AI ভবিষ্যতের অগ্নিনির্বাপকদের প্রাণঘাতী ফ্ল্যাশওভার বিস্ফোরণ থেকে বাঁচাতে পারে

নতুন গবেষণা অনুসারে, AI আগুনের ফ্ল্যাশওভারের পূর্বাভাস দিয়ে অগ্নিনির্বাপকদের জীবন বাঁচাতে সাহায্য করতে পারে প্রকাশিত এই সপ্তাহ. 

ফ্ল্যাশওভার ঘটে যখন একটি কক্ষের দাহ্য পদার্থ হঠাৎ একযোগে জ্বলতে শুরু করে, যার ফলে তাপ এবং দাহ্য গ্যাসের বিশাল ঢেউ হয় যা দেয়াল ভেঙ্গে এবং জানালা ফেটে যেতে পারে। 800 থেকে 320,000 পর্যন্ত 10 বছরের সময়কালে মার্কিন যুক্তরাষ্ট্রে চাকরিতে প্রায় 2008 জন অগ্নিনির্বাপক নিহত এবং 2018 জনেরও বেশি আহত হয়েছে এবং অনুমান করা হয়েছে যে এই দুর্ঘটনাগুলির 13 শতাংশই ফ্ল্যাশওভার ইভেন্টের ফলাফল।

একটি ফ্ল্যাশওভার ঘটতে চলেছে কিনা তা ভবিষ্যদ্বাণী করতে অগ্নিনির্বাপকদের তাদের অভিজ্ঞতার উপর নির্ভর করতে হবে, যেমন ধোঁয়া এবং তাপের মাত্রা থেকে বিচার করা, তবে তারা কত দ্রুত ঘটতে পারে তা বিবেচনা করা সহজ নয়। কম্পিউটার বিজ্ঞানীরা গত দুই দশক ধরে রিয়েল টাইমে ফ্ল্যাশওভার সনাক্ত করতে সক্ষম পদ্ধতিগুলি বিকাশ করার চেষ্টা করেছেন, তবে এতটা অনিয়মিত কিছু মডেল করা একটি কঠিন কাজ।

মার্কিন সরকারের ন্যাশনাল ইনস্টিটিউট অফ স্ট্যান্ডার্ডস অ্যান্ড টেকনোলজি (এনআইএসটি), গুগল, সেইসাথে হংকং পলিটেকনিক ইউনিভার্সিটি এবং চায়না ইউনিভার্সিটি অফ পেট্রোলিয়ামের গবেষকরা ডেটার বিভিন্ন উত্সের মধ্যে সম্পর্ক শিখতে গ্রাফ নিউরাল নেটওয়ার্ক (জিএনএন) ব্যবহার করে একটি সিস্টেম তৈরি করেছেন। , সিমুলেটেড ফায়ার থেকে নোড এবং প্রান্ত হিসাবে উপস্থাপিত।

"জিএনএনগুলি প্রায়শই আগমনের আনুমানিক সময়, বা ইটিএ, ট্রাফিকের জন্য ব্যবহৃত হয় যেখানে আপনি 10 থেকে 50টি ভিন্ন রাস্তা বিশ্লেষণ করতে পারেন।" ইউজিন ইউজুন ফু, গবেষণার সহ-প্রথম লেখক এবং হংকং পলিটেকনিক ইউনিভার্সিটির একজন গবেষণা সহকারী অধ্যাপক, বলেছেন এক বিবৃতিতে.

“একসাথে এই ধরনের তথ্য সঠিকভাবে ব্যবহার করা খুবই জটিল, তাই সেখানেই আমরা জিএনএন ব্যবহার করার ধারণা পেয়েছি। আমাদের আবেদন ব্যতীত, আমরা রাস্তার পরিবর্তে কক্ষগুলি দেখছি এবং ট্র্যাফিকের ইটিএর পরিবর্তে ফ্ল্যাশওভার ইভেন্টগুলির পূর্বাভাস দিচ্ছি।"

দলটি বিল্ডিং লেআউট, পৃষ্ঠের উপকরণ, আগুনের অবস্থা, বায়ুচলাচল কনফিগারেশন, স্মোক ডিটেক্টরের অবস্থান এবং কক্ষের তাপমাত্রা প্রোফাইল থেকে শুরু করে 41,000টি বিভিন্ন ধরণের বিল্ডিংয়ে 17টি জাল আগুনের মডেল পর্যন্ত সমস্ত ধরণের ডেটা সিমুলেট করেছে। মোট 25,000টি অগ্নিকাণ্ডের কেস মডেলটিকে প্রশিক্ষণের জন্য ব্যবহার করা হয়েছিল, এবং বাকি 16,000টি ফাইনটিউন এবং পরীক্ষা করার জন্য ব্যবহৃত হয়েছিল।

