消防工作总要与时间赛跑 ， 但是预留给消防员的时间到底有多少？这一数据很难厘清 。 建筑火灾的危险等级可以在瞬间从“严重”变成“致命” ， 在混乱中 ， 预警信号往往很难辨别 。
文章图片
为了消除这一主要盲点 ， 美国国家标准与技术研究所(NIST)的研究人员开发了P-Flash——闪燃预测模型（闪燃：可燃液体挥发的蒸气与空气混合达到一定浓度遇明火发生一闪即逝的燃烧 ， 或者将可燃固体加热到一定温度后 ， 遇明火会发生一闪即灭的燃烧现象） 。 这一人工智能工具用来预测和警告在燃烧的建筑物中被称为闪燃的致命现象 ， 当一个房间里的可燃材料几乎同时点燃 ， 产生的火焰的大小受限于可用氧气量 。 该工具的预测是基于建筑物的热探测器的温度数据 ， 而且 ， 即使在热探测器失效后也能运行 。
NIST团队在一千多个模拟火灾和十多个真实火灾中测试了P-Flash预测生闪燃的能力 。 研究表明 ， 该模型在预测模拟闪燃方面很有前景 ， 并显示了真实数据如何帮助研究人员识别出一个未建模的物理现象 ， 如果加以处理 ， 将改善该工具在实际火灾中的预测 。 随着进一步的发展 ， P-Flash可以提高消防员实战能力 ， 帮助他们在保护自己的同时也能拯救大楼里的住户 。
闪燃之所以如此危险 ， 部分原因是很难预测它们的到来 。 虽然有一些指标可以关注 ， 例如越来越强烈的热量或火焰滚滚穿过天花板 。 然而在许多情况下 ， 这些迹象很容易被忽视 ， 比如当消防队员拖着重型设备寻找被困的受害者时 ， 烟雾模糊了视线 。 从外面看 ， 随着消防队员接近现场 ， 内部情况更加不明朗 。 NIST研究员Christopher Brown 说：“消防部门没有太多技术上的工具可以在现场预测火情 ， 最大的工具只是观察 ， 这可能非常具有欺骗性 。 从表面上看 ， 事情可能是这样的 ， 但当消防员进去时 ， 情况可能会完全不同 。 ”
基于温度预测闪燃的计算机模型并不完全是新鲜事物 ， 但到目前为止 ， 它们依赖于恒定的温度数据流 ， 这些数据可以在实验室中获得 ， 但在真实火灾中无法得到保证 。 可用于商业建筑和家庭的热探测器、烟雾报警器,大部分预计操作只有在温度高达150摄氏度下工作 ， 远低于发生闪燃的600摄氏度 。 为了弥补丢失数据造成的差距 ， NIST研究人员应用了机器学习的人工智能形式 。
虽然丢失了数据 ， 但你有热探测器失效的趋势 ， 以及其他探测器 。 有了机器学习 ， 就可以用这些数据作为出发点来推断闪燃是将要发生还是已经发生 。 机器学习算法揭示大数据的聚合模式 ， 并基于它们的发现建立模型 。 这些模型对于预测某些结果很有用 ， 比如一个房间被火焰吞没前需要多长时间 。
为了构建P-Flash ， 作者们在一个正在燃烧的一层三居室的住宅(美国大多数州最常见的住宅类型)中 ， 从热探测器获取温度数据 ， 并将其输入算法 。 然而 ， 这座建筑是数字化的 ， 而不是实体的 。 研究人员Cleary说 ， 由于机器学习算法需要大量的数据 ， 但进行数百次大规模真实火灾测试是不可行的 ， 该团队使用NIST的火灾和烟雾传输统一模型(简称CFAST ， 是一个经过真实火灾实验验证的火灾建模程序)反复烧毁这座虚拟建筑 。 他们进行了5041次模拟 ， 每个模拟之间都有轻微但关键的变化 。 例如 ， 屋子里不同的家具都被点燃了 ， 窗户和卧室门被随机设置为打开或关闭；前门一开始是关着的 ， 但在某一时刻打开 ， 代表撤离的人员 。 放置在房间里的热探测器会产生温度数据 ， 直到它们最后因高温而失效 。
