P-Flash는 AI를 사용합니다. 화재 진압

"플래시오버"로 알려진 치명적인 현상은 방의 가연성 물질이 거의 동시에 발화할 때 발생합니다. 소방관의 사각지대인 이 이벤트는 사용 가능한 산소의 양에 의해서만 제한된 불꽃을 생성합니다.

P-Flash라고 하는 새로운 도구는 플래시오버가 임박한 시점을 추정합니다. NIST(National Institute of Standard and Technology)의 연구원들이 구축한 이 기술은 대응자들에게 플래시오버 경고도 제공합니다.

플래시오버란 무엇입니까?

섬락은 소방관이 미리 감지하는 데 도움이 되는 경고 신호가 거의 없기 때문에 특히 위험합니다. 점점 더 강렬해지는 열이나 천장을 가로지르는 화염과 같은 일부 섬락 표시기는 구조의 낮은 가시성과 높은 스트레스 환경에서 놓치기 쉽습니다.

NIST 연구원인 Christopher Brown은 "소방 서비스에는 현장에서 플래시오버를 예측하는 기술적인 도구가 많지 않다고 생각합니다."라고 말했습니다. , 자원 봉사 소방관으로도 활동하고 있습니다. “우리의 가장 큰 도구는 관찰일 뿐이며 이는 매우 기만적일 수 있습니다. 사물은 겉으로 보기에는 한 방향으로 보이지만 안으로 들어가면 완전히 다를 수 있습니다.”

플래시오버 예측 모델(P-Flash)은 인접한 방의 열 감지기 어레이를 포함하여 근처의 열 감지기 어레이에서 데이터를 가져와 화재가 발생한 방의 온도 데이터를 복구하고 플래시오버 가능성을 추정합니다.

P-플래시란 무엇입니까?

NIST에서 개발한 모델은 1000개 이상의 시뮬레이션 화재와 12개 이상의 실제 화재에서 임박한 섬락을 예측했습니다. 실험적 평가, 인공 지능에 관한 AAAI 회의 회보 에 방금 게시됨 , 시뮬레이션된 플래시오버를 예상할 때 모델이 신뢰할 수 있는 예측을 보여줍니다.

보고서에 따르면 150ºC에서 열 감지기 고장을 고려하면 현재 및 미래 플래시오버 발생에 대해 모델 성능이 각각 약 83% 및 81%입니다.

상업용 건물에 일반적으로 설치되고 가정에서 화재 경보기와 함께 사용할 수 있는 열 감지기는 대부분 600°C(1,100°F)보다 훨씬 낮은 최대 150°C(302°F)의 온도에서만 작동할 것으로 예상됩니다. ) 플래시오버가 일반적으로 발생하기 시작하는 시점. 누락된 데이터로 인한 격차를 메우기 위해 NIST 연구원들은 기계 학습으로 알려진 인공 지능의 한 형태를 적용했습니다.

“데이터는 손실되지만 열 감지기가 고장난 곳까지의 추세가 있고 다른 감지기가 있습니다. 기계 학습을 사용하면 해당 데이터를 시작점으로 사용하여 플래시오버가 발생할지 또는 이미 발생했는지 추정할 수 있습니다.”라고 이 연구의 공동 저자인 NIST 화학 엔지니어인 Thomas Cleary가 말했습니다.

불타는 집(...가상적으로)

기계 학습 알고리즘은 많은 양의 데이터를 사용하여 결과를 예측합니다. 그러나 주택 화재에 대한 많은 정보를 얻으려면 디지털 주거가 필요합니다. 즉, 침실 3개, 1층 목장 스타일의 주택이 불타는 시뮬레이션입니다.

P-Flash를 구축하기 위해 Cleary와 동료들은 대부분의 주에서 가장 일반적인 주택 유형인 가상 주택의 열 감지기에서 알고리즘 온도 데이터를 제공했습니다. 팀은 NIST의 화재 및 연기 수송 통합 모델(CFAST )을 사용하여 이 가상 건물을 반복적으로 불태웠습니다. 실제로 5,041개의 시뮬레이션을 실행했습니다. , 실제 화재 실험으로 검증된 화재 모델링 프로그램입니다.

