P-Flash verwendet A.I. Brände zu bekämpfen

Ein tödliches Phänomen, das als „Flashover“ bekannt ist, tritt auf, wenn sich brennbare Materialien in einem Raum fast gleichzeitig entzünden. Ein blinder Fleck für Feuerwehrleute, das Ereignis erzeugt ein Feuer, das nur durch die Menge an verfügbarem Sauerstoff begrenzt ist.

Ein neues Tool namens P-Flash schätzt, wann ein Flashover bevorsteht. Die Technologie, die von Forschern des National Institute of Standard and Technology (NIST) entwickelt wurde, bietet Einsatzkräften auch Flashover-Warnungen.

Was ist ein Flashover?

Überschläge sind besonders gefährlich, da es nur wenige Warnzeichen gibt, die der Feuerwehr helfen, sie im Voraus zu erkennen. Einige Flashover-Indikatoren, wie eine zunehmend intensive Hitze oder über eine Decke rollende Flammen, sind in der schlecht sichtbaren, hochbelasteten Umgebung einer Rettung leicht zu übersehen.

„Ich glaube nicht, dass die Feuerwehr über viele technologische Hilfsmittel verfügt, die einen Flashover am Tatort vorhersagen“, sagte NIST-Forscher Christopher Brown , der auch als freiwilliger Feuerwehrmann dient. „Unser größtes Werkzeug ist nur die Beobachtung, und das kann sehr täuschen. Von außen sieht es so aus, und drinnen kann es ganz anders aussehen.“

Das Prediction Model for Flashover, oder P-Flash, zieht Daten von einer Reihe von Wärmemeldern in der Nähe, einschließlich denen in angrenzenden Räumen, um Temperaturdaten aus dem Raum, in dem das Feuer entstanden ist, wiederherzustellen und das Potenzial für einen Flashover abzuschätzen.

Was ist P-Flash?

Das vom NIST entwickelte Modell sagte bevorstehende Überschläge bei über tausend simulierten Bränden und mehr als einem Dutzend realer Brände voraus. Experimentelle Auswertung, gerade veröffentlicht in den Proceedings of the AAAI Conference on Artificial Intelligence , schlägt vor, dass das Modell eine zuverlässige Vorhersage bei der Vorhersage simulierter Überschläge zeigt.

Dem Bericht zufolge beträgt die Modellleistung etwa 83 % bzw. 81 % für das aktuelle und zukünftige Auftreten von Überschlägen, wenn man den Ausfall des Wärmemelders bei 150 °C berücksichtigt.

Wärmemelder, die üblicherweise in gewerblichen Gebäuden installiert sind und in Wohnungen zusammen mit Rauchmeldern verwendet werden können, sollen größtenteils nur bei Temperaturen bis zu 150 °C (302 Grad Fahrenheit) funktionieren, weit unter 600 °C (1.100 Grad Fahrenheit). ), bei der typischerweise ein Überschlag auftritt. Um die durch die fehlenden Daten entstandene Lücke zu schließen, wandten NIST-Forscher eine Form der künstlichen Intelligenz an, die als maschinelles Lernen bekannt ist.

„Sie verlieren die Daten, aber Sie haben den Trend, wo der Wärmemelder versagt, und Sie haben andere Detektoren. Mit maschinellem Lernen könnten Sie diese Daten als Ausgangspunkt verwenden, um zu extrapolieren, ob ein Flashover stattfinden wird oder bereits stattgefunden hat“, sagte NIST-Chemieingenieur Thomas Cleary, ein Co-Autor der Studie.

Das Haus niederbrennen (...virtuell)

Algorithmen für maschinelles Lernen verwenden große Datenmengen, um Ergebnisse vorherzusagen. Um eine große Menge an Informationen über Hausbrände zu erhalten, ist jedoch ein digitales Zuhause erforderlich:eine Simulation eines brennenden einstöckigen Hauses mit drei Schlafzimmern im Ranch-Stil.

Um P-Flash zu bauen, fütterten Cleary und Kollegen ihren Algorithmus mit Temperaturdaten von Wärmemeldern aus dem virtuellen Haus – der in den meisten Bundesstaaten am häufigsten vorkommenden Art von Zuhause. Das Team brannte dieses virtuelle Gebäude wiederholt nieder – es führte tatsächlich 5.041 Simulationen durch – unter Verwendung des Consolidated Model of Fire and Smoke Transport von NIST oder CFAST , ein Brandmodellierungsprogramm, das durch reale Brandversuche validiert wurde.

