随着城市化进程的加快，高层建筑已成为城市基础设施的主要形式。统计数据显示，在中国发达城市中，这类建筑约占所有建筑的20%，形成了高密度的建筑环境[1]。然而，极高的垂直高度和复杂的布局带来了严重的风险。最近的研究已经超越了一般性描述，开始量化这些具体机制。Ivanov和Chow[2]通过全尺寸实验揭示了垂直疏散中的延迟现象。Wang等人[3]展示了楼梯几何形状如何决定疏散瓶颈的形成。Zhang等人[4]强调了多尺度时空原理对全局安全的重要性。因此，尽管确保疏散安全对城市韧性至关重要，但由于这些环境和风险因素的复杂耦合，这仍然是一项艰巨的任务。
为应对这种复杂性，必须解决高层建筑疏散所固有的根本挑战。主要困难包括漫长的垂直距离、复杂的室内环境以及庞大的人群互动[5]。Proulx[6]和Kuligowski[7]的开创性工作早已表明，这些物理限制与人类行为密不可分，他们指出疏散前的延迟和决策过程与行走速度同样重要。居民必须在有限的楼梯间内移动，这会增加疏散时间并造成瓶颈[8]。Peacock等人[9]通过实证数据进一步证明，行人密度与楼梯间几何形状的相互作用显著影响移动速度。此外，来自不同楼层的疏散流在楼梯间内会产生复杂的合并行为。正如Ivanov和Chow[10]在最近的一篇综述中总结的那样，现代室内环境中的这些耦合复杂性需要更具适应性的建模方法，以同时考虑物理和行为因素。
至关重要的是，疏散安全不仅取决于最初的建筑设计，还受到持续设施管理（FM）的显著影响。正如Ivanov等人[11]指出的，运营阶段——包括出口路线的维护、标志的可见性以及空间利用的变化——在疏散性能中起着关键作用。不良的设施管理可能会抵消精心设计的疏散计划带来的好处，在实际紧急情况下产生不可预见的障碍。因此，一个有效的评估工具必须足够灵活，以适应FM团队管理的这些动态空间变化。
基于性能的设计（PBD）已成为应对这些安全挑战的标准工程方法[12]。在评估消防安全时，可用安全疏散时间（ASET）与所需安全疏散时间（RSET）之间的关系是疏散安全的关键决定因素[13]。ASET表示环境在安全疏散期间保持可行的持续时间，其指标包括温度（<60°C）、二氧化碳浓度（<1000 ppm）和能见度（>10 m），这些指标是在距地面2米的高度测量的[14]。而RSET则包括居民识别、响应并疏散到安全区域所需的总时间[15]。根据香港《建筑物消防安全规范》等权威法规[16]的定义，PBD允许工程师利用计算模拟来证明ASET足以让所有居民在不可承受的条件出现之前到达安全地点，通常以RSET来量化。
为此，广泛采用了各种模拟方法，这些方法主要可以分为宏观模型（如流体动力学模型等）和微观模型（如社会力模型、元胞自动机等）[17]。在微观建模领域，Pelechano和Malkawi[18]通过将心理因素纳入基于代理的模型中，显著推进了该领域的发展，展示了人类认知如何影响路线选择和疏散效率。由于计算效率的原因，微观模型被更广泛地用于研究疏散过程[19]。Tan等人[20]提出了一种基于核力理论的改进型SFM，用于低能见度条件。Li等人[21]将FDS与CA模型结合，重现了克拉玛依火灾疏散情况。通过克服实验困难和伦理限制，这些模拟方法显著提高了对耦合紧急情况下行人动态的理解[22]。
然而，当前的PBD法规往往影响了模拟研究的重点。正如BS 7974[23]和GB 50016[24]等标准所规定的，RSET的计算通常以到达受保护出口（例如楼梯间围护结构）所需的时间为基准。因此，许多先前的研究都集中在特定楼层的疏散上。然而，鉴于高层建筑的极端垂直高度，居民在楼梯间停留的时间较长，使得这些区域的安全同样重要[25]。从上层向下疏散的居民会导致下层居民的拥堵，从而显著减慢整个疏散过程[26]。因此，准确捕捉上下楼层之间行人流动的合并效应对于分析瓶颈形成和整体疏散效率至关重要[27]、[28]。
像Pathfinder这样的商业软件已被广泛用于建模多层疏散和楼梯间合并效应[29]。然而，传统的模拟方法通常需要较高的编程技能或手动定义几何形状。将复杂场景转换为疏散模型既耗时又具有挑战性[30]。尽管现有的工具能够提供准确的结果，但从原始平面图手动构建模拟环境仍然是一个劳动密集型过程，限制了早期设计阶段所需的快速迭代[31]。对于多层或高层建筑，复杂的楼层布局和楼层间的关系对PBD工作的效率提出了重大挑战。随着计算机技术的发展，AI工具已被应用于辅助设计转换和疏散预测，为加速疏散建模和安全评估提供了新的方法[32]、[33]。
深度学习的集成提供了一种强大的解决方案，可以自动化地将建筑图纸转换为适合模拟的环境。ControlNet是一种基于适配器的神经网络架构，旨在通过结合特定于任务的空间约束来增强大规模预训练的扩散模型[34]。与可能在结构保真度方面遇到困难的标准化生成模型不同，它还通过学习边缘图、分割掩码或建筑草图与其相应语义特征之间的条件映射，保持了严格的空间一致性[35]。在疏散建模的背景下，这允许直接从原始平面图图像中精确提取拓扑关系和墙体边界约束，从而有效防止在语义解释阶段丢失几何精度，确保最终的疏散环境具有高保真度[36]。
本研究提出了一种用于高层建筑行人疏散建模的扩展元胞自动机（CA）模型。与传统的手动建模方法不同，它结合了ControlNet特征提取模块，自动从建筑平面图中解释语义信息，并简化了CA模型中的疏散场景建模。同时，构建了一个多楼层CA框架，可以根据特定的工程设计需求扩展到任意数量的建筑楼层。该框架可以同时显示楼层内和楼层间的行人疏散情况，为安全评估提供多维和全面的信息，为智能基于性能的设计开发提供了理论基础和工具支持。
