Bij brandbestrijding zijn de ergste vlammen degene die je niet ziet aankomen. Te midden van de chaos van een brandend gebouw is het moeilijk om de tekenen van een naderende flashover op te merken - een dodelijk brandverschijnsel waarbij bijna alle brandbare voorwerpen in een kamer plotseling ontbranden. Flashover is een van de belangrijkste doodsoorzaken van brandweerlieden, maar nieuw onderzoek suggereert dat kunstmatige intelligentie (AI) de eerstehulpverleners een hoognodige waarschuwing kan geven.

Onderzoekers van het National Institute of Standards and Technology (NIST), de Hong Kong Polytechnic University en andere instellingen hebben een Flashover Prediction Neural Network (FlashNet)-model ontwikkeld om dodelijke gebeurtenissen te voorspellen, kostbare seconden voordat ze uitbarsten. In een nieuwe studie gepubliceerd in Engineering Applications of Artificial Intelligence, FlashNet kon bogen op een nauwkeurigheid tot 92,1% over meer dan een dozijn veelvoorkomende plattegronden van woningen in de VS en kwam als beste uit de bus in de confrontatie met andere op AI gebaseerde flashover-voorspellingsprogramma's.

Flashovers hebben de neiging om plotseling op te flakkeren bij ongeveer 600 graden Celsius (1100 graden Fahrenheit) en kunnen vervolgens de temperatuur verder doen stijgen. Om op deze gebeurtenissen te anticiperen, vertrouwen bestaande onderzoekstools ofwel op constante stromen temperatuurgegevens van brandende gebouwen of gebruiken ze machine learning om de ontbrekende gegevens in te vullen in het waarschijnlijke geval dat warmtedetectoren bezwijken voor hoge temperaturen.

Tot nu toe zijn de meeste op machine learning gebaseerde voorspellingstools, waaronder een die de auteurs eerder hebben ontwikkeld, getraind om in een enkele, vertrouwde omgeving te werken. In werkelijkheid hebben brandweerlieden die luxe niet. Terwijl ze vijandig gebied bestormen, weten ze misschien weinig tot niets over de plattegrond, de locatie van de brand of of deuren open of gesloten zijn.

"Ons vorige model hoefde maar vier of vijf kamers in één lay-out te overwegen, maar wanneer de lay-out verandert en je 13 of 14 kamers hebt, kan het een nachtmerrie zijn voor het model", zegt NIST-werktuigbouwkundig ingenieur Wai Cheong Tam, mede-eerste auteur van de nieuwe studie. "Voor toepassingen in de echte wereld denken we dat de sleutel is om over te stappen op een algemeen model dat voor veel verschillende gebouwen werkt."

Om de variabiliteit van echte branden het hoofd te bieden, versterkten de onderzoekers hun aanpak met grafische neurale netwerken (GNN), een soort machine learning-algoritme dat goed is in het maken van beoordelingen op basis van grafieken van knooppunten en lijnen, die verschillende gegevenspunten en hun relaties met één vertegenwoordigen. een andere.

"GNN's worden vaak gebruikt voor geschatte aankomsttijd, of ETA, in het verkeer waar je 10 tot 50 verschillende wegen kunt analyseren. Het is erg ingewikkeld om dat soort informatie tegelijkertijd goed te gebruiken, dus daar kwamen we op het idee om GNN's", zegt Eugene Yujun Fu, een onderzoeksassistent-professor aan de Hong Kong Polytechnic University en co-eerste auteur van de studie. "Behalve onze applicatie, kijken we naar kamers in plaats van wegen en voorspellen we flashover-gebeurtenissen in plaats van ETA in het verkeer."

De onderzoekers simuleerden digitaal meer dan 41.000 branden in 17 soorten gebouwen, wat neerkomt op een meerderheid van de Amerikaanse woningvoorraad. Naast de indeling varieerden factoren als de oorsprong van de brand, het soort meubilair en of deuren en ramen open of gesloten waren. Ze voorzagen het GNN-model van een set van bijna 25.000 brandgevallen om als studiemateriaal te gebruiken en vervolgens 16.000 voor fijnafstemming en eindtesten.

In de 17 soorten huizen hing de nauwkeurigheid van het nieuwe model af van de hoeveelheid gegevens die het moest gebruiken en de doorlooptijd die het de brandweerlieden wilde bieden. De nauwkeurigheid van het model - in het beste geval 92,1% met een doorlooptijd van 30 seconden - presteerde echter beter dan vijf andere op machine learning gebaseerde tools, waaronder het vorige model van de auteurs. Het is van cruciaal belang dat de tool de minste fout-negatieven produceerde, gevaarlijke gevallen waarin de modellen een dreigende flashover niet voorspellen.

De auteurs gooiden FlashNet in scenario's waarin het geen voorafgaande informatie had over de specifieke kenmerken van een gebouw en het vuur dat erin brandde, vergelijkbaar met de situatie waarin brandweerlieden zich vaak bevinden. Gezien die beperkingen waren de prestaties van de tool veelbelovend, zei Tam. De auteurs hebben echter nog een lange weg te gaan voordat ze FlashNet over de finish kunnen brengen. Als volgende stap zijn ze van plan het model te testen met real-world, in plaats van gesimuleerde, gegevens.

"Om de prestaties van ons model volledig te testen, moeten we onze eigen structuren bouwen en verbranden en er enkele echte sensoren in opnemen", zei Tam. "Uiteindelijk is dat een must als we dit model in echte brandscenario's willen inzetten." + Verder verkennen

Hoe AI brandweerlieden kan waarschuwen voor dreigend gevaar