Alat AI P-Flash Prediksi Flashover, Tingkatkan Keselamatan Pemadam Kebakaran
Fenomena maut yang dikenal sebagai "flashover" terjadi ketika bahan mudah terbakar di dalam ruangan menyala hampir secara bersamaan. Titik buta bagi pemadam kebakaran, peristiwa ini menghasilkan api yang terbatas hanya oleh jumlah oksigen yang tersedia.
Alat baru — disebut P-Flash — memperkirakan kapan flashover akan terjadi. Teknologi, dibangun oleh peneliti di National Institute of Standard and Technology (NIST), juga memberikan peringatan flashover kepada responden.
Apa itu Flashover?
Flashovers sangat berbahaya, karena ada sedikit tanda peringatan untuk membantu pemadam kebakaran mendeteksi mereka sebelumnya. Beberapa indikator flashover, seperti panas yang semakin intens atau api yang menggulung di seluruh langit-langit, mudah terlewat dalam lingkungan penyelamatan yang rendah visibilitas dan stres tinggi.
"Saya tidak pikir layanan pemadam kebakaran memiliki banyak alat teknologi yang memprediksi flashover di lokasi," kata peneliti NIST Christopher Brown , yang juga bertindak sebagai pemadam kebakaran sukarela. "Alat terbesar kami hanyalah observasi, dan itu bisa sangat menipu. Hal-hal terlihat satu cara di luar, dan ketika Anda masuk, itu bisa sangat berbeda."
Prediction Model for Flashover, atau P-Flash, menarik data dari array detektor panas di sekitar, termasuk di ruangan berdekatan, untuk memulihkan data suhu dari ruangan asal api dan memperkirakan potensi flashover.
Apa itu P-Flash?
Model yang dikembangkan NIST memprediksi flashover yang akan terjadi dalam lebih dari seribu simulasi api dan lebih dari sepuluh api dunia nyata. Evaluasi eksperimental, baru saja diterbitkan dalam Proceedings of the AAAI Conference on Artificial Intelligence , menunjukkan model menunjukkan prediksi yang andal dalam mengantisipasi flashover simulasi.
Menurut laporan, kinerja model sekitar 83% dan 81%, masing-masing, untuk kemajuan flashover saat ini dan masa depan, mempertimbangkan kegagalan detektor panas pada 150 ̊C.
Detektor panas, yang umum dipasang di gedung komersial dan dapat digunakan di rumah bersama alarm asap, sebagian besar diharapkan beroperasi hanya pada suhu hingga 150 ̊C (302 derajat Fahrenheit), jauh di bawah 600 ̊C (1.100 derajat Fahrenheit) di mana flashover biasanya mulai terjadi. Untuk menembus kesenjangan yang diciptakan oleh data yang hilang, peneliti NIST menerapkan bentuk kecerdasan buatan yang dikenal sebagai machine learning.
"Kehilangan data, tetapi Anda memiliki tren hingga detektor panas gagal, dan Anda memiliki detektor lain. Dengan machine learning, Anda dapat menggunakan data itu sebagai titik lompat untuk meng-ekstrapolasi apakah flashover akan terjadi atau sudah terjadi," kata insinyur kimia NIST Thomas Cleary, penulis bersama studi.
Membakar Rumah (…Secara Virtual)
Algoritma machine learning menggunakan kuantitas data besar untuk memprediksi hasil. Namun, untuk mendapatkan sejumlah besar informasi tentang api rumah, memerlukan perumahan digital: simulasi rumah satu lantai tiga kamar tidur yang terbakar.
Untuk membangun P-Flash, Cleary dan rekan mereka memberikan data suhu dari detektor panas dari rumah virtual — tipe rumah paling umum di sebagian besar negara bagian — kepada algoritma mereka. Tim membakar gedung virtual ini berulang kali — menjalankan 5.041 simulasi, sebenarnya — menggunakan NIST’s Consolidated Model of Fire and Smoke Transport, atau CFAST , program pemodelan api yang divalidasi oleh eksperimen api nyata.