为了了解P-Flash在热探测器失效后预测闪燃的能力 ， 研究人员将模拟的温度记录拆分 ， 让算法从一组4033个记录中学习 ， 其他数据则不可见 。 P-Flash完成一次学习后 ， 研究小组对其进行了504次模拟测试 ， 根据其评分对模型进行了微调 ， 并重复了这一过程 。 当P-Flash达到预期效果后 ， 研究人员将P-Flash与504次模拟进行对比 。 结果发现 ， 对于大约86%的模拟火灾 ， 该模型能正确预测一分钟前的闪燃 。 P-Flash表现的另一个重要方面是 ， 即使它没有达到目标 ， 它也会产生错误的阳性结果——预测事件会比实际发生的时间更早——这比给消防员一种错误的安全感要好得多 。
“我们总是想安全起见 ， 尽管可以接受少量的误报 ， 但我们的模型开发重视减少或更好地消除误报 ， ”开始的测试结果虽然不错 ， 但该团队并没有变得自满 。 “一个重要的问题仍然存在 ， 那就是如果只使用合成数据来训练模型 ， 那么我们的模型是否可信?” 项目联合作者Tam说 。
幸运的是 ， 在美国国家司法研究所资助的一项研究中 ， 研究人员找到了一个从美国保险商实验室（UL）提供的真实世界数据中寻找答案的机会 。 在统一风格的房间中进行了13项实验 ， 与P-Flash所接受的训练相匹配 。 与模拟一样 ， 每次火灾的火源和通风条件都不同 。
NIST团队像以前一样对P-Flash进行了数千次模拟训练 ， 但这次他们交换了来自UL实验的温度数据作为最终测试 。 而这一次预测的结果有点不同 ， P-Flash能够在火灾发生前30秒内预测火焰 ， 在厨房或客厅等开阔区域发生火灾时表现良好 。 但当火灾发生在紧闭的门后的卧室时 ， 模型几乎无法判断何时会发生闪燃 。
研究小组发现了一种被称为“封闭效应”的现象 ， 这可能是精确度急剧下降的原因 。 当火灾发生在封闭的小空间时 ， 热量几乎没有散失的能力 ， 因此温度迅速上升 。 然而 ， 许多构成P-Flash训练材料基础的实验都是在开放的实验室空间进行的 ， 因此 ， UL实验的温度上升速度几乎是合成数据的两倍 。
尽管发现了工具的一个弱点 ， 但结果还是令人鼓舞的 ， 这也是迈向正确方向的一步 。 研究人员的下一个任务是专注于封闭效应 ， 并在模拟中表现出来 。 为了做到这一点 ， 他们计划自己进行更全面的实验 。 当它的弱点被修补 ， 预测变得更准确时 ， 研究人员设想他们的系统可以嵌入手持设备中 ， 通过云与建筑物中的探测器进行通信 。 一旦成功 ， 这将最大限度地提高救人的机会 。
【资讯|人工智能在消防安全方向的应用】本文由升哲科技编译 ， 转载请注明来自sensoro.com
推荐阅读
- 智能化|适老化服务让银行更有温度
- 市场|激斗智能家居，大厂遇到新对手
- 四平|智慧城市“奥斯卡”揭晓！祝贺柯桥客户荣获2021世界智慧城市治理大奖
- 公司|科思科技：正在加速推进智能无线电基带处理芯片的研发
- 网络化|工信部：2025年建成500个以上智能制造示范工厂
- 数据|数智安防时代 东芝硬盘助力智慧安防新赛道
- 手机|【直播纪要】VR/MR会吹响消费电子反攻的号角吗？| 见智研究
- 人工智能|聚焦车载人工智能计算芯片研究 推进汽车产业高质量发展
- 智能化|龙净环保：智能型物料气力输送系统的研究及应用成果通过鉴定
- 耳机|饿了么内测“智能头盔”，外卖小哥送餐能更安全吗？