当房间里的可燃材料几乎同时点燃时,就会出现一种被称为“闪燃”的致命现象。对于消防员来说,这是一个盲点,活动产生的火灾仅受可用氧气量的限制。

一个新的工具 - 称为P-Flash - 估计闪弗迫在眉睫。由国家标准和技术研究所(NIST)的研究人员建造的技术还为响应者提供闪络警报。

什么是闪络?

闪光尤其危险,因为几乎没有预警信号可以帮助消防员提前发现它们。在低能见度、高压力的救援环境中,一些闪络指标,如越来越高的温度或在天花板上滚动的火焰,很容易被忽略。

“我认为消防服务有许多工具技术 - 明智地预测现场的闪光灯,”NIST研究人员克里斯托弗·棕色,谁也用作志愿者消防员。“我们最大的工具只是观察,这可能非常欺骗。事情在外面看起来一种方式,当你进入里面时,它可能是完全不同的。“

闪络或P-Flash的预测模型从附近的热量探测器阵列(包括相邻房间)的阵列中拉动数据,以从火灾源房间恢复温度数据并估算闪光件的潜力。

什么是p-flash?

NIST开发的模型预测了超过一千个模拟火灾的闪差,超过十几个真实的火灾。实验评估,刚刚发表在Aaai人工智能大会的诉讼程序建议该模型显示了预期模拟闪光件的可靠预测。

根据该报告,模型性能分别为83%和81%,对于电流和未来的闪光闪动发生,考虑到150˚C的热量检测器故障。

通常安装在商业建筑物中并且可以在烟雾报警中使用的热量检测器,最重要的是仅在高达150˚C(302华氏度)的温度下运行,远低于600˚C(1,100华氏度)通常开始发生闪络。为了弥合缺失数据创建的差距,NIST研究人员应用了一种被称为机器学习的人工智能形式。

“你失去了数据,但你已经达到了热量探测器失败的趋势,你有其他探测器。通过机器学习,您可以使用该数据作为跳跃点来推断是否会发生闪光灯,“该研究的共同作者托马斯清洁说,NIST化学工程师Thomas Cleary说。

烧毁房屋(实际上)

机器学习算法使用大量数据来预测结果。然而,为了获得有关房屋火灾的大量信息,需要数字住宅:模拟燃烧的三居室,一层楼的牧场房屋。

为了构建P-Flash,Cleary及其同事从虚拟房屋的热量检测器馈送其算法温度数据 - 大多数州中最常见的家居类型。该团队反复烧毁了这座虚拟建筑 - 运行5,041模拟,实际上 - 使用NIST的综合火灾模型,或CFAST,由真正的防火实验验证的火灾建模程序。

在5000多个模拟中,每一个都有轻微但关键的变化。窗户和卧室门被随机设置为打开或关闭。家具来来去去,来回移动。前门开了又关。

放置在房间的热量检测产生温度数据,直到它们不可避免地被强烈的热量禁用。

为了了解P-Flash在热探测器失效后预测闪光的能力,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,同时保持其他的看不到。然后,研究小组对P-Flash进行了504次模拟测试,并根据其猜测调整了模型。

研究人员在数字三卧室房屋中模拟了5000多次火灾,这是一个关键的细节,如消防原点之间的不同。基于团队的基于机器学习的工具,P-Flash,正确地预测了闪络(潜在致命的现象)是否基于模拟温度数据发生的86%。(图片信用:NIST)

研究人员发现,模型预先预测闪光件,预先预测闪光效果约86%的模拟火灾。许多失误的,根据球队,是误报,其预测闪光灯在早期不准确的时刻,但至少没有提供消防队员用安全的错觉。

使用真实数据(和真正的火灾)进行测试

此外,NIST还对P-Flash进行了进一步测试,将其预测的温度数据与在美国保险商实验室(UL)实验期间故意点燃的13起真实房屋火灾中测量的温度进行了比较。

利用来自UL实验的温度数据,P-Flash,试图预先预测闪光灯长达30秒,在厨房或起居室的开放区域开始时表现良好。当火灾在卧室开始时,闭门后,模型几乎从不告诉闪弗迫在眉睫。

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。当火焰在封闭的小空间燃烧时,热量几乎没有消散的能力,所以温度上升得很快——比在提供P-Flash早期训练数据的开放实验室中上升得更快。