পরবর্তী 30 সেকেন্ডের মধ্যে একটি ফ্ল্যাশওভার ইভেন্ট ঘটবে কিনা তা ভবিষ্যদ্বাণী করতে সক্ষম কিনা তা দ্বারা GNN-এর কর্মক্ষমতা মূল্যায়ন করা হয়েছিল। প্রাথমিক ফলাফলগুলি দেখিয়েছে যে মডেলটির সর্বোত্তমভাবে 92.1 শতাংশ নির্ভুলতা ছিল। 

ফ্ল্যাশনেট ডাব করা সিস্টেমটি টিমের আগের মেশিন লার্নিং মডেলের চেয়ে অনেক বেশি উন্নত পি-ফ্ল্যাশ.

"আমাদের আগের মডেলটিকে শুধুমাত্র একটি লেআউটে চার বা পাঁচটি কক্ষ বিবেচনা করতে হয়েছিল, কিন্তু যখন লেআউটটি পরিবর্তন হয় এবং আপনার কাছে 13 বা 14টি রুম থাকে, তখন এটি মডেলটির জন্য একটি দুঃস্বপ্ন হতে পারে," বলেছেন কাগজের সহ-প্রথম লেখক ওয়াই চেওং ট্যাম এবং NIST এ একজন মেকানিক্যাল ইঞ্জিনিয়ার। "বাস্তব-বিশ্বের অ্যাপ্লিকেশনের জন্য, আমরা বিশ্বাস করি যে চাবিকাঠি হল একটি সাধারণ মডেলে চলে যাওয়া যা বিভিন্ন বিল্ডিংয়ের জন্য কাজ করে।"

FlashNet আশাব্যঞ্জক মনে হতে পারে, কিন্তু এটি এখনও প্রকৃত অগ্নি উদ্ধারের তথ্য দিয়ে পরীক্ষা করা বাকি। এর জন্য মডেলটিকে স্মার্ট হোমে থার্মোস্ট্যাট, কার্বন মনোক্সাইড এবং স্মোক ডিটেক্টর থেকে ডেটা বিশ্লেষণ করতে হবে, ট্যাম ব্যাখ্যা করেছেন নিবন্ধনকর্মী. অগ্নিনির্বাপকদের কীভাবে মডেলের ভবিষ্যদ্বাণী সম্পর্কে সতর্ক করা যেতে পারে তা স্পষ্ট নয়।

"গবেষণার ফোকাস ছিল বিল্ডিং ডেটার উপর নির্ভর করা যা উপলব্ধ বিল্ডিং সেন্সর থেকে সহজে প্রদান করা যেতে পারে। গবেষণাটিকে বাস্তবে অনুবাদ করার একটি উপায় হল মডেলটিকে একটি স্মার্ট ফায়ার অ্যালার্ম কন্ট্রোল প্যানেলে সংহত করা যা ইনস্টল করা তাপ ডিটেক্টর থেকে তাপমাত্রার ডেটা সংগ্রহ করবে এবং একটি কম্পিউটার মডিউল অন্তর্ভুক্ত করবে যা ডেটা প্রক্রিয়া করতে পারে এবং রিয়েল-টাইম ভবিষ্যদ্বাণী করতে পারে।"

"ফায়ার অ্যালার্ম কন্ট্রোল প্যানেল বা অন্যান্য উপযুক্ত সরঞ্জাম থেকে, ভবিষ্যদ্বাণীটি ঘটনা কমান্ডার বা পৃথক অগ্নিনির্বাপকদের কাছে পাঠানো হবে যদি উপযুক্ত বলে মনে করা হয়। এই ধরনের ভবিষ্যদ্বাণীমূলক বিশ্লেষণ প্রদানের সঠিক প্রক্রিয়া নির্ধারণ করা হয় না এবং একটি ঐক্যমত্য বিকাশের জন্য ফায়ার সার্ভিস থেকে ইনপুট প্রয়োজন, "ট্যাম উপসংহারে পৌঁছেছেন। ®