بر اساس تحقیقات جدید، هوش مصنوعی میتواند با پیشبینی جرقههای آتشسوزی قبل از وقوع به نجات جان آتشنشانان کمک کند منتشر شده این هفته است.
فلاش اوورها زمانی اتفاق میافتند که مواد قابل احتراق در یک اتاق به طور ناگهانی شروع به مشتعل شدن میکنند و منجر به موج عظیم گرما و گازهای قابل اشتعال میشوند که میتوانند دیوارها را بشکنند و پنجرهها را بشکنند. در طی یک دوره 800 ساله، از سال 320,000 تا 10، حدود 2008 آتش نشان کشته و بیش از 2018 نفر در حین کار در ایالات متحده مجروح شده اند، و تخمین زده می شود که 13 درصد از این حوادث در نتیجه حوادث ناگهانی باشد.
آتشنشانها باید به تجربهشان تکیه کنند تا پیشبینی کنند که فلاش اوور در شرف وقوع است یا خیر، مانند قضاوت از روی سطوح دود و گرما، اما با توجه به سرعت خزش آنها آسان نیست. دانشمندان کامپیوتر در دو دهه گذشته سعی کردهاند روشهایی را توسعه دهند که قادر به تشخیص فلاشاورها در زمان واقعی باشد، اما مدلسازی چیزی تا این حد نامنظم کار دشواری است.
محققان موسسه ملی استاندارد و فناوری دولت ایالات متحده (NIST)، گوگل، و همچنین دانشگاه پلی تکنیک هنگ کنگ و دانشگاه نفت چین، سیستمی با استفاده از شبکه های عصبی گراف (GNN) ساختند تا روابط بین منابع مختلف داده را بیاموزند. ، به عنوان گره ها و لبه ها، از آتش های شبیه سازی شده نشان داده شده است.
GNN ها اغلب برای زمان تخمینی ورود یا ETA در ترافیکی که می توانید 10 تا 50 جاده مختلف را تجزیه و تحلیل کنید، استفاده می شود. یوجین یوجون فو، نویسنده اول این مطالعه و استادیار پژوهشی در دانشگاه پلی تکنیک هنگ کنگ، گفت: در بیانیه ای.
استفاده همزمان از این نوع اطلاعات بسیار پیچیده است، بنابراین ایده استفاده از GNN از اینجاست. به جز برنامه ما، ما به جای جادهها به اتاقها نگاه میکنیم و بهجای ETA در ترافیک، رویدادهای flashover را پیشبینی میکنیم.»
این تیم انواع دادهها را شبیهسازی کرد، از طرحبندی ساختمان، مصالح سطح، شرایط آتشسوزی، تنظیمات تهویه، مکان آشکارسازهای دود و مشخصات دمای اتاقها تا مدلسازی 41,000 آتشسوزی تقلبی در 17 نوع ساختمان مختلف. در مجموع از 25,000 مورد آتش سوزی برای آموزش این مدل استفاده شد و 16,000 مورد باقی مانده برای تنظیم دقیق و آزمایش آن استفاده شد.
عملکرد GNN توسط اینکه آیا میتوانست پیشبینی کند که در 30 ثانیه آینده رخ میدهد یا خیر، ارزیابی شد. نتایج اولیه نشان داد که مدل در بهترین حالت دارای دقت 92.1 درصد است.
این سیستم که FlashNet نام دارد، نسبت به مدل قبلی یادگیری ماشینی این تیم پیشرفته تر است پی فلش.
وای چئونگ تام، نویسنده اول مقاله گفت: مدل قبلی ما فقط باید چهار یا پنج اتاق را در یک چیدمان در نظر می گرفت، اما زمانی که چیدمان تغییر می کند و شما 13 یا 14 اتاق دارید، می تواند یک کابوس برای مدل باشد. و مهندس مکانیک در NIST. برای کاربرد در دنیای واقعی، ما معتقدیم که کلید حرکت به سمت یک مدل تعمیمیافته است که برای بسیاری از ساختمانهای مختلف کار میکند.
FlashNet ممکن است امیدوار کننده به نظر برسد، اما هنوز با داده های نجات آتش نشانی واقعی آزمایش نشده است. تام توضیح داد که این مدل به تجزیه و تحلیل داده های ترموستات ها، مونوکسید کربن و آشکارسازهای دود در خانه های هوشمند نیاز دارد. ثبت نام. اینکه چگونه آتش نشانان می توانند از پیش بینی های مدل مطلع شوند، مشخص نیست.
تمرکز این تحقیق بر تکیه بر داده های ساختمانی بود که به راحتی از حسگرهای ساختمانی موجود ارائه می شود یا می توان آن را به راحتی تهیه کرد. یکی از راههای تبدیل این تحقیق به واقعیت، ادغام مدل در یک پانل کنترل هشدار حریق هوشمند است که دادههای دما را از آشکارسازهای حرارتی نصب شده جمعآوری میکند و شامل یک ماژول کامپیوتری است که میتواند دادهها را پردازش کرده و پیشبینیهای زمان واقعی را انجام دهد.
«از روی پانل کنترل اعلام حریق یا سایر تجهیزات مناسب، پیشبینی برای فرمانده حادثه یا آتشنشانهای فردی در صورت تشخیص مناسب ارسال میشود. تام در پایان گفت: مکانیسم دقیق ارائه چنین تحلیلهای پیشبینیکننده تصمیمگیری نشده است و به اطلاعاتی از خدمات آتشنشانی برای ایجاد اجماع نیاز دارد. ®