В NIST разрабатывают ИИ для помощи пожарным

В пожаротушении самое страшное пламя - то, которого не замечаешь. В хаосе горящего здания трудно заметить признаки надвигающейся общей вспышки, момента когда все горючие предметы в помещении внезапно воспламеняются. Вспышка - одна из основных причин гибели пожарных, но новые исследования показывают, что ИИ может обеспечить необходимое предупреждение.

Исследователи из Национального института стандартов и технологий (NIST), Гонконгского политехнического университета и других учреждений разработали нейросетевую модель Flashover Prediction Neural Network (FlashNet) для прогнозирования смертельных событий за несколько секунд до их возникновения. В новом исследовании, опубликованном в журнале Engineering Applications of Artificial Intelligence, FlashNet продемонстрировала точность до 92,1% в более чем дюжине жилых домов распространенных в США и заняла первое место в сравнении с другими программами прогнозирования общих вспышек на основе ИИ.

Вспышки внезапно возникают при температуре около 600 градусов Цельсия и могут привести к дальнейшему росту температуры. Для прогнозирования таких событий существующие инструменты либо полагаются на постоянные потоки температурных данных из горящих зданий, либо используют машинное обучение для восполнения недостающих данных, когда тепловые датчики уже не выдерживают высоких температур.

До сих пор большинство инструментов прогнозирования на основе машинного обучения, включая один из разработанных авторами этого исследования, были обучены работать в одной, хорошо знакомой среде. В реальности пожарные не могут позволить себе такой роскоши. Вступая в горящее здание, они могут практически ничего не знать о планировке этажа, расположении очага возгорания или о том, открыты или закрыты двери и окна в комнатах.

"Наша предыдущая модель учитывала только четыре или пять комнат в одной планировке, но когда планировка меняется и у вас 13 или 14 комнат, это может стать кошмаром для модели, - сказал инженер-механик NIST Вай Чонг Там, один из первых авторов нового исследования. - Мы считаем, что для реального применения необходимо перейти к обобщенной модели, которая будет работать для разных зданий".

Чтобы справиться с изменчивостью реальных пожаров, исследователи усовершенствовали свой подход с помощью графовых нейронных сетей (GNN).

"GNN часто используются для оценки расчетного времени прибытия в дорожном движении, где вы можете анализировать от 10 до 50 различных дорог. Очень сложно правильно использовать такую информацию одновременно, поэтому у нас и возникла идея использовать GNN, - сказал Юджин Юджун Фу, доцент Гонконгского политехнического университета и соавтор исследования. - Только в нашем случае мы рассматриваем помещения, а не дороги, и прогнозируем вспышки, а не время прибытия транспорта".

Исследователи смоделировали в цифре более 41 000 пожаров в 17 типах зданий, представляющих большую часть жилого фонда США. Помимо планировки, варьировались такие факторы, как происхождение пожара, типы мебели и то, были ли открыты или закрыты двери и окна. Они предоставили модели GNN набор из почти 25 000 случаев пожара для использования в качестве учебного материала, а затем 16 000 для тонкой настройки и окончательного тестирования.

Точность новой модели по 17 типам домов зависела от количества данных, которые ей приходилось переваривать, и времени, которое она стремилась предоставить пожарным. Тем не менее, точность модели в лучшем из случаев составила 92,1% за 30 секунд до вспышки и превзошла пять других инструментов машинного обучения, включая предыдущую модель авторов. Отдельно отмечается, что этот FlashNet выдавал меньше всего ложноотрицательных результатов, т.е. случаев, когда модели не удавалось предсказать надвигающуюся вспышку.

Авторы использовали FlashNet в сценариях, где у него не было предварительной информации о специфике здания и горящего в нем огня, что похоже на ситуацию, в которой часто оказываются пожарные. Учитывая эти ограничения, результаты работы инструмента оказались весьма многообещающими, сказал Там. Однако авторам еще предстоит пройти долгий путь, прежде чем они смогут вывести FlashNet на финишную прямую. В качестве следующего шага они планируют протестировать модель на реальных, а не смоделированных данных.