P-Flash AI-tool voorspelt flashover, verbetert brandweermannenveiligheid

Een dodelijk fenomeen bekend als "flashover" treedt op wanneer brandbare materialen in een kamer bijna simultaan ontbranden. Een blinde vlek voor brandweermannen, produceert het een brand beperkt alleen door de hoeveelheid beschikbare zuurstof.

Een nieuw tool — genaamd P-Flash — schat wanneer flashover nadert. De technologie, gebouwd door onderzoekers van het National Institute of Standard and Technology (NIST), biedt ook flashover-waarschuwingen aan first responders.

Wat is een Flashover?

Flashovers zijn bijzonder gevaarlijk, omdat er weinig waarschuwingssignalen zijn om brandweermannen te helpen ze van tevoren te detecteren. Sommige flashover-indicatoren, als een toenemende intense hitte of rollende vlammen over een plafond, zijn makkelijk te missen in de lage-zichtbaarheid, hoge-stress omgeving van een redding.

"Ik denk niet dat de brandweer veel tools heeft technologisch gezien die flashover op de scene voorspellen," zei NIST-onderzoeker Christopher Brown , die ook dient als vrijwillige brandweerman. "Ons grootste tool is gewoon observatie, en dat kan zeer bedrieglijk zijn. Dingen zien er een manier uit aan de buitenkant, en wanneer je binnenkomt, kan het heel anders zijn."

Het Prediction Model for Flashover, of P-Flash, haalt data uit een array van nabijgelegen hitte-detectors, inclusief die in aangrenzende kamers, om temperatuurdata van de kamer van herkomst van de brand te herstellen en potentieel voor flashover te schatten.

Wat is P-Flash?

Het NIST-ontwikkelde model voorspelde nadere flashovers in meer dan duizend gesimuleerde branden en meer dan een dozijn real-world branden. Experimentele evaluatie, net gepubliceerd in de Proceedings of the AAAI Conference on Artificial Intelligence , suggereert dat het model betrouwbare voorspelling toont in het anticiperen van gesimuleerde flashovers.

Volgens het rapport is de modelprestatie ongeveer 83% en 81%, respectievelijk, voor huidige en toekomstige flashover-voorkomens, rekening houdend met hitte-detector falen bij 150 ̊C.

Hittedetectors, die algemeen in commerciële gebouwen geïnstalleerd zijn en in huizen naast rookmelders gebruikt kunnen worden, worden voor het grootste deel verwacht alleen te functioneren bij temperaturen tot 150 ̊C (302 graden Fahrenheit), ver onder de 600 ̊C (1.100 graden Fahrenheit) waarop een flashover typisch begint. Om de kloof te overbrug die ontstaat door de ontbrekende data, pasten NIST-onderzoekers een vorm van kunstmatige intelligentie toe bekend als machine learning.

"Je verliest de data, maar je hebt de trend tot waar de hitte-detector faalt, en je hebt andere detectors. Met machine learning, kun je die data gebruiken als sprongplank om te extrapoleren of flashover gaat voorkomen of al heeft voorgedaan," zei NIST-chemisch ingenieur Thomas Cleary, een co-auteur van de studie.

Het Huis Verbranden (...Virtueel)

Machine-learning algoritmes gebruiken grote hoeveelheden data om uitkomsten te voorspellen. Om een grote hoeveelheid informatie over huisbranden te krijgen, vereist echter een virtuele woning: een simulatie van een brandende drie-slaapkamer, een-verdieping ranch-stijl woning.

Om P-Flash te bouwen, voerden Cleary en collega's hun algoritme temperatuurdata van hitte-detectors uit het virtuele huis — het meest voorkomende type woning in een meerderheid van staten. Het team brandde deze virtuele gebouw herhaaldelijk — 5.041 simulaties draaiend, in feite — met behulp van NIST's Consolidated Model of Fire and Smoke Transport, of CFAST , een brandmodelleerprogramma gevalideerd door echte brandexperimenten.

Elke van de 5.000+ simulaties had lichte, maar kritische variaties. Vensters en slaapkamerdeuren waren willekeurig geconfigureerd om open of dicht te zijn. Meubels kwamen en gingen, en verplaatsten zich. De voordeur ging open en dicht.

Hittedetectors in de kamers produceerden temperatuurdata tot ze onvermijdelijk uitgeschakeld werden door de intense hitte.

Om te leren over P-Flash's vermogen om flashovers te voorspellen na het falen van hitte-detectors, splisten de onderzoekers de gesimuleerde temperatuuropnames op, waardoor het algoritme kon leren van een set van 4.033 terwijl de anderen uit zicht bleven. Vervolgens testte het team P-Flash op 504 simulaties, het model aanpassend op basis van de gokken.

De onderzoekers vonden dat het model flashovers een minuut van tevoren correct voorspelde voor ongeveer 86% van de gesimuleerde branden. Veel van de misses, volgens het team, waren false positives, die de flashover op een onnauwkeurig vroeg moment voorspelden, maar tenminste geen vals veiligheidsgevoel gaven.

Testen met Echte Data (en Echte Branden)

Daarnaast testte NIST P-Flash verder door de voorspelde temperatuurdata te vergelijken met temperaturen gemeten in 13 echte huisbranden, opzettelijk aangebrand tijdens Underwriters Laboratories (UL) experimenten.

