Инструмент P-Flash на базе ИИ предсказывает вспышку, повышая безопасность пожарных

Смертоносное явление, известное как «вспышка» (flashover), происходит, когда легковоспламеняющиеся материалы в помещении загораются почти одновременно. Слепое пятно для пожарных, событие производит пожар, ограниченный только количеством доступного кислорода.

Новый инструмент — называемый P-Flash — оценивает, когда вспышка неизбежна. Технология, разработанная исследователями Национального института стандартов и технологий (NIST), также предоставляет предупреждения о вспышке для спасателей.

Что такое вспышка?

Вспышки особенно опасны, потому что есть мало предупреждающих признаков, помогающих пожарным обнаружить их заранее. Некоторые индикаторы вспышки, как все более интенсивное тепло или катящиеся пламя по потолку, легко упустить в условиях низкой видимости и высокого стресса спасательной операции.

«Не думаю, что пожарная служба имеет много технологических инструментов, предсказывающих вспышку на месте», — сказал исследователь NIST Кристофер Браун , который также служит волонтерским пожарным. «Наш главный инструмент — просто наблюдение, и это может быть очень обманчиво. Вещи выглядят так снаружи, а когда заходишь внутрь, может быть совсем иначе».

Модель предсказания вспышки, или P-Flash, извлекает данные из массива близких тепловых детекторов, включая те в соседних комнатах, чтобы восстановить температурные данные из комнаты очага пожара и оценить потенциал вспышки.

Что такое P-Flash?

Разработанная NIST модель предсказала неизбежные вспышки в более чем тысяче смоделированных пожаров и более дюжине реальных пожаров. Экспериментальная оценка, только что опубликованная в Proceedings of the AAAI Conference on Artificial Intelligence , указывает, что модель показывает надежное предсказание в предвидении смоделированных вспышек.

Согласно отчету, производительность модели составляет примерно 83% и 81% соответственно для текущих и будущих случаев вспышки, учитывая отказ тепловых детекторов при 150 °C.

Тепловые детекторы, которые обычно устанавливаются в коммерческих зданиях и могут использоваться в домах вместе с дымовыми датчиками, в основном рассчитаны на работу только при температурах до 150 °C (302 °F), далеко ниже 600 °C (1100 °F), при которых обычно начинается вспышка. Чтобы преодолеть пробел, созданный отсутствующими данными, исследователи NIST применили форму искусственного интеллекта, известную как машинное обучение.

«Вы теряете данные, но у вас есть тренд до того, как тепловой детектор выйдет из строя, и у вас есть другие детекторы. С машинным обучением вы можете использовать эти данные как отправную نقطة для экстраполяции, произойдет ли вспышка или уже произошла», — сказал химик-инженер NIST Томас Клири, соавтор исследования.

Сжигаем дом (...виртуально)

Алгоритмы машинного обучения используют большие объемы данных для предсказания результатов. Чтобы получить большое количество информации о домашних пожарах, требуется цифровой дом: симуляция горящего трехкомнатного одноэтажного ранчо-стиля дома.

Чтобы построить P-Flash, Клири и коллеги загрузили свой алгоритм температурными данными от тепловых детекторов виртуального дома — самого распространенного типа дома в большинстве штатов. Они сжигали это виртуальное здание неоднократно — проведя 5 041 симуляцию — используя Консолидированную модель пожара и транспорта дыма NASA, или CFAST , программу моделирования пожара, валидированную реальными пожарными экспериментами.

Каждая из 5 000+ симуляций имела незначительные, но критические вариации. Окна и двери спален случайно настраивались открытыми или закрытыми. Мебель появлялась и исчезала, перемещалась. Входная дверь открывалась и закрывалась.

Тепловые детекторы в комнатах производили температурные данные до тех пор, пока они неизбежно не отключались интенсивным теплом.

Чтобы узнать способность P-Flash предсказывать вспышки после отказа тепловых детекторов, исследователи разделили смоделированные температурные записи, позволяя алгоритму учиться на наборе из 4 033, сохраняя остальные скрытыми. Затем команда тестировала P-Flash на 504 симуляциях, корректируя модель на основе ее предположений.

Исследователи обнаружили, что модель правильно предсказывала вспышки за минуту до них примерно в 86% смоделированных пожаров. Многие промахи, по словам команды, были ложными срабатываниями, предсказывающими вспышку в неточно ранний момент, но по крайней мере не давали пожарным ложного чувства безопасности.

Тестирование с реальными данными (и реальными пожарами)

Кроме того, NIST дополнительно протестировал P-Flash, сравнив его предсказанные температурные данные с температурами, измеренными в 13 реальных домашних пожарах, намеренно подожженных во время экспериментов Underwriters Laboratories (UL).

С температурными данными из экспериментов UL, P-Flash, пытаясь предсказать вспышки за 30 секунд до них, хорошо работал, когда пожары начинались в открытых зонах, таких как кухня или гостиная. Когда пожары начинались в спальне, за закрытыми дверями, модель почти никогда не могла сказать, когда вспышка неизбежна.

