména v projektové fázi výstavby, v rámci které tyto modely umožňují analyzovat různá variantní řešení stavby z hlediska efektivity evakuace. Současnou výzvou v této oblasti je využití výstupů simulací při mimořádné události v provozní fázi, pro které nejsou primárně určeny. Nahrazením výpočetního procesu simulací odhady jejich výstupů v reálném čase lze získat cenné informace se zohledněním aktuálních podmínek v budově (např. počtu osob a jejich pozice) pro efektivní rozhodování managementu či bezpečnostních složek při nastalé evakuaci a zmírnění negativních dopadů mimořádné události. V disertační práci je testováno nahrazení simulací evakuačního modelu odhady poskytovanými regresními modely strojového učení v reálném čase trénovaných na syntetické množině simulací (tzv. surogační evakuační modely). Testování bylo realizováno na základních úlohách a následně na komplexních úlohách evakuace budovy a silničních tunelů. Bylo prokázáno, že modely strojového učení dokáží dostatečně přesně odhadovat dobu potřebnou pro evakuaci na scénářích, kde se vyskytují kongesce a v případě rozšířené trénovací množiny i na scénářích s vysokou mírou variability. Modely umělých neuronových sítí se v rámci všech testovaných modelů ukázaly jako nejpřesnější z hlediska všech scénářů. Výsledky práce odkryly potenciál navrženého postupu pro jeho možné uplatnění v praxi.

By integrating modern methods of machine learning and building evacuation modeling, it is possible to test new approaches for estimating the development of emergency crisis events to manage them more effectively. So far, the use of evacuation simulation models has been primarily in the design phase of construction projects, where such models enable the analysis of different building design variants in terms of evacuation efficiency. A current challenge in this field is the application of simulation outputs during emergencies in the operational phase, for which these models are not primarily intended. By replacing the simulation computation process with real-time estimations of their outputs, it is possible to obtain valuable information that reflects current building conditions (e.g., the number and location of occupants) to support effective decisionmaking by management or emergency services during evacuation and to mitigate the negative impacts of the emergency. The dissertation tests the replacement of evacuation model simulations with realtime estimates provided by machine learning regression models trained on synthetic simulation datasets (so-called surrogate evacuation models). The testing was carried out on basic tasks and subsequently on complex evacuation scenarios in buildings and road tunnels. It was demonstrated that machine learning models can estimate the time required for evacuation with sufficient accuracy in scenarios with congestion, and—with an extended training dataset—even in highly variable scenarios. Among all the tested models, artificial neural networks proved to be the most accurate across all scenarios. The results revealed the potential of the proposed approach for possible real-world application.