Setiap simulasi 5.000-plus memiliki variasi kecil, tetapi kritis. Jendela dan pintu kamar tidur secara acak dikonfigurasi untuk terbuka atau tertutup. Furnitur datang dan pergi, dan bergerak. Pintu depan terbuka dan tertutup.
Detektor panas yang ditempatkan di kamar menghasilkan data suhu hingga mereka secara tak terhindarkan dinonaktifkan oleh panas intens.
Untuk mempelajari kemampuan P-Flash untuk memprediksi flashover setelah detektor panas gagal, peneliti membagi rekaman suhu simulasi, memungkinkan algoritma untuk belajar dari satu set 4.033 sementara menyembunyikan yang lain. Kemudian, tim menguji P-Flash pada 504 simulasi, menyesuaikan model berdasarkan tebakan mereka.
Peneliti menemukan bahwa model dengan benar memprediksi flashover satu menit sebelumnya untuk sekitar 86% simulasi api. Banyak dari kegagalan, menurut tim, adalah false positive, yang memprediksi flashover pada waktu yang terlalu awal tetapi setidaknya tidak memberikan pemadam kebakaran rasa aman yang palsu.
Pengujian dengan Data Nyata (dan Api Nyata)
Selain itu, NIST menguji P-Flash lebih lanjut dengan membandingkan data suhu yang diprediksi dengan suhu yang diukur dalam 13 api rumah nyata, yang disengaja dinyalakan selama eksperimen Underwriters Laboratories (UL).
Dengan data suhu dari eksperimen UL, P-Flash, mencoba memprediksi flashover hingga 30 detik sebelumnya, berjalan baik saat api dimulai di area terbuka seperti dapur atau ruang tamu. Namun, saat api dimulai di kamar tidur, di balik pintu tertutup, model hampir tidak pernah bisa mengatakan kapan flashover akan terjadi.
Tim mengidentifikasi fenomena yang disebut enclosure effect sebagai penjelasan mungkin untuk penurunan tajam dalam akurasi. Saat api terbakar di ruang kecil dan tertutup, panas memiliki kemampuan sedikit untuk menyebar, jadi suhu naik dengan cepat — lebih cepat dari api di ruang terbuka lab yang menyediakan data pelatihan awal P-Flash.
Tugas berikutnya peneliti adalah melakukan eksperimen skala penuh lebih banyak yang fokus pada enclosure effect dan mewakilinya dalam simulasi. Dengan perbaikan, tim berharap untuk menyematkan sistem di perangkat genggaman yang berkomunikasi dengan detektor di gedung melalui cloud, memberitahu responden tentang lokasi bahaya dan saatnya untuk keluar.
Dalam wawancara email dengan Tech Briefs, insinyur NIST Thomas Cleary, menjelaskan lebih banyak tentang kapan dia berharap pemadam kebakaran dapat menggunakan model. Cleary menjawab dalam kolaborasi dengan rekan-rekannya Christopher Brown, Jonathan Griffin, Andy Tam, dan Anthony Putorti.
Tech Briefs: Bagaimana Anda "membakar gedung virtual?" Itu tampaknya tugas yang sangat menarik. Apa yang Anda ubah pada gedung setiap kali? Dan bagaimana itu memberi tahu model Anda?
Thomas Cleary: Model seperti P-Flash dilatih menggunakan dataset besar dari berbagai skenario api. Tidak realistis untuk menghasilkan jumlah data yang diperlukan dari api nyata jadi kami menggunakan model api komputer. Secara spesifik, model api NIST, CFAST, digunakan untuk mensimulasikan api dalam gedung "virtual" yang dimodelkan.
Untuk tata letak gedung yang tetap, kami menyertakan rentang luas api, dari api yang lambat hingga ultra-cepat tumbuh, dan mengubah lokasinya, dan kondisi pembukaan ventilasi (yaitu, pintu dan jendela) untuk meniru apa yang masuk akal dalam api nyata.
Kira-kira 5000 api simulasi dengan kejadian flashover digunakan untuk melatih P-Flash sehingga ia belajar tren dan pola yang berguna untuk mengkoreksi kondisi flashover dengan informasi suhu yang terbatas.
