Et billede fra NIST's Burn Observation Bubble (BOB) af en brændende struktur under et eksperiment, et minut før flashover. Kredit:NIST
Ved brandslukning er de værste flammer dem, man ikke ser komme. Midt i kaosset i en brændende bygning er det svært at lægge mærke til tegnene på forestående flashover – et dødbringende brandfænomen, hvor næsten alle brændbare genstande i et rum pludselig antændes. Flashover er en af de førende årsager til brandmandsdødsfald, men ny forskning tyder på, at kunstig intelligens (AI) kan give førstehjælpere en tiltrængt heads-up.
Forskere ved National Institute of Standards and Technology (NIST), Hong Kong Polytechnic University og andre institutioner har udviklet en Flashover Prediction Neural Network (FlashNet) model til at forudsige de dødelige begivenheder, som er dyrebare sekunder, før de bryder ud. I en ny undersøgelse offentliggjort i Engineering Applications of Artificial Intelligence, FlashNet kunne prale af en nøjagtighed på op til 92,1 % på tværs af mere end et dusin almindelige boligplaner i USA og kom ud på toppen, når de gik head-to-head med andre AI-baserede flashover-forudsigelsesprogrammer.
Flashovers har en tendens til pludselig at blusse op ved cirka 600 grader Celsius (1.100 grader Fahrenheit) og kan derefter få temperaturerne til at skyde yderligere op. For at foregribe disse hændelser er eksisterende forskningsværktøjer enten afhængige af konstante strømme af temperaturdata fra brændende bygninger eller bruger maskinlæring til at udfylde de manglende data i tilfælde af, at varmedetektorer bukker under for høje temperaturer.
Indtil nu er de fleste maskinlæringsbaserede forudsigelsesværktøjer, inklusive et, som forfatterne tidligere har udviklet, blevet trænet til at fungere i et enkelt, velkendt miljø. I virkeligheden har brandmænd ikke råd til sådan luksus. Når de stormer ind i fjendtligt territorium, ved de måske lidt eller intet om grundplanen, placeringen af brand eller om døre er åbne eller lukkede.
"Vores tidligere model skulle kun overveje fire eller fem rum i ét layout, men når layoutet skifter, og du har 13 eller 14 værelser, kan det være et mareridt for modellen," sagde NIST maskiningeniør Wai Cheong Tam, co-first. forfatter til den nye undersøgelse. "For anvendelse i den virkelige verden mener vi, at nøglen er at gå over til en generaliseret model, der fungerer til mange forskellige bygninger."
For at klare variabiliteten af virkelige brande forstærkede forskerne deres tilgang med grafiske neurale netværk (GNN), en slags maskinlæringsalgoritme, der er god til at foretage vurderinger baseret på grafer af knudepunkter og linjer, der repræsenterer forskellige datapunkter og deres relationer til en en anden.
"GNN'er bruges ofte til estimeret ankomsttidspunkt, eller ETA, i trafikken, hvor du kan analysere 10 til 50 forskellige veje. Det er meget kompliceret at bruge den slags information ordentligt samtidigt, så det var der, vi fik ideen til at bruge GNN'er," sagde Eugene Yujun Fu, en forskningsassistent professor ved Hong Kong Polytechnic University og studie medførsteforfatter. "Med undtagelse af vores applikation, kigger vi på værelser i stedet for veje og forudsiger flashover-hændelser i stedet for ETA i trafikken."
Forskerne simulerede digitalt mere end 41.000 brande i 17 slags bygninger, hvilket repræsenterer størstedelen af den amerikanske boligbygningsmasse. Ud over indretningen varierede faktorer som brandens opståen, møbeltyper og om døre og vinduer var åbne eller lukkede hele vejen igennem. De forsynede GNN-modellen med et sæt på næsten 25.000 brandsager til brug som studiemateriale og derefter 16.000 til finjustering og endelig test.
På tværs af de 17 slags hjem afhang den nye models nøjagtighed af mængden af data, den skulle tygge på, og den ledetid, den søgte at give brandmændene. Men modellens nøjagtighed – i bedste fald 92,1 % med 30 sekunders gennemløbstid – overgik fem andre maskinlæringsbaserede værktøjer, inklusive forfatternes tidligere model. Kritisk set producerede værktøjet de mindst falske negativer, farlige tilfælde, hvor modellerne ikke formår at forudsige et forestående flashover.
Forfatterne kastede FlashNet ind i scenarier, hvor det ikke havde nogen forudgående information om detaljerne i en bygning og ilden, der brændte inde i den, svarende til den situation, brandmænd ofte befinder sig i. I betragtning af disse begrænsninger var værktøjets ydeevne ret lovende, sagde Tam. Forfatterne har dog stadig en vej at gå, før de kan tage FlashNet over målstregen. Som et næste skridt planlægger de at kampteste modellen med data fra den virkelige verden i stedet for simulerede.
"For fuldt ud at teste vores models ydeevne, er vi faktisk nødt til at bygge og brænde vores egne strukturer og inkludere nogle rigtige sensorer i dem," sagde Tam. "I sidste ende er det et must, hvis vi ønsker at implementere denne model i rigtige brandscenarier." + Udforsk yderligere