11.08.2022 В тушении пожаров самое сильное пламя — это то, которое вы не видите. Среди хаоса горящего здания трудно заметить признаки надвигающейся вспышки — явления смертельного пожара, когда почти все горючие предметы в комнате внезапно воспламеняются. Flashover является одной из основных причин гибели пожарных, но новые исследования показывают, что искусственный интеллект (ИИ) может предоставить службам экстренного реагирования столь необходимую информацию. Исследователи из Национального института стандартов и технологий (NIST), Гонконгского политехнического университета и других учреждений разработали модель нейронной сети прогнозирования вспышки (FlashNet) для прогнозирования летальных исходов за драгоценные секунды до того, как они произойдут. В новом исследовании, опубликованном в журнале Engineering Applications of Artificial Intelligence, FlashNet продемонстрировал точность до 92,1% для более чем дюжины распространенных планов жилых этажей в США и вышел на первое место в сравнении с другими решениями на основе ИИ. предсказывающие программы. Вспышки, как правило, внезапно вспыхивают примерно при 600 градусах Цельсия (1100 градусов по Фаренгейту), а затем могут вызвать дальнейшее повышение температуры. Чтобы предвидеть эти события, существующие исследовательские инструменты либо полагаются на постоянные потоки данных о температуре от горящих зданий, либо используют машинное обучение для заполнения недостающих данных в вероятном случае, когда тепловые извещатели не выдерживают высоких температур.
До сих пор большинство инструментов прогнозирования на основе машинного обучения, в том числе один, разработанный авторами ранее, были обучены работать в единой знакомой среде. На самом деле пожарным такая роскошь недоступна. Когда они вторгаются на враждебную территорию, они могут почти ничего не знать о плане этажа, месте пожара или о том, открыты или закрыты двери. «Наша предыдущая модель должна была учитывать только четыре или пять комнат в одной планировке, но когда планировка меняется и у вас есть 13 или 14 комнат, это может стать кошмаром для модели», — сказал инженер-механик NIST Вай Чеонг Там, один из первых. автор нового исследования. «Для реального применения мы считаем, что ключевым моментом является переход к обобщенной модели, которая работает для многих различных зданий». Чтобы справиться с изменчивостью реальных пожаров, исследователи усилили свой подход с помощью графовых нейронных сетей (GNN), своего рода алгоритма машинного обучения, который хорошо подходит для вынесения суждений на основе графиков узлов и линий, представляющих различные точки данных и их отношения к одному. «GNN часто используются для расчетного времени прибытия, или ETA, в пробках, где вы можете анализировать от 10 до 50 различных дорог. Очень сложно правильно использовать такую информацию одновременно, поэтому у нас возникла идея использовать GNN», — сказал Юджин Юйджун Фу, доцент-исследователь Гонконгского политехнического университета и соавтор исследования. «За исключением нашего приложения, мы смотрим на комнаты, а не на дороги, и предсказываем события проблесков, а не ETA в пробках». Исследователи смоделировали в цифровом виде более 41 000 пожаров в 17 типах зданий, представляющих большую часть жилого фонда США. Помимо планировки, повсюду различались такие факторы, как происхождение пожара, типы мебели и то, были ли двери и окна открыты или закрыты. Они предоставили модели GNN набор из почти 25 000 случаев пожара для использования в качестве учебного материала, а затем 16 000 для тонкой настройки и окончательного тестирования. Применительно к 17 типам домов точность новой модели зависела от объема данных, которые она должна была обработать, и от времени, необходимого для предоставления пожарным. Однако точность модели — в лучшем случае 92,1 % при времени опережения в 30 секунд — превзошла пять других инструментов на основе машинного обучения , включая предыдущую модель авторов. Важно отметить, что инструмент дал наименьшее количество ложных отрицательных результатов, опасных случаев, когда модели не могут предсказать неминуемый перекрытие. Авторы использовали FlashNet в сценариях, где у него не было предварительной информации о специфике здания и пожаре, горящем внутри него, подобно ситуации, в которой часто оказываются пожарные. Учитывая эти ограничения, производительность инструмента была весьма многообещающей, сказал Тэм. Однако авторам еще многое предстоит сделать, прежде чем они смогут вывести FlashNet на финишную прямую. В качестве следующего шага они планируют протестировать модель на реальных, а не смоделированных данных. «Чтобы полностью проверить производительность нашей модели, нам действительно нужно построить и сжечь наши собственные структуры и включить в них несколько реальных датчиков», — сказал Тэм. «В конце концов, это необходимо, если мы хотим развернуть эту модель в реальных сценариях пожара».
⇲
https://android-robot.com/ii-mozhet-prijti-na-pomoshh-budushhim-pozharnym