当房间里的可燃材料几乎同时点燃时,就会出现一种被称为“闪燃”的致命现象。对于消防员来说,这是一个盲点,活动产生的火灾仅受可用氧气量的限制。

一种叫做P-Flash的新工具可以预测何时会发生闪络。这项技术是由美国国家标准与技术研究所(NIST)的研究人员开发的,它还可以向应急人员提供闪燃警告。

什么是闪络?

闪光尤其危险,因为几乎没有预警信号可以帮助消防员提前发现它们。在低能见度、高压力的救援环境中,一些闪络指标,如越来越高的温度或在天花板上滚动的火焰,很容易被忽略。

“我不认为消防部门有很多技术上的工具可以在现场预测闪络,”NIST研究员克里斯托弗·布朗说他也是一名志愿消防员。“我们最大的工具只是观察,这可能非常具有欺骗性。从表面上看,事情是这样的,但当你进去时,情况可能会完全不同。”

闪络预测模型(P-Flash)从附近的一系列热探测器(包括邻近房间的探测器)获取数据,从火源房间恢复温度数据,并估计闪络的可能性。

P-Flash是什么?

nist开发的模型预测了一千多起模拟火灾和十多起真实火灾中即将发生的火灾。实验评价,刚刚发表在AAAI人工智能会议论文集表明该模型对模拟闪络的预测是可靠的。

根据报告,考虑到热探测器在150̊C时失效,当前和未来的闪络发生情况,模型性能分别约为83%和81%。

热探测器,它通常安装在商业建筑和可用于家庭和烟雾报警器,大部分预计操作只有在温度高达150̊C(302华氏度),远低于600̊C(1100华氏度),通常开始发生闪络。为了弥补缺失数据造成的差距,NIST研究人员应用了一种被称为机器学习的人工智能形式。

“你丢失了数据,但你有趋势,在哪里热探测器失败,你有其他探测器。有了机器学习,你就可以用这些数据作为出发点来推断闪燃是将要发生还是已经发生了。”

烧毁房屋(实际上)

机器学习算法使用大量数据来预测结果。然而,要获得关于房屋火灾的大量信息,就需要一个数字住宅:一个燃烧的三间卧室、一层的牧场风格住宅的模拟。

为了构建P-Flash, Cleary和他的同事们将虚拟房屋(大多数州最常见的房屋类型)的热探测器的温度数据输入他们的算法。该团队使用NIST的火和烟传输统一模型反复燃烧这个虚拟建筑——实际上,进行了5041次模拟CFAST的火灾模拟程序,并通过实际火灾实验验证。

在5000多个模拟中,每一个都有轻微但关键的变化。窗户和卧室门被随机设置为打开或关闭。家具来来去去,来回移动。前门开了又关。

放置在房间里的热探测器会产生温度数据,直到它们不可避免地因高温而失效。

为了了解P-Flash在热探测器失效后预测闪光的能力,研究人员将模拟的温度记录拆分,让算法从一组4033个记录中学习,同时保持其他的看不到。然后,研究小组对P-Flash进行了504次模拟测试,并根据其猜测调整了模型。

研究人员模拟了一幢数字三居室的5000多起火灾,每起火灾的起因等关键细节都有所不同。该团队基于机器学习的工具P-Flash根据模拟的温度数据,在86%的时间里正确地预测了是否发生闪燃(一种潜在的致命现象)。(图片来源:NIST)

研究人员发现,该模型在一分钟前正确预测了约86%的模拟火灾的闪变。根据该团队的说法,许多漏报都是误报,即在火灾发生的早期时间预测不准确,但至少没有给消防员提供虚假的安全感。

用真实数据(和真实火灾)测试

此外,NIST还对P-Flash进行了进一步测试,将其预测的温度数据与在美国保险商实验室(UL)实验期间故意点燃的13起真实房屋火灾中测量的温度进行了比较。

利用UL实验的温度数据,P-Flash,试图提前30秒预测闪光,在厨房或客厅等开放区域发生火灾时表现良好。然而,当火灾发生在紧闭的门后的卧室时,模型几乎无法判断何时会发生闪燃。

研究小组发现了一种被称为“封闭效应”的现象,这可能是精确度急剧下降的原因。当火焰在封闭的小空间燃烧时,热量几乎没有消散的能力,所以温度上升得很快——比在提供P-Flash早期训练数据的开放实验室中上升得更快。