研究人员的下一个任务是进行更全面的实验,瞄准封闭效应,并在模拟中表现出来。随着改进,该团队希望将该系统嵌入手持设备中,通过云与建筑物内的探测器通信,通知应急人员危险地点和何时该撤离。

在电子邮件采访中yabovip16.com技术简介,NIST Engineer Thomas Cleary,当他预计消防员能够使用该模型时,更多地解释了更多信息。与他的同事Christopher Brown,Jonathan Griffin,Andy Tam和Anthony Putorti合作,回答了清晰。

yabovip16.com:你如何“烧虚拟建筑?”这似乎是一个非常有趣的任务。你每次在建筑物上改变什么?这是如何通知您的型号?

托马斯清晰:P-Flash等模型使用来自一系列火灾场景的大型数据集进行培训。从真正的火灾中生成必要的数据是不现实的,因此我们使用计算机火模型。具体而言,NIST Fire模型CFast,用于模拟建模的“虚拟”构建中的火灾。

对于一个固定的建筑布局,我们包括了各种各样的火灾,从缓慢增长到超高速增长的火灾,并改变它们的位置,以及通风口打开条件(即门和窗户),以模拟真实火灾中可能发生的情况。

大约5000起模拟的闪络火灾被用于训练P-Flash,以便它学习有用的趋势和模式,将闪络条件与有限的温度信息关联起来。

yabovip16.com什么激发了这个想法?有助于帮助消防员的地址闪光透过的技术是什么?

托马斯清晰:我们目前研究的灵感来源于以前的研究[1]在到达火灾现场的途中,向消防部门发送火灾警报控制面板的状态以及烟雾和热量探测器的信息,以便他们在到达前对火灾位置和蔓延情况有一个感知。一个自然的扩展是以预测的方式使用来自检测器的数据来提供预测。NIST的其他研究表明,在蒙特卡罗火灾场景建模中使用火灾模型CFAST,可以很容易地从计算机火灾建模中获得用于机器学习/人工智能的大数据集。

目前,消防队员依靠他们的感官,训练,或者最好的手持式热传感器或热成像摄像机来获取可能过渡到闪燃的想法。不幸的是,人们需要在一个接近闪络的房间或附近有机会认识到危险。

NIST进一步测试P-闪光由它的预测温度数据进行比较,以在13起实际房屋火灾,保险商实验室(UL)的实验过程中有目的地点亮测得的温度。在房屋起居室的照片之前和之后,可以看到UL实验的后果,以及从天花板上串联的温度传感器。信誉:UL消防员安全研究所

yabovip16.com你从消防队员那里听说过他们在闪燃方面遇到的挑战吗?

托马斯清晰:目前,消防员试图根据他们的经验避免闪络,以解释闪络的观察线索,例如翻转,高温等,在建筑物结构和从外墙上出来的黑暗烟雾。但是,向闪光透过的过渡通常在几秒钟内,通常,闪络指示器不容易识别,如果错过,则将生命危险。我们希望我们的工作将通过促进数据驱动的消防来提高基于经验的消防。

yabovip16.com如何将模型转换为可用的工具?消防员现在可以使用此模型吗?

托马斯清晰:研究的重点是依赖于建设数据或可以轻松提供可用的建筑物传感器。将研究转化为现实的一种方法是将模型集成到智能火警警报控制面板中,该智能防火报警控制面板将收集来自安装的热量检测器的温度数据,并包括可以处理数据并进行实时预测的计算机模块。从火警控制面板或其他合适的设备上,预测将被送到事件指挥官,如果被视为合适的话,可以发送到事件指挥官或单独的消防员。提供此类预测分析的确切机制不是决定的,并且需要从消防服务中的输入来发展共识。

消防员现在无法使用该模型。在该模型可以开发和合并到智能防火报警控制面板中,我们觉得我们需要验证使用热检测器建立火灾测试的模型性能(实时预测)。

yabovip16.com接下来是关于这项工作的?

托马斯清晰:我们目前正在扩展P-Flash以适用于不同的建筑布局。在明年左右,我们正在计划建筑消防实验的示范,并开始与消防安全(警报)设备制造商有关模型的能力。

你怎么看?分享您的问题和评论。

[1] Reneke, P. A.(2013)。迈向智能消防面板。NIST TN 1780.美国商务部,国家标准与技术研究所,MD。