P-Flash 使用 A.I.灭火

当房间中的易燃材料几乎同时点燃时，就会发生一种被称为“闪络”的致命现象。作为消防员的盲点，该事件产生的火焰仅受可用氧气量的限制。

一种称为 P-Flash 的新工具可以估计闪络何时迫在眉睫。该技术由美国国家标准与技术研究院 (NIST) 的研究人员开发，还向响应者提供闪络警告。

什么是闪络？

闪络特别危险，因为很少有警告标志可以帮助消防员提前发现它们。在低能见度、高压力的救援环境中，一些闪络指标（例如越来越强烈的热量或穿过天花板的滚滚火焰）很容易被忽略。

NIST 研究员克里斯托弗·布朗 (Christopher Brown) 说：“我认为消防部门没有很多技术工具可以预测现场的闪络。” ，他还担任志愿消防员。 “我们最大的工具就是观察，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，它可能会完全不同。”

闪络预测模型（或 P-Flash）从附近的热探测器阵列（包括相邻房间的热探测器）中提取数据，以恢复火源房间的温度数据并估计闪络的可能性。

什么是 P-Flash？

NIST 开发的模型预测了 1000 多起模拟火灾和十几起真实世界火灾中即将发生的闪络。实验评估，刚刚发表在AAAI人工智能会议论文集 , 表明该模型在预测模拟闪络方面显示出可靠的预测。

根据该报告，考虑到热探测器在 150 ̊C 时发生故障，对于当前和未来的闪络发生，模型性能分别约为 83% 和 81%。

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，大部分预计只能在高达 150 ̊C（302 华氏度）的温度下运行，远低于 600 ̊C（1,100 华氏度） ) 通常开始发生闪络。为了弥补缺失数据造成的差距，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是否会发生或已经发生闪络，”该研究的合著者、NIST 化学工程师 Thomas Cleary 说。

烧毁房子（……实际上）

机器学习算法使用大量数据来预测结果。然而，要获得有关房屋火灾的大量信息，需要一个数字住宅：模拟燃烧的三居室、一层牧场式住宅。

为了构建 P-Flash，Cleary 及其同事从虚拟房屋（大多数州最常见的房屋类型）的热探测器中提供了他们的算法温度数据。该团队使用 NIST 的火灾和烟雾传输综合模型或 CFAST 反复烧毁这座虚拟建筑 - 实际上运行了 5,041 次模拟 , 一个经过实火实验验证的火灾建模程序。

5,000 多个模拟中的每一个都有轻微但关键的变化。窗户和卧室门被随机配置为打开或关闭。家具来来去去，走来走去。前门打开和关闭。

放置在房间中的热探测器会产生温度数据，直到它们不可避免地被高温禁用。

为了了解 P-Flash 在热探测器故障后预测闪络的能力，研究人员拆分了模拟的温度记录，允许算法从一组 4,033 个中学习，同时让其他人看不见。然后，该团队对 P-Flash 进行了 504 次模拟测试，并根据其猜测调整模型。

研究人员发现，对于大约 86% 的模拟火灾，该模型提前一分钟正确预测了闪络。据该团队称，许多失误都是误报，它们在早期不准确地预测了闪光，但至少没有给消防员带来虚假的安全感。

使用真实数据（和真实火灾）进行测试

此外，NIST 将 P-Flash 的预测温度数据与在美国保险商实验室 (UL) 实验期间特意点燃的 13 场真实房屋火灾中测量的温度进行比较，进一步测试了 P-Flash。

借助 UL 实验的温度数据，P-Flash 尝试提前 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。然而，当卧室在紧闭的门后发生火灾时，模型几乎永远无法判断何时即将发生闪络。

该团队确定了一种称为封闭效应的现象，作为精度急剧下降的可能解释。当火灾在封闭的狭小空间内燃烧时，热量几乎无法消散，因此温度会迅速升高——比提供 P-Flash 早期训练数据的开放实验室空间中的火灾要快。

研究人员的下一个任务是进行更全面的实验，将封闭效应归零并在模拟中表示出来。随着改进，该团队希望将该系统嵌入手持设备中，通过云端与建筑物中的探测器进行通信，通知响应人员危险点以及何时需要离开。

