Vid brandbekämpning är de värsta lågorna de man inte ser komma. Mitt i kaoset i en brinnande byggnad är det svårt att lägga märke till tecknen på förestående övertändning – ett dödligt brandfenomen där nästan alla brännbara föremål i ett rum antänds plötsligt. Flashover är en av de främsta orsakerna till brandmäns dödsfall, men ny forskning tyder på att artificiell intelligens (AI) kan ge första responders en välbehövlig heads-up.

Forskare vid National Institute of Standards and Technology (NIST), Hong Kong Polytechnic University och andra institutioner har utvecklat en Flashover Prediction Neural Network (FlashNet) modell för att förutsäga de dödliga händelserna dyrbara sekunder innan de bryter ut. I en ny studie publicerad i Engineering Applications of Artificial Intelligence, FlashNet skröt med en noggrannhet på upp till 92,1 % över mer än ett dussin vanliga planlösningar för bostäder i USA och kom ut på topp när de gick head-to-head med andra AI-baserade flashover-förutsägelseprogram.

Övertändningar tenderar att plötsligt blossa upp vid cirka 600 grader Celsius (1 100 grader Fahrenheit) och kan sedan få temperaturen att skjuta upp ytterligare. För att förutse dessa händelser förlitar sig befintliga forskningsverktyg antingen på konstanta strömmar av temperaturdata från brinnande byggnader eller använder maskininlärning för att fylla i de saknade data i den sannolika händelsen att värmedetektorer ger efter för höga temperaturer.

Fram till nu har de flesta maskininlärningsbaserade förutsägelseverktyg, inklusive ett som författarna tidigare utvecklat, tränats för att fungera i en enda, välbekant miljö. I verkligheten ges inte brandmän sådan lyx. När de ger sig in i fientligt territorium kanske de inte vet lite eller ingenting om planlösningen, brandplatsen eller om dörrar är öppna eller stängda.

"Vår tidigare modell behövde bara överväga fyra eller fem rum i en layout, men när layouten växlar och du har 13 eller 14 rum kan det vara en mardröm för modellen", säger NISTs maskiningenjör Wai Cheong Tam, co-first författare till den nya studien. "För verkliga tillämpningar tror vi att nyckeln är att gå över till en generaliserad modell som fungerar för många olika byggnader."

För att klara av variationen hos verkliga bränder förstärkte forskarna sitt tillvägagångssätt med grafiska neurala nätverk (GNN), en sorts maskininlärningsalgoritm som är bra på att göra bedömningar baserade på grafer över noder och linjer, som representerar olika datapunkter och deras relationer med en en annan.

"GNN används ofta för beräknad ankomsttid, eller ETA, i trafik där du kan analysera 10 till 50 olika vägar. Det är väldigt komplicerat att korrekt använda den typen av information samtidigt, så det var där vi fick idén att använda GNNs," sa Eugene Yujun Fu, en forskningsassistent vid Hong Kong Polytechnic University och studiens första författare. "Förutom vår applikation tittar vi på rum istället för vägar och förutsäger överslagshändelser istället för ETA i trafiken."

Forskarna simulerade digitalt mer än 41 000 bränder i 17 typer av byggnader, vilket representerar en majoritet av det amerikanska bostadshusbeståndet. Förutom layout varierade faktorer som brandens uppkomst, typer av möbler och om dörrar och fönster var öppna eller stängda genomgående. De försåg GNN-modellen med en uppsättning av nästan 25 000 brandfall att använda som studiematerial och sedan 16 000 för finjustering och sluttestning.

I de 17 typerna av hem berodde den nya modellens noggrannhet på mängden data den var tvungen att tugga på och ledtiden den sökte för att tillhandahålla brandmän. Men modellens noggrannhet – i bästa fall 92,1 % med 30 sekunders ledtid – överträffade fem andra maskininlärningsbaserade verktyg, inklusive författarnas tidigare modell. Kritiskt sett producerade verktyget de minst falska negativen, farliga fall där modellerna misslyckas med att förutsäga en förestående övertändning.

Författarna kastade FlashNet in i scenarier där det inte hade någon tidigare information om detaljerna för en byggnad och elden som brinner inuti den, liknande den situation som brandmän ofta befinner sig i. Med tanke på dessa begränsningar var verktygets prestanda ganska lovande, sa Tam. Men författarna har fortfarande en väg kvar att gå innan de kan ta FlashNet över mållinjen. Som nästa steg planerar de att stridstesta modellen med verkliga, snarare än simulerade, data.

"För att helt testa vår modells prestanda behöver vi faktiskt bygga och bränna våra egna strukturer och inkludera några riktiga sensorer i dem," sa Tam. "I slutändan är det ett måste om vi vill använda den här modellen i riktiga brandscenarier." + Utforska vidare

Hur AI kunde varna brandmän om överhängande fara