AI は火災の「フラッシュオーバー」を 92.1% の精度で 30 秒以内に予測し、将来的には消防士の命を救う可能性があります

この時期は非常に暑く乾燥しており、火災が最も発生しやすい時期でもあります。

最近、火災事故が相次いでおり、消防士の犠牲のニュースは胸が痛むものです。火災時に消防士にとって最大の脅威は、実際には爆燃です。わずか2日間で、爆燃により消防士が死亡する事故が2件発生した。

この種の爆燃現象は、多くの場合、建物内で屋内の火が燃え上がり、すべての部屋が燃え上がることで引き起こされます。爆燃は、可燃性ガスや不完全燃焼ガスが一定の濃度に達すると発生します。

このとき、火が当たっていなかった室内の他の部屋の可燃物にも引火して燃えました。部屋が発火したため、このプロセス全体は「フラッシュオーバー」とも呼ばれます。

「フラッシュオーバー」は予測不可能であるからこそ危険です。

今週、研究ではグラフ ニューラル ネットワーク (GNN) を利用して、シミュレーションされた火災におけるさまざまなデータ ソース (ノードとエッジとして表される) 間の関係を学習するシステムを構築しました。 「フラッシュオーバー」現象が次の 30 秒以内に発生するかどうかを確認します。

この研究は、消防士が屋内の建物で「フラッシュオーバー」が発生するかどうかを判断し、それによって人命を救うのに役立つと期待されています。この論文は「Artificial Intelligence Engineering Applications」に掲載されました。

紙のアドレス: https://www.nist.gov/news-events/news/2022/08/ ai-may-come-rescue-future-firefighters

「フラッシュオーバー」を 92.1% の精度で 30 秒以内に予測します

# 一般に、消防士はそのような「フラッシュオーバー」が発生するかどうかを自分の経験に頼って判断する必要があります:

1. 人の皮膚を焼くほどの輻射熱を発生し、数秒後に放射します。熱強度は10kw/m²に達することがあります。

2. 室内には立っていられないほどの熱風が流れ、室内の対流温度は450℃近くになります。

3. ドアは非常に高温になっており、木部の温度は平均320℃を超えています。

4. ドアから飛び出した炎はほぼ天井に達し、天井から室内の可燃物に大量の輻射熱が反射しました。

5. 煙は地上約1mまで落下し、空気中の熱層が上空を占め、熱分解生成物が落下します。

消防士が「フラッシュオーバー」を予測しやすくするために、研究者は、建物のレイアウト、表面素材、火災の状況、換気の構成、煙感知器の位置、室内の温度分布、17 の異なる建物タイプでの 41,000 件の仮想火災がシミュレートされ、合計 25,000 件の火災ケースがモデルのトレーニングに使用され、残りの 16,000 件のケースは微調整とテストに使用されました。

17 の異なる住宅における新しいモデルの精度は、処理する必要があるデータの量と、消防士に提供する必要があるリードタイムに依存していました。

最終的に、モデルの精度 (30 秒先で最高 92.1%) は、プロジェクト チーム独自のツールを含む他の 5 つの機械学習ベースのツールを上回りました。重要なのは、このツールが生成した誤りが最も少なかったことです。ネガティブな状況、つまりモデルが「フラッシュオーバー」を予測できない危険な状況。

FlashNet と呼ばれるこのモデルは、FlashNet が建物の特定の状況や建物内の火災の状況について事前の知識を持たないシナリオに FlashNet を導入します。これは消防士が行うのと同様です。よく遭遇します。

「これらの制限を考慮すると、このツールのパフォーマンスは非常に有望です」と論文の著者である Tam 氏は述べています。しかし、著者が FlashNet をゴールラインに導くまでには、まだ長い道のりがあります。次のステップとして、シミュレーション データではなく実世界のデータを使用してモデルをフィールド テストする予定です。

4 ～ 5 部屋から十数部屋まで、予測難易度は Max

フラッシュオーバーの一般的な傾向ユ火山は摂氏約 600 度 (華氏 1,100 度) で突然噴火し、その後さらに気温が上昇する可能性があります。

以前の予測ツールは、燃えている建物からの一定温度のデータ ストリームに依存するか、熱検知器が高温の影響を受けたときに失われる可能性のあるデータを埋めるために機械学習を使用していました。

これまで、著者が以前に開発したものも含め、ほとんどの機械学習ベースの予測ツールは、単一の使い慣れた環境で動作するようにトレーニングされてきました。しかし実際には、消防士は非常に複雑な環境に直面しており、火災現場に突入するとき、現場や火災の発生場所、ドアが開いているか閉まっているかなどまったくわからない場合があります。

「以前のモデルでは、1 つの建物のレイアウトで 4 ～ 5 部屋しか考慮する必要がありませんでしたが、建物のレイアウトが切り替わって 13 ～ 14 の部屋になると、モデルにとっては悪夢になる可能性があります。」とタム氏は言いました。

手法としての GNN は、ノードとラインのグラフに基づいて判断するのが得意です。さまざまなデータポイントとその相互関係を表現できる機械学習アルゴリズムは、このようなタスクに最適です。

"GNN は、交通状況の到着時間 (ETA) を推定するためによく使用されます。これを分析できます ( 「GNN) 10 ～ 50 の異なる道路。この種の情報を同時に合理的に利用するのは非常に複雑です。そこで私たちは GNN を使用するというアイデアを思いつきました」と論文著者で、同大学の研究助教授である Yujun Fu 氏は述べています。香港理工大学。

国立標準技術研究所 (NIST)、Google、香港理工大学、中国石油大学に加えて、この研究にも参加しました。

関連レポート:

https://www.theregister.com/2022/08/14/ai_firefighter_prediction/https://www.sciencedirect.com/science /article/abs/pii/S0952197622003220https://baike.baidu.com/item/flashover/1869756?fr=aladdin#2

以上がAI は火災の「フラッシュオーバー」を 92.1% の精度で 30 秒以内に予測し、将来的には消防士の命を救う可能性がありますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。