Details

Данная работа посвящена разработке интеллектуальной модели эвакуации, основанной на алгоритмах обучения с подкреплением с интеграцией опасных факторов пожара. В работе рассматриваются особенности распространения пожара в судовых помещениях, влияние температурного воздействия, задымления и токсичных продуктов горения на человека, а также методы математического моделирования этих процессов. В рамках исследования реализована цифровая модель помещения дизельного отсека учебно-тренировочного комплекса, на которой проведено полевое моделирование пожара с использованием программного пакета FDS и суперкомпьютерных вычислений. Полученные данные легли в основу среды обучения для RL-агентов, способных учитывать динамику распространения опасных факторов при выборе эвакуационного маршрута. Разработан и протестирован алгоритм обучения с подкреплением с учетом параметров окружающей среды, влияющих на здоровье и способность к эвакуации. Проведён сравнительный анализ результатов с классическими методами поиска пути. Показано, что предложенный подход позволяет формировать более безопасные и адаптивные маршруты эвакуации в условиях неопределённости. Работа имеет практическую значимость для разработки интеллектуальных противопожарных систем и может быть использована в судостроении, гражданской защите и смежных отраслях.

This work is devoted to the development of an intelligent evacuation model based on reinforcement learning algorithms with the integration of fire hazards. The work considers the peculiarities of fire propagation in shipboard spaces, the influence of temperature effects, smoke and toxic products of combustion on humans, as well as methods of mathematical modelling of these processes. Within the framework of the research a digital model of the diesel compartment of the training complex was implemented, on which the field modelling of the fire was carried out using the FDS software package and supercomputer calculations. The obtained data formed the basis of a training environment for RL-agents capable of taking into account the dynamics of hazard propagation when choosing an evacuation route. A reinforcement learning algorithm with consideration of environmental parameters affecting health and evacuation ability was developed and tested. A comparative analysis of the results with classical pathfinding methods is carried out. It is shown that the proposed approach allows to form safer and more adaptive evacuation routes in conditions of uncertainty. The work has practical significance for the development of intelligent fire protection systems and can be used in shipbuilding, civil defence and related industries.