消防是一場與時間的賽跑。具體時間是多少?對于消防員來說，這部分通常是不清楚的。建筑火災可能會在瞬間從嚴重變?yōu)橹旅?，在地獄般的混亂中，警告信號通常難以辨別。

為了消除這一主要盲點，美國國家標準與技術(shù)研究院 (NIST) 的研究人員開發(fā)了 P-Flash，即閃絡預測模型。這種由人工智能驅(qū)動的工具旨在預測和警告燃燒建筑物中的一種致命現(xiàn)象，即閃絡，當房間內(nèi)的易燃材料幾乎同時點燃時，產(chǎn)生的火焰大小僅受可用氧氣的限制。該工具的預測基于建筑物熱探測器的溫度數(shù)據(jù)，而且值得注意的是，它的設計即使在熱探測器開始出現(xiàn)故障后也能運行，與其余設備配合使用。

該團隊測試了 P-Flash 在超過 1000 場模擬火災和十幾場真實世界火災中預測即將發(fā)生的閃絡的能力。剛剛發(fā)表在AAAI 人工智能會議論文集上的研究表明，該模型在預測模擬閃絡方面顯示出前景，并展示了真實世界的數(shù)據(jù)如何幫助研究人員識別未建模的物理現(xiàn)象，如果得到解決，可以改善該工具對實際火災的預測. 隨著進一步的發(fā)展，P-Flash 可以增強消防員磨練實時戰(zhàn)術(shù)的能力，幫助他們拯救建筑物內(nèi)的居住者和他們自己。

閃燃之所以如此危險，部分原因是看到它們即將到來是具有挑戰(zhàn)性的。有一些指標需要觀察，例如越來越強烈的熱量或火焰在天花板上滾動。然而，在許多情況下，這些標志很容易被忽略，例如當消防員正在尋找被困的受害者時，拖著重型設備并且煙霧模糊了視線。從外面看，當消防員接近現(xiàn)場時，里面的情況就更不清晰了。

“我認為消防部門沒有很多技術(shù)方面的工具來預測現(xiàn)場的閃絡，”NIST 研究員克里斯托弗·布朗說，他同時也是一名志愿消防員。“我們最大的工具只是觀察，這可能非常具有欺騙性。事情在外面看起來是一種方式，當你進入內(nèi)部時，情況可能會大不相同。”

根據(jù)溫度預測閃絡的計算機模型并不是全新的，但直到現(xiàn)在，它們都依賴于恒定的溫度數(shù)據(jù)流，這些數(shù)據(jù)可以在實驗室中獲得，但在真正的火災中無法保證。

熱探測器通常安裝在商業(yè)建筑中，可與煙霧報警器一起用于家庭中，大部分預計只能在高達 150 攝氏度(302 華氏度)的溫度下運行，遠低于 600 攝氏度(1,100 華氏度)。華氏度)通常開始發(fā)生閃絡。為了彌補丟失數(shù)據(jù)造成的差距，NIST 研究人員應用了一種稱為機器學習的人工智能形式。

“您丟失了數(shù)據(jù)，但您已經(jīng)掌握了熱探測器故障的趨勢，并且您還有其他探測器。通過機器學習，您可以使用該數(shù)據(jù)作為起點來推斷閃絡是將要發(fā)生還是已經(jīng)發(fā)生，”該研究的合著者、NIST 化學工程師 Thomas Cleary 說。

機器學習算法揭示大型數(shù)據(jù)集中的模式并根據(jù)他們的發(fā)現(xiàn)構(gòu)建模型。這些模型可用于預測某些結(jié)果，例如在房間被火焰吞沒之前需要多長時間。

彩色圖表顯示了一個三居室房屋內(nèi)的模擬火災。

研究人員在一個數(shù)字化的三居室房屋中模擬了 5,000 多場火災，每個火災的起因等關(guān)鍵細節(jié)都不同。該團隊基于機器學習的工具 P-Flash 根據(jù)模擬溫度數(shù)據(jù)正確預測了是否發(fā)生閃絡(一種潛在的致命現(xiàn)象)的概率為 86%。信用：NIST

為了構(gòu)建 P-Flash，作者將溫度探測器的算法溫度數(shù)據(jù)輸入到一座燃燒的三居室、一層的牧場式住宅中——這是大多數(shù)州最常見的住宅類型。然而，這座建筑是數(shù)字而非實體建筑。

