火灾事故，尤其是发生在摩天大楼高密度建筑中，突显消防安全系统必须更智能、快速和可靠，并需针对高科技建筑情境量身打造。在分秒必争、风险更高的智能建筑中，传统的火灾侦测和反应模式已难以满足需求。
香港理工大学（理大）建筑环境及能源工程学系建筑科学和消防安全工程讲座教授Asif Sohail Usmani教授及其研究团队，提出创新方法：结合人工智能物联网（AIoT）与数位孪生，以实现超即时的火灾预测与管理，来应对这些挑战。
人工智能物联网 (AIoT) 是人工智能 (AI) 和物联网 (IoT) 的融合。物联网是一个从感测器收集数据并经由互联网传输数据的网路。它已被广泛应用于火灾侦测系统，用于收集烟雾、温度和气体等即时数据，并优化紧急应变的支援。当人工智能被嵌入物联网后，系统便能进一步分析和学习数据，从而提升预测的准确性。数位孪生是实体物件或系统的虚拟表示（虚拟孪生）；它透过即时数据驱动，能精确反映现实状态。
整合人工智能物联网的数位孪生系统，旨在弥合零散的感测器数据与全面态势感知之间的落差，让决策者得以在复杂的建筑环境中预测火灾动态，并协调有效的应对行动。此研究以「基于人工智能物联网的建筑数位孪生：智能消防与超即时火灾预测」为题，已发表于《先进工程资讯学》(Advanced Engineering Informatics) 期刊。
物联网硬体与人工智能的整合，能够快速检测火灾风险、支援自动化安全应变，并为数位孪生环境中的超即时预测与决策奠定基础，使相关部署得以在重大事件发生前提前启动。
研究团队开发了混合深度学习模型——自动解码器－长短期记忆神经网路 (ADLSTM-Fire)，用于处理这些感测器数据，重建高维温度场，并可提前 60 秒预测未来变化趋势。该模型结合自动解码器和长短期记忆神经网络，将稀疏的感测输入转换为更细致的火灾蔓延时空分布图。这种预测能力对于智能建筑至关重要，及早预警和动态风险评估，可以防止火势升级并指导疏散策略。
系统的资讯互动采用多层式架构管理，涵盖实体感测、虚拟资料处理和使用者应用介面。感测器资料先传送到本机路由器，并上传到云端伺服器，自动解码器－长短期记忆神经网路模型在数位孪生平台上运行。该平台同时与建筑资讯模型整合，提供友善介面以视觉化温度分布、辨识高风险区域，并发出实体介入指令。模组化设计确保硬体、软体和使用者之间顺畅沟通，支援即时监控和策略决策。
数值模拟和实际实验的测试结果显示，系统具备良好准确性和稳健性。即时重建模型的准确率达93%，而自动解码器－长短期记忆神经网路的高阶预测模型准确率达92%。这两个模型均能在低于0.5秒的推理时间内预测温度场的时空演变，提供对火灾动态的超即时洞察。
人工智能物联网与数位孪生的整合，标志智能建筑消防安全的重要进展。 自动解码器－长短期记忆神经网路模型展现的准确性、速度和适应性，突显其在增强城市韧性、降低火灾伤亡、以及支持建设更安全、更智能城市的潜力。随着研究持续优化模型并拓展其应用范围，基于人工智能物联网的消防安全系统，有望成为未来城市基础设施的重要组成。
Usmani教授在消防安全工程和结构消防工程领域拥有逾30年的研究经验。 2020年，他领导的研究项目「SureFire: 智慧城市灾害防控和火灾应急研究」，获得香港研究资助局「主题研究计画」资助。作为FireGrid的扩展，SureFire主要针对大型建筑隔间（例如香港常见的摩天大楼）进行研发。
本研究所整合的人工智能物联网数位孪生系统，亦是 SureFire 系统的一部分。研究团队题为「引入主动开放策略以缓解大型开放平台带来的问题」的论文，荣获 2026 年 Philip Thomas 卓越奖章，该奖项旨在表彰在 2023 年国际消防安全科学协会 (IAFSS) 会议上发表的最佳论文。
资料来源: Innovation Digest 7
