AI, 92.1% 정확도로 30초 내 화재 '플래시오버' 예측해 미래 소방관 생명 구하는데 도움

이 기간은 날씨가 매우 덥고 건조하며, 화재가 가장 많이 발생하는 시기이기도 합니다.

최근 화재사고가 잇달아 발생하고 있는데, 소방관님들의 희생 소식이 가슴 아프네요. 화재 시 소방관에게 가장 큰 위협은 실제로 폭연입니다. 불과 이틀 만에 폭연으로 소방관이 숨지는 사고가 2건이나 발생했다.

이런 폭연 현상은 실내에서 불이 타면서 형성된 가연성 가스와 각 방에서 완전히 연소되지 않은 가스가 일정 농도에 도달할 때 건물 내부에서 폭연이 일어나면서 일어나는 경우가 많습니다.

이때, 방 안의 불에 노출되지 않은 다른 방의 가연성 물질도 점화되어 연소됩니다. 즉, '붐' 소리와 함께 방 안의 가연성 물질이 모두 점화되므로 전체가 연소됩니다. 프로세스를 "플래시오버"라고도 합니다.

이렇게 위험한 것은 바로 '플래시오버'의 예측 불가능성 때문입니다.

이번 주 연구에서는 그래프 신경망(GNN)을 사용하여 시뮬레이션된 화재에서 다양한 데이터 소스(노드와 에지로 표시됨) 간의 관계를 학습하여 다음 30일을 미리 예측하는 시스템을 구축했습니다. "가 몇 초 내에 발생합니까?

이 연구는 소방관이 실내 건물에서 "플래시오버"가 발생하는지 여부를 판단하여 생명을 구하는 데 도움이 될 것으로 기대됩니다. 이 논문은 "인공 지능 공학 응용"에 게재되었습니다.

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

30초 "플래시오버"는 내부적으로 92.1%의 정확도로 예측할 수 있습니다

일반적으로 소방관은 이러한 "플래시오버"가 발생할지 여부를 판단하기 위해 자신의 경험에 의존해야 합니다.

1 인간 피부에 화상을 입힙니다. 열, 복사열 강도는 몇 초 후에 10kw/m²에 도달할 수 있습니다.

2. 방 안의 뜨거운 공기 흐름은 견딜 수 없을 만큼 높으며, 방의 대류 온도는 450℃에 가깝습니다.

3. 문은 매우 뜨겁고, 나무 부분의 온도는 평균 320°C를 초과합니다.

4. 문에서 튀어나온 불꽃은 거의 천장에 닿을 뻔했고, 많은 양의 복사열이 천장에서 실내의 가연성 물질로 반사되었습니다.

5. 연기는 지상 약 1m 높이까지 떨어지며, 공기 중의 열층이 상층 공기를 차지하여 열분해 생성물을 아래로 몰아냅니다.

소방관이 "플래시오버"를 더 잘 예측할 수 있도록 연구원들은 건물 배치, 표면 재료, 화재 상태, 환기 구성, 연기 감지기 위치, 실내 온도 분포, 17개 가상 화재 41,000건 등 다양한 데이터를 수집했습니다. 건물 유형을 시뮬레이션하고 총 25,000개의 화재 사례를 모델 훈련에 사용했으며 나머지 16,000개의 화재 사례를 미세 조정 및 테스트에 사용했습니다.

17개 주택에 걸쳐 새 모델의 정확도는 처리하는 데 필요한 데이터의 양과 소방관에게 제공하려는 리드 타임에 따라 달라졌습니다.

궁극적으로 모델의 정확도(30초 전 최고 92.1%)는 프로젝트 팀의 이전 모델을 포함해 다른 5개의 기계 학습 기반 도구를 능가했으며, 중요한 것은 이 도구가 가장 적은 거짓 부정을 생성했다는 것입니다. 위험한 상황에서 모델이 예측하지 못한 플래시오버'입니다.

이 모델은 FlashNet이라고 하며, FlashNet이 건물의 구체적인 상태와 건물 내부의 화재 상황을 미리 알 수 없는 상황에 FlashNet을 투입한 것인데, 이는 소방관들이 자주 접하는 상황과 유사합니다.

"이러한 한계를 고려할 때 이 도구의 성능은 매우 유망합니다."라고 논문의 저자인 Tam이 말했습니다. 그러나 저자가 FlashNet을 결승선으로 이끌기까지는 아직 갈 길이 멀습니다. 다음 단계로 그들은 시뮬레이션된 데이터가 아닌 실제 데이터를 사용하여 모델을 현장 테스트할 계획입니다.

방 4~5개, 방 12개 이상, 예측 난이도 최대

플래시오버는 일반적으로 섭씨 600도(화씨 1100도) 정도에서 갑자기 폭발하는 경향이 있으며, 이로 인해 온도가 더 올라가세요.

이전 예측 도구는 불타는 건물의 일정한 온도 데이터 스트림에 의존했거나 열 감지기가 고온의 영향을 받을 때 손실될 수 있는 데이터를 채우기 위해 기계 학습을 사용했습니다.

저자가 이전에 개발한 도구를 포함하여 지금까지 대부분의 기계 학습 기반 예측 도구는 친숙한 단일 환경에서 작동하도록 훈련되었습니다. 그러나 실제로 소방관들은 화재 현장으로 돌진할 때 화재 현장, 화재 위치, 문이 열려 있는지 닫혀 있는지 전혀 알 수 없는 매우 복잡한 환경에 직면해 있습니다.

"우리의 이전 모델은 하나의 건물 레이아웃에서 4~5개의 방만 차지했지만, 건물 레이아웃이 바뀌고 13~14개의 방이 있으면 모델에게는 악몽이 될 수 있습니다."라고 Tam은 말했습니다.

GNN은 노드와 선의 그래프를 기반으로 판단을 잘하는 머신러닝 알고리즘으로 다양한 건축물을 표현할 수 있습니다. 데이터 포인트와 포인트 간의 관계는 이러한 작업에 이상적입니다.

"GNN은 도착 시간, 즉 ETA를 추정하는 데 자주 사용됩니다. 교통 상황에서는 [GNN을 사용하여] 10~50개의 다양한 도로를 분석할 수 있습니다. 이러한 종류의 정보를 동시에 적절하게 활용합니다. 시간이 매우 복잡하기 때문에 우리는 GNN을 사용하는 아이디어를 생각해냈습니다."라고 홍콩 폴리테크닉 대학의 연구 조교수이자 논문 저자인 Yujun Fu가 말했습니다.

이 연구에는 국립표준기술연구소(NIST) 외에도 Google, 홍콩이공대학교, 중국석유대학교도 참여했습니다.

관련 보도:

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​

위 내용은 AI, 92.1% 정확도로 30초 내 화재 '플래시오버' 예측해 미래 소방관 생명 구하는데 도움의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!