AI meramalkan "kilat" kebakaran dalam masa 30 saat dengan ketepatan 92.1%, yang boleh membantu menyelamatkan nyawa anggota bomba pada masa hadapan

​Sepanjang tempoh ini, cuaca sangat panas dan kering, dan ia juga merupakan masa kebakaran berkemungkinan besar berlaku.

Terdapat beberapa kejadian kebakaran satu demi satu baru-baru ini, dan berita pengorbanan anggota bomba amat menyayat hati. Ancaman terbesar kepada anggota bomba dalam kebakaran sebenarnya adalah deflagration. Hanya dalam masa dua hari, terdapat dua kemalangan di mana anggota bomba meninggal dunia akibat deflagration.

Fenomena deflagrasi seperti ini selalunya berpunca daripada kebakaran dalaman yang membakar di dalam bangunan dan memenuhi setiap bilik di dalam bilik. Deflagrasi berlaku apabila gas mudah terbakar dan gas yang tidak terbakar sepenuhnya mencapai kepekatan tertentu.

Pada masa ini, bahan mudah terbakar di bilik lain di dalam bilik yang tidak terdedah kepada api juga dinyalakan dan dibakar, dengan "boom", semua bahan mudah terbakar bilik itu dinyalakan, jadi keseluruhan Proses ini juga dipanggil "flashover."

Tepatnya kerana ketidaktentuan "kilat kilat" yang sangat berbahaya. ​

Minggu ini, satu kajian menggunakan rangkaian neural graf (GNN) untuk membina sistem untuk mempelajari hubungan antara sumber data yang berbeza (diwakili sebagai nod dan tepi) dalam kebakaran simulasi , dengan itu meramalkan dalam terlebih dahulu sama ada fenomena "flashover" akan berlaku dalam 30 saat akan datang.

Penyelidikan ini dijangka dapat membantu anggota bomba menentukan sama ada "kilat kilat" akan berlaku di bangunan dalaman, sekali gus menyelamatkan nyawa. Kertas itu diterbitkan dalam "Aplikasi Kejuruteraan Kecerdasan Buatan".

Alamat kertas: https://www.nist.gov/news-events/news/2022/08/ ai-may-come-rescue-future-bomba

Ramalkan "flashover" dalam masa 30 saat dengan ketepatan 92.1%

Secara umumnya, anggota bomba perlu bergantung pada pengalaman mereka sendiri untuk menilai sama ada "flashover" sedemikian akan berlaku:

1. Menghasilkan haba berseri yang membakar kulit manusia dan memancar selepas beberapa saat boleh cecah 10kw/m².

2. Aliran udara panas di dalam bilik menjadikannya mustahil untuk ditahan, dan suhu perolakan di dalam bilik adalah hampir 450 ℃.

3. Pintu terlalu panas sehingga suhu bahagian kayu melebihi 320℃ secara purata.

4. Api yang melompat keluar dari pintu hampir mencapai siling, dan sejumlah besar haba sinaran dipantulkan dari siling ke bahan mudah terbakar di dalam bilik.

5. Asap turun kepada kira-kira 1m di atas tanah, dan lapisan terma di udara menduduki udara atas, mendorong produk penguraian terma ke bawah.

Untuk membantu anggota bomba meramalkan "kilat kilat" dengan lebih baik, penyelidik mengumpul pelbagai data, daripada susun atur bangunan, bahan permukaan, keadaan kebakaran dan konfigurasi pengudaraan , lokasi pengesan asap , dan taburan suhu di dalam bilik, 41,000 kebakaran maya dalam 17 jenis bangunan berbeza telah disimulasikan Sebanyak 25,000 kes kebakaran digunakan untuk melatih model, dan baki 16,000 kes digunakan untuk penalaan halus dan ujian.

Merentasi 17 rumah yang berbeza, ketepatan model baharu bergantung pada jumlah data yang diperlukan untuk diproses dan masa utama ia berusaha untuk menyediakan anggota bomba.

