Z powodu tego zjawiska giną setki strażaków. Zrobili symulację 41 tys. pożarów, żeby znaleźć ratunek dla nich
Rozgorzenie, to nagła ale i najniebezpieczniejsza faza pożaru, w której rocznie życie tracą dziesiątki strażaków. Gwałtowny charakter zjawiska sprawia, że jest zagrożeniem niemożliwym do przewidzenia. Jednak, jak deklarują inżynierowie, właśnie udało się im opracować sztuczną inteligencję, która nie tylko przewiduje moment rozgorzenia, ale i robi to w wielu rodzajach budynków, potencjalnie będąc w stanie uratować życie wielu strażakom.
Strażak to jeden z najniebezpieczniejszych zawodów świata. Podczas pożaru najtrudniejszy jest jeden moment - tzw. rozgorzenie, będące nagłym, niemal jednoczesnym zapaleniem się wszystkich palnych powierzchni.
Według danych międzynarodowej organizacji National Fire Protection Association nagłe zjawisko rozgorzenia to jedna z najczęstszych przyczyn śmierci strażaków podczas służby. Rozgorzenie jest nieprzewidywalne przez człowieka, jednak zdaniem międzynarodowej grupy inżynierów, ich najnowsze dzieło - model sztucznej inteligencji FlashNet - jest w stanie przewidzieć śmiertelne zagrożenie z niespotykaną dotąd precyzją.
Naukowcy z Narodowy Instytut Norm i Techniki w Stanach Zjednoczonych (National Institute of Standards and Technology, NIST), Politechniki w Hongkongu i kilku innych instytucji opracowali model Flashover Prediction Neural Network (FlashNet), który przewiduje śmiertelne zdarzenia na kilka sekund przed ich wybuchem.
W badaniu, którego wyniki opublikowano w czasopiśmie Engineering Applications of Artificial Intelligence, FlashNet wykazał się dokładnością 92,1 procent przy analizie rzutów kilku najpopularniejszych układów budynków mieszkalnych w Stanach Zjednoczonych. Jednocześnie, jak mówią uczeni, FlashNet pod względem precyzji znalazł się na szczycie rankingu programów do przewidywania rozgorzenia opartych na sztucznej inteligencji.
Sztuczna inteligencja ratująca strażaków
Rozgorzenie ma charakter nagły i pojawia się zwykle, gdy temperatura gazów pożarowych pod stropem osiąga ponad 500 stopni Celsjusza. Aby przewidzieć takie zdarzenia, istniejące narzędzia badawcze opierają się na ciągłych strumieniach danych o temperaturze z płonących budynków lub wykorzystują uczenie maszynowe do uzupełnienia brakujących danych w przypadku, gdy detektory ciepła ulegną awarii w wyniku działania zbyt wysokich temperatur.
Dotychczas większość narzędzi wykorzystywanych do przewidywania rozgorzenia opartych na uczeniu maszynowym, w tym jedno opracowane wcześniej przez autorów badania, było szkolone do działania w jednym, znanym SI budynku. Co, ze względu na charakter pracy strażaka, nie było zbyt wielką pomocą - strażacy w akcji zwykle nie mają zbyt wiele pojęcia o planie budynku czy informacji o otwartych drzwiach lub oknach, które potencjalnie (ze względu na dopływ tlenu) mogą przyspieszyć rozgorzenie.
Nasz poprzedni model musiał brać pod uwagę tylko cztery lub pięć pokoi w jednym układzie, ale kiedy układ zmienia się i masz 13 lub 14 pokoi, może to być koszmar dla modelu. Dla zastosowań w świecie rzeczywistym, uważamy, że kluczem jest przejście do uogólnionego modelu, który działa w wielu różnych budynkach.
- mówi Wai Cheong Tam, inżynier w NIST i jeden z współtwórców nowego modelu.
Aby poradzić sobie ze zmiennością prawdziwych pożarów, do stworzenia nowego modelu wykorzystali grafowe sieci neuronowe (GNN) - rodzaj algorytmu uczenia maszynowego, który osądów dokonuje na podstawie wykresów węzłów i linii, reprezentujących różne punkty danych i ich relacje ze sobą.
GNN w trasie i w ogniu
Jak mówi Eugene Yujun Fu, jeden ze współtwórców modelu, pomysł na wykorzystanie grafowych sieci neuronowych został zainspirowany przez sposób, w jaki GNN wykorzystywane są w ruchu drogowym.
GNN są często używane w ruchu drogowym do szacowania czasu przybycia, gdzie możliwym jest jednoczesne analizowanie od 10 do 50 różnych dróg. Właściwe i jednoczesne wykorzystanie tego rodzaju informacji jest bardzo skomplikowane, więc stąd nasz pomysł na wykorzystanie GNN
- mówi Yujun Fu.
Naukowcy w ramach treningu i testów przeprowadzili cyfrowe symulacje ponad 41 tys. pożarów w 17 rodzajach budynków. Plany "płonących" budynków zostały oparte na planach najpopularniejszych amerykańskich budynków mieszkalnych.
Zmiennymi pomiędzy pożarami były nie tylko układy mieszkań, ale też pochodzenie pożaru rodzaje mebli oraz to, czy drzwi i okna były otwarte czy zamknięte.
Model GNN otrzymał zestaw treningowy zawierający prawie 25 tysięcy przypadków pożarów, a następnie 16 tysięcy do poprawienia precyzji i ostatecznych testów.
W przypadku 17 rodzajów budynków mieszkalnych dokładność nowego modelu zależała od ilości danych, które musiał on przyswoić, oraz od czasu, jaki chciał zapewnić strażakom. Mimo to dokładność modelu - w najlepszym przypadku 92,1 procent przy 30-sekundowym czasie reakcji - przewyższyła pięć innych narzędzi opartych na uczeniu maszynowym, w tym poprzedni model autorów. Co ważne, narzędzie to dało najmniej "fałszywych negatywów", niebezpiecznych przypadków, w których modele nie przewidziały zbliżającego się rozgorzenia.
Aby nie było zbyt łatwo, FlashNet przedstawiono również sytuacje wykraczające poza materiał treningowy - scenariusze, w których nie miał on wcześniejszych informacji na temat specyfiki budynku i płonącego w nim ognia, co naśladuje typowedla strażaków warunki. Biorąc pod uwagę te ograniczenia, wydajność narzędzia była całkiem obiecująca, powiedział Wai Cheong Tam. Jednak autorzy mają jeszcze wiele do zrobienia, zanim FlashNet będzie w stanie ratować strażaków.
