Theo một nghiên cứu mới, AI có thể giúp cứu sống những người lính cứu hỏa bằng cách dự đoán các tia lửa trước khi chúng xảy ra công bố trong tuần này.
Hỏa hoạn xảy ra khi vật liệu dễ cháy trong phòng đột nhiên bắt đầu bốc cháy cùng một lúc, dẫn đến nhiệt độ tăng cao và khí dễ cháy có thể làm vỡ tường và vỡ cửa sổ. Khoảng 800 nhân viên cứu hỏa đã thiệt mạng và hơn 320,000 người bị thương khi làm việc tại Mỹ trong khoảng thời gian 10 năm, từ 2008 đến 2018, và ước tính rằng 13% trong số các vụ tai nạn đó là do các sự kiện phóng điện.
Các nhân viên cứu hỏa phải dựa vào kinh nghiệm của họ để dự đoán xem có phóng điện bề mặt sắp xảy ra hay không, chẳng hạn như đánh giá mức độ khói và nhiệt, nhưng không dễ dàng gì khi xem xét chúng có thể leo lên nhanh như thế nào. Các nhà khoa học máy tính đã cố gắng phát triển các phương pháp có khả năng phát hiện phóng điện bề mặt trong thời gian thực trong hai thập kỷ qua, nhưng việc mô hình hóa một thứ gì đó thất thường như vậy là một nhiệm vụ khó khăn.
Các nhà nghiên cứu từ Viện Tiêu chuẩn và Công nghệ Quốc gia (NIST) của chính phủ Hoa Kỳ, Google, cũng như Đại học Bách khoa Hồng Kông và Đại học Dầu khí Trung Quốc, đã xây dựng một hệ thống sử dụng mạng nơ-ron đồ thị (GNN) để tìm hiểu mối quan hệ giữa các nguồn dữ liệu khác nhau , được biểu diễn dưới dạng các nút và cạnh, từ các đám cháy mô phỏng.
“GNN thường được sử dụng cho thời gian đến dự kiến hoặc ETA, trong giao thông nơi bạn có thể phân tích 10 đến 50 con đường khác nhau.” Eugene Yujun Fu, đồng tác giả đầu tiên của nghiên cứu và là trợ lý giáo sư nghiên cứu tại Đại học Bách khoa Hồng Kông, nói trong một tuyên bố.
“Rất phức tạp để sử dụng đồng thời loại thông tin đó một cách hợp lý, vì vậy đó là nơi chúng tôi có ý tưởng sử dụng GNN. Ngoại trừ ứng dụng của chúng tôi, chúng tôi đang xem xét các phòng thay vì đường và đang dự đoán các sự kiện phóng điện nhanh thay vì ETA trong giao thông. ”
Nhóm nghiên cứu đã mô phỏng tất cả các loại dữ liệu, từ bố cục tòa nhà, vật liệu bề mặt, điều kiện cháy, cấu hình thông gió, vị trí của đầu báo khói và nhiệt độ của các phòng để mô hình hóa 41,000 đám cháy giả trong 17 loại tòa nhà khác nhau. Tổng cộng 25,000 trường hợp cháy được sử dụng để huấn luyện mô hình, và 16,000 trường hợp còn lại được sử dụng để tìm kiếm và thử nghiệm nó.
Hiệu suất của GNN được đánh giá bằng cách liệu nó có thể dự đoán liệu sự kiện phóng điện bề mặt có xảy ra trong vòng 30 giây tới hay không. Kết quả ban đầu cho thấy mô hình có độ chính xác tốt nhất là 92.1%.
Hệ thống có tên là FlashNet, tiên tiến hơn so với mô hình học máy trước đây của nhóm P-Flash.
“Mô hình trước đây của chúng tôi chỉ phải xem xét bốn hoặc năm phòng trong một bố cục, nhưng khi bố cục chuyển đổi và bạn có 13 hoặc 14 phòng, đó có thể là một cơn ác mộng đối với mô hình,” Wai Cheong Tam, đồng tác giả đầu tiên của bài báo cho biết và một kỹ sư cơ khí tại NIST. “Đối với ứng dụng trong thế giới thực, chúng tôi tin rằng chìa khóa là chuyển sang một mô hình tổng quát hoạt động cho nhiều tòa nhà khác nhau.”
FlashNet có vẻ đầy hứa hẹn, nhưng nó vẫn chưa được thử nghiệm với dữ liệu từ các cuộc cứu hỏa thực sự. Điều đó sẽ yêu cầu mô hình phân tích dữ liệu từ bộ điều nhiệt, carbon monoxide và máy dò khói, trong các ngôi nhà thông minh, Tam giải thích. Đăng ký. Làm thế nào các nhân viên cứu hỏa sau đó có thể được cảnh báo về những dự đoán của mô hình là không rõ ràng.
“Trọng tâm của nghiên cứu là dựa vào dữ liệu tòa nhà được cung cấp hoặc có thể dễ dàng từ các cảm biến tòa nhà có sẵn. Một cách để biến nghiên cứu thành hiện thực là tích hợp mô hình vào một bảng điều khiển báo cháy thông minh sẽ thu thập dữ liệu nhiệt độ từ các đầu báo nhiệt được lắp đặt và bao gồm một mô-đun máy tính có thể xử lý dữ liệu và đưa ra dự đoán thời gian thực. "
“Từ bảng điều khiển báo cháy hoặc thiết bị phù hợp khác, dự đoán sẽ được gửi đến chỉ huy sự cố, hoặc từng nhân viên cứu hỏa nếu thấy phù hợp. Cơ chế chính xác của việc cung cấp các phân tích dự đoán như vậy không được quyết định và sẽ yêu cầu đầu vào từ cơ quan cứu hỏa để phát triển một sự đồng thuận, ”Tam kết luận. ®
