KI prognostiziert einen „Flashover' eines Feuers innerhalb von 30 Sekunden mit einer Genauigkeit von 92,1 %, was dazu beitragen kann, in Zukunft das Leben von Feuerwehrleuten zu retten

​Während dieser Zeit ist das Wetter extrem heiß und trocken und es ist auch eine Zeit, in der es am wahrscheinlichsten zu Bränden kommt.

In letzter Zeit kam es zu mehreren Bränden nacheinander, und die Nachricht über die Opferbereitschaft der Feuerwehrleute ist herzzerreißend. Die größte Gefahr für Feuerwehrleute bei Bränden ist tatsächlich die Verpuffung. Innerhalb von nur zwei Tagen kam es zu zwei Unfällen, bei denen Feuerwehrleute durch Verpuffung starben.

Dieses Verpuffungsphänomen wird häufig durch Verpuffungen im Inneren eines Gebäudes verursacht, wenn das brennbare Gas, das bei der Verbrennung eines Innenbrandes entsteht, und das unvollständig verbrannte Gas, das jeden Raum füllt, eine bestimmte Konzentration erreichen.

Zu diesem Zeitpunkt werden auch die brennbaren Stoffe in anderen Räumen im Raum, die nicht dem Feuer ausgesetzt sind, entzündet und verbrannt. Das heißt, mit einem „Boom“ werden alle brennbaren Stoffe im Raum entzündet, also das Ganze Dieser Vorgang wird auch „Flashover“ genannt.

Gerade wegen der Unvorhersehbarkeit des „Flashovers“ ist er so gefährlich.

Diese Woche verwendete eine Studie graphische neuronale Netze (GNN), um ein System zum Erlernen der Beziehungen zwischen verschiedenen Datenquellen (dargestellt als Knoten und Kanten) in simulierten Bränden zu entwickeln, um den „Flashover“ für die nächsten 30 Tage vorherzusagen " innerhalb von Sekunden auftreten?

Diese Forschung soll Feuerwehrleuten dabei helfen, festzustellen, ob es in Innengebäuden zu einem „Flashover“ kommt, und so Leben retten. Der Artikel wurde in „Artificial Intelligence Engineering Applications“ veröffentlicht.

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

30 Sekunden „Flashover“ kann intern mit einer Genauigkeit von 92,1 % vorhergesagt werden

Generell müssen sich Feuerwehrleute auf ihre eigene Erfahrung verlassen, um zu beurteilen, ob ein solcher „Flashover“ auftritt:

1. Verursacht Verbrennungen auf der menschlichen Haut Wärme kann die Intensität der Strahlungswärme nach wenigen Sekunden 10 kW/m² erreichen.

2. Der heiße Luftstrom im Raum macht es unerträglich und die Konvektionstemperatur im Raum liegt nahe bei 450℃.

3. Die Tür ist extrem heiß und die Temperatur der Holzteile übersteigt durchschnittlich 320℃.

4. Die Flammen, die aus der Tür schlugen, erreichten fast die Decke und eine große Menge Strahlungswärme wurde von der Decke auf die brennbaren Materialien im Raum reflektiert.

5. Der Rauch sinkt bis etwa 1 m über den Boden und die thermische Schicht in der Luft besetzt die obere Luft und treibt die thermischen Zersetzungsprodukte nach unten.

Um Feuerwehrleute besser bei der Vorhersage von „Flashover“ zu unterstützen, sammelten Forscher eine Vielzahl von Daten, die von Gebäudelayout, Oberflächenmaterialien, Brandbedingungen, Lüftungskonfigurationen, Rauchmelderpositionen und Temperaturverteilung in Räumen reichten, 41.000 virtuelle Brände von 17 verschiedenen Gebäudetypen wurden simuliert, insgesamt 25.000 Brandfälle wurden zum Trainieren des Modells verwendet und die restlichen 16.000 Fälle dienten der Feinabstimmung und Prüfung.

