La IA podría salvar a los futuros bomberos de las explosiones mortales de flashover

La IA podría ayudar a salvar la vida de los bomberos al predecir los flashovers antes de que ocurran, según una nueva investigación publicado esta semana. 

Los flashovers ocurren cuando el material combustible en una habitación comienza a encenderse repentinamente, lo que genera una gran oleada de calor y gases inflamables que pueden romper paredes y reventar ventanas. Alrededor de 800 bomberos han muerto y más de 320,000 10 han resultado heridos en el trabajo en los EE. UU. durante un período de 2008 años, de 2018 a 13, y se estima que el XNUMX % de esos accidentes son el resultado de flashovers.

Los bomberos tienen que confiar en su experiencia para predecir si un flashover está a punto de ocurrir, por ejemplo, a juzgar por los niveles de humo y calor, pero no es fácil si se tiene en cuenta lo rápido que pueden llegar sigilosamente. Los informáticos han intentado desarrollar métodos capaces de detectar flashovers en tiempo real durante las últimas dos décadas, pero es una tarea difícil modelar algo tan errático.

Investigadores del Instituto Nacional de Estándares y Tecnología (NIST) del gobierno de EE. UU., Google, así como la Universidad Politécnica de Hong Kong y la Universidad del Petróleo de China, construyeron un sistema utilizando redes neuronales gráficas (GNN) para aprender las relaciones entre diferentes fuentes de datos. , representados como nodos y bordes, de incendios simulados.

"Los GNN se usan con frecuencia para el tiempo estimado de llegada, o ETA, en el tráfico donde se pueden analizar de 10 a 50 caminos diferentes". Eugene Yujun Fu, coautor del estudio y profesor asistente de investigación en la Universidad Politécnica de Hong Kong, dijo en un comunicado.

“Es muy complicado hacer un uso adecuado de ese tipo de información simultáneamente, así que de ahí surgió la idea de usar GNN. A excepción de nuestra aplicación, buscamos habitaciones en lugar de carreteras y predecimos eventos de flashover en lugar de ETA en el tráfico”.

El equipo simuló todo tipo de datos, desde diseños de edificios, materiales de superficie, condiciones de incendio, configuraciones de ventilación, ubicación de detectores de humo y perfiles de temperatura de las habitaciones para modelar 41,000 17 incendios falsos en 25,000 tipos de edificios diferentes. Se utilizaron un total de 16,000 XNUMX casos de incendio para entrenar el modelo, y los XNUMX XNUMX restantes se usaron para ajustarlo y probarlo.

El rendimiento de la GNN se evaluó en función de si era capaz de predecir si se produciría un evento de flashover en los próximos 30 segundos. Los resultados iniciales mostraron que el modelo tenía una precisión del 92.1 por ciento en el mejor de los casos. 

El sistema, denominado FlashNet, es más avanzado que el modelo de aprendizaje automático anterior del equipo. Flash P.

“Nuestro modelo anterior solo tenía que considerar cuatro o cinco habitaciones en un diseño, pero cuando el diseño cambia y tienes 13 o 14 habitaciones, puede ser una pesadilla para el modelo”, dijo Wai Cheong Tam, coautor del artículo. e ingeniero mecánico en NIST. “Para la aplicación en el mundo real, creemos que la clave es pasar a un modelo generalizado que funcione para muchos edificios diferentes”.

FlashNet puede parecer prometedor, pero aún no se ha probado con datos de rescates de incendios reales. Eso requeriría que el modelo analice datos de termostatos, monóxido de carbono y detectores de humo en hogares inteligentes, explicó Tam a El registro. No está claro cómo se podría alertar a los bomberos sobre las predicciones del modelo.

“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”, concluyó Tam. ®