Η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει στη διάσωση των ζωών των πυροσβεστών προβλέποντας αναλαμπές πυρκαγιάς πριν εκδηλωθούν, σύμφωνα με νέα έρευνα δημοσιεύθηκε αυτή την εβδομάδα. 

Οι φλας συμβαίνουν όταν εύφλεκτο υλικό σε ένα δωμάτιο αρχίζει ξαφνικά να αναφλέγεται με τη μία, οδηγώντας σε ένα τεράστιο κύμα θερμότητας και εύφλεκτων αερίων που μπορεί να σπάσουν τοίχους και να σκάσουν τα παράθυρα. Περίπου 800 πυροσβέστες έχουν σκοτωθεί και περισσότεροι από 320,000 τραυματίστηκαν στην εργασία τους στις ΗΠΑ σε μια περίοδο 10 ετών, από το 2008 έως το 2018, και υπολογίζεται ότι το 13 τοις εκατό αυτών των ατυχημάτων είναι αποτέλεσμα γεγονότων αναβρασμού.

Οι πυροσβέστες πρέπει να βασίζονται στην εμπειρία τους για να προβλέψουν εάν πρόκειται να συμβεί αναβρασμός, όπως να κρίνουν από τα επίπεδα καπνού και θερμότητας, αλλά δεν είναι εύκολο αν σκεφτεί κανείς πόσο γρήγορα μπορούν να ερπυστούν. Οι επιστήμονες υπολογιστών προσπάθησαν να αναπτύξουν μεθόδους ικανές να ανιχνεύουν flashovers σε πραγματικό χρόνο τις τελευταίες δύο δεκαετίες, αλλά είναι δύσκολο να μοντελοποιήσεις κάτι τόσο ακανόνιστο.

Ερευνητές από το Εθνικό Ινστιτούτο Προτύπων και Τεχνολογίας (NIST) της κυβέρνησης των ΗΠΑ, την Google, καθώς και από το Πολυτεχνείο του Χονγκ Κονγκ και το Πανεπιστήμιο Πετρελαίου της Κίνας, κατασκεύασαν ένα σύστημα χρησιμοποιώντας νευρωνικά δίκτυα γραφημάτων (GNN) για να μάθουν τις σχέσεις μεταξύ διαφορετικών πηγών δεδομένων , που αντιπροσωπεύονται ως κόμβοι και ακμές, από προσομοιωμένες πυρκαγιές.

"Τα GNN χρησιμοποιούνται συχνά για την εκτιμώμενη ώρα άφιξης, ή ETA, σε κίνηση όπου μπορείτε να αναλύσετε 10 έως 50 διαφορετικούς δρόμους." Ο Eugene Yujun Fu, ο πρώτος συγγραφέας της μελέτης και επίκουρος καθηγητής στο Πολυτεχνείο του Χονγκ Κονγκ, είπε σε μια δήλωση.

«Είναι πολύ περίπλοκο να χρησιμοποιούμε σωστά αυτού του είδους τις πληροφορίες ταυτόχρονα, οπότε από εκεί πήραμε την ιδέα να χρησιμοποιήσουμε GNN. Εκτός από την εφαρμογή μας, εξετάζουμε δωμάτια αντί για δρόμους και προβλέπουμε συμβάντα flashover αντί για ETA στην κυκλοφορία."

Η ομάδα προσομοίωσε όλα τα είδη δεδομένων, από τη διάταξη των κτιρίων, τα υλικά επιφάνειας, τις συνθήκες πυρκαγιάς, τις διαμορφώσεις αερισμού, τη θέση των ανιχνευτών καπνού και τα προφίλ θερμοκρασίας των δωματίων έως το μοντέλο 41,000 ψεύτικων πυρκαγιών σε 17 διαφορετικούς τύπους κτιρίων. Συνολικά 25,000 θήκες πυρκαγιάς χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου και οι υπόλοιπες 16,000 χρησιμοποιήθηκαν για τη λεπτομέρεια και τη δοκιμή του.

Η απόδοση του GNN αξιολογήθηκε από το εάν ήταν σε θέση να προβλέψει εάν θα εμφανιζόταν ένα συμβάν flashover μέσα στα επόμενα 30 δευτερόλεπτα. Τα αρχικά αποτελέσματα έδειξαν ότι το μοντέλο είχε ακρίβεια 92.1 τοις εκατό στην καλύτερη περίπτωση. 

Το σύστημα, που ονομάστηκε FlashNet, είναι πιο προηγμένο από το προηγούμενο μοντέλο μηχανικής εκμάθησης της ομάδας P-Flash.

«Το προηγούμενο μοντέλο μας έπρεπε να εξετάσει μόνο τέσσερα ή πέντε δωμάτια σε μία διάταξη, αλλά όταν αλλάζει η διάταξη και έχετε 13 ή 14 δωμάτια, μπορεί να είναι εφιάλτης για το μοντέλο», δήλωσε ο Wai Cheong Tam, συν-πρώτος συγγραφέας της εργασίας. και μηχανολόγος μηχανικός στο NIST. "Για εφαρμογή σε πραγματικό κόσμο, πιστεύουμε ότι το κλειδί είναι να προχωρήσουμε σε ένα γενικευμένο μοντέλο που λειτουργεί για πολλά διαφορετικά κτίρια."

Το FlashNet μπορεί να φαίνεται πολλά υποσχόμενο, αλλά δεν έχει ακόμη δοκιμαστεί με δεδομένα από πραγματικές πυροσβεστικές διασώσεις. Αυτό θα απαιτούσε από το μοντέλο να αναλύσει δεδομένα από θερμοστάτες, ανιχνευτές μονοξειδίου του άνθρακα και καπνού, σε έξυπνα σπίτια, εξήγησε ο Tam στο Το μητρώο. Το πώς θα μπορούσαν να ειδοποιηθούν οι πυροσβέστες για τις προβλέψεις του μοντέλου είναι ασαφές.

«Το επίκεντρο της έρευνας ήταν να βασιστεί σε δεδομένα κτιρίου που παρέχονται ή θα μπορούσαν εύκολα να παρασχεθούν από τους διαθέσιμους αισθητήρες κτιρίων. Ένας τρόπος για να μεταφραστεί η έρευνα στην πραγματικότητα είναι η ενσωμάτωση του μοντέλου σε έναν έξυπνο πίνακα ελέγχου συναγερμού πυρκαγιάς που θα συγκεντρώνει τα δεδομένα θερμοκρασίας από τους εγκατεστημένους ανιχνευτές θερμότητας και θα περιλαμβάνει μια μονάδα υπολογιστή που μπορεί να επεξεργαστεί τα δεδομένα και να κάνει τις προβλέψεις σε πραγματικό χρόνο».

«Από τον πίνακα ελέγχου του συναγερμού πυρκαγιάς ή άλλο κατάλληλο κομμάτι εξοπλισμού, η πρόβλεψη θα σταλεί στον διοικητή του συμβάντος ή σε μεμονωμένους πυροσβέστες εάν κριθεί κατάλληλη. Ο ακριβής μηχανισμός παροχής τέτοιων προγνωστικών αναλυτικών στοιχείων δεν έχει αποφασιστεί και θα απαιτούσε τη συμβολή της πυροσβεστικής υπηρεσίας για την επίτευξη συναίνεσης», κατέληξε ο Tam. ®