In 17 verschiedenen Häusern hing die Genauigkeit des neuen Modells von der Datenmenge ab, die es verarbeiten musste, und von der Vorlaufzeit, die es den Feuerwehrleuten zur Verfügung stellen wollte.

Letztendlich übertraf die Genauigkeit des Modells (beste 92,1 % bei 30 Sekunden Vorsprung) fünf andere auf maschinellem Lernen basierende Tools, darunter das eigene Vorgängermodell des Projektteams, und was noch wichtiger ist: Das Tool erzeugte die wenigsten falschen Negative, wo das Modell kann „Flashover“ in Gefahrensituationen nicht vorhersagen.

Dieses Modell heißt FlashNet und setzt FlashNet in Szenarien ein, in denen FlashNet die spezifischen Bedingungen des Gebäudes und die Brandsituation im Gebäude nicht im Voraus kennt, was bei Feuerwehrleuten häufig der Fall ist.

„Angesichts dieser Einschränkungen ist die Leistung dieses Tools recht vielversprechend“, sagte Tam, der Autor des Papiers. Allerdings hat der Autor noch einen langen Weg vor sich, bis er FlashNet über die Ziellinie bringt. Als nächsten Schritt planen sie, das Modell mit realen Daten statt mit simulierten Daten vor Ort zu testen.

Von 4 bis 5 Räumen bis zu mehr als einem Dutzend Räumen, Vorhersageschwierigkeit Max

Flashover neigt im Allgemeinen dazu, bei etwa 600 Grad Celsius (1100 Grad Fahrenheit) plötzlich auszubrechen, was dann zu einem Temperaturanstieg führen kann weiter steigen.

Bisherige Prognosetools stützten sich entweder auf einen konstanten Temperaturdatenstrom von brennenden Gebäuden oder nutzten maschinelles Lernen, um die Daten zu ergänzen, die verloren gehen könnten, wenn Hitzemelder durch hohe Temperaturen beeinträchtigt werden.

Bisher wurden die meisten auf maschinellem Lernen basierenden Vorhersagetools, darunter eines, das zuvor von den Autoren entwickelt wurde, für den Betrieb in einer einzigen, vertrauten Umgebung trainiert. Aber in Wirklichkeit sind Feuerwehrleute mit einer äußerst komplexen Umgebung konfrontiert. Wenn sie in einen Brandbereich stürmen, haben sie möglicherweise keine Ahnung vom Brandort, vom Ort des Feuers oder davon, ob die Tür offen oder geschlossen ist.

„Unser Vorgängermodell musste nur vier bis fünf Räume in einem Gebäudegrundriss berücksichtigen, aber wenn sich der Gebäudegrundriss ändert und man 13 bis 14 Räume hat, kann das ein Albtraum für das Modell sein“, sagte Tam, „Eigentlich- Wir glauben, dass der Schlüssel für weltweite Anwendungen darin besteht, ein allgemeines Modell zu erstellen, das auf viele verschiedene Gebäude anwendbar ist Datenpunkte und deren Beziehungen zueinander sind für eine solche Aufgabe ideal.

„GNNs werden oft zur Schätzung der Ankunftszeit oder ETA im Verkehr verwendet, wo Sie 10 bis 50 verschiedene Straßen (mit GNNs) analysieren können. Gleichzeitig können Sie diese Art von Informationen richtig nutzen.“ Zeit ist sehr komplex, daher kamen wir auf die Idee, GNN zu verwenden“, sagte Yujun Fu, Autor des Artikels und wissenschaftlicher Mitarbeiter an der Hong Kong Polytechnic University.

Neben dem National Institute of Standards and Technology (NIST), Google und der Hong Kong Polytechnic University beteiligte sich auch die China University of Petroleum an dieser Forschung.

Verwandte Berichte:

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​

Das obige ist der detaillierte Inhalt vonKI prognostiziert einen „Flashover' eines Feuers innerhalb von 30 Sekunden mit einer Genauigkeit von 92,1 %, was dazu beitragen kann, in Zukunft das Leben von Feuerwehrleuten zu retten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!