Jede der über 5.000 Simulationen wies geringfügige, aber kritische Abweichungen auf. Fenster und Schlafzimmertüren wurden zufällig so konfiguriert, dass sie offen oder geschlossen waren. Möbel kamen und gingen und bewegten sich. Die Haustür öffnete und schloss sich.

In den Räumen platzierte Wärmemelder erzeugten Temperaturdaten, bis sie durch die starke Hitze unweigerlich deaktiviert wurden.

Um mehr über die Fähigkeit von P-Flash zu erfahren, Überschläge nach dem Ausfall von Wärmemeldern vorherzusagen, teilten die Forscher die simulierten Temperaturaufzeichnungen auf, sodass der Algorithmus aus einem Satz von 4.033 lernen konnte, während die anderen außer Sichtweite blieben. Dann befragte das Team P-Flash zu 504-Simulationen und optimierte das Modell basierend auf seinen Vermutungen.

Die Forscher fanden heraus, dass das Modell für etwa 86 % der simulierten Brände Überschläge eine Minute vorher korrekt vorhersagte. Viele der Fehlschüsse waren laut dem Team Fehlalarme, die den Blitz zu einem ungenau frühen Zeitpunkt vorhersagten, den Feuerwehrleuten aber zumindest kein falsches Sicherheitsgefühl vermittelten.

Testen mit echten Daten (und echten Bränden)

Darüber hinaus testete NIST P-Flash weiter, indem es seine vorhergesagten Temperaturdaten mit Temperaturen verglich, die in 13 echten Hausbränden gemessen wurden, die während der Experimente der Underwriters Laboratories (UL) gezielt angezündet wurden.

Mit den Temperaturdaten aus den UL-Experimenten schnitt P-Flash bei dem Versuch, Überschläge bis zu 30 Sekunden im Voraus vorherzusagen, gut ab, wenn Brände in offenen Bereichen wie der Küche oder dem Wohnzimmer ausbrachen. Als jedoch hinter verschlossenen Türen in einem Schlafzimmer Feuer ausbrachen, konnte das Modell fast nie erkennen, wann ein Flashover unmittelbar bevorstand.

Das Team identifizierte ein Phänomen namens Enclosure-Effekt als mögliche Erklärung für den starken Abfall der Genauigkeit. Wenn Feuer in kleinen, abgeschlossenen Räumen brennen, kann sich Wärme kaum ableiten, sodass die Temperatur schnell ansteigt – schneller als die Feuer in den offenen Laborräumen, die die frühen Trainingsdaten von P-Flash lieferten.

Die nächste Aufgabe der Forscher besteht darin, weitere großmaßstäbliche Experimente durchzuführen, die sich mit dem Gehäuseeffekt befassen und ihn in Simulationen darstellen. Mit Verbesserungen hofft das Team, das System in Handheld-Geräte einbetten zu können, die über die Cloud mit Detektoren in einem Gebäude kommunizieren und Einsatzkräfte über Gefahrenstellen informieren und wann es Zeit ist, auszusteigen.

In einem E-Mail-Interview mit Tech Briefs, NIST-Ingenieur Thomas Cleary erklärt mehr darüber, wann er davon ausgeht, dass Feuerwehrleute das Modell verwenden können. Cleary hat in Zusammenarbeit mit seinen Kollegen Christopher Brown, Jonathan Griffin, Andy Tam und Anthony Putorti geantwortet.

Technische Informationen :Wie „verbrennt man ein virtuelles Gebäude“? Das scheint eine sehr interessante Aufgabe zu sein. Was ändern Sie jedes Mal am Gebäude? Und wie informiert das Ihr Modell?

Thomas Cleary: Ein Modell wie P-Flash wird mit großen Datensätzen aus einer Reihe von Brandszenarien trainiert. Es ist unrealistisch, die erforderliche Datenmenge aus echten Bränden zu generieren, also verwenden wir Computer-Brandmodelle. Insbesondere wird das NIST-Brandmodell CFAST verwendet, um Brände in einem modellierten „virtuellen“ Gebäude zu simulieren.

Für ein festes Gebäudelayout schließen wir eine breite Palette von Bränden ein, von langsam bis zu ultraschnell wachsenden Bränden, und variieren ihre Standorte und die Öffnungsbedingungen der Lüftungsöffnungen (d. h. Türen und Fenster), um nachzuahmen, was bei echten Bränden plausibel ist.

Ungefähr 5000 simulierte Brände mit Flashover-Ereignis werden verwendet, um P-Flash so zu trainieren, dass es die nützlichen Trends und Muster lernt, um Flashover-Bedingungen mit den begrenzten Temperaturinformationen zu korrelieren.

Technische Informationen : Was hat diese Idee inspiriert? Welche aktuelle Technologie ist verfügbar, um einem Feuerwehrmann bei der Bewältigung eines Flashovers zu helfen?

