P-Flash utiliza I.A. para combatir incendios

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

Una nueva herramienta, llamada P-Flash, estima cuándo es inminente un flashover. La tecnología, creada por investigadores del Instituto Nacional de Estándares y Tecnología (NIST), también proporciona advertencias de descargas disruptivas a los socorristas.

¿Qué es un flashover?

Los flashovers son especialmente peligrosos porque hay pocas señales de advertencia para ayudar a los bomberos a detectarlos con anticipación. Algunos indicadores de descargas disruptivas, como un calor cada vez más intenso o llamas rodando por un 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 un flashover en la escena", dijo Christopher Brown, investigador del NIST , quien también se desempeña como bombero voluntario. “Nuestra mayor herramienta es solo la observación, y eso puede ser muy engañoso. Las cosas se ven de una manera en el exterior, y cuando entras, podría ser muy diferente”.

El modelo de predicción de descargas disruptivas, o P-Flash, extrae datos de una serie de detectores de calor cercanos, incluidos los que se encuentran en habitaciones adyacentes, para recuperar datos de temperatura de la habitación de origen del incendio y estimar el potencial de descargas disruptivas.

¿Qué es P-Flash?

El modelo desarrollado por el NIST predijo flashovers inminentes en más de mil incendios simulados y más de una docena de incendios reales. Evaluación experimental, recién publicada en las Proceedings of the AAAI Conference on Artificial Intelligence , sugiere que el modelo muestra una predicción confiable al anticipar flashovers simulados.

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

Se espera que los detectores de calor, que comúnmente se instalan en edificios comerciales y se pueden usar en los hogares junto con las alarmas de humo, funcionen en su mayor parte solo a temperaturas de hasta 150 ̊C (302 grados Fahrenheit), muy por debajo de los 600 ̊C (1100 grados Fahrenheit). ) en el que típicamente comienza a ocurrir un flashover. Para cerrar la brecha creada por la falta de datos, los investigadores del 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 el aprendizaje automático, podría usar esos datos como punto de partida para extrapolar si se va a producir un flashover o si ya se produjo”, dijo el ingeniero químico del NIST Thomas Cleary, coautor del estudio.

Quemando la casa (...virtualmente)

Los algoritmos de aprendizaje automático utilizan grandes cantidades de datos para predecir resultados. Sin embargo, para obtener una gran cantidad de información sobre incendios domésticos, se requiere una vivienda digital:una simulación de una casa estilo rancho de un piso y tres habitaciones en llamas.

Para construir P-Flash, Cleary y sus colegas alimentaron los datos de temperatura de su algoritmo de los detectores de calor de la casa virtual, el tipo de hogar más común en la mayoría de los estados. El equipo quemó este edificio virtual repetidamente (de hecho, ejecutó 5041 simulaciones) utilizando el Modelo consolidado de transporte de humo y fuego del NIST, o CFAST , un programa de modelado de incendios validado por experimentos de incendios reales.

Cada una de las más de 5000 simulaciones tuvo variaciones leves pero críticas. Las ventanas y las puertas de los dormitorios se configuraron aleatoriamente para abrirse o cerrarse. Los muebles iban y venían, y se movían. La puerta principal se abrió y se cerró.

Los detectores de calor colocados en las habitaciones producían datos de temperatura hasta que inevitablemente se desactivaron por el intenso calor.

Para aprender sobre la capacidad de P-Flash para predecir flashovers después de que fallan los detectores de calor, los investigadores dividieron las grabaciones de temperatura simuladas, lo que permitió que el algoritmo aprendiera de un conjunto de 4033 mientras mantenía a los demás fuera de la vista. Luego, el equipo interrogó a P-Flash sobre 504 simulaciones, modificando el modelo en función de sus conjeturas.

Los investigadores encontraron que el modelo predijo correctamente los flashovers con un minuto de anticipación para aproximadamente el 86% de los incendios simulados. Muchos de los fallos, según el equipo, fueron falsos positivos, que predijeron el destello en un momento temprano impreciso, pero al menos no proporcionaron a los bomberos una falsa sensación de seguridad.

Pruebas con datos reales (e incendios reales)

Además, el NIST probó P-Flash más a fondo comparando sus datos de temperatura predicha con las temperaturas medidas en 13 incendios domésticos reales, encendidos a propósito durante los experimentos de Underwriters Laboratories (UL).

Con los datos de temperatura de los experimentos de UL, P-Flash, al intentar predecir los flashovers con hasta 30 segundos de anticipación, funcionó bien cuando los incendios comenzaron en áreas abiertas como la cocina o la sala de estar. Sin embargo, cuando los incendios comenzaron en un dormitorio, a puerta cerrada, el modelo casi nunca podía decir cuándo era inminente un flashover.

El equipo identificó un fenómeno llamado efecto de recinto como una posible explicación de la fuerte caída en la precisión. Cuando los incendios se queman en espacios pequeños y cerrados, el calor tiene poca capacidad para disiparse, por lo que la temperatura aumenta rápidamente, más rápidamente que los incendios en los espacios abiertos del laboratorio que proporcionaron los primeros datos de entrenamiento de P-Flash.

La próxima tarea de los investigadores es realizar más experimentos a gran escala que se centren en el efecto del recinto y lo representen en simulaciones. Con mejoras, el equipo espera integrar el sistema en dispositivos portátiles que se comunican con detectores en un edificio a través de la nube, notificando al personal de respuesta sobre puntos peligrosos y cuándo es el momento de salir.

