AI สามารถช่วยนักดับเพลิงในอนาคตจากการระเบิดวาบไฟที่ร้ายแรงได้

AI สามารถช่วยชีวิตนักผจญเพลิงได้ด้วยการทำนายไฟวาบไฟก่อนที่มันจะเกิดขึ้น ตามการวิจัยใหม่ การตีพิมพ์ ในสัปดาห์นี้ 

วาบไฟจะเกิดขึ้นเมื่อวัสดุที่ติดไฟได้ในห้องเริ่มจุดไฟทั้งหมดในทันที ทำให้เกิดความร้อนและก๊าซไวไฟจำนวนมากที่สามารถทำลายผนังและหน้าต่างระเบิดได้ นักผจญเพลิงประมาณ 800 คนเสียชีวิตและบาดเจ็บมากกว่า 320,000 คนในที่ทำงานในสหรัฐฯ ในช่วงระยะเวลา 10 ปี ตั้งแต่ปี 2008-2018 และคาดว่าร้อยละ 13 ของอุบัติเหตุเหล่านั้นเป็นผลมาจากเหตุการณ์วาบไฟตามผิว

นักผจญเพลิงต้องอาศัยประสบการณ์ของพวกเขาในการทำนายว่าไฟแฟลชโอเวอร์จะเกิดขึ้นหรือไม่ เช่น การตัดสินจากระดับควันและความร้อน แต่มันไม่ง่ายเลยที่จะพิจารณาว่าพวกมันจะคืบคลานได้เร็วแค่ไหน นักวิทยาศาสตร์คอมพิวเตอร์ได้พยายามพัฒนาวิธีการที่สามารถตรวจจับ flashovers ได้แบบเรียลไทม์ในช่วงสองทศวรรษที่ผ่านมา แต่เป็นเรื่องยากที่จะสร้างแบบจำลองบางอย่างที่ไม่แน่นอน

นักวิจัยจากสถาบันมาตรฐานและเทคโนโลยีแห่งชาติของรัฐบาลสหรัฐฯ (NIST), Google รวมถึงมหาวิทยาลัยโพลีเทคนิคฮ่องกง และมหาวิทยาลัยปิโตรเลียมแห่งประเทศจีน ได้สร้างระบบโดยใช้โครงข่ายกราฟนิวรัล (GNN) เพื่อเรียนรู้ความสัมพันธ์ระหว่างแหล่งข้อมูลต่างๆ แสดงเป็นโหนดและขอบจากไฟจำลอง

“GNN มักใช้สำหรับเวลาที่มาถึงโดยประมาณหรือ ETA ในการจราจร ซึ่งคุณสามารถวิเคราะห์ถนนต่างๆ ได้ 10 ถึง 50 เส้น” Eugene Yujun Fu ผู้เขียนร่วมคนแรกของการศึกษาและผู้ช่วยศาสตราจารย์ด้านการวิจัยที่ Hong Kong Polytechnic University กล่าวว่า ในงบ

“มันซับซ้อนมากที่จะใช้ข้อมูลประเภทนี้พร้อมกันอย่างเหมาะสม ดังนั้นเราจึงมีแนวคิดที่จะใช้ GNN ยกเว้นแอปพลิเคชันของเรา เรากำลังดูห้องต่างๆ แทนถนน และคาดการณ์เหตุการณ์ไฟแฟลชโอเวอร์แทน ETA ในการจราจร”

ทีมงานได้จำลองข้อมูลทุกประเภท ตั้งแต่แผนผังอาคาร วัสดุพื้นผิว สภาพอัคคีภัย รูปแบบการระบายอากาศ ตำแหน่งของเครื่องตรวจจับควันไฟ และโปรไฟล์อุณหภูมิของห้อง ไปจนถึงแบบจำลองเพลิงไหม้ปลอม 41,000 ครั้งใน 17 ประเภทอาคารที่แตกต่างกัน มีการใช้ตู้ดับเพลิงทั้งหมด 25,000 ตู้ในการฝึกโมเดล และอีก 16,000 ชิ้นที่เหลือถูกใช้เพื่อปรับแต่งและทดสอบ

ประสิทธิภาพของ GNN ได้รับการประเมินโดยสามารถคาดการณ์ได้ว่าเหตุการณ์ flashover จะเกิดขึ้นภายใน 30 วินาทีข้างหน้าหรือไม่ ผลลัพธ์เบื้องต้นแสดงให้เห็นว่าแบบจำลองมีความแม่นยำสูงสุด 92.1 เปอร์เซ็นต์ 

ระบบที่มีชื่อว่า FlashNet นั้นล้ำหน้ากว่าโมเดลแมชชีนเลิร์นนิงของทีมก่อนหน้า พี-แฟลช.

“รุ่นก่อนหน้าของเราต้องพิจารณาห้องสี่หรือห้าห้องในเลย์เอาต์เดียว แต่เมื่อเลย์เอาต์เปลี่ยนและคุณมีห้อง 13 หรือ 14 ห้อง อาจเป็นฝันร้ายสำหรับแบบจำลอง” Wai Cheong Tam ผู้เขียนร่วมคนแรกของกระดาษกล่าว และวิศวกรเครื่องกลที่ NIST “สำหรับการใช้งานในโลกแห่งความเป็นจริง เราเชื่อว่ากุญแจสำคัญคือการเปลี่ยนไปใช้แบบจำลองทั่วไปที่ใช้ได้กับอาคารต่างๆ มากมาย”

FlashNet อาจดูมีความหวัง แต่ยังไม่ได้รับการทดสอบกับข้อมูลจากหน่วยกู้ภัยจริง นั่นจะทำให้โมเดลต้องวิเคราะห์ข้อมูลจากเทอร์โมสตัท คาร์บอนมอนอกไซด์และเครื่องตรวจจับควันในบ้านอัจฉริยะ Tam อธิบายให้ ลงทะเบียน. วิธีการที่นักดับเพลิงจะได้รับการแจ้งเตือนถึงการคาดการณ์ของแบบจำลองนั้นไม่ชัดเจน

"จุดเน้นของการวิจัยคือการพึ่งพาข้อมูลอาคารที่ได้รับหรือสามารถหาได้ง่ายจากเซ็นเซอร์อาคารที่มีอยู่ วิธีหนึ่งในการแปลงานวิจัยให้กลายเป็นความจริงคือการรวมโมเดลเข้ากับแผงควบคุมสัญญาณเตือนอัคคีภัยอัจฉริยะ ซึ่งจะรวบรวมข้อมูลอุณหภูมิจากเครื่องตรวจจับความร้อนที่ติดตั้งไว้ และรวมถึงโมดูลคอมพิวเตอร์ที่สามารถประมวลผลข้อมูลและคาดการณ์ตามเวลาจริงได้”

“จากแผงควบคุมสัญญาณเตือนอัคคีภัยหรืออุปกรณ์อื่นๆ ที่เหมาะสม การคาดการณ์จะถูกส่งไปยังผู้บัญชาการเหตุการณ์ หรือนักผจญเพลิงแต่ละคนหากเห็นว่าเหมาะสม กลไกที่แน่นอนในการจัดหาการวิเคราะห์เชิงคาดการณ์ดังกล่าวไม่ได้ถูกตัดสิน และจะต้องมีข้อมูลจากหน่วยดับเพลิงเพื่อพัฒนาฉันทามติ” Tam สรุป ®