Herramienta IA P-Flash Predice Flashover, Mejorando Seguridad de Bomberos

Un fenómeno mortal conocido como "flashover" ocurre cuando materiales inflamables en una habitación se encienden casi simultáneamente. Un punto ciego para bomberos, el evento produce un incendio limitado solo por la cantidad de oxígeno disponible.

Una nueva herramienta —llamada P-Flash— estima cuándo el flashover es inminente. La tecnología, desarrollada por investigadores del Instituto Nacional de Estándares y Tecnología (NIST), también proporciona advertencias de flashover a los respondientes.

¿Qué es un Flashover?

Los flashover son especialmente peligrosos, porque hay pocos signos de advertencia para ayudar a bomberos a detectarlos con antelación. Algunos indicadores, como calor cada vez más intenso o llamas rodando por el techo, son fáciles de pasar por alto en el entorno de baja visibilidad y alto estrés de un rescate.

"No creo que el servicio de bomberos tenga muchas herramientas tecnológicas que predigan flashover en la escena", dijo el investigador de NIST Christopher Brown , quien también sirve como bombero voluntario. "Nuestra mayor herramienta es solo la observación, y eso puede ser muy engañoso. Las cosas se ven de una forma por fuera, y cuando entras, puede ser bastante diferente."

El Modelo de Predicción para Flashover, o P-Flash, extrae datos de una serie de detectores de calor cercanos, incluyendo los de habitaciones adyacentes, para recuperar datos de temperatura de la habitación de origen del fuego y estimar potencial de flashover.

¿Qué es P-Flash?

El modelo desarrollado por NIST predijo flashover inminentes en más de mil incendios simulados y más de una docena de incendios reales. La evaluación experimental, recién publicada en Proceedings of the AAAI Conference on Artificial Intelligence , sugiere que el modelo muestra predicción fiable anticipando flashover simulados.

Según el informe, el rendimiento del modelo es aproximadamente 83% y 81%, respectivamente, para ocurrencia de flashover actual y futuro, considerando fallo de detector de calor a 150 °C.

Los detectores de calor, comúnmente instalados en edificios comerciales y usables en hogares junto a alarmas de humo, se espera que operen solo hasta 150 °C (302 °F), muy por debajo de los 600 °C (1100 °F) donde típicamente comienza un flashover. Para cubrir el hueco de datos faltantes, investigadores de NIST aplicaron una forma de inteligencia artificial conocida como aprendizaje automático.

"Pierdes los datos, pero tienes la tendencia hasta donde falla el detector de calor, y tienes otros detectores. Con aprendizaje automático, podrías usar esos datos como punto de partida para extrapolar si ocurrirá flashover o ya ocurrió", dijo el ingeniero químico de NIST Thomas Cleary, coautor del estudio.

Quemando la Casa (...Virtualmente)

Los algoritmos de aprendizaje automático usan grandes cantidades de datos para predecir resultados. Para obtener mucha información sobre incendios domésticos, se requiere una vivienda digital: simulación de una casa ranch de tres dormitorios, una planta, ardiendo.

Para construir P-Flash, Cleary y colegas alimentaron su algoritmo con datos de temperatura de detectores de calor de la casa virtual —el tipo más común de hogar en la mayoría de estados. El equipo quemó este edificio virtual repetidamente —¡ejecutando 5.041 simulaciones!— usando el Modelo Consolidado de Fuego y Transporte de Humo de NIST, o CFAST , un programa de modelado de fuego validado por experimentos reales.

Cada una de las 5.000+ simulaciones tenía variaciones ligeras pero críticas. Ventanas y puertas de dormitorios se configuraban aleatoriamente abiertas o cerradas. Muebles aparecían y desaparecían, y se movían. La puerta principal se abría y cerraba.

Detectores de calor en las habitaciones producían datos de temperatura hasta que inevitablemente eran deshabilitados por el calor intenso.

Para aprender la capacidad de P-Flash de predecir flashover tras fallo de detectores, los investigadores dividieron los registros de temperatura simulados, permitiendo al algoritmo aprender de un conjunto de 4.033 manteniendo otros fuera de vista. Luego, el equipo cuestionó a P-Flash en 504 simulaciones, ajustando el modelo según sus predicciones.

Los investigadores encontraron que el modelo predijo correctamente flashover un minuto antes para ~86% de incendios simulados. Muchos fallos, según el equipo, fueron falsos positivos, prediciendo el flashover en momento injustificadamente temprano pero al menos no dando falsa seguridad a bomberos.

Pruebas con Datos Reales (y Fuegos Reales)

Adicionalmente, NIST probó P-Flash comparando sus datos de temperatura predichos con temperaturas medidas en 13 incendios reales, encendidos deliberadamente durante experimentos de Underwriters Laboratories (UL).

Con datos de temperatura de experimentos UL, P-Flash, intentando predecir flashover hasta 30 segundos antes, funcionó bien cuando incendios empezaban en áreas abiertas como cocina o salón. Cuando incendios empezaban en dormitorio, detrás de puertas cerradas, el modelo casi nunca podía decir cuándo el flashover era inminente.

