P-Flash KI-Tool sagt Flashover voraus, erhöht Feuerwehrsicherheit

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

Ein neues Tool – P-Flash genannt – schätzt, wann ein Flashover unmittelbar bevorsteht. Die Technologie, entwickelt von Forschern des National Institute of Standards and Technology (NIST), liefert auch Flashover-Warnungen an Einsatzkräfte.

Was ist ein Flashover?

Flashovers sind besonders gefährlich, da es wenige Warnzeichen gibt, die Feuerwehrleuten helfen, sie im Voraus zu erkennen. Einige Flashover-Indikatoren, wie zunehmend intensive Hitze oder rollende Flammen an der Decke, sind in der niedrigsichtigen, hochstressigen Umgebung eines Rettungseinsatzes leicht zu übersehen.

„Ich glaube nicht, dass der Feuerwehrdienst viele technologische Werkzeuge hat, die Flashover am Einsatzort vorhersagen“, sagte NIST-Forscher Christopher Brown , der auch als freiwilliger Feuerwehrmann dient. „Unser größtes Werkzeug ist bloß Beobachtung, und das kann sehr trügerisch sein. Von außen sieht es auf eine Weise aus, und wenn man hineingeht, kann es ganz anders sein.“

Das Prediction Model for Flashover, oder P-Flash, zieht Daten aus einem Array nahegelegener Hitzedetektoren, einschließlich denen in angrenzenden Räumen, um Temperaturdaten aus dem Brandherdraum zu rekonstruieren und das Potenzial für Flashover zu schätzen.

Was ist P-Flash?

Das von NIST entwickelte Modell sagte in über tausend simulierten Bränden und mehr als einem Dutzend realer Brände unmittelbar bevorstehende Flashovers voraus. Die experimentelle Evaluation, gerade im Proceedings of the AAAI Conference on Artificial Intelligence , veröffentlicht, deutet darauf hin, dass das Modell zuverlässige Vorhersagen bei simulierten Flashovers zeigt.

Laut Bericht liegt die Modellleistung bei etwa 83 % und 81 % für aktuelle und zukünftige Flashover-Ereignisse, bei Ausfall der Hitzedetektoren bei 150 °C.

Hitzedetektoren, die häufig in Gewerbegebäuden installiert sind und in Häusern neben Rauchmeldern verwendet werden können, sollen meist nur bis 150 °C (302 °F) betrieben werden – weit unter den 600 °C (1.100 °F), bei denen ein Flashover typischerweise beginnt. Um die Lücke durch fehlende Daten zu schließen, wandten NIST-Forscher eine Form künstlicher Intelligenz an: Machine Learning.

„Man verliert die Daten, aber man hat den Trend bis zum Ausfall des Hitzedetektors und man hat andere Detektoren. Mit Machine Learning kann man diese Daten als Sprungbrett nutzen, um zu extrapolieren, ob Flashover eintreten wird oder bereits eingetreten ist“, sagte NIST-Chemieingenieur Thomas Cleary, Co-Autor der Studie.

Das Haus niederbrennen (...virtuell)

Machine-Learning-Algorithmen nutzen große Datenmengen zur Vorhersage von Ergebnissen. Um viele Informationen über Hausbrände zu erhalten, bedarf es eines digitalen Wohnhauses: einer Simulation eines brennenden dreizimmerigen, einstöckigen Ranch-Stil-Hauses.

Um P-Flash zu erstellen, fütterten Cleary und Kollegen ihren Algorithmus mit Temperaturdaten von Hitzedetektoren aus dem virtuellen Haus – dem häufigsten Haustyp in den meisten Bundesstaaten. Das Team brannte dieses virtuelle Gebäude wiederholt nieder – insgesamt 5.041 Simulationen – mit NISTs Consolidated Model of Fire and Smoke Transport (CFAST) , einem durch reale Brandversuche validierten Brandmodellierungsprogramm.

