火焰在消防,最严重的是你没有看到的到来。在混乱中燃烧的建筑,很难注意到即将到来的迹象闪络——一种致命的火灾现象,几乎所有的易燃物品在一个房间里突然点燃。闪络是消防员死亡的主要原因之一,但新的研究表明,人工智能(AI)可以提供急救员提供了急需的单挑。
国家标准与技术研究所的研究人员(NIST)、香港理工大学和其他机构已经开发出一种闪络预测神经网络(FlashNet)模型预测致命事件爆发之前宝贵的几秒钟。在一项新的研究发表在人工智能技术的工程应用,FlashNet吹嘘准确性高达92.1%十几共同在美国住宅平面布置图和登顶时直接与其他基于ai闪络预测程序。
闪络往往突然爆发在大约600摄氏度(1100华氏度),然后进一步导致温度飙升。预测这些事件,现有的研究工具依赖温度的恒定流数据从燃烧的建筑物或使用机器学习来填补缺失数据的可能事件,屈服于高温的热探测器。
直到现在,大多数基于机器学习的预测工具,包括一个作者之前开发的被训练在一个熟悉的环境。在现实中,消防队员没有提供这样的奢侈品。当他们冲进敌对领土,他们可能对平面布置图,几乎一无所知的位置发生火灾或门是否打开或关闭。
“我们先前的模型只考虑四个或五个房间布局,但当布局开关和13或14的房间,它可以是一个噩梦模式,“说NIST机械工程师围昌Tam co-first这项新研究的作者。“对现实的应用程序中,我们认为关键是要搬到一个通用模型,适用于许多不同的建筑。”
应对实际火灾的变化,研究人员加强了神经网络方法与图(GNN),一种机器学习算法擅长判断基于图的节点和线,代表不同的数据点和它们之间的关系。
”卫星系统经常被用来进行预计到达时间,或“埃塔”,在交通,你可以分析10到50个不同的道路。非常复杂,同时妥善利用这类信息,这就是我们的想法使用卫星系统,进行“尤金Yujun Fu说,香港理工大学研究助理教授和研究co-first作者。“除了我们的应用程序中,我们看房间而不是道路和预测闪络事件而不是埃塔在交通。”
研究人员进行数字模拟在17种41000多处建筑,代表大多数美国住宅建筑物。除了布局,因素如火的起源、类型的家具和门窗是否打开或关闭不同。他们为GNN模型提供了一组近25000火灾情况下使用16000作为研究材料,然后微调和最终测试。
在17种房子,新模型的准确性取决于它必须咀嚼的数据量和交货时间它试图提供消防队员。然而,模型的准确性——在最好的情况下,92.1%的30秒时间——超过五句machine-learning-based工具,包括作者的先前的模型。至关重要的是,该工具产生假阴性,危险的情况下,模型未能预测即将闪络。
作者FlashNet扔进场景之前没有一座建筑的细节信息和里面的着火,消防员经常发现自己在类似情况。考虑到这些限制,工具的性能很有前途,Tam说。然而,作者仍然还有很长的路要走才能带FlashNet穿过终点线。下一步,他们计划模型与现实的考验,而不是模拟数据。
“为了充分测试我们的模型的性能,我们需要构建和燃烧自己的结构,包括一些真正的传感器,”谭博士说。“在一天结束的时候,这是一个必须要部署此模式在实际火灾场景。”
参考李:Tam WC,傅EY、J,黄黄X,陈J, MX。空间时间图预测神经网络模型闪络在任意建筑平面布置图。人工智能技术的工程应用。2022;115:105258。doi:10.1016 / j.engappai.2022.105258
本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。
