P-Flash gebruikt A.I. om branden te bestrijden

Een dodelijk fenomeen dat bekend staat als "flashover" doet zich voor wanneer brandbare materialen in een kamer bijna gelijktijdig ontbranden. Een dode hoek voor brandweerlieden, het evenement produceert een brand die alleen wordt beperkt door de hoeveelheid beschikbare zuurstof.

Een nieuwe tool - P-Flash genaamd - schat wanneer flashover op handen is. De technologie, gebouwd door onderzoekers van het National Institute of Standard and Technology (NIST), geeft ook flashover-waarschuwingen aan hulpverleners.

Wat is een Flashover?

Vooral flashovers zijn gevaarlijk, omdat er weinig waarschuwingssignalen zijn om brandweerlieden te helpen ze van tevoren te detecteren. Sommige flashover-indicatoren, zoals een steeds intensere hitte of rollende vlammen over een plafond, zijn gemakkelijk te missen in de slecht zichtbare, stressvolle omgeving van een reddingsactie.

"Ik denk niet dat de brandweer technologisch veel tools heeft om flashover ter plaatse te voorspellen", zegt NIST-onderzoeker Christopher Brown , die ook dienst doet als vrijwillige brandweerman. “Ons grootste hulpmiddel is gewoon observatie, en dat kan heel bedrieglijk zijn. Aan de buitenkant ziet het er maar één kant uit, en als je binnenkomt, kan het heel anders zijn.”

Het Prediction Model for Flashover, of P-Flash, haalt gegevens op van een reeks nabijgelegen hittedetectoren, inclusief die in aangrenzende kamers, om temperatuurgegevens te herstellen van de kamer waar de brand is ontstaan ​​en om de kans op flashover te schatten.

Wat is P-Flash?

Het door NIST ontwikkelde model voorspelde dreigende flashovers in meer dan duizend gesimuleerde branden en meer dan een dozijn echte branden. Experimentele evaluatie, zojuist gepubliceerd in de Proceedings of the AAAI Conference on Artificial Intelligence , suggereert dat het model een betrouwbare voorspelling laat zien bij het anticiperen op gesimuleerde flashovers.

Volgens het rapport is de prestatie van het model respectievelijk ongeveer 83% en 81% voor het huidige en toekomstige optreden van flashover, rekening houdend met een storing van de hittedetector bij 150 ̊C.

Hittedetectoren, die vaak worden geïnstalleerd in commerciële gebouwen en naast rookmelders in huizen kunnen worden gebruikt, zullen naar verwachting meestal alleen werken bij temperaturen tot 150 ̊C (302 graden Fahrenheit), ver onder de 600 ̊C (1.100 graden Fahrenheit). ) waarbij typisch een flashover begint op te treden. Om de kloof te overbruggen die is ontstaan ​​door de ontbrekende gegevens, hebben NIST-onderzoekers een vorm van kunstmatige intelligentie toegepast die bekend staat als machine learning.

“Je verliest de gegevens, maar je hebt de trend tot waar de hittedetector faalt, en je hebt andere detectoren. Met machine learning zou je die gegevens als startpunt kunnen gebruiken om te extrapoleren of flashover gaat plaatsvinden of al heeft plaatsgevonden”, zegt NIST chemisch ingenieur Thomas Cleary, een co-auteur van het onderzoek.

Het huis platbranden (...vrijwel)

Machine learning-algoritmen gebruiken grote hoeveelheden gegevens om resultaten te voorspellen. Om een ​​grote hoeveelheid informatie over woningbranden te krijgen, is echter een digitale woning nodig:een simulatie van een brandend huis in ranchstijl met drie slaapkamers en één verdieping.

Om P-Flash te bouwen, voerden Cleary en collega's hun algoritmetemperatuurgegevens van warmtedetectoren uit het virtuele huis - het meest voorkomende type huis in de meeste staten. Het team heeft dit virtuele gebouw herhaaldelijk in brand gestoken - in feite 5.041 simulaties uitgevoerd - met behulp van NIST's Consolidated Model of Fire and Smoke Transport, of CFAST , een brandmodelleringsprogramma gevalideerd door echte brandexperimenten.

