Yeni araştırmaya göre AI, yangın patlamalarını meydana gelmeden önce tahmin ederek itfaiyecilerin hayatlarını kurtarmaya yardımcı olabilir. yayınlanan bu hafta.
Flashoverlar, bir odadaki yanıcı malzeme aniden tutuşmaya başladığında, duvarları kırabilecek ve pencereleri patlatabilecek büyük bir ısı ve yanıcı gaz dalgalanmasına yol açtığında meydana gelir. ABD'de 800'den 320,000'e kadar 10 yıllık bir süre içinde yaklaşık 2008 itfaiyeci öldü ve 2018'den fazla kişi yaralandı ve bu kazaların yüzde 13'ünün flash over olaylarının sonucu olduğu tahmin ediliyor.
İtfaiyeciler, duman ve ısı seviyelerine bakarak bir flash over olup olmayacağını tahmin etmek için deneyimlerine güvenmek zorundadırlar, ancak ne kadar hızlı sürünebileceklerini düşünmek kolay değildir. Bilgisayar bilimcileri, son yirmi yıldır flashover'ları gerçek zamanlı olarak tespit edebilen yöntemler geliştirmeye çalıştılar, ancak bu kadar düzensiz bir şeyi modellemek zor bir iştir.
ABD hükümetinin Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), Google, Hong Kong Politeknik Üniversitesi ve Çin Petrol Üniversitesi'nden araştırmacılar, farklı veri kaynakları arasındaki ilişkileri öğrenmek için grafik sinir ağlarını (GNN) kullanan bir sistem oluşturdular. , simüle edilmiş yangınlardan düğümler ve kenarlar olarak temsil edilir.
"GNN'ler, 10 ila 50 farklı yolu analiz edebileceğiniz trafikte tahmini varış zamanı veya ETA için sıklıkla kullanılır." Çalışmanın ilk yazarı ve Hong Kong Politeknik Üniversitesi'nde araştırma görevlisi olan Eugene Yujun Fu, şuraya yaptığı açıklamada.
“Bu tür bilgileri aynı anda düzgün bir şekilde kullanmak çok karmaşık, bu yüzden GNN'leri kullanma fikrine buradan ulaştık. Uygulamamız dışında, yol yerine odalara bakıyoruz ve trafikte tahmini varış zamanı yerine flashover olaylarını tahmin ediyoruz.”
Ekip, bina yerleşim planlarından, yüzey malzemelerine, yangın koşullarına, havalandırma konfigürasyonlarına, duman dedektörlerinin konumlarına ve odaların sıcaklık profillerine, 41,000 farklı bina tipinde 17 sahte yangın modeline kadar her türlü veriyi simüle etti. Modeli eğitmek için toplam 25,000 yangın vakası kullanıldı ve kalan 16,000'i ince ayar yapmak ve test etmek için kullanıldı.
GNN'nin performansı, önümüzdeki 30 saniye içinde bir flashover olayının gerçekleşip gerçekleşmeyeceğini tahmin edip edemediğine göre değerlendirildi. İlk sonuçlar, modelin en iyi ihtimalle yüzde 92.1'lik bir doğruluğa sahip olduğunu gösterdi.
FlashNet olarak adlandırılan sistem, ekibin önceki makine öğrenimi modelinden daha gelişmiş P-Flaş.
Gazetenin ilk yazarlarından Wai Cheong Tam, "Önceki modelimiz tek bir düzende yalnızca dört veya beş odayı düşünmek zorundaydı, ancak düzen değiştiğinde ve 13 veya 14 odanız olduğunda, model için bir kabus olabilir" dedi. ve NIST'de bir makine mühendisi. "Gerçek dünya uygulaması için, anahtarın birçok farklı bina için çalışan genelleştirilmiş bir modele geçmek olduğuna inanıyoruz."
FlashNet umut verici görünebilir, ancak henüz gerçek yangın kurtarma çalışmalarından elde edilen verilerle test edilmemiştir. Tam, bunun için modelin akıllı evlerde termostatlar, karbon monoksit ve duman dedektörlerinden gelen verileri analiz etmesini gerektireceğini açıkladı. Kayıt. İtfaiyecilerin daha sonra modelin tahminlerine nasıl uyarılabileceği belirsizdir.
"Araştırmanın odak noktası, mevcut bina sensörlerinden sağlanan veya kolayca sağlanabilecek bina verilerine güvenmekti. Araştırmayı gerçeğe dönüştürmenin bir yolu, modeli kurulu ısı dedektörlerinden sıcaklık verilerini toplayacak ve verileri işleyebilen ve gerçek zamanlı tahminler yapabilen bir bilgisayar modülü içeren akıllı bir yangın alarmı kontrol paneline entegre etmektir.
“Yangın alarmı kontrol panelinden veya diğer uygun ekipmandan, tahmin olay komutanına veya uygun görülürse bireysel itfaiyecilere gönderilir. Bu tür tahmine dayalı analitiği sağlamanın kesin mekanizmasına karar verilmedi ve bir fikir birliği geliştirmek için itfaiyeden bilgi alınması gerekecek” dedi. ®
