Mechanisch ingenieur Michael Gollner en zijn afgestudeerde student, Sriram Bharat Hariharan, van de Universiteit van Californië, Berkeley, reisde onlangs naar NASA's John H. Glenn Research Center in Cleveland, Ohio. Daar, ze lieten brandende voorwerpen in een diepe schacht vallen en bestudeerden hoe vuurwervelingen zich vormen in microzwaartekracht. Het Glenn Centre herbergt een Zero Gravity Research Facility, die een experimentele drop-toren bevat die de ervaring van het zijn in de ruimte simuleert.

"Je krijgt vijf seconden microzwaartekracht, " zei Gollner. De onderzoekers staken een kleine paraffinelont aan om vuurwervelingen te genereren en lieten het vallen, het bestuderen van de vlam helemaal naar beneden.

Experimenten als deze, gepresenteerd op de 73e jaarlijkse bijeenkomst van de afdeling Fluid Dynamics van de American Physical Society, kan brandweerwetenschappers helpen bij het beantwoorden van twee soorten vragen. Eerst, ze verlichten manieren waarop vuur kan branden in afwezigheid van zwaartekracht - en kunnen zelfs beschermende maatregelen voor astronauten informeren. "Als er iets brandt, het kan een zeer gevaarlijke situatie in de ruimte zijn, "zei Gollner. Ten tweede, het kan onderzoekers helpen de rol van de zwaartekracht bij de groei en verspreiding van verwoestende branden beter te begrijpen.

Het vuur brandde anders zonder zwaartekracht, zei Gollner. De vlam was korter - en breder. "We zagen een echte vertraging van de verbranding, "zei Gollner. "We hebben niet dezelfde dramatische wervelingen gezien die we hebben met gewone zwaartekracht."

Andere onderzoekers, waaronder een team van het Los Alamos National Laboratory in New Mexico, introduceerde nieuwe ontwikkelingen in een computationeel vloeistofdynamica-model dat brandstoffen met een variërend vochtgehalte kan opnemen. Veel bestaande milieumodellen gemiddelden het vochtgehalte van alle brandstoffen in een gebied, maar die benadering slaagt er niet in om de variaties in de natuur te vangen, zei chemisch ingenieur Alexander Josephson, een postdoctoraal onderzoeker die de voorspelling van bosbranden in Los Alamos bestudeert. Als resultaat, die modellen kunnen onnauwkeurige voorspellingen opleveren in het gedrag van natuurbranden, hij zei.

"Als je door het bos loopt, je ziet hier hout en daar gras, en er is veel variatie, "zei Josephson. Droge grassen, natte mossen, en hangende ledematen hebben niet hetzelfde watergehalte en branden op verschillende manieren. Een brand kan vocht verdampen van nat mos, bijvoorbeeld, tegelijkertijd consumeert het drogere ledematen. "We wilden onderzoeken hoe de interactie tussen die brandstoffen plaatsvindt terwijl het vuur zich voortplant."

Los Alamos-wetenschappers werkten aan het verbeteren van hun model genaamd FIRETEC (ontwikkeld door Rod Linn), in samenwerking met onderzoekers van de Universiteit van Alberta in Canada en de Canadian Forest Service. Hun nieuwe ontwikkelingen zijn geschikt voor variaties in vochtgehalte en andere kenmerken van de gesimuleerde brandstoftypes. Onderzoeker Ginny Marshall van de Canadian Forest Service begon onlangs zijn simulaties te vergelijken met real-world gegevens uit boreale bossen in het noorden van Canada.

Tijdens een sessie over reagerende stromen, Matthew Bonani, een afgestudeerde student in het laboratorium van ingenieur Matthias Ihme aan de Stanford University in Californië, beschreef een nieuw model voor verspreiding van natuurbranden op basis van een machine learning-platform. Voorspellen waar en wanneer branden zullen branden is een complex proces, zegt Ihme, dat wordt aangedreven door een complexe mix van omgevingsinvloeden.

Het doel van Ihme's groep was om een ​​tool te bouwen die zowel nauwkeurig als snel was, kunnen worden gebruikt voor risicobeoordeling, vroegtijdige waarschuwingssystemen, en het ontwerpen van mitigatiestrategieën. Ze bouwden hun model op een gespecialiseerd computerplatform genaamd TensorFlow, ontworpen door onderzoekers van Google om machine learning-applicaties uit te voeren. Naarmate het model traint op meer fysieke gegevens, zei Ihme, de simulaties van warmteaccumulatie en brandverspreidingsdynamiek verbeteren - en worden sneller.

Ihme zei dat hij enthousiast is om te zien wat geavanceerde computationele tools brengen voor voorspelling van natuurbranden. "Vroeger was het een zeer empirisch onderzoeksgebied, gebaseerd op fysieke waarnemingen, en onze gemeenschap werkt aan meer fundamentele problemen, " zei hij. Maar door machine learning aan de gereedschapskist toe te voegen, hij zei, laat zien hoe algoritmen de betrouwbaarheid van experimenten kunnen verbeteren. "Dit is een heel spannend pad, " hij zei.