人工智能如何提醒消防员危险迫在眉睫

消防是一场与时间的赛跑。具体时间是多少?对于消防员来说，这部分通常是不清楚的。建筑火灾可能会在瞬间从严重变为致命，在地狱般的混乱中，警告信号通常难以辨别。

为了消除这一主要盲点，美国国家标准与技术研究院 (NIST) 的研究人员开发了 P-Flash，即闪络预测模型。这种由人工智能驱动的工具旨在预测和警告燃烧建筑物中的一种致命现象，即闪络，当房间内的易燃材料几乎同时点燃时，产生的火焰大小仅受可用氧气的限制。该工具的预测基于建筑物热探测器的温度数据，而且值得注意的是，它的设计即使在热探测器开始出现故障后也能运行，与其余设备配合使用。

该团队测试了 P-Flash 在超过 1000 场模拟火灾和十几场真实世界火灾中预测即将发生的闪络的能力。刚刚发表在AAAI 人工智能会议论文集上的研究表明，该模型在预测模拟闪络方面显示出前景，并展示了真实世界的数据如何帮助研究人员识别未建模的物理现象，如果得到解决，可以改善该工具对实际火灾的预测. 随着进一步的发展，P-Flash 可以增强消防员磨练实时战术的能力，帮助他们拯救建筑物内的居住者和他们自己。

闪燃之所以如此危险，部分原因是看到它们即将到来是具有挑战性的。有一些指标需要观察，例如越来越强烈的热量或火焰在天花板上滚动。然而，在许多情况下，这些标志很容易被忽略，例如当消防员正在寻找被困的受害者时，拖着重型设备并且烟雾模糊了视线。从外面看，当消防员接近现场时，里面的情况就更不清晰了。

“我认为消防部门没有很多技术方面的工具来预测现场的闪络，”NIST 研究员克里斯托弗·布朗说，他同时也是一名志愿消防员。“我们最大的工具只是观察，这可能非常具有欺骗性。事情在外面看起来是一种方式，当你进入内部时，情况可能会大不相同。”

根据温度预测闪络的计算机模型并不是全新的，但直到现在，它们都依赖于恒定的温度数据流，这些数据可以在实验室中获得，但在真正的火灾中无法保证。

热探测器通常安装在商业建筑中，可与烟雾报警器一起用于家庭中，大部分预计只能在高达 150 摄氏度(302 华氏度)的温度下运行，远低于 600 摄氏度(1,100 华氏度)。华氏度)通常开始发生闪络。为了弥补丢失数据造成的差距，NIST 研究人员应用了一种称为机器学习的人工智能形式。

“您丢失了数据，但您已经掌握了热探测器故障的趋势，并且您还有其他探测器。通过机器学习，您可以使用该数据作为起点来推断闪络是将要发生还是已经发生，”该研究的合著者、NIST 化学工程师 Thomas Cleary 说。

机器学习算法揭示大型数据集中的模式并根据他们的发现构建模型。这些模型可用于预测某些结果，例如在房间被火焰吞没之前需要多长时间。

彩色图表显示了一个三居室房屋内的模拟火灾。

研究人员在一个数字化的三居室房屋中模拟了 5,000 多场火灾，每个火灾的起因等关键细节都不同。该团队基于机器学习的工具 P-Flash 根据模拟温度数据正确预测了是否发生闪络(一种潜在的致命现象)的概率为 86%。信用：NIST

为了构建 P-Flash，作者将温度探测器的算法温度数据输入到一座燃烧的三居室、一层的牧场式住宅中——这是大多数州最常见的住宅类型。然而，这座建筑是数字而非实体建筑。

由于机器学习算法需要大量数据，并且进行数百次大规模火灾测试是不可行的，该团队使用 NIST 的火灾和烟雾传输综合模型 ( CFAST)反复烧毁了这座虚拟建筑，这是一种经过真实验证的火灾建模程序。克利里说，火灾实验。

作者进行了 5,041 次模拟，每个模拟之间存在细微但关键的差异。每次跑步都会点燃整个房子里的不同家具。窗户和卧室门被随机配置为打开或关闭。一开始总是关闭的前门在某个时候打开，代表疏散的乘客。放置在房间内的热探测器会产生温度数据，直到它们不可避免地被强烈的热量禁用。

为了了解 P-Flash 在热探测器发生故障后预测闪络的能力，研究人员拆分了模拟温度记录，让算法从 4,033 个记录中学习，同时将其他记录排除在外。一旦 P-Flash 结束了学习会议，该团队就通过一组 504 次模拟对其进行测验，根据其等级对模型进行微调，然后重复该过程。在达到理想的性能后，研究人员将 P-Flash 与最后一组 504 进行对比。

研究人员发现，对于大约 86% 的模拟火灾，该模型可以提前一分钟正确预测闪络。P-Flash 性能的另一个重要方面是，即使它没有达到目标，它也主要是通过产生误报来实现的——预测某个事件会比实际发生的更早——这比让消防员产生错觉要好的安全性。

“你总是想安全一点。尽管我们可以接受少量误报，但我们的模型开发非常重视最小化或更好地消除误报，”NIST 机械工程师和通讯作者 Wai Cheong Tam 说。

最初的测试很有希望，但团队并没有变得自满。

“一个非常重要的问题仍然存在，那就是，如果我们只使用合成数据训练我们的模型，我们的模型是否可信?” 谭说。

幸运的是，研究人员在最近由美国国家司法研究所资助的一项研究中发现了一个机会，可以在保险商实验室(UL)生成的真实世界数据中找到答案。UL 已经在一个牧场式住宅中进行了 13 次实验，与 P-Flash 训练过的一个相匹配，并且与模拟一样，每次火灾的点火源和通风都不同。

NIST 进一步测试了 P-Flash，将其预测温度数据与 13 场真实房屋火灾中测量的温度进行了比较，这些火灾是在保险商实验室 (UL) 实验期间故意点燃的。UL 实验的后果可以在房子客厅的前后照片中看到，以及从天花板上串起的温度传感器。图片来源：UL 消防员安全研究所

NIST 团队像以前一样对 P-Flash 进行了数千次模拟训练，但这次他们交换了来自 UL 实验的温度数据作为最终测试。而这一次，预测的结果有点不同。

P-Flash 试图提前 30 秒预测闪络，当厨房或客厅等开放区域发生火灾时表现良好。但是，当卧室里紧闭的门后着火时，该模型几乎无法判断何时即将发生闪燃。

该团队确定了一种称为封闭效应的现象，作为准确度急剧下降的可能解释。当火在封闭的狭小空间中燃烧时，热量几乎没有消散能力，因此温度会迅速升高。然而，许多构成 P-Flash 培训材料基础的实验是在开放的实验室空间进行的，Tam 说。因此，UL 实验的温度上升速度几乎是合成数据的两倍。

尽管揭示了该工具的弱点，但该团队发现结果令人鼓舞，并且朝着正确的方向迈出了一步。研究人员的下一个任务是将封闭效应归零并在模拟中表示出来。为此，他们计划自己进行更全面的实验。

Tam 说，当它的弱点得到修补并且它的预测更加清晰时，研究人员设想他们的系统可以嵌入到能够通过云与建筑物中的探测器进行通信的手持设备中。

消防员不仅可以告诉他们的同事什么时候需要逃生，而且他们还可以在到达之前知道建筑物中的危险点并调整他们的策略以最大限度地提高他们挽救生命的机会。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！