Jede der 5.000+ Simulationen hatte leichte, aber kritische Variationen. Fenster und Schlafzimmertüren waren zufällig offen oder geschlossen konfiguriert. Möbel kamen und gingen und bewegten sich. Die Haustür öffnete und schloss sich.

Hitzedetektoren in den Räumen produzierten Temperaturdaten, bis sie unweigerlich durch die intensive Hitze deaktiviert wurden.

Um P-Flashs Fähigkeit zu testen, Flashovers nach Ausfall der Hitzedetektoren vorherzusagen, teilten die Forscher die simulierten Temperaturaufzeichnungen auf, ließen den Algorithmus aus einem Satz von 4.033 lernen und behielten die anderen verborgen. Dann testeten sie P-Flash an 504 Simulationen und justierten das Modell basierend auf seinen Vorhersagen.

Die Forscher stellten fest, dass das Modell Flashovers eine Minute im Voraus für etwa 86 % der simulierten Brände korrekt vorhersagte. Viele der Fehlvorhersagen waren laut Team False Positives, die den Flashover zu einem ungenau frühen Zeitpunkt vorhersagten, aber den Feuerwehrleuten zumindest kein trügerisches Sicherheitsgefühl vermittelten.

Testen mit echten Daten (und echten Bränden)

Zusätzlich testete NIST P-Flash weiter, indem es seine vorhergesagten Temperaturdaten mit Temperaturen verglich, die bei 13 echten Hausbränden gemessen wurden, die absichtlich während Underwriters Laboratories (UL)-Experimente entzündet wurden.

Mit den Temperaturdaten aus den UL-Experimenten sagte P-Flash, das versuchte, Flashovers bis zu 30 Sekunden im Voraus vorherzusagen, gut voraus, wenn Brände in offenen Bereichen wie Küche oder Wohnzimmer begannen. Wenn Brände jedoch in einem Schlafzimmer hinter geschlossenen Türen begannen, konnte das Modell fast nie vorhersagen, wann Flashover unmittelbar bevorstand.

Das Team identifizierte einen sogenannten „Einschlusseffekt“ als mögliche Erklärung für den drastischen Genauigkeitsabfall. Wenn Brände in kleinen, abgeschlossenen Räumen brennen, hat die Hitze wenig Möglichkeit zu dissipieren, sodass die Temperatur schneller steigt – schneller als bei den Bränden in den offenen Laborräumen, die P-Flashs frühe Trainingsdaten lieferten.

Die nächste Aufgabe der Forscher ist es, mehr Ganzskalen-Experimente durchzuführen, die sich auf den Einschlusseffekt konzentrieren und ihn in Simulationen abbilden. Mit Verbesserungen hofft das Team, das System in Handheld-Geräte einzubetten, die über die Cloud mit Detektoren in einem Gebäude kommunizieren und Einsatzkräfte über Gefahrenstellen und den Zeitpunkt zum Rückzug informieren.

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

Tech Briefs: Wie „brennt man ein virtuelles Gebäude“? Das scheint eine sehr interessante Aufgabe zu sein. Was ändern Sie jedes Mal am Gebäude? Und wie fließt das in Ihr Modell ein?

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

Für ein festes Gebäudelayout umfassen wir eine breite Palette von Bränden, von langsam bis ultraschnell wachsenden, und variieren ihre Standorte und die Lüftungsöffnungsbedingungen (Türen und Fenster), um das in echten Bränden plausibel Machbare nachzubilden.

Etwa 5000 simulierte Brände mit Flashover-Ereignissen 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.

Tech Briefs: Was hat diese Idee inspiriert? Welche aktuelle Technologie hilft einem Feuerwehrmann bei Flashover?

