灭火作业中最可怕的火焰往往是你未看到的即将到来的火焰。在一片混乱的燃烧建筑中，很难注意到即将发生轰燃的迹象——这是一种致命的火灾现象，房间内几乎所有可燃物品均会突然点燃。但一项新研究表明，人工智能（AI）可以为急救人员提供必要的预警。
美国国家标准与技术研究院（NIST）、香港理工大学和其他机构的研究人员已研发出一种轰燃预测神经网络（FlashNet）模型，可在致命事件爆发前的宝贵几秒钟内进行预测。在《人工智能工程应用》（Engineering Applications of Artificial Intelligence）上发表的一项新的研究中，FlashNet在美国十几种常见住宅平面图中的预测准确率高达 92.1%，在与其他基于人工智能的轰燃预测程序进行对决时，其准确率位居榜首。
轰燃一般倾向于在温度约为600摄氏度（1100华氏度）时突然爆发，然后导致温度进一步上升。为对此类事件进行预测，现有预测工具要么依赖于来自燃烧建筑物的恒定温度数据流，要么利用机器学习来填补可能发生的感温探测器受高温影响而丢失的数据。到目前为止，大多数基于机器学习的预测工具，包括作者之前开发的工具，均已经过在单一、熟悉的环境中进行操作的训练。 但在现实中，消防员并没有如此奢侈的待遇。当消防员冲进火灾区域时，他们可能对现场情况、起火位置或门是开着还是关着几乎一无所知。
NIST机械工程师介绍，以前的模型只需要在一个建筑布局中考虑4或5个房间，但是当建筑布局切换时，有13到14个房间，这对模型来说可能是一个噩梦。对于实际应用，关键是建立一个适用于许多不同类型建筑的通用模型。
为应对真实火灾的多变性，研究人员利用图神经网络（GNN）使其方法更加充实，GNN作为一种善于根据节点和线条的图形做出判断的机器学习算法，可表示不同的数据点及其彼此之间的关系。该研究的共同第一作者——香港理工大学研究助理教授Eugene Yujun Fu介绍，GNN经常用于估计到达时间，或用于预计到达时间（ETA），在交通中可使用GNN去分析10到50条不同的路线。合理地利用这类信息是件非常复杂的事情，所以有了使用GNN来解决的想法。除了应用程序之外，研究者关注的是房间而不是道路，预测发生的是轰燃事件，而不是交通环节的预计到达时间（ETA）。
研究人员数字模拟了17种不同建筑类型的41000起虚拟火灾，代表了美国大部分的住宅建筑。除了建筑布局，诸如火灾起因、家具类型以及门窗是开着还是关着等因素，在整个过程中都各不相同。研究人员共使用了25000起虚拟火灾案例，作为研究材料训练该模型，其余16000起案例用于微调和测试。
在17种不同的房屋类型中，新模型的准确率取决于它需要处理的数据量以及它寻求提供给消防员的准备时间。然而，该模型的准确率——在提前30秒的情况下，最好为92.1%——超过了其他五种基于机器学习的工具，包括作者之前的模型。重要的是，该工具产生了最少的假阴性，即在危险的情况下，模型未能预测到“轰燃”。
作者将该模型FlashNet 投入到这样的场景中：FlashNet 事先并不了解建筑物的具体情况以及建筑内部的燃烧情况，类似于消防员经常遇到的情况。研究人员说，考虑到这些限制因素，该工具的性能非常有前景。然而，研究人员在带领FlashNet跨越终点线之前还有很长的路要走。下一步，其计划用真实数据而不是模拟数据对模型进行实战测试。
美国国家标准与技术研究院（NIST）水冷式相机（BOB）在轰燃前一分钟拍摄到的燃烧结构实验图
来源：消防科技信息网，侵权联系删除
