РАЗРАБОТКА И ВНЕДРЕНИЕ СИСТЕМЫ КОМПЛЕКСНОЙ ОЦЕНКИ ПОЖАРНЫХ РИСКОВ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

DEVELOPMENT AND IMPLEMENTATION OF A COMPREHENSIVE FIRE RISK ASSESSMENT SYSTEM AT INDUSTRIAL ENTERPRISES USING ARTIFICIAL INTELLIGENCE METHODS

Polenov Ilya Vladimirovich

Student, Institute of Engineering and Environmental Safety, Togliatti State University,

Russia, Togliatti

АННОТАЦИЯ

В процессе разработки системы оценки пожарных рисков для Свердловской области использовались исторические климатические и природные данные, включающие показатели температуры, влажности, скорости ветра и характеристик растительности. Для построения модели с учетом пространственного разнообразия региона проведена стандартизация и адаптация данных к единому масштабу, что позволило обеспечить корректность анализа и исключить искажения, вызванные различным разрешением исходной информации.

Модель прогнозирования базировалась на алгоритмах машинного обучения, выбранных и адаптированных с учетом специфики пожарной опасности. Были использованы методы классификации, включая решающие деревья, случайный лес и градиентный бустинг, что дало возможность сравнить их эффективность на одинаковых наборах данных. Основное внимание уделялось повышению точности прогнозов классов природной пожарной опасности, что напрямую влияет на своевременность и целенаправленность профилактических мер.

На основе полученных результатов проведена оптимизация алгоритмов путем настроек параметров и внедрения методов снижения переобучения, включая регуляризацию и кросс-валидацию. Также в процессе оптимизации учитывалась вычислительная нагрузка, что позволило адаптировать систему для использования в режиме реального времени при мониторинге пожарных рисков. Оптимизированные модели обладают высокой степенью обобщения и устойчивы к вариациям входных данных, что повышает надежность прогнозирования.

ABSTRACT

In the process of developing a fire risk assessment system for the Sverdlovsk Region, historical climatic and natural data were used, including indicators of temperature, humidity, wind speed, and vegetation characteristics. To build the model, taking into account the spatial diversity of the region, the data were standardized and adapted to a single scale, which made it possible to ensure the correctness of the analysis and eliminate distortions caused by the different resolutions of the source information.

The forecasting model was based on machine learning algorithms selected and adapted taking into account the specific features of fire hazard. Classification methods were used, including decision trees, random forests, and gradient boosting, which made it possible to compare their effectiveness on the same datasets. The main focus was on improving the accuracy of forecasts of classes of natural fire hazard, which directly affects the timeliness and targeted nature of preventive measures.

Based on the obtained results, the algorithms were optimized by adjusting parameters and implementing methods to reduce overfitting, including regularization and cross‑validation. In the optimization process, the computational load was also taken into account, which made it possible to adapt the system for use in real time when monitoring fire risks. Optimized models have a high degree of generalization and are resistant to variations in input data, which increases the reliability of predictions.

Ключевые слова: искусственный интеллект, пожарные риски, обеспечение пожарной безопасности.

Keywords: artificial intelligence, fire risks, fire safety management.

Для решения задачи оценки пожарных рисков применяются разнообразные методы машинного обучения, позволяющие на основе исторических данных выявлять ключевые факторы и предсказывать вероятность возникновения пожаров. К основным алгоритмам относятся методы классификации и регрессии, включая решающие деревья, случайный лес, градиентный бустинг, а также искусственные нейронные сети (ИНС), в частности сверточные и рекуррентные архитектуры. Эти методы различаются по способам обработки данных, устойчивости к шумам и способности выявлять нелинейные зависимости.

Деревья решений и ансамблевые методы, такие как случайный лес и градиентный бустинг, характеризуются прозрачностью моделей и возможностью оценки важности признаков, что особенно ценно для анализа влияния климатических параметров — температуры, влажности и скорости ветра. Однако они могут страдать от переобучения при недостаточно представленном разнообразии данных и имеют ограничения по выявлению сложных пространственно-временных взаимосвязей.

Искусственные нейронные сети демонстрируют высокую адаптивность, особенно при обработке многомерных и последовательных данных. Сверточные нейронные сети (CNN) эффективно извлекают признаки из спутниковых изображений и картографических данных, что позволяет прогнозировать динамику развития пожара на основе визуальной информации. Рекуррентные нейронные сети (RNN) и их модификации, такие как LSTM и GRU, применяются для моделирования временных зависимостей и предсказания распространения огня во времени. В то же время глубокие нейронные сети требуют больших объемов данных и значительных вычислительных ресурсов, а также подвержены проблемам "затухающего градиента" и переобучению без грамотной регуляризации.