Thomas Cleary: Die Inspiration für unsere aktuelle Forschung stammt aus früherer Forschung ^[1], die untersuchte, den Zustand der Brandmelderzentrale und Informationen von Rauch- und Hitzedetektoren an den Feuerwehrdienst auf dem Weg zu einem Brand zu senden, damit sie ein Gefühl für Brandort und -ausbreitung vor Ankunft haben. Eine natürliche Erweiterung ist die prädiktive Nutzung der Detektordaten zur Vorhersage. Andere Forschungen bei NIST mit dem Brandmodell CFAST in Monte-Carlo-Modellierung von Brandszenarien legten nahe, dass die großen Datensätze für Machine Learning/KI leicht aus Computermodellen erhältlich sind.

Derzeit verlassen sich Feuerwehrleute auf ihre Sinne, Ausbildung oder im besten Fall auf handgeführte thermische Sensoren oder Wärmebildkameras, um eine Vorstellung vom möglichen Übergang zum Flashover zu bekommen. Leider müsste man sich in oder in der Nähe eines Raums befinden, der sich dem Flashover nähert, um die Gefahr erkennen zu können.

Mehr Feuerwehrtechnik auf Tech Briefs

Blog: An der Feuerwehrjacke: Ein selbstversorgter Tracking-Sensor hält der Hitze stand

Podcast: Rückblick auf den wegweisenden „Manny“-Roboter – Ein Freund des Feuerwehrmanns

Tech Briefs: Was haben Sie von Feuerwehrleuten über ihre Herausforderungen mit Flashover gehört?

Thomas Cleary: Derzeit versuchen Feuerwehrleute, Flashover basierend auf ihrer Erfahrung bei der Interpretation beobachtbarer Hinweise wie Rollover, hohe Hitze usw. innerhalb der Gebäudestruktur und dunklem Rauch, der aus Außenfenstern kommt, zu vermeiden. Der Übergang zum Flashover erfolgt jedoch typischerweise innerhalb von Sekunden, und im Allgemeinen sind die Flashover-Indikatoren nicht leicht zu erkennen; wenn sie übersehen werden, geraten Leben in Gefahr. Wir hoffen, dass unsere Arbeit das erfahrungsbasierte Feuerwehrwesen durch datengetriebenes Feuerwehrwesen verbessert.

Tech Briefs: Wie wandelt man das Modell in ein nutzbares Tool um? Können Feuerwehrleute dieses Modell jetzt nutzen?

Thomas Cleary: Der Forschungsschwerpunkt lag darauf, auf Gebäudedaten zu vertrauen, die von verfügbaren Gebäudesensoren bereitgestellt werden oder leicht bereitgestellt werden könnten. Eine Möglichkeit, die Forschung in die Realität umzusetzen, ist die Integration des Modells in eine intelligente Brandmelderzentrale, die Temperaturdaten von installierten Hitzedetektoren sammelt und ein Computermodul enthält, das die Daten verarbeiten und Echtzeitvorhersagen treffen kann. Von der Brandmelderzentrale oder einem anderen geeigneten Gerät würde die Vorhersage an den Einsatzleiter oder einzelne Feuerwehrleute gesendet, falls dies als geeignet erachtet wird. Der genaue Mechanismus für die Bereitstellung solcher prädiktiver Analysen ist nicht festgelegt und würde Input vom Feuerwehrdienst erfordern, um einen Konsens zu entwickeln.

Feuerwehrleute können das Modell jetzt nicht nutzen. Bevor das Modell entwickelt und in eine intelligente Brandmelderzentrale integriert werden kann, glauben wir, dass wir die Modellleistung (Echtzeitvorhersage) in Gebäudeversuchen mit Hitzedetektoren verifizieren müssen.

Tech Briefs: Was kommt als Nächstes bei dieser Arbeit?

Thomas Cleary: Wir erweitern P-Flash derzeit für verschiedene Gebäudelayouts. Im nächsten Jahr oder so planen wir Demonstrationen bei Gebäudeversuchen und haben begonnen, mit Herstellern von Brandschutz (Alarm-)Ausrüstung über die Fähigkeiten des Modells zu sprechen.

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

[1] Reneke, P. A. (2013). Towards Smart Fire Panels . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.