El equipo identificó un fenómeno llamado efecto de recinto como posible explicación de la caída brusca de precisión. Cuando incendios arden en espacios pequeños y cerrados, el calor tiene poca capacidad para disiparse, así que la temperatura sube rápido —más rápido que incendios en espacios abiertos de laboratorio que dieron a P-Flash sus datos de entrenamiento temprano.

La próxima tarea de investigadores es realizar más experimentos a escala real que profundicen en el efecto de recinto y lo representen en simulaciones. Con mejoras, el equipo espera integrar el sistema en dispositivos portátiles que se comuniquen con detectores en un edificio a través de la nube, notificando a respondientes de zonas de peligro y cuándo salir.

En entrevista por email con Tech Briefs, el ingeniero de NIST Thomas Cleary explica más sobre cuándo espera que bomberos puedan usar el modelo. Cleary respondió en colaboración con colegas Christopher Brown, Jonathan Griffin, Andy Tam y Anthony Putorti.

Tech Briefs: ¿Cómo "queman un edificio virtual"? Parece tarea interesante. ¿Qué cambian cada vez? ¿Cómo informa eso al modelo?

Thomas Cleary: Un modelo como P-Flash se entrena usando grandes conjuntos de datos de una gama de escenarios de fuego. Es irreal generar la cantidad necesaria de datos de fuegos reales, así que usamos modelos de fuego por computadora. Específicamente, el modelo de fuego de NIST, CFAST, simula fuegos en un edificio "virtual" modelado.

Para un diseño fijo, incluimos amplia gama de fuegos, de lentos a ultra-rápidos, y variamos ubicaciones y condiciones de ventilación (puertas y ventanas) para imitar lo plausible en fuegos reales.

Aproximadamente 5000 fuegos simulados con flashover se usan para entrenar P-Flash de modo que aprenda tendencias y patrones útiles para correlacionar condiciones de flashover a información de temperatura limitada.

Tech Briefs: ¿Qué inspiró esta idea? ¿Qué tecnología actual ayuda a bomberos con flashover?

Thomas Cleary: La inspiración viene de investigación previa ^[1] investigando enviar estado de panel de control de alarma de incendios e información de detectores de humo y calor, al servicio de bomberos en ruta a un fuego para que tengan sentido de ubicación y propagación antes de llegar. Extensión natural es usar datos de detectores predictivamente para pronóstico. Otra investigación en NIST usando CFAST en modelado Monte Carlo sugirió que grandes conjuntos de datos para aprendizaje automático/IA son fácilmente obtenibles de modelado de fuego por computadora.

Actualmente, bomberos confían en sentidos, entrenamiento, o en sensores térmicos portátiles o cámaras térmicas para idea de posible transición a flashover. Desafortunadamente, se necesita estar en o cerca de habitación acercándose a flashover para tener oportunidad de reconocer peligro.

Más Tecnología Bomberos en Tech Briefs

Blog: En Chaqueta Bombero, Sensor Autoadhesivo de Seguimiento Aguanta Calor

Podcast: Mirada Atrás al Pioneero Robot "Manny" – Amigo de Bomberos

Tech Briefs: ¿Qué han oído de bomberos sobre sus desafíos con flashover?

Thomas Cleary: Actualmente, bomberos intentan evitar flashover basándose en experiencia interpretando pistas observacionales como rollover, calor alto, etc., dentro de estructura y humo oscuro saliendo por ventanas exteriores. Sin embargo, transición a flashover es típicamente en segundos y, en general, indicadores no son fáciles de reconocer y si se pierden, ponen vidas en peligro. Esperamos que nuestro trabajo mejore bomberismo basado en experiencia facilitando bomberismo basado en datos.

Tech Briefs: ¿Cómo convierten el modelo en herramienta usable? ¿Pueden bomberos usarlo ya?

Thomas Cleary: El foco de la investigación fue confiar en datos de edificio que son o podrían fácilmente proveerse de sensores disponibles. Una forma de traducir investigación a realidad es integrar modelo en panel de control de alarma inteligente que reúna datos de temperatura de detectores de calor instalados e incluya módulo computacional que procese datos y haga predicciones en tiempo real. Desde el panel u otro equipo adecuado, la predicción se enviaría al comandante de incidente, o bomberos individuales si se considera adecuado. El mecanismo exacto de proveer tal analítica predictiva no está decidido y requeriría input del servicio de bomberos para desarrollar consenso.

Bomberos no pueden usar el modelo ahora. Antes de desarrollar e incorporar en panel inteligente, sentimos que necesitamos verificar rendimiento del modelo (predicción tiempo real) en pruebas de fuego en edificio con detectores de calor.

Tech Briefs: ¿Qué sigue para este trabajo?

Thomas Cleary: Actualmente extendemos P-Flash para diferentes diseños de edificio. En el próximo año o así, planeamos demostraciones para experimentos de fuego en edificio, y hemos empezado a contactar fabricantes de equipos de seguridad (alarmas) sobre capacidades del modelo.

¿Qué opina? Comparta preguntas y comentarios abajo.

[1] Reneke, P. A. (2013). Towards Smart Fire Panels . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.