Команда выявила феномен, называемый «эффектом загораживания», как возможное объяснение резкого падения точности. Когда пожары горят в маленьких замкнутых пространствах, тепло имеет мало способности диссипироваться, поэтому температура поднимается быстро — быстрее, чем в открытых лабораторных пространствах, которые предоставили ранние обучающие данные P-Flash.

Следующая задача исследователей — провести более полноразмерные эксперименты, фокусирующиеся на эффекте загораживания и представляющие его в симуляциях. С улучшениями команда надеется встроить систему в портативные устройства, общающиеся с детекторами в здании через облако, уведомляя спасателей об опасных зонах и когда пора выходить.

В электронном интервью с Tech Briefs, инженер NIST Томас Клири объясняет подробнее о том, когда он ожидает, что пожарные смогут использовать модель. Клири ответил в сотрудничестве с коллегами Кристофером Брауном, Джонатаном Гриффином, Энди Там и Энтони Пуорти.

Tech Briefs: Как вы «сжигаете виртуальное здание?» Это кажется очень интересной задачей. Что вы меняете в здании каждый раз? И как это информирует вашу модель?

Томас Клири: Модель вроде P-Flash обучается на больших датасетах из ряда пожарных сценариев. Нереалистично генерировать необходимое количество данных из реальных пожаров, поэтому мы используем компьютерные модели пожаров. Конкретно, модель пожара NIST, CFAST, используется для симуляции пожаров в смоделированном «виртуальном» здании.

Для фиксированной планировки здания мы включаем широкий спектр пожаров, от медленных до ультрабыстрых, и варьируем их расположения и условия вентиляции (двери и окна), чтобы имитировать правдоподобные реальные пожары.

Примерно 5000 смоделированных пожаров с возникновением вспышки используются для обучения P-Flash так, чтобы она учила полезные тренды и паттерны для корреляции условий вспышки с ограниченной температурной информацией.

Tech Briefs: Что вдохновило эту идею? Какая текущая технология доступна, чтобы помочь пожарному справиться с вспышкой?

Томас Клири: Вдохновение для нашего текущего исследования исходит из предыдущего исследования ^[1] изучавшего передачу состояния панели управления пожарной сигнализацией и информации от дымовых и тепловых детекторов пожарной службе в пути к пожару, чтобы у них было представление о месте и распространении пожара до прибытия. Естественным продолжением является использование данных детекторов в предсказательной манере для предоставления прогнозирования. Другие исследования NIST с использованием модели пожара CFAST в моделировании Монте-Карло пожарных сценариев предполагали, что большие датасеты для машинного обучения/ИИ легко доступны из компьютерного моделирования пожаров.

В настоящее время пожарные полагаются на свои чувства, обучение или, в лучшем случае, на портативные тепловые сенсоры или тепловизоры, чтобы получить представление о возможном переходе к вспышке. К сожалению, нужно находиться в или рядом с комнатой, приближающейся к вспышке, чтобы иметь шанс распознать опасность.

Больше технологий пожарного дела на Tech Briefs

Блог: На куртке пожарного, самозапитывающийся датчик отслеживания выдерживает жару

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

Tech Briefs: Что вы слышали от пожарных о их проблемах с вспышкой?

Томас Клири: В настоящее время пожарные пытаются избежать вспышки, основываясь на своем опыте интерпретации наблюдательных признаков вспышки, таких как перекат, высокое тепло и т.д., внутри структуры здания и темный дым, выходящий из внешних окон. Однако переход к вспышке обычно происходит за секунды и, в общем, индикаторы вспышки не легко распознать, и если их пропустить, это ставит жизни в опасность. Мы надеемся, что наша работа улучшит опытное пожарное дело, облегчая данные-ориентированное пожарное дело.

Tech Briefs: Как превратить модель в используемый инструмент? Могут ли пожарные использовать эту модель сейчас?

Томас Клири: Фокус исследования был на полагаться на данные зданий, которые есть или могут легко быть предоставлены от доступных датчиков зданий. Один из способов перевести исследование в реальность — интегрировать модель в умную панель управления пожарной сигнализацией, которая собирает температурные данные от установленных тепловых детекторов и включает компьютерный модуль, способный обрабатывать данные и делать прогнозы в реальном времени. От панели управления пожарной сигнализацией или другого подходящего оборудования прогноз будет отправлен инцидентному командиру или отдельным пожарным, если считается уместным. Точный механизм предоставления такой предсказательной аналитики не определен и потребует вклада пожарной службы для разработки консенсуса.

Пожарные не могут использовать модель сейчас. Прежде чем модель может быть разработана и включена в умную панель управления пожарной сигнализацией, мы чувствуем, что нам нужно верифицировать производительность модели (прогноз в реальном времени) в пожарных испытаниях зданий с тепловыми детекторами.

Tech Briefs: Что дальше по этой работе?

Томас Клири: Мы сейчас расширяем P-Flash для работы с разными планировками зданий. В следующем году или около того планируем демонстрации для пожарных экспериментов зданий, и начали взаимодействовать с производителями пожарной безопасности (сигнализации) о возможностях модели.

Как вы думаете? Делитесь вопросами и комментариями ниже.

[1] Reneke, P. A. (2013). Towards Smart Fire Panels . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.