P-Flash использует искусственный интеллект тушить пожары

Смертельное явление, известное как «вспышка», возникает, когда горючие материалы в помещении воспламеняются почти одновременно. Слепое пятно для пожарных, событие вызывает пламя, ограниченное только количеством доступного кислорода.

Новый инструмент под названием P-Flash оценивает, когда перекрытие неизбежно. Эта технология, разработанная исследователями из Национального института стандартов и технологий (NIST), также предоставляет аварийным службам предупреждения о перекрытии.

Что такое Flashover?

Вспышки особенно опасны, потому что есть несколько предупредительных знаков, которые могли бы помочь пожарным обнаружить их заранее. Некоторые индикаторы перекрытия, такие как все более интенсивный жар или катящееся по потолку пламя, легко не заметить в условиях плохой видимости и высокого стресса при спасательных операциях.

«Я не думаю, что у пожарной службы есть много технологических инструментов, которые предсказывают возгорание на месте происшествия», — сказал исследователь NIST Кристофер Браун , который также служит пожарным-добровольцем. «Наш главный инструмент — просто наблюдение, и оно может быть очень обманчивым. Снаружи все выглядит так, а когда попадаешь внутрь, все может быть совсем по-другому».

Модель прогнозирования перекрытия, или P-Flash, извлекает данные из массива ближайших тепловых извещателей, в том числе в соседних комнатах, для получения данных о температуре в помещении, где возник пожар, и оценки вероятности перекрытия.

Что такое P-Flash?

Модель, разработанная Национальным институтом стандартов и технологий США (NIST), предсказала неизбежные перекрытия в более чем тысяче смоделированных пожаров и более чем дюжине реальных пожаров. Экспериментальная оценка, только что опубликованная в Proceedings of the AAAI Conference on Artificial Intelligence , предполагает, что модель дает надежный прогноз при прогнозировании смоделированных пробоев.

Согласно отчету, производительность модели составляет приблизительно 83 % и 81 %, соответственно, для текущего и будущего возникновения пробоя, учитывая отказ теплового датчика при температуре 150 ̊C.

Тепловые извещатели, которые обычно устанавливаются в коммерческих зданиях и могут использоваться в домах вместе с дымовыми извещателями, по большей части должны работать только при температурах до 150 ̊C (302 градуса по Фаренгейту), что намного ниже 600 ̊C (1100 градусов по Фаренгейту). ), при котором обычно начинает происходить перекрытие. Чтобы восполнить пробел, возникший из-за отсутствия данных, исследователи Национального института стандартов и технологий применили форму искусственного интеллекта, известную как машинное обучение.

«Вы теряете данные, но у вас есть тенденция до отказа теплового датчика, и у вас есть другие датчики. С помощью машинного обучения вы можете использовать эти данные в качестве отправной точки для экстраполяции того, произойдет ли перекрытие или уже произошло», — сказал инженер-химик NIST Томас Клири, соавтор исследования.

Сжигание дома (...фактически)

Алгоритмы машинного обучения используют большие объемы данных для прогнозирования результатов. Однако для получения большого количества информации о домашних пожарах требуется цифровое жилище:имитация горящего одноэтажного дома в стиле ранчо с тремя спальнями.

Чтобы построить P-Flash, Клири и его коллеги передали алгоритму данные о температуре от тепловых детекторов из виртуального дома — самого распространенного типа дома в большинстве штатов. Команда несколько раз сжигала это виртуальное здание — на самом деле, запустив 5041 симуляцию — с использованием консолидированной модели переноса огня и дыма NIST или CFAST , программа моделирования пожара, подтвержденная реальными экспериментами с огнем.

Каждая из 5000 с лишним симуляций имела небольшие, но важные вариации. Окна и двери в спальни были случайным образом открыты или закрыты. Мебель приходила и уходила, и перемещалась. Входная дверь открылась и закрылась.

Тепловые датчики, размещенные в комнатах, выдавали данные о температуре до тех пор, пока они неизбежно не отключались из-за сильной жары.

Чтобы узнать о способности P-Flash предсказывать перекрытия после выхода из строя тепловых извещателей, исследователи разделили смоделированные записи температуры, что позволило алгоритму учиться на наборе из 4033, оставляя остальные вне поля зрения. Затем команда проверила P-Flash на 504 симуляциях, настроив модель на основе своих предположений.

Исследователи обнаружили, что модель правильно предсказала вспышки за одну минуту примерно для 86% смоделированных пожаров. Многие из промахов, по словам команды, были ложными срабатываниями, которые предсказывали вспышку в неточно раннем моменте, но, по крайней мере, не давали пожарным ложного чувства безопасности.

Тестирование с использованием реальных данных (и реальных пожаров)

Кроме того, NIST дополнительно протестировал P-Flash, сравнив его прогнозируемые данные о температуре с температурами, измеренными в 13 реальных пожарах, специально зажженных во время экспериментов Underwriters Laboratories (UL).

Используя температурные данные из экспериментов UL, P-Flash, пытаясь предсказать перекрытие за 30 секунд, хорошо показал себя, когда пожар начался на открытых площадках, таких как кухня или гостиная. Однако когда в спальне за закрытыми дверями начинался пожар, модель почти никогда не могла сказать, когда возгорание было неизбежным.

Команда определила явление, называемое эффектом ограждения, как возможное объяснение резкого падения точности. Когда огонь горит в небольших закрытых помещениях, тепло практически не рассеивается, поэтому температура поднимается быстро — быстрее, чем пожары в открытых лабораторных помещениях, которые предоставили данные для раннего обучения P-Flash.