Elk van de meer dan 5000 simulaties had kleine, maar kritische variaties. Ramen en slaapkamerdeuren werden willekeurig geconfigureerd om open of gesloten te zijn. Meubels kwamen en gingen, en verplaatsten zich. De voordeur ging open en dicht.

Hittedetectoren die in de kamers waren geplaatst, produceerden temperatuurgegevens totdat ze onvermijdelijk werden uitgeschakeld door de intense hitte.

Om meer te weten te komen over het vermogen van P-Flash om flashovers te voorspellen nadat warmtedetectoren uitvallen, hebben de onderzoekers de gesimuleerde temperatuurregistraties opgesplitst, waardoor het algoritme kan leren van een set van 4.033 terwijl de anderen uit het zicht worden gehouden. Vervolgens ondervroeg het team P-Flash over 504 simulaties, waarbij het model werd aangepast op basis van zijn gissingen.

De onderzoekers ontdekten dat het model flashovers één minuut van tevoren correct voorspelde voor ongeveer 86% van de gesimuleerde branden. Veel van de missers waren volgens het team valse positieven, die de flits op een onnauwkeurig vroeg moment voorspelden, maar de brandweerlieden in ieder geval geen vals gevoel van veiligheid gaven.

Testen met echte gegevens (en echte branden)

Daarnaast heeft NIST P-Flash verder getest door de voorspelde temperatuurgegevens te vergelijken met temperaturen gemeten in 13 echte woningbranden, die doelbewust zijn aangestoken tijdens experimenten van Underwriters Laboratories (UL).

Met de temperatuurgegevens van de UL-experimenten presteerde P-Flash, die tot 30 seconden van tevoren flashovers probeerde te voorspellen, goed bij branden in open ruimtes zoals de keuken of woonkamer. Toen er echter branden ontstonden in een slaapkamer, achter gesloten deuren, kon het model bijna nooit zien wanneer flashover op handen was.

Het team identificeerde een fenomeen dat het omhullingseffect wordt genoemd als mogelijke verklaring voor de scherpe daling van de nauwkeurigheid. Wanneer branden branden in kleine, afgesloten ruimtes, heeft warmte weinig vermogen om zich te verspreiden, dus de temperatuur stijgt snel - sneller dan de branden in de open laboratoriumruimtes die de vroege trainingsgegevens van P-Flash leverden.

De volgende taak van de onderzoekers is om meer grootschalige experimenten uit te voeren die zich richten op het omhullingseffect en dit in simulaties weergeven. Met verbeteringen hoopt het team het systeem in te bedden in draagbare apparaten die via de cloud communiceren met detectoren in een gebouw, en hulpverleners op de hoogte stellen van gevaarlijke plekken en wanneer het tijd is om naar buiten te gaan.

In een e-mailinterview met Tech Briefs, NIST-ingenieur Thomas Cleary, legt meer uit over wanneer hij verwacht dat brandweerlieden het model kunnen gebruiken. Cleary antwoordde in samenwerking met zijn collega's Christopher Brown, Jonathan Griffin, Andy Tam en Anthony Putorti.

Tech Briefs :Hoe "brand je een virtueel gebouw?" Dat lijkt me een heel interessante taak. Wat verandert u elke keer aan het gebouw? En hoe informeert dat uw model?

Thomas Cleary: Een model als P-Flash wordt getraind met behulp van grote datasets uit verschillende brandscenario's. Het is onrealistisch om de benodigde hoeveelheid gegevens van echte branden te genereren, dus gebruiken we computerbrandmodellen. In het bijzonder wordt het NIST-brandmodel, CFAST, gebruikt om branden in een gemodelleerd "virtueel" gebouw te simuleren.

Voor een vaste indeling van een gebouw nemen we een breed scala aan branden op, van langzaam tot ultrasnel groeiende branden, en variëren de locaties en de ventilatieopeningen (d.w.z. deuren en ramen) om na te bootsen wat aannemelijk is in echte branden.

Ongeveer 5000 gesimuleerde branden met flashover worden gebruikt om P-Flash te trainen zodat het de bruikbare trends en patronen leert om flashover-omstandigheden te correleren met de beperkte temperatuurinformatie.