在接受 Tech Briefs 的电子邮件采访中， NIST 工程师 Thomas Cleary 详细解释了他希望消防员何时能够使用该模型。 Cleary 与他的同事 Christopher Brown、Jonathan Griffin、Andy Tam 和 Anthony Putorti 合作回答。

技术简介 ：如何“烧毁虚拟建筑”？这似乎是一项非常有趣的任务。你每次都在大楼上改变什么？这对您的模型有何影响？

托马斯·克利里： 像 P-Flash 这样的模型是使用来自一系列火灾场景的大型数据集进行训练的。从真实火灾中生成必要数量的数据是不现实的，因此我们使用计算机火灾模型。具体来说，NIST 火灾模型 CFAST 用于模拟模拟“虚拟”建筑中的火灾。

对于固定的建筑布局，我们涵盖了范围广泛的火灾，从缓慢增长到超快速增长的火灾，并改变它们的位置和通风口打开条件（即门窗），以模拟真实火灾中的合理情况。

使用大约 5000 次发生闪络的模拟火灾来训练 P-Flash，使其了解有用的趋势和模式，以将闪络条件与有限的温度信息关联起来。

技术简介 ： 是什么激发了这个想法？目前有什么技术可以帮助消防员解决闪络问题？

托马斯·克利里： 我们当前研究的灵感来源于之前的研究 ^[1] 调查在发生火灾的途中将火灾报警控制面板的状态以及来自烟雾和热量探测器的信息发送给消防部门，以便他们在到达火灾之前了解火灾位置并了解火势蔓延。一个自然的扩展是以预测方式使用来自检测器的数据来提供预测。 NIST 在火灾场景的蒙特卡罗建模中使用火灾模型 CFAST 的其他研究表明，用于机器学习/AI 的大型数据集很容易通过计算机火灾建模获得。

目前，消防员依靠他们的感官、训练，或充其量是手持热传感器或热成像相机来了解可能过渡到闪络的情况。不幸的是，人们需要在接近闪络的房间内或附近才能有机会识别危险。

技术简介中的更多消防技术

博客 ：在消防员的夹克上，自供电跟踪传感器会发热

播客 :回顾开创性的“曼尼”机器人——消防员的朋友

技术简介 ：您从消防员那里听说过他们面临的闪络挑战？

托马斯·克利里： 目前，消防员根据对建筑物结构内翻车、高温等闪络观察线索的解读经验以及外窗冒出的黑烟，试图避免闪络。然而，向闪络的过渡通常在几秒钟内完成，而且一般来说，闪络指示器不容易识别，如果错过，就会危及生命。我们希望我们的工作将通过促进数据驱动的消防来增强基于经验的消防。

技术简介 ： 您如何将模型变成可用的工具？消防员现在可以使用这种模型吗？

托马斯·克利里： 研究的重点是依靠可用的建筑传感器提供或可以轻松提供的建筑数据。将研究转化为现实的一种方法是将模型集成到智能火灾报警控制面板中，该面板将从安装的热探测器收集温度数据，并包括一个可以处理数据并进行实时预测的计算机模块。从火警控制面板或其他合适的设备，预测将被发送给事件指挥官，如果认为合适的话，将发送给个别消防员。提供此类预测分析的确切机制尚未确定，需要消防部门的意见才能达成共识。

消防员现在无法使用该模型。在将模型开发并集成到智能火灾报警控制面板之前，我们认为我们需要验证模型在使用热探测器进行火灾测试时的性能（实时预测）。

技术简介 ： 这项工作的下一步是什么？

托马斯·克利里： 我们目前正在扩展 P-Flash 以适用于不同的建筑布局。在接下来的一年左右，我们正在计划进行建筑防火实验的演示，并已开始与消防安全（报警）设备制造商就模型的能力进行接触。

你怎么看？在下方分享您的问题和意见。

[1] Reneke, P. A. (2013)。迈向智能消防面板 . NIST TN 1780。美国商务部，国家标准与技术研究所，医学博士。