5,000개가 넘는 각 시뮬레이션에는 약간의 차이가 있지만 중요한 변형이 있었습니다. 창문과 침실 문은 무작위로 열리거나 닫히도록 구성되었습니다. 가구가 왔다 갔다 하고 이리저리 움직였다. 현관문이 열리고 닫힙니다.

방에 설치된 열 감지기는 강한 열로 인해 불가피하게 비활성화될 때까지 온도 데이터를 생성했습니다.

열 감지기가 고장난 후 플래시오버를 예측하는 P-Flash의 기능에 대해 알아보기 위해 연구원들은 시뮬레이션된 온도 기록을 분할하여 알고리즘이 4,033 세트에서 학습하면서 나머지는 보이지 않게 했습니다. 그런 다음 팀은 504개의 시뮬레이션에서 P-Flash에 퀴즈를 풀고 추측에 따라 모델을 조정했습니다.

연구원들은 모델이 시뮬레이션된 화재의 약 86%에 대해 1분 전에 플래시오버를 정확하게 예측했다는 것을 발견했습니다. 팀에 따르면 실패의 대부분은 부정확한 초기 순간에 플래시를 예측했지만 최소한 소방관에게 잘못된 보안 감각을 제공하지 않은 오탐지였습니다.

실제 데이터(및 실제 화재)로 테스트

또한 NIST는 예측된 온도 데이터를 Underwriters Laboratories(UL) 실험 중에 의도적으로 켜진 13개의 실제 주택 화재에서 측정된 온도와 비교하여 P-Flash를 추가로 테스트했습니다.

UL 실험의 온도 데이터를 사용하여 최대 30초 전에 플래시오버를 예측하려는 P-Flash는 부엌이나 거실과 같은 열린 공간에서 화재가 시작되었을 때 잘 수행되었습니다. 그러나 닫힌 문 뒤에서 침실에서 불이 시작되었을 때 모델은 플래시오버가 임박한 시점을 거의 알 수 없었습니다.

팀은 정확도의 급격한 하락에 대한 가능한 설명으로 인클로저 효과라는 현상을 확인했습니다. 작고 폐쇄된 공간에서 불이 나면 열을 발산하는 능력이 거의 없으므로 온도가 빠르게 상승합니다. P-Flash의 초기 교육 데이터를 제공한 개방형 실험실 공간의 화재보다 더 빠르게 상승합니다.

연구원의 다음 과제는 인클로저 효과에 초점을 맞추고 시뮬레이션에서 이를 나타내는 보다 본격적인 실험을 수행하는 것입니다. 개선을 통해 팀은 클라우드를 통해 건물의 감지기와 통신하는 휴대용 장치에 시스템을 내장하여 구조원에게 위험 지점과 대피 시간을 알릴 수 있기를 희망합니다.

Tech Briefs 와의 이메일 인터뷰에서 NIST 엔지니어 Thomas Cleary는 소방관이 이 모델을 사용할 수 있을 것으로 예상하는 시기에 대해 자세히 설명합니다. Cleary는 동료인 Christopher Brown, Jonathan Griffin, Andy Tam 및 Anthony Putorti와 협력하여 답변했습니다.

기술 개요 :어떻게 "가상 건물을 태워요?" 매우 흥미로운 작업인 것 같습니다. 매번 건물에서 무엇을 변경합니까? 그리고 그것이 모델에 어떤 영향을 미치나요?

토마스 클리어리: P-Flash와 같은 모델은 다양한 화재 시나리오의 대규모 데이터 세트를 사용하여 학습됩니다. 실제 화재에서 필요한 양의 데이터를 생성하는 것은 비현실적이므로 컴퓨터 화재 모델을 사용합니다. 특히 NIST 화재 모델인 CFAST는 모델링된 "가상" 건물에서 화재를 시뮬레이션하는 데 사용됩니다.

고정된 건물 레이아웃의 경우 느린 화재에서 초고속 화재에 이르기까지 광범위한 화재를 포함하고 실제 화재에서 그럴듯한 것을 모방하기 위해 위치와 통풍구 개방 조건(예:문 및 창문)을 변경합니다.

섬락이 발생하는 약 5000개의 모의 화재가 P-Flash를 훈련하는 데 사용되어 섬락 조건을 제한된 온도 정보와 연관시키는 유용한 경향과 패턴을 학습합니다.

