Стремясь устранить это серьезное слепое пятно, исследователи из Национального института стандартов и технологий (NIST) разработали P-Flash, или модель прогнозирования для Flashover. Инструмент на основе искусственного интеллекта был разработан для прогнозирования и предупреждения о смертельном явлении в горящих зданиях, известном как перекрытие, когда легковоспламеняющиеся материалы в комнате воспламеняются почти одновременно, создавая пламя, размер которого ограничен доступным кислородом. Прогнозы инструмента основаны на данных о температуре от тепловых датчиков здания, и, что примечательно, он предназначен для работы даже после того, как тепловые датчики начинают выходить из строя, обходясь остальными устройствами.
Команда проверила способность P-Flash прогнозировать неизбежные перекрытия в более чем тысяче смоделированных пожаров и более чем в десятке реальных возгораний.
Исследование, только что опубликованное в Proceedings of the AAAI Conference on Artificial Intelligence, предполагает, что модель демонстрирует многообещающие возможности для прогнозирования имитированных пробоев и показывает, как реальные данные помогли исследователям идентифицировать немоделированное физическое явление, которое, если к ним обратиться, могло бы улучшить прогноз инструмента при реальных пожарах. При дальнейшем развитии P-Flash может улучшить способность пожарных оттачивать свою тактику в реальном времени, помогая им спасать жителей здания, а также самих себя.
Вспышки настолько опасны отчасти потому, что их сложно увидеть. Есть индикаторы, на которые следует обратить внимание, например, усиление тепла или пламя, перекатывающееся по потолку.
Однако эти знаки можно легко пропустить во многих ситуациях, например, когда пожарный ищет попавших в ловушку жертв с тяжелым оборудованием на буксире, а дым закрывает обзор. А снаружи, когда пожарные приближаются к месту происшествия, условия внутри становятся еще менее ясными.
«Я не думаю, что у пожарной службы есть много технологических инструментов, которые предсказывают возгорание на месте происшествия», – сказал исследователь NIST Кристофер Браун, который также работает пожарным-добровольцем. "Наш самый большой инструмент – это просто наблюдение, и оно может быть очень обманчивым. Снаружи все выглядит по-другому, а когда вы попадете внутрь, все может быть совсем иначе."
Компьютерные модели, которые прогнозируют пробой на основе температуры, не являются полностью новыми, но до сих пор они полагались на постоянные потоки данных о температуре, которые можно получить в лаборатории, но не гарантированы во время реального пожара.
Тепловые извещатели, которые обычно устанавливаются в коммерческих зданиях и могут использоваться в домах вместе с детекторами дыма, по большей части должны работать только при температурах до 150 градусов Цельсия (302 градусов по Фаренгейту), что намного ниже 600 градусов Цельсия (1100 градусов Цельсия). градусов по Фаренгейту), при котором обычно начинается перекрытие. Чтобы восполнить пробел, образованный потерянными данными, исследователи NIST применили форму искусственного интеллекта, известную как машинное обучение.
"Вы теряете данные, но у вас есть тенденция к отказу теплового извещателя, и у вас есть другие извещатели.
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.
Алгоритмы машинного обучения выявляют закономерности в больших наборах данных и строят модели на основе полученных результатов. Эти модели могут быть полезны для прогнозирования определенных результатов, например, сколько времени пройдет, прежде чем комната будет охвачена пламенем.
Для создания P-Flash авторы использовали данные своего алгоритма о температуре от тепловых датчиков в горящем одноэтажном доме с тремя спальнями в стиле ранчо – наиболее распространенном типе дома в большинстве штатов. Однако это здание было скорее цифровым, чем кирпичным и строительным.
Поскольку алгоритмы машинного обучения требуют большого количества данных, а проведение сотен крупномасштабных пожарных испытаний было невозможно, команда неоднократно сжигала это виртуальное здание, используя Консолидированную модель переноса огня и дыма NIST, или CFAST, программу моделирования пожаров, подтвержденную реальными данными. – сказал Клири, – эксперименты с огнем.
