火災事故，尤其是發生在摩天大樓高密度建築中，突顯消防安全系統必須更智能、快速和可靠，並需針對高科技建築情境量身打造。在分秒必爭、風險更高的智能建築中，傳統的火災偵測和反應模式已難以滿足需求。
香港理工大學（理大）建築環境及能源工程學系建築科學和消防安全工程講座教授Asif Sohail Usmani教授及其研究團隊，提出創新方法：結合人工智能物聯網（AIoT）與數位孿生，以實現超即時的火災預測與管理，來應對這些挑戰。
人工智能物聯網 (AIoT) 是人工智能 (AI) 和物聯網 (IoT) 的融合。物聯網是一個從感測器收集數據並經由互聯網傳輸數據的網路。它已被廣泛應用於火災偵測系統，用於收集煙霧、溫度和氣體等即時數據，並優化緊急應變的支援。當人工智能被嵌入物聯網後，系統便能進一步分析和學習數據，從而提升預測的準確性。數位孿生是實體物件或系統的虛擬表示（虛擬孿生）；它透過即時數據驅動，能精確反映現實狀態。
整合人工智能物聯網的數位孿生系統，旨在彌合零散的感測器數據與全面態勢感知之間的落差，讓決策者得以在複雜的建築環境中預測火災動態，並協調有效的應對行動。此研究以「基於人工智能物聯網的建築數位孿生：智能消防與超即時火災預測」為題，已發表於《先進工程資訊學》(Advanced Engineering Informatics) 期刊。
物聯網硬體與人工智能的整合，能夠快速檢測火災風險、支援自動化安全應變，並為數位孿生環境中的超即時預測與決策奠定基礎，使相關部署得以在重大事件發生前提前啟動。
研究團隊開發了混合深度學習模型——自動解碼器－長短期記憶神經網路 (ADLSTM-Fire)，用於處理這些感測器數據，重建高維溫度場，並可提前 60 秒預測未來變化趨勢。該模型結合自動解碼器和長短期記憶神經網絡，將稀疏的感測輸入轉換為更細緻的火災蔓延時空分佈圖。這種預測能力對於智能建築至關重要，及早預警和動態風險評估，可以防止火勢升級並指導疏散策略。
系統的資訊互動採用多層式架構管理，涵蓋實體感測、虛擬資料處理和使用者應用介面。感測器資料先傳送到本機路由器，並上傳到雲端伺服器，自動解碼器－長短期記憶神經網路模型在數位孿生平台上運行。該平台同時與建築資訊模型整合，提供友善介面以視覺化溫度分佈、辨識高風險區域，並發出實體介入指令。模組化設計確保硬體、軟體和使用者之間順暢溝通，支援即時監控和策略決策。
數值模擬和實際實驗的測試結果顯示，系統具備良好準確性和穩健性。即時重建模型的準確率達93%，而自動解碼器－長短期記憶神經網路的高階預測模型準確率達92%。這兩個模型均能在低於0.5秒的推理時間內預測溫度場的時空演變，提供對火災動態的超即時洞察。
人工智能物聯網與數位孿生的整合，標誌智能建築消防安全的重要進展。 自動解碼器－長短期記憶神經網路模型展現的準確性、速度和適應性，突顯其在增強城市韌性、降低火災傷亡、以及支持建設更安全、更智能城市的潛力。隨著研究持續優化模型並拓展其應用範圍，基於人工智能物聯網的消防安全系統，有望成為未來城市基礎設施的重要組成。
Usmani教授在消防安全工程和結構消防工程領域擁有逾30年的研究經驗。 2020年，他領導的研究項目「SureFire: 智慧城市災害防控和火災應急研究」，獲得香港研究資助局「主題研究計畫」資助。作為FireGrid的擴展，SureFire主要針對大型建築隔間（例如香港常見的摩天大樓）進行研發。
本研究所整合的人工智能物聯網數位孿生系統，亦是 SureFire 系統的一部分。研究團隊題為「引入主動開放策略以緩解大型開放平台帶來的問題」的論文，榮獲 2026 年 Philip Thomas 卓越獎章，該獎項旨在表彰在 2023 年國際消防安全科學協會 (IAFSS) 會議上發表的最佳論文。
資料來源: Innovation Digest 7