기술 개요 : 이 아이디어에 영감을 준 것은 무엇입니까? 소방관이 플래시오버를 해결하는 데 사용할 수 있는 현재 기술은 무엇입니까?

토마스 클리어리: 현재 연구에 대한 영감은 이전 연구 ^[1] 에서 비롯됩니다. 화재경보기 제어반의 상태와 연기 및 열 감지기의 정보를 화재로 이동하는 동안 소방서에 전송하여 화재 위치를 감지하고 도착 전에 확산되도록 조사합니다. 자연스러운 확장은 탐지기의 데이터를 예측 방식으로 사용하여 예측을 제공하는 것입니다. 화재 시나리오의 Monte Carlo 모델링에서 화재 모델 CFAST를 사용하는 NIST의 다른 연구에서는 컴퓨터 화재 모델링에서 기계 학습/AI를 위한 대규모 데이터 세트를 쉽게 얻을 수 있다고 제안했습니다.

현재 소방관은 플래시오버로의 전환 가능성에 대한 아이디어를 얻기 위해 감각, 훈련, 기껏해야 휴대용 열 센서 또는 열화상 카메라에 의존합니다. 불행히도 위험을 인식할 기회를 얻으려면 섬락이 다가오고 있는 방이나 그 근처에 있어야 합니다.

테크 브리프에서 더 많은 소방 기술

블로그 :소방관 재킷에서 자체 전원 추적 센서가 열을 흡수합니다.

팟캐스트 :선구적인 "매니" 로봇에 대한 회고 – 소방관의 친구

기술 개요 :플래시오버로 인한 어려움에 대해 소방관들로부터 무엇을 들었습니까?

토마스 클리어리: 현재 소방관들은 건물 내부의 전복, 고열 등의 섬락과 외부 창에서 나오는 검은 연기 등 섬락의 관측 단서를 해석한 경험을 바탕으로 섬락을 피하려고 노력하고 있습니다. 그러나 섬락으로의 전환은 일반적으로 몇 초 이내에 이루어지며 일반적으로 섬락 표시기는 인식하기 쉽지 않으며 놓칠 경우 생명을 위험에 빠뜨릴 수 있습니다. 우리의 작업이 데이터 기반 소방을 촉진하여 경험 기반 소방을 강화하기를 바랍니다.

기술 개요 : 모델을 사용 가능한 도구로 전환하려면 어떻게 해야 하나요? 소방관이 지금 이 모델을 사용할 수 있나요?

토마스 클리어리: 연구의 초점은 사용 가능한 건물 센서에서 쉽게 제공되거나 제공될 수 있는 건물 데이터에 의존하는 것이었습니다. 연구를 현실로 변환하는 한 가지 방법은 설치된 열 감지기에서 온도 데이터를 수집하고 데이터를 처리하고 실시간으로 예측할 수 있는 컴퓨터 모듈을 포함하는 스마트 화재 경보 제어 패널에 모델을 통합하는 것입니다. 화재 경보기 제어판 또는 기타 적절한 장비에서 예측이 사고 지휘관 또는 적절하다고 판단되는 경우 개별 소방관에게 전송됩니다. 이러한 예측 분석을 제공하는 정확한 메커니즘은 결정되지 않았으며 합의를 도출하기 위해 소방서의 의견이 필요합니다.

소방관은 이제 모델을 사용할 수 없습니다. 모델을 개발하여 스마트 화재 경보기 제어판에 통합하기 전에 열 감지기로 건물 화재 테스트에서 모델 성능(실시간 예측)을 검증해야 한다고 생각합니다.

기술 개요 : 이 작업의 다음 단계는 무엇인가요?

토마스 클리어리: 우리는 현재 P-Flash를 확장하여 다양한 건물 레이아웃에서 작동하도록 하고 있습니다. 내년쯤에 우리는 건물 화재 실험을 위한 시연을 계획하고 있으며 모델의 기능에 대해 화재 안전(경보) 장비 제조업체와 교류하기 시작했습니다.

어떻게 생각하세요? 아래에서 질문과 의견을 공유하세요.

[1] Reneke, P.A.(2013). Smart Fire Panels 를 향하여 . NIST TN 1780. 미국 상무부, 국립 표준 기술 연구소, MD.