Стохастические модели, включая модели на основе цепей Маркова, используются для учета случайных факторов развития пожаров. Они дополняют детерминированные модели машинного обучения, моделируя вероятности перехода между фазами развития пожара и позволяя улучшить качество прогнозов этапов распространения огня. Такая интеграция позволяет создавать системы поддержки принятия решений, которые оценивают ранг пожара и фазы его развития, обеспечивая оперативное управление ресурсами по пожаротушению.

Для улучшения качества обучения моделей применяется также системный анализ и фильтрация входных данных, включая методы обработки изображений и агрегацию метеоданных по разным временным интервалам. Кроме того, критериальное оценивание моделей проводится по метрикам точности, полноты, F1-мере, а также по ошибкам среднеквадратичного отклонения и средней абсолютной ошибки в прогнозах температуры и влажности воздуха, что подтверждает высокую точность и надежность построенных алгоритмов.

Важной задачей является интеграция моделей и их адаптация к различным пространственным разрешениям данных. Исторические данные часто обладают неоднородной детализацией: погодные станции имеют точки измерения с разным охватом, спутниковые данные поступают с различным уровнем пространственного и временного разрешения. Для адекватного прогнозирования пожарных рисков необходимо применять методы регуляризации и агрегации данных, адаптирующие алгоритмы к конкретным масштабам. Это позволяет повысить универсальность и точность моделей, улучшая способность системы к локализованному прогнозированию и определению приоритетных территорий с повышенной пожарной опасностью [1].

Выбор алгоритмов машинного обучения велся с ориентацией на баланс точности прогнозов и интерпретируемости модели для принятия решений. Были отобраны несколько методов классификации: ансамблевый случайный лес, градиентный бустинг и глубокие нейронные сети с несколькими скрытыми слоями. Для нейросетевой модели применялись полносвязные архитектуры с использованием функций активации ReLU и механизмов регуляризации (dropout, L2-регуляризация) для предотвращения переобучения. В отличие от стандартных реализаций, сеть была адаптирована путем включения временных паттернов через оконные срезы данных, что позволяет учитывать временную зависимость развития пожарных условий. В реализации использовался фреймворк Keras с TensorFlow, что обеспечивало гибкость в тестировании вариантов архитектуры и быструю гиперпараметрическую настройку [1].

Особое внимание уделялось нормализации и предварительной обработке признаков, поскольку разнородность параметров и их масштабы требовали стандартизации с помощью методов Min-Max Scaling и Z-преобразования. Для борьбы с дисбалансом классов пожарной опасности был использован метод синтетического расширения данных (SMOTE), что обеспечило повышение точности распознавания редких, но критичных классов высокой опасности. Кроме того, выполнялась процедура отбора признаков с использованием важности признаков, получаемой из ансамблевых моделей, что позволило исключить избыточные или коррелированные признаки и сосредоточить обучение на наиболее информативных.

Важным аспектом в разработке стало создание системы, способной быстро обрабатывать новые данные в режиме реального времени и выдавать прогнозы для отдельных территорий. Для этого алгоритмы были интегрированы с СУБД Microsoft SQL Server, что позволило автоматизировать подготовку признаков, хранение промежуточных результатов и оперативную генерацию прогнозов. Такой подход обеспечил максимальную производительность и масштабируемость системы для работы с объемами данных, характерными для мониторинга всей Свердловской области [2].

Список литературы:

1. Плотникова А.С. ШКАЛА ПРИРОДНОЙ ПОЖАРНОЙ ОПАСНОСТИ ЛЕСНЫХ ЭКОСИСТЕМ И. С. МЕЛЕХОВА. ОБЗОР СОВРЕМЕННЫХ РОССИЙСКИХ МЕТОДИЧЕСКИХ ПОДХОДОВ // Вопросы лесной науки. 2021. №2. URL: https://cyberleninka.ru/article/n/shkala-prirodnoy-pozharnoy-opasnosti-lesnyh-ekosistem-i-s-melehova-obzor-sovremennyh-rossiyskih-metodicheskih-podhodov (дата обращения: 28.05.2025).
2. Сингх Санни, Прибыльский Алексей Васильевич, Косенко Евгений Юрьевич РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ СИТУАЦИЙ // Известия Южного федерального университета. Технические науки. 2025. №1 (243). URL: https://cyberleninka.ru/article/n/razrabotka-i-issledovanie-algoritmov-prognozirovaniya-pozharoopasnyh-situatsiy (дата обращения: 07.06.2026).