Met de temperatuurdata uit de UL-experimenten, P-Flash, poging flashovers tot 30 seconden van tevoren te voorspellen, presteerde goed wanneer branden begonnen in open gebieden zoals de keuken of woonkamer. Toen branden in een slaapkamer begonnen, achter gesloten deuren, kon het model bijna nooit vertellen wanneer flashover nadert.

Het team identificeerde een fenomeen genaamd het "enclosure effect" als een mogelijke verklaring voor de scherpe daling in nauwkeurigheid. Wanneer branden branden in kleine, afgesloten ruimtes, heeft warmte weinig vermogen om te dissiperen, dus de temperatuur stijgt snel — sneller dan de branden in de open lab-ruimtes die P-Flash's vroege trainingdata leverden.

De volgende taak van de onderzoekers is om meer full-scale experimenten uit te voeren die inzoomen op het enclosure effect en het in simulaties vertegenwoordigen. Met verbeteringen hoopt het team het systeem in handheld apparaten te integreren die communiceren met detectors in een gebouw via de cloud, waarschuwende responders van gevaarlijke plekken en wanneer het tijd is om te vluchten.

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

Tech Briefs: Hoe "brandt u een virtueel gebouw?" Dat lijkt een zeer interessante taak. Wat verandert u telkens aan het gebouw? En hoe informeert dat uw model?

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

Voor een vast gebouwlay-out, voegen we een breed scala aan branden toe, van langzaam tot ultra-snel groeiende branden, en variëren hun locaties, en de ventilatievoorwaarden (d.w.z. deuren en vensters) om na te bootsen wat plausibel is in echte branden.

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

Tech Briefs: Wat inspireerde dit idee? Wat is de huidige technologie beschikbaar om een brandweerman te helpen flashover aan te pakken?

Thomas Cleary: De inspiratie voor ons huidige onderzoek stamt uit eerdere onderzoek ^[1] dat het versturen van de staat van het brandmeldingsbedieningspaneel en informatie van rook- en hitte-detectors naar de brandweer terwijl op route naar een brand, onderzocht, zodat ze een gevoel van brandlocatie en -verspreiding hebben voor aankomst. Een natuurlijke uitbreiding is om de data van detectors op een voorspellende manier te gebruiken om forecasting te bieden. Ander onderzoek bij NIST met het brandmodel CFAST in Monte Carlo modellering van brandscenario's suggereerde dat de grote datasets voor machine learning/AI gemakkelijk verkrijgbaar zijn uit computerbrandmodellering.

Momenteel vertrouwen brandweermannen op hun zintuigen, training, of op hun best handgehouden thermische sensoren of thermische imagingcamera's om een idee te krijgen van mogelijke overgang naar flashover. Helaas zou men op of nabij een kamer die flashover benadert moeten zijn om een kans te hebben het gevaar te herkennen.

Meer Brandweertechnologie op Tech Briefs

Blog: Op een Brandweerman's Jas, Een Zelf-aangedreven Tracking Sensor Neemt De Hitte

Podcast: Een Terugblik Op De Pioneerende "Manny" Robot – Een Brandweerman's Vriend

Tech Briefs: Wat hebben jullie gehoord van brandweermannen over hun uitdagingen met flashover?

Thomas Cleary: Momenteel proberen brandweermannen flashover te vermijden gebaseerd op hun ervaring met het interpreteren van observatie-aanwijzingen van flashover, zoals rollover, hoge hitte, etc., binnen de gebouwstructuur en donkere rook die van de buitenste vensters komt. Echter, de overgang naar flashover is typisch binnen seconden en, in het algemeen, zijn de flashover-indicatoren niet gemakkelijk te herkennen en als gemist, zouden levens in gevaar brengen. We hopen dat ons werk ervaringsgebaseerde brandbestrijding zal verbeteren door data-gedreven brandbestrijding te faciliteren.

Tech Briefs: Hoe zet u het model om in een bruikbaar tool? Kunnen brandweermannen nu dit model gebruiken?

Thomas Cleary: De focus van het onderzoek was om te vertrouwen op gebouwdata die is of gemakkelijk geleverd kan worden van beschikbare gebouwsensoren. Een manier om het onderzoek in de praktijk te vertalen is om het model te integreren in een slim brandmeldingsbedieningspaneel dat de temperatuurdata van geïnstalleerde hitte-detectors verzamelt en een computermodule bevat die de data kan verwerken en real-time voorspellingen kan maken. Vanaf het brandmeldingsbedieningspaneel of ander geschikt stuk apparatuur, zou de voorspelling naar de incidentcommandant, of individuele brandweermanns als passend geacht, gestuurd worden. Het exacte mechanisme van het leveren van dergelijke voorspellende analytics is niet besloten en zou input van de brandweer vereisen om consensus te ontwikkelen.

Brandweermanns kunnen het model nu niet gebruiken. Voordat het model ontwikkeld en geïntegreerd kan worden in een slim brandmeldingsbedieningspaneel, voelen we dat we de modelprestaties (real-time voorspelling) in gebouwbrandtests met hitte-detectors moeten verifiëren.

Tech Briefs: Wat is de volgende stap voor dit werk?

Thomas Cleary: We breiden P-Flash momenteel uit om te werken voor verschillende gebouwlay-outs. In het komende jaar of zo plannen we demonstraties voor gebouwbrandexperimenten, en hebben we begonnen met het betrekken van brandveiligheids (alarm) apparatenfabrikanten over de mogelijkheden van het model.

Wat denkt u? Deel uw vragen en opmerkingen hieronder.

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