Следующая задача исследователей — провести больше полномасштабных экспериментов, которые сосредоточатся на эффекте ограждения и представят его в моделировании. С улучшениями команда надеется встроить систему в портативные устройства, которые связываются с детекторами в здании через облако, уведомляя спасателей об опасных местах и ​​о том, когда пора выходить.

В электронном интервью журналу Tech Briefs Инженер NIST Томас Клири объясняет, когда, по его мнению, пожарные смогут использовать эту модель. Клири ответил вместе со своими коллегами Кристофером Брауном, Джонатаном Гриффином, Энди Тэмом и Энтони Путорти.

Технические обзоры :Как «сжечь виртуальное здание»? Это кажется очень интересной задачей. Что вы каждый раз меняете в здании? И как это влияет на вашу модель?

Томас Клири: Такая модель, как P-Flash, обучается с использованием больших наборов данных из различных сценариев пожаров. Сгенерировать необходимый объем данных из реальных пожаров нереально, поэтому мы используем компьютерные модели пожаров. В частности, модель пожара NIST, CFAST, используется для имитации пожаров в смоделированном «виртуальном» здании.

Для фиксированной планировки здания мы включаем широкий спектр возгораний, от медленных до сверхбыстрорастущих пожаров, и варьируем их расположение и условия открытия вентиляционных отверстий (например, двери и окна), чтобы имитировать то, что правдоподобно при реальных пожарах.

Приблизительно 5000 смоделированных пожаров с возникновением пробоя используются для обучения P-Flash, чтобы он изучил полезные тенденции и закономерности для сопоставления условий пробоя с ограниченной информацией о температуре.

Технические обзоры : Что вдохновило на эту идею? Какие современные технологии могут помочь пожарным справиться с возгоранием?

Томас Клири: Вдохновением для нашего текущего исследования послужили предыдущие исследования ^[1] . расследование отправки состояния панели управления пожарной сигнализацией и информации от детекторов дыма и тепла в пожарную службу по пути к месту пожара, чтобы они имели представление о местонахождении пожара и его распространении до прибытия. Естественным расширением является использование данных детекторов в предиктивной манере для обеспечения прогнозирования. Другое исследование NIST с использованием модели пожара CFAST в моделировании сценариев пожара методом Монте-Карло показало, что большие наборы данных для машинного обучения/ИИ легко получить с помощью компьютерного моделирования пожара.

В настоящее время пожарные полагаются на свои чувства, подготовку или, в лучшем случае, на портативные тепловизионные датчики или тепловизионные камеры, чтобы получить представление о возможном переходе к перекрытию. К сожалению, нужно находиться в комнате или рядом с ней, в которой приближается вспышка, чтобы иметь возможность распознать опасность.

Подробнее о технологиях пожаротушения в технических бюллетенях

Блог :на куртке пожарного датчик слежения с автономным питанием принимает на себя тепло

Подкаст :Взгляд назад на робота-первопроходца «Мэнни» — друга пожарного

Технические обзоры :Что вы слышали от пожарных об их проблемах с перекрытием?

Томас Клири: В настоящее время пожарные пытаются избежать возгорания, основываясь на своем опыте интерпретации наблюдаемых признаков возгорания, таких как опрокидывание, высокая температура и т. Д. Внутри конструкции здания и темный дым, выходящий из наружных окон. Однако переход к перекрытию обычно происходит в течение нескольких секунд, и, как правило, индикаторы перекрытия нелегко распознать, и если их пропустить, это может поставить под угрозу жизнь. Мы надеемся, что наша работа улучшит тушение пожаров на основе опыта, облегчив тушение пожаров на основе данных.

Технические обзоры : Как превратить модель в полезный инструмент? Могут ли пожарные использовать эту модель прямо сейчас?

Томас Клири: Цель исследования заключалась в том, чтобы полагаться на данные о здании, которые есть или могут быть легко получены с помощью доступных датчиков здания. Один из способов воплотить исследование в жизнь — интегрировать модель в интеллектуальную панель управления пожарной сигнализацией, которая будет собирать данные о температуре с установленных тепловых детекторов и включать компьютерный модуль, который может обрабатывать данные и делать прогнозы в реальном времени. С панели управления пожарной сигнализацией или другого подходящего оборудования прогноз будет отправлен руководителю аварийной службы или отдельным пожарным, если это будет сочтено целесообразным. Точный механизм предоставления такой прогностической аналитики еще не определен, и для достижения консенсуса потребуется участие пожарной службы.

Сейчас пожарные не могут использовать модель. Прежде чем модель можно будет разработать и внедрить в интеллектуальную панель управления пожарной сигнализацией, мы считаем, что нам необходимо проверить производительность модели (прогнозирование в реальном времени) при тестировании зданий с тепловыми извещателями.

Технические обзоры : Что дальше с этой работой?

Томас Клири: В настоящее время мы расширяем P-Flash для работы с различными макетами зданий. Примерно в следующем году мы планируем провести демонстрацию экспериментов по строительству пожаров и начали взаимодействовать с производителями оборудования для обеспечения пожарной безопасности (сигнализации) о возможностях модели.

Что вы думаете? Поделитесь своими вопросами и комментариями ниже.

[1] Ренеке, П. А. (2013). К интеллектуальным пожарным панелям . NIST TN 1780. Министерство торговли США, Национальный институт стандартов и технологий, Мэриленд.