Thomas Cleary: Die Inspiration für unsere aktuelle Forschung stammt aus früheren Forschungen ^[1] Untersuchen des Sendens des Zustands der Brandmeldezentrale und von Informationen von Rauch- und Wärmemeldern an die Feuerwehr auf dem Weg zu einem Brand, damit sie vor dem Eintreffen ein Gefühl für den Brandort und die Ausbreitung haben. Eine natürliche Erweiterung besteht darin, die Daten von Detektoren auf vorhersagende Weise zu verwenden, um Vorhersagen zu treffen. Andere Forschungen am NIST unter Verwendung des Brandmodells CFAST in der Monte-Carlo-Modellierung von Brandszenarien deuteten darauf hin, dass die großen Datensätze für maschinelles Lernen/KI durch Computerbrandmodellierung leicht erreichbar sind.

Derzeit verlassen sich Feuerwehrleute auf ihre Sinne, ihr Training oder bestenfalls tragbare Wärmesensoren oder Wärmebildkameras, um eine Vorstellung vom möglichen Übergang zum Flashover zu bekommen. Leider müsste man sich in oder in der Nähe eines Raumes befinden, der sich einem Flashover nähert, um die Gefahr erkennen zu können.

Mehr Brandbekämpfungstechnologie in Tech Briefs

Blog :Auf einer Feuerwehrjacke nimmt ein autarker Ortungssensor die Hitze auf

Podcast :Ein Rückblick auf den bahnbrechenden „Manny“-Roboter – der Freund eines Feuerwehrmanns

Technische Informationen :Was haben Sie von Feuerwehrleuten über ihre Herausforderungen mit Flashover gehört?

Thomas Cleary: Gegenwärtig versuchen Feuerwehrleute, Flashover zu vermeiden, basierend auf ihrer Erfahrung mit der Interpretation von Beobachtungshinweisen auf Flashover, wie etwa Überschlag, große Hitze usw., innerhalb der Gebäudestruktur und dunkler Rauch, der aus den Außenfenstern austritt. Der Übergang zum Flashover erfolgt jedoch typischerweise innerhalb von Sekunden, und im Allgemeinen sind die Flashover-Indikatoren nicht leicht zu erkennen und würden, wenn sie übersehen werden, Leben gefährden. Wir hoffen, dass unsere Arbeit die erfahrungsbasierte Brandbekämpfung verbessern wird, indem sie eine datengesteuerte Brandbekämpfung ermöglicht.

Technische Informationen : Wie machen Sie aus dem Modell ein brauchbares Werkzeug? Können Feuerwehrleute dieses Modell jetzt verwenden?

Thomas Cleary: Der Fokus der Forschung lag darauf, sich auf Gebäudedaten zu stützen, die von verfügbaren Gebäudesensoren bereitgestellt werden oder leicht bereitgestellt werden könnten. Eine Möglichkeit, die Forschung in die Realität umzusetzen, besteht darin, das Modell in eine intelligente Brandmeldezentrale zu integrieren, die die Temperaturdaten von installierten Wärmemeldern erfasst und ein Computermodul enthält, das die Daten verarbeiten und Echtzeitvorhersagen treffen kann. Von der Brandmeldezentrale oder einem anderen geeigneten Gerät würde die Vorhersage an den Einsatzleiter oder einzelne Feuerwehrleute gesendet, wenn dies als geeignet erachtet wird. Der genaue Mechanismus zur Bereitstellung einer solchen prädiktiven Analyse ist noch nicht entschieden und würde die Eingabe der Feuerwehr erfordern, um einen Konsens zu erzielen.

Feuerwehrleute können das Modell jetzt nicht verwenden. Bevor das Modell entwickelt und in eine intelligente Brandmeldezentrale integriert werden kann, müssen wir die Modellleistung (Echtzeitvorhersage) in Gebäudebrandtests mit Wärmemeldern verifizieren.

Technische Informationen : Wie geht es mit dieser Arbeit weiter?

Thomas Cleary: Wir erweitern derzeit P-Flash, damit es für verschiedene Gebäudelayouts funktioniert. Für das nächste Jahr oder so planen wir Demonstrationen zum Bau von Brandversuchen und haben begonnen, uns mit Herstellern von Brandschutz-(Alarm-)Ausrüstung über die Fähigkeiten des Modells auszutauschen.

Was denken Sie? Teilen Sie unten Ihre Fragen und Kommentare.

[1] Reneke, P. A. (2013). Auf dem Weg zu Smart Fire Panels . NIST TN 1780. US-Handelsministerium, National Institute of Standards and Technology, MD.