Tech Briefs: Apa yang menginspirasi ide ini? Apa teknologi saat ini yang tersedia untuk membantu pemadam kebakaran mengatasi flashover?
Thomas Cleary: Inspirasi untuk penelitian saat ini berasal dari penelitian sebelumnya [1] yang menyelidiki pengiriman kondisi panel kontrol alarm api dan informasi dari detektor asap dan panas, ke layanan pemadam kebakaran saat dalam perjalanan ke api sehingga mereka memiliki gambaran lokasi dan penyebaran api sebelum tiba. Ekstensi alami adalah menggunakan data dari detektor secara prediktif untuk menyediakan peramalan. Penelitian lain di NIST menggunakan model api CFAST dalam pemodelan Monte Carlo skenario api menunjukkan bahwa dataset besar untuk machine learning/AI dengan mudah dapat diperoleh dari pemodelan api komputer.
Saat ini, pemadam kebakaran bergantung pada indra, pelatihan, atau paling baik sensor termal genggaman atau kamera imaging termal untuk mendapatkan ide tentang transisi potensial ke flashover. Sayangnya, seseorang harus berada di atau dekat ruangan yang mendekati flashover untuk memiliki kesempatan untuk mengenali bahaya.
Teknologi Pemadam Kebakaran Lainnya di Tech Briefs
Blog: Di Jaket Pemadam Kebakaran, Sensor Pelacakan Mandiri Mengambil Panas
Podcast: Melihat Kembali Robot "Manny" yang Melintasi Jalan – Teman Pemadam Kebakaran
Tech Briefs: Apa yang Anda dengar dari pemadam kebakaran tentang tantangan mereka dengan flashover?
Thomas Cleary: Saat ini, pemadam kebakaran mencoba menghindari flashover berdasarkan pengalaman mereka dalam menginterpretasikan petunjuk observasi flashover, seperti rollover, panas tinggi, dll., di dalam struktur gedung dan asap gelap yang keluar dari jendela luar. Namun, transisi ke flashover biasanya dalam hitungan detik dan, secara umum, indikator flashover tidak mudah dikenali dan jika terlewat, akan membahayakan nyawa. Kami berharap pekerjaan kami akan meningkatkan pemadam kebakaran berbasis pengalaman dengan memfasilitasi pemadam kebakaran berbasis data.
Tech Briefs: Bagaimana Anda mengubah model menjadi alat yang dapat digunakan? Apakah pemadam kebakaran dapat menggunakan model ini saat ini?
Thomas Cleary: Fokus penelitian adalah bergantung pada data gedung yang ada atau dapat dengan mudah disediakan dari sensor gedung yang tersedia. Salah satu cara untuk menerjemahkan penelitian ke kenyataan adalah mengintegrasikan model ke dalam panel kontrol alarm api pintar yang akan mengumpulkan data suhu dari detektor panas yang dipasang dan mencakup modul komputer yang dapat memproses data dan membuat prediksi real-time. Dari panel kontrol alarm api atau peralatan yang cocok lainnya, prediksi akan dikirim ke komando insiden, atau pemadam kebakaran individu jika dianggap sesuai. Mekanisme tepat untuk menyediakan analitik prediktif seperti itu belum diputuskan dan akan membutuhkan masukan dari layanan pemadam kebakaran untuk mengembangkan konsensus.
Pemadam kebakaran tidak dapat menggunakan model saat ini. Sebelum model dapat dikembangkan dan diintegrasikan ke dalam panel kontrol alarm api pintar, kami merasa perlu memverifikasi kinerja model (prediksi real-time) dalam uji api gedung dengan detektor panas.
Tech Briefs: Apa selanjutnya terkait pekerjaan ini?
Thomas Cleary: Kami saat ini memperluas P-Flash untuk bekerja untuk tata letak gedung yang berbeda. Tahun atau setahun ke depan, kami merencanakan demonstrasi untuk uji api gedung, dan telah mulai terlibat dengan produsen peralatan keselamatan api (alarm) tentang kemampuan model.
Apa pendapat Anda? Berbagi pertanyaan dan komentar Anda di bawah.
[1] Reneke, P. A. (2013). Towards Smart Fire Panels . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.