Авторы выполнили 5041 моделирование с небольшими, но критическими вариациями между каждым из них.
Различные предметы мебели по всему дому воспламеняются при каждом запуске. Окна и двери спальни были произвольно настроены на открытие или закрытие. И входная дверь, которая всегда сначала закрывалась, в какой-то момент открывалась, изображая эвакуацию пассажиров. Тепловые извещатели, размещенные в комнатах, выдавали данные о температуре до тех пор, пока они не были неизбежно отключены из-за сильной жары.
Чтобы узнать о способности P-Flash прогнозировать перекрытие после отказа тепловых извещателей, исследователи разделили моделируемые записи температуры, позволив алгоритму учиться на группе из 4033, не допуская остальных из виду. После того, как P-Flash завершил учебную сессию, команда провела опрос на наборе из 504 симуляций, настроила модель в соответствии с ее оценкой и повторила процесс.
После достижения желаемой производительности исследователи сравнили P-Flash с финальным набором из 504.
Исследователи обнаружили, что модель правильно предсказала перекрытие за одну минуту до примерно 86% смоделированных пожаров.
Другим важным аспектом производительности P-Flash было то, что даже когда он промахивался, он в основном делал это за счет ложных срабатываний – предсказаний о том, что событие произойдет раньше, чем оно произошло на самом деле, – что лучше, чем альтернатива предупреждению пожарных. ложное чувство безопасности.
"Вы всегда хотите быть в безопасности.
Несмотря на то, что мы можем принять небольшое количество ложных срабатываний, при разработке нашей модели особое внимание уделяется минимизации или, еще лучше, устранению ложноотрицательных результатов ", – сказал инженер-механик NIST и автор-корреспондент Вай Чеонг Там.
Первые тесты были многообещающими, но команда не успокаивалась.
"Остался один очень важный вопрос: можно ли доверять нашей модели, если мы обучаем ее только на синтетических данных?"Там сказал.
К счастью, исследователи столкнулись с возможностью найти ответы на реальные данные, полученные Underwriters Laboratories (UL) в недавнем исследовании, финансируемом Национальным институтом юстиции. UL провела 13 экспериментов в доме в стиле ранчо, соответствующем тому, на котором тренировался P-Flash, и, как и в случае с симуляциями, источники возгорания и вентиляция варьировались от каждого пожара.
Команда NIST обучила P-Flash на тысячах симуляций, как и раньше, но на этот раз они поменяли местами температурные данные из экспериментов UL в качестве финального теста. И на этот раз прогнозы разыгрались немного иначе.
P-Flash, пытаясь спрогнозировать пробои до 30 секунд заранее, хорошо проявил себя при возникновении пожара на открытых площадках, таких как кухня или гостиная.
Но когда в спальне за закрытыми дверями начинался пожар, модель почти никогда не могла сказать, когда возникнет угроза пробоя.
Команда определила явление, называемое эффектом ограждения, как возможное объяснение резкого падения точности. Когда огонь горит в небольших закрытых помещениях, тепло мало рассеивается, поэтому температура быстро повышается. Однако, по словам Тэма, многие эксперименты, которые составляют основу обучающего материала P-Flash, проводились в открытых лабораторных помещениях.
Таким образом, температура в экспериментах UL выросла почти в два раза быстрее, чем синтетические данные.
Несмотря на выявление слабых мест в инструменте, команда считает результаты обнадеживающими и шагом в правильном направлении.
Следующая задача исследователей – сосредоточить внимание на эффекте замкнутости и представить его в симуляциях. Для этого они планируют сами проводить более масштабные эксперименты.
По словам Тэма, когда его слабые места будут исправлены и прогнозы уточнены, исследователи предполагают, что их система может быть встроена в портативные устройства, способные связываться с детекторами в здании через облако.
Пожарные не только смогут сказать своим коллегам, когда пора бежать, но и смогут узнать опасные места в здании до прибытия и скорректировать свою тактику, чтобы максимизировать свои шансы на спасение жизней.