L'IA prédit le « embrasement éclair » d'un incendie dans les 30 secondes avec une précision de 92,1 %, ce qui pourrait contribuer à sauver la vie des pompiers à l'avenir.

​Pendant cette période, le temps est extrêmement chaud et sec, et c'est aussi la période où les incendies sont les plus susceptibles de se produire.

Il y a eu quelques incendies les uns après les autres récemment, et la nouvelle du sacrifice des pompiers est déchirante. La plus grande menace pour les pompiers en cas d'incendie est en réalité la déflagration. En seulement deux jours, il y a eu deux accidents dans lesquels des pompiers sont morts à cause d'une déflagration.

Ce phénomène de déflagration est souvent provoqué par une déflagration à l'intérieur d'un bâtiment lorsque le gaz combustible formé par la combustion d'un feu intérieur et le gaz incomplètement brûlé qui remplit chaque pièce atteint une certaine concentration.

A ce moment, les combustibles des autres pièces de la pièce qui ne sont pas exposées au feu sont également enflammés et brûlés, c'est-à-dire qu'avec un "boum", tous les combustibles de la pièce sont enflammés, donc l'ensemble. Le processus est également appelé « flashover ».

C'est précisément à cause de l'imprévisibilité du « flashover » qu'il est si dangereux.

Cette semaine, une étude a utilisé des réseaux de neurones graphiques (GNN) pour construire un système permettant d'apprendre les relations entre différentes sources de données (représentées sous forme de nœuds et de bords) dans des incendies simulés afin de prédire à l'avance le « flashover » des 30 prochains jours. " se produit en quelques secondes ?

Cette recherche devrait aider les pompiers à déterminer si un « embrasement éclair » se produira dans les bâtiments intérieurs, sauvant ainsi des vies. L'article a été publié dans "Artificial Intelligence Engineering Applications".

Adresse papier : https://www.nist.gov/news-events/news/2022/08/ai-may-come-rescue-future-firefighters

30 secondes Un « embrasement éclair » peut être prédit en interne avec une précision de 92,1 %

De manière générale, les pompiers doivent se fier à leur propre expérience pour juger si un tel «embrasement éclair» se produira :

1. chaleur, l'intensité de la chaleur rayonnante peut atteindre 10kw/m² après quelques secondes.

2. Le flux d'air chaud dans la pièce le rend insupportable et la température de convection dans la pièce est proche de 450 ℃.

3. La porte est extrêmement chaude et la température des pièces en bois dépasse 320°C en moyenne.

4. Les flammes sortant de la porte ont presque atteint le plafond et une grande quantité de chaleur rayonnante s'est réfléchie du plafond vers les matériaux combustibles de la pièce.

5. La fumée descend à environ 1 m au-dessus du sol et la couche thermique de l'air occupe l'air supérieur, chassant les produits de décomposition thermique vers le bas.

Pour mieux aider les pompiers à prédire les «embrasements éclairs», les chercheurs ont collecté diverses données, allant de la disposition des bâtiments aux matériaux de surface, aux conditions d'incendie, aux configurations de ventilation, à l'emplacement des détecteurs de fumée et à la répartition de la température dans les pièces, 41 000 incendies virtuels de 17 types différents. Les types de bâtiments ont été simulés, un total de 25 000 cas d'incendie ont été utilisés pour entraîner le modèle et les 16 000 cas restants ont été utilisés pour des réglages précis et des tests.

Dans 17 foyers différents, la précision du nouveau modèle dépendait de la quantité de données qu’il devait traiter et du délai qu’il cherchait à fournir aux pompiers.

En fin de compte, la précision du modèle (meilleur 92,1 % à 30 secondes d'avance) a dépassé cinq autres outils basés sur l'apprentissage automatique, y compris le modèle précédent de l'équipe du projet, et, plus important encore, l'outil a produit le moins de faux négatifs, c'est-à-dire " flashovers" que le modèle n'a pas réussi à prédire dans des situations dangereuses.

Ce modèle s'appelle FlashNet et place FlashNet dans des scénarios où FlashNet ne connaît pas à l'avance les conditions spécifiques du bâtiment et la situation d'incendie à l'intérieur du bâtiment, ce que les pompiers rencontrent souvent.

"Compte tenu de ces limitations, les performances de cet outil sont assez prometteuses", a déclaré Tam, l'auteur de l'article. Cependant, l’auteur a encore un long chemin à parcourir avant de mener FlashNet jusqu’à la ligne d’arrivée. Dans une prochaine étape, ils prévoient de tester le modèle sur le terrain avec des données réelles plutôt qu'avec des données simulées.

De 4 à 5 pièces, à plus d'une douzaine de pièces, difficulté de prédiction Max

Flashover a généralement tendance à éclater soudainement à environ 600 degrés Celsius (1100 degrés Fahrenheit), ce qui peut alors faire monter la température monter encore.

Les outils de prévision précédents s'appuyaient soit sur un flux de données à température constante provenant des bâtiments en feu, soit sur l'apprentissage automatique pour compléter les données qui pourraient être perdues lorsque les détecteurs de chaleur sont affectés par des températures élevées.

À ce jour, la plupart des outils de prédiction basés sur l'apprentissage automatique, dont un précédemment développé par les auteurs, ont été formés pour fonctionner dans un environnement unique et familier. Mais en réalité, les pompiers sont confrontés à un environnement extrêmement complexe lorsqu’ils se précipitent dans une zone d’incendie, ils n’ont souvent aucune idée des lieux, du lieu de l’incendie ou si la porte est ouverte ou fermée.

« Notre modèle précédent ne devait prendre en compte que quatre à cinq pièces dans une disposition de bâtiment, mais lorsque la disposition du bâtiment change et que vous disposez de 13 à 14 pièces, cela peut être un cauchemar pour le modèle », a déclaré Tam : « Pour de vrai - applications mondiales, nous pensons que la clé est de construire un modèle général applicable à de nombreux bâtiments différents. "

GNN, en tant qu'algorithme d'apprentissage automatique capable de porter des jugements basés sur des graphiques de nœuds et de lignes, peut représenter différents les données. Les points et leurs relations les uns avec les autres sont idéaux pour une telle tâche.

"Les GNN sont souvent utilisés pour estimer l'heure d'arrivée, ou ETA, dans le trafic où vous pouvez analyser 10 à 50 routes différentes (avec les GNN). Utiliser correctement ce type d'informations en même temps le temps est très complexe, nous avons donc eu l'idée d'utiliser GNN", a déclaré Yujun Fu, auteur de l'article et professeur assistant de recherche à l'Université polytechnique de Hong Kong.

En plus de l'Institut national des normes et de la technologie (NIST), Google et l'Université polytechnique de Hong Kong, l'Université chinoise du pétrole ont également participé à cette recherche.

Rapports associés :

https://www.theregister.com/2022/08/14/ai_firefighter_prediction/https://www.sciencedirect.com/science/article/abs/pii/S0952197622003220https://baike .baidu.com/item/%E8%BD%B0%E7%87%83/1869756?fr=aladdin#2​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!