Tech Briefs : Wat inspireerde dit idee? Wat is de huidige technologie die beschikbaar is om een ​​brandweerman te helpen bij het aanpakken van flashover?

Thomas Cleary: De inspiratie voor ons huidige onderzoek komt voort uit eerder onderzoek ^[1] het onderzoeken van het verzenden van de staat van de brandmeldcentrale en informatie van rook- en hittedetectoren naar de brandweer terwijl ze op weg zijn naar een brand, zodat ze een idee hebben van de locatie van de brand en de verspreiding ervan voor aankomst. Een natuurlijke uitbreiding is om de gegevens van detectoren op een voorspellende manier te gebruiken om voorspellingen te doen. Ander onderzoek bij NIST waarbij het brandmodel CFAST in Monte Carlo-modellering van brandscenario's werd gebruikt, suggereerde dat de grote datasets voor machine learning/AI gemakkelijk te bereiken zijn met computerbrandmodellering.

Momenteel vertrouwen brandweerlieden op hun zintuigen, training of op zijn best draagbare thermische sensoren of warmtebeeldcamera's om een ​​idee te krijgen van een mogelijke overgang naar flashover. Helaas moet men zich in of nabij een kamer bevinden die de flashover nadert om het gevaar te kunnen herkennen.

Meer brandbestrijdingstechnologie op technische briefing

Blog :Op een brandweerjas neemt een zelfaangedreven volgsensor de hitte op

Podcast :Een terugblik op de baanbrekende "Manny" Robot – een vriend van een brandweerman

Tech Briefs :Wat heb je gehoord van brandweerlieden over hun uitdagingen met flashover?

Thomas Cleary: Momenteel proberen brandweerlieden flashover te vermijden op basis van hun ervaring met het interpreteren van waarnemingssignalen van flashover, zoals kantelen, hoge hitte, enz., binnen de structuur van het gebouw en donkere rook die uit de buitenramen komt. De overgang naar flashover is echter meestal binnen enkele seconden en over het algemeen zijn de flashover-indicatoren niet gemakkelijk te herkennen en zouden ze levens in gevaar brengen als ze worden gemist. We hopen dat ons werk de op ervaring gebaseerde brandbestrijding zal verbeteren door gegevensgestuurde brandbestrijding mogelijk te maken.

Tech Briefs : Hoe maak je van het model een bruikbaar hulpmiddel? Kunnen brandweerlieden dit model nu gebruiken?

Thomas Cleary: De focus van het onderzoek was om te vertrouwen op gebouwgegevens die gemakkelijk kunnen worden geleverd door beschikbare gebouwsensoren. Een manier om het onderzoek naar de realiteit te vertalen, is door het model te integreren in een slimme brandmeldcentrale die de temperatuurgegevens van geïnstalleerde hittedetectoren verzamelt en een computermodule bevat die de gegevens kan verwerken en realtime voorspellingen kan doen. Vanaf de brandmeldcentrale of een ander geschikt apparaat zou de voorspelling naar de commandant van het incident worden gestuurd, of naar individuele brandweerlieden, indien dit geschikt wordt geacht. Het exacte mechanisme voor het leveren van dergelijke voorspellende analyses is niet beslist en zou input van de brandweer vereisen om een ​​consensus te bereiken.

Brandweerlieden kunnen het model nu niet gebruiken. Voordat het model kan worden ontwikkeld en verwerkt in een slimme brandmeldcentrale, vinden we dat we de prestaties van het model (realtime voorspelling) moeten verifiëren bij brandtesten met hittedetectoren.

Tech Briefs : Wat is de volgende stap met betrekking tot dit werk?

Thomas Cleary: Momenteel breiden we P-Flash uit om voor verschillende gebouwindelingen te werken. In het komende jaar plannen we demonstraties voor het bouwen van brandexperimenten en zijn we begonnen met fabrikanten van brandveiligheidsapparatuur (alarmapparatuur) over de mogelijkheden van het model.

Wat denk je? Deel uw vragen en opmerkingen hieronder.

[1] Reneke, P.A. (2013). Naar slimme brandmeldcentrales . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.