由于機器學習算法需要大量數(shù)據(jù)，并且進行數(shù)百次大規(guī)模火災測試是不可行的，該團隊使用 NIST 的火災和煙霧傳輸綜合模型 ( CFAST)反復燒毀了這座虛擬建筑，這是一種經(jīng)過真實驗證的火災建模程序?？死镎f，火災實驗。

作者進行了 5,041 次模擬，每個模擬之間存在細微但關(guān)鍵的差異。每次跑步都會點燃整個房子里的不同家具。窗戶和臥室門被隨機配置為打開或關(guān)閉。一開始總是關(guān)閉的前門在某個時候打開，代表疏散的乘客。放置在房間內(nèi)的熱探測器會產(chǎn)生溫度數(shù)據(jù)，直到它們不可避免地被強烈的熱量禁用。

為了了解 P-Flash 在熱探測器發(fā)生故障后預測閃絡的能力，研究人員拆分了模擬溫度記錄，讓算法從 4,033 個記錄中學習，同時將其他記錄排除在外。一旦 P-Flash 結(jié)束了學習會議，該團隊就通過一組 504 次模擬對其進行測驗，根據(jù)其等級對模型進行微調(diào)，然后重復該過程。在達到理想的性能后，研究人員將 P-Flash 與最后一組 504 進行對比。

研究人員發(fā)現(xiàn)，對于大約 86% 的模擬火災，該模型可以提前一分鐘正確預測閃絡。P-Flash 性能的另一個重要方面是，即使它沒有達到目標，它也主要是通過產(chǎn)生誤報來實現(xiàn)的——預測某個事件會比實際發(fā)生的更早——這比讓消防員產(chǎn)生錯覺要好的安全性。

“你總是想安全一點。盡管我們可以接受少量誤報，但我們的模型開發(fā)非常重視最小化或更好地消除誤報，”NIST 機械工程師和通訊作者 Wai Cheong Tam 說。

最初的測試很有希望，但團隊并沒有變得自滿。

“一個非常重要的問題仍然存在，那就是，如果我們只使用合成數(shù)據(jù)訓練我們的模型，我們的模型是否可信?” 譚說。

幸運的是，研究人員在最近由美國國家司法研究所資助的一項研究中發(fā)現(xiàn)了一個機會，可以在保險商實驗室(UL)生成的真實世界數(shù)據(jù)中找到答案。UL 已經(jīng)在一個牧場式住宅中進行了 13 次實驗，與 P-Flash 訓練過的一個相匹配，并且與模擬一樣，每次火災的點火源和通風都不同。

NIST 進一步測試了 P-Flash，將其預測溫度數(shù)據(jù)與 13 場真實房屋火災中測量的溫度進行了比較，這些火災是在保險商實驗室 (UL) 實驗期間故意點燃的。UL 實驗的后果可以在房子客廳的前后照片中看到，以及從天花板上串起的溫度傳感器。圖片來源：UL 消防員安全研究所

NIST 團隊像以前一樣對 P-Flash 進行了數(shù)千次模擬訓練，但這次他們交換了來自 UL 實驗的溫度數(shù)據(jù)作為最終測試。而這一次，預測的結(jié)果有點不同。

P-Flash 試圖提前 30 秒預測閃絡，當廚房或客廳等開放區(qū)域發(fā)生火災時表現(xiàn)良好。但是，當臥室里緊閉的門后著火時，該模型幾乎無法判斷何時即將發(fā)生閃燃。

該團隊確定了一種稱為封閉效應的現(xiàn)象，作為準確度急劇下降的可能解釋。當火在封閉的狹小空間中燃燒時，熱量幾乎沒有消散能力，因此溫度會迅速升高。然而，許多構(gòu)成 P-Flash 培訓材料基礎的實驗是在開放的實驗室空間進行的，Tam 說。因此，UL 實驗的溫度上升速度幾乎是合成數(shù)據(jù)的兩倍。

盡管揭示了該工具的弱點，但該團隊發(fā)現(xiàn)結(jié)果令人鼓舞，并且朝著正確的方向邁出了一步。研究人員的下一個任務是將封閉效應歸零并在模擬中表示出來。為此，他們計劃自己進行更全面的實驗。

Tam 說，當它的弱點得到修補并且它的預測更加清晰時，研究人員設想他們的系統(tǒng)可以嵌入到能夠通過云與建筑物中的探測器進行通信的手持設備中。

消防員不僅可以告訴他們的同事什么時候需要逃生，而且他們還可以在到達之前知道建筑物中的危險點并調(diào)整他們的策略以最大限度地提高他們挽救生命的機會。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！