En una entrevista por correo electrónico con Tech Briefs, El ingeniero del NIST, Thomas Cleary, explica más acerca de cuándo espera que los bomberos puedan usar el modelo. Cleary respondió en colaboración con sus colegas Christopher Brown, Jonathan Griffin, Andy Tam y Anthony Putorti.

Resúmenes técnicos :¿Cómo se "quema un edificio virtual"? Me parece una tarea muy interesante. ¿Qué estás cambiando en el edificio cada vez? ¿Y cómo informa eso a su modelo?

Thomas Cleary: Un modelo como P-Flash se entrena utilizando grandes conjuntos de datos de una variedad de escenarios de incendios. No es realista generar la cantidad necesaria de datos de incendios reales, por lo que usamos modelos de incendios por computadora. Específicamente, el modelo de incendios del NIST, CFAST, se usa para simular incendios en un edificio "virtual" modelado.

Para un diseño de edificio fijo, incluimos una amplia gama de incendios, desde incendios de crecimiento lento a ultrarrápido, y variamos sus ubicaciones y las condiciones de apertura de ventilación (es decir, puertas y ventanas) para imitar lo que es plausible en incendios reales.

Aproximadamente 5000 incendios simulados con ocurrencia de flashover se utilizan para entrenar a P-Flash de modo que aprenda las tendencias y patrones útiles para correlacionar las condiciones de flashover con la información de temperatura limitada.

Resúmenes técnicos : ¿Qué inspiró esta idea? ¿Cuál es la tecnología actual disponible para ayudar a un bombero a abordar el flashover?

Thomas Cleary: La inspiración para nuestra investigación actual proviene de investigaciones anteriores ^[1] investigar el envío del estado del panel de control de la alarma contra incendios y la información de los detectores de humo y calor al servicio de bomberos mientras se dirige a un incendio para que tengan una idea de la ubicación del incendio y la propagación antes de su llegada. Una extensión natural es usar los datos de los detectores de manera predictiva para proporcionar pronósticos. Otra investigación en el NIST que utilizó el modelo de incendio CFAST en el modelado Monte Carlo de escenarios de incendio sugirió que los grandes conjuntos de datos para el aprendizaje automático/IA se pueden obtener fácilmente a partir del modelado de incendios por computadora.

Actualmente, los bomberos confían en sus sentidos, entrenamiento o, en el mejor de los casos, sensores térmicos portátiles o cámaras termográficas para tener una idea de la posible transición a un flashover. Desafortunadamente, uno tendría que estar en o cerca de una habitación que se acerca a un flashover para tener la oportunidad de reconocer el peligro.

Más tecnología de extinción de incendios en resúmenes técnicos

Blog :En una chaqueta de bombero, un sensor de seguimiento autoalimentado toma el calor

Podcast :Una mirada retrospectiva al pionero robot "Manny":un amigo de los bomberos

Resúmenes técnicos :¿Qué ha escuchado de los bomberos sobre sus desafíos con flashover?

Thomas Cleary: Actualmente, los bomberos intentan evitar el flashover basándose en su experiencia con la interpretación de pistas observacionales de flashover, como volcaduras, altas temperaturas, etc., dentro de la estructura del edificio y humo oscuro que sale de las ventanas exteriores. Sin embargo, la transición a un flashover es típicamente en cuestión de segundos y, en general, los indicadores de flashover no son fáciles de reconocer y, si no se detectan, pondrían vidas en peligro. Esperamos que nuestro trabajo mejore la extinción de incendios basada en la experiencia facilitando la extinción de incendios basada en datos.

Resúmenes técnicos : ¿Cómo convertir el modelo en una herramienta utilizable? ¿Pueden los bomberos usar este modelo ahora mismo?

Thomas Cleary: El enfoque de la investigación fue confiar en los datos de construcción que son o podrían ser fácilmente proporcionados por los sensores de construcción disponibles. Una forma de convertir la investigación en realidad es integrar el modelo en un panel de control de alarma contra incendios inteligente que recopilaría los datos de temperatura de los detectores de calor instalados e incluye un módulo de computadora que puede procesar los datos y hacer predicciones en tiempo real. Desde el panel de control de la alarma contra incendios u otro equipo adecuado, la predicción se enviaría al comandante del incidente oa los bomberos individuales si se considera adecuado. El mecanismo exacto para proporcionar dicho análisis predictivo no está decidido y requeriría la participación del servicio de bomberos para desarrollar un consenso.

Los bomberos no pueden usar el modelo ahora. Antes de que el modelo pueda desarrollarse e incorporarse a un panel de control de alarma contra incendios inteligente, creemos que debemos verificar el rendimiento del modelo (predicción en tiempo real) en las pruebas de incendios de edificios con detectores de calor.

Resúmenes técnicos : ¿Qué sigue con respecto a este trabajo?

Thomas Cleary: Actualmente estamos ampliando P-Flash para que funcione en diferentes diseños de edificios. En el próximo año más o menos, estamos planeando demostraciones para construir experimentos contra incendios y hemos comenzado a colaborar con los fabricantes de equipos de seguridad contra incendios (alarma) sobre las capacidades del modelo.

¿Qué opinas? Comparta sus preguntas y comentarios a continuación.

[1] Reneke, P. A. (2013). Hacia paneles de incendios inteligentes . NIST TN 1780. Departamento de Comercio de EE. UU., Instituto Nacional de Estándares y Tecnología, MD.