Akhirnya, ketepatan model (terbaik 92.1% pada 30 saat ke hadapan) mengatasi lima alatan berasaskan pembelajaran mesin lain, termasuk peralatan pasukan projek sendiri Yang penting, alat itu menghasilkan negatif palsu paling sedikit, iaitu, situasi berbahaya di mana model gagal meramalkan "kilat kilat".

Model ini, yang dipanggil FlashNet, meletakkan FlashNet dalam senario di mana FlashNet tidak mempunyai pengetahuan awal tentang keadaan khusus bangunan dan keadaan kebakaran di dalam bangunan, yang serupa dengan apa yang dilakukan oleh anggota bomba sering berjumpa.

"Memandangkan batasan ini, prestasi alat ini agak menjanjikan," kata Tam, pengarang kertas itu. Walau bagaimanapun, penulis masih mempunyai perjalanan yang panjang sebelum membawa FlashNet melintasi garisan penamat. Sebagai langkah seterusnya, mereka merancang untuk menguji model dengan data dunia sebenar dan bukannya data simulasi.

Dari 4 hingga 5 bilik kepada lebih daripada sedozen bilik, kesukaran ramalan ialah Max

Kecenderungan umum flashover Yu tiba-tiba meletus pada kira-kira 600 darjah Celsius (1,100 darjah Fahrenheit), yang kemudiannya boleh menyebabkan suhu meningkat lebih jauh.

Alat ramalan sebelumnya sama ada bergantung pada aliran data suhu malar daripada bangunan yang terbakar, atau menggunakan pembelajaran mesin untuk mengisi data yang boleh hilang apabila pengesan haba dipengaruhi oleh suhu tinggi.

Sehingga kini, kebanyakan alatan ramalan berasaskan pembelajaran mesin, termasuk yang dibangunkan oleh pengarang sebelum ini, telah dilatih untuk beroperasi dalam persekitaran tunggal yang biasa. Tetapi pada hakikatnya, anggota bomba menghadapi persekitaran yang sangat kompleks Apabila mereka bergegas ke kawasan kebakaran, mereka mungkin tidak tahu tentang tempat kejadian, lokasi kebakaran, atau sama ada pintu terbuka atau tertutup.

"Model kami sebelum ini hanya perlu mempertimbangkan empat hingga lima bilik dalam satu susun atur bangunan, tetapi apabila susun atur bangunan bertukar dan anda mempunyai 13 hingga 14 bilik, ia boleh menjadi mimpi ngeri untuk model itu," kata Tam , "Sebenarnya - aplikasi dunia, kami percaya kuncinya adalah untuk membina model umum yang boleh digunakan untuk banyak bangunan yang berbeza." Algoritma pembelajaran mesin yang boleh mewakili titik data yang berbeza dan hubungannya antara satu sama lain sangat sesuai untuk tugasan tersebut.

"GNN sering digunakan untuk menganggarkan masa ketibaan, atau ETA, dalam trafik, yang boleh anda analisis (dengan GNN) 10 hingga 50 jalan yang berbeza Sangat rumit untuk menggunakan maklumat jenis ini secara rasional pada masa yang sama, jadi kami mendapat idea untuk menggunakan GNN," kata Yujun Fu, pengarang kertas dan pembantu penyelidik. profesor di Universiti Politeknik Hong Kong.

Selain Institut Piawaian dan Teknologi Kebangsaan (NIST), Google dan Universiti Politeknik Hong Kong, Universiti Petroleum China turut mengambil bahagian dalam penyelidikan ini.

Laporan berkaitan:

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​

Atas ialah kandungan terperinci AI meramalkan "kilat" kebakaran dalam masa 30 saat dengan ketepatan 92.1%, yang boleh membantu menyelamatkan nyawa anggota bomba pada masa hadapan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!