研究人员的下一个任务是进行更全面的实验,瞄准封闭效应,并在模拟中表现出来。随着改进,该团队希望将该系统嵌入手持设备中,通过云与建筑物内的探测器通信,通知应急人员危险地点和何时该撤离。

在邮件采访中金宝搏官网技术简报,NIST工程师托马斯·克利里(Thomas Cleary)解释了他希望消防员何时能够使用这个模型。克利里与他的同事克里斯托弗·布朗、乔纳森·格里芬、安迪·塔姆和安东尼·普托提合作回答了这个问题。

金宝搏官网如何“烧毁一座虚拟建筑”?这似乎是一个非常有趣的任务。你每次都在建筑上改变什么?这对你的模型有什么影响?

托马斯·克利里:像P-Flash这样的模型是使用一系列火灾场景的大型数据集进行训练的。从真实火灾中生成必要数量的数据是不现实的,所以我们使用计算机火灾模型。具体来说,NIST火灾模型,CFAST,是用来模拟火灾在一个建模的“虚拟”建筑。

对于一个固定的建筑布局,我们包括了各种各样的火灾,从缓慢增长到超高速增长的火灾,并改变它们的位置,以及通风口打开条件(即门和窗户),以模拟真实火灾中可能发生的情况。

大约5000起模拟的闪络火灾被用于训练P-Flash,以便它学习有用的趋势和模式,将闪络条件与有限的温度信息关联起来。

金宝搏官网是什么激发了这个想法?目前有什么技术可以帮助消防员解决闪络问题?

托马斯·克利里:我们目前研究的灵感来源于以前的研究[1]在到达火灾现场的途中,向消防部门发送火灾警报控制面板的状态以及烟雾和热量探测器的信息,以便他们在到达前对火灾位置和蔓延情况有一个感知。一个自然的扩展是以预测的方式使用来自检测器的数据来提供预测。NIST的其他研究表明,在蒙特卡罗火灾场景建模中使用火灾模型CFAST,可以很容易地从计算机火灾建模中获得用于机器学习/人工智能的大数据集。

目前,消防队员依靠他们的感官,训练,或者最好的手持式热传感器或热成像摄像机来获取可能过渡到闪燃的想法。不幸的是,人们需要在一个接近闪络的房间或附近有机会认识到危险。

NIST通过将P-Flash的预测温度数据与在美国保险商实验室(UL)实验期间故意点燃的13起真实房屋火灾中测量的温度进行了进一步的测试。UL实验的结果可以从这所房子客厅的前后对比照片中看到,天花板上挂着一个温度传感器。资料来源:UL消防安全研究所

金宝搏官网你从消防队员那里听说过他们在闪燃方面遇到的挑战吗?

托马斯·克利里:目前,消防人员通过解读建筑物结构内的翻车、高温等观测线索和从外窗冒出的黑烟等经验,试图避免闪燃。然而,过渡到闪络通常是在几秒钟内,一般来说,闪络指标不容易识别,如果错过,将危及生命。我们希望,通过促进数据驱动的消防工作,我们的工作将加强基于经验的消防工作。

金宝搏官网如何将模型转化为可用的工具?消防员现在可以使用这个模型吗?

托马斯·克利里:研究的重点是依赖于建筑数据,这些数据可以很容易地从现有的建筑传感器中提供。将研究转化为现实的一种方法是将模型集成到一个智能火灾警报控制面板中,该面板将从安装的热探测器中收集温度数据,并包括一个可以处理数据并做出实时预测的计算机模块。从火灾警报控制面板或其他合适的设备,预测将被发送给事故指挥官,或如果认为合适的消防人员个人。提供这种预测分析的确切机制尚未确定,需要消防部门的投入才能达成共识。

消防员现在不能使用这个模型。在开发模型并将其纳入智能火灾报警控制面板之前,我们觉得需要用热探测器验证模型在建筑火灾测试中的性能(实时预测)。

金宝搏官网这项工作的下一步是什么?

托马斯·克利里:我们目前正在扩展P-Flash,用于不同的建筑布局。在未来一年左右的时间里,我们计划为建筑防火实验进行演示,并已开始与消防安全(警报)设备制造商就该模型的性能进行接洽。

你觉得呢?请在下方分享你的问题和评论。

[1] Reneke, P. A.(2013)。迈向智能防火板.NIST TN 1780。美国商务部,国家标准和技术研究所,医学博士。