La extinción de incendios es una carrera contra-reloj. ¿Exactamente cuánto tiempo? Para los bomberos, esa parte a menudo no está clara. Los incendios de edificios pueden pasar de ser malos a mortales en un instante, y las señales de advertencia suelen ser difíciles de discernir en medio del caos de un infierno.
Buscando eliminar este importante punto ciego, los investigadores del Instituto Nacional de Estándares y Tecnología (NIST) han desarrollado P-Flash, o el Modelo de Predicción para Flashover.
La herramienta impulsada por inteligencia artificial fue diseñada para predecir y advertir de un fenómeno mortal en edificios en llamas conocido como flashover , cuando los materiales inflamables en una habitación se encienden casi simultáneamente, produciendo un incendio limitado en tamaño por el oxígeno disponible.
Las predicciones de la herramienta se basan en datos de temperatura de los detectores de calor de un edificio y, sorprendentemente, está diseñada para funcionar incluso después de que los detectores de calor empiecen a fallar, arreglándose con los dispositivos restantes.
Capacidad de P-Flash para predecir Incendios
El equipo probó la capacidad de P-Flash para predecir descargas disruptivas inminentes en más de mil incendios simulados y más de una docena de incendios del mundo real.
La investigación, recién publicada en Proceedings of the AAAI Conference on Artificial Intelligence , sugiere que el modelo se muestra prometedor en la anticipación de descargas disruptivas simuladas y muestra cómo los datos del mundo real ayudaron a los investigadores a identificar un fenómeno físico no modelado que, si se aborda, podría mejorar la predicción de la herramienta en incendios reales.
Con un mayor desarrollo, P-Flash podría mejorar la capacidad de los bomberos para perfeccionar sus tácticas en tiempo real, ayudándoles a salvar a los ocupantes del edificio y a ellos mismos.
Las descargas eléctricas son tan peligrosas en parte porque es un desafío verlas venir. Hay indicadores para observar, como un calor cada vez más intenso o llamas rodando por el techo. Sin embargo, estas señales pueden ser fáciles de pasar por alto en muchas situaciones, como cuando un bombero busca víctimas atrapadas con equipo pesado a cuestas y humo que oscurece la vista. Y desde el exterior, cuando los bomberos se acercan a una escena, las condiciones en el interior son aún menos claras.
«No creo que el servicio de bomberos tenga muchas herramientas tecnológicas que predigan el flashover en la escena», dijo el investigador del NIST Christopher Brown, quien también se desempeña como bombero voluntario. “Nuestra herramienta más importante es simplemente la observación, y eso puede ser muy engañoso. Las cosas se ven de una manera en el exterior, y cuando entras, puede ser bastante diferente «.
Los modelos informáticos que predicen el flashover basados en la temperatura no son del todo nuevos, pero hasta ahora, se han basado en flujos constantes de datos de temperatura, que se pueden obtener en un laboratorio pero no se garantizan durante un incendio real.
Los detectores de calor, que se instalan comúnmente en edificios comerciales y se pueden usar en hogares junto con alarmas de humo, se espera en su mayor parte que funcionen solo a temperaturas de hasta 150 grados Celsius (302 grados Fahrenheit), muy por debajo de los 600 grados Celsius (1,100 grados Fahrenheit). grados Fahrenheit) en el que normalmente comienza a producirse un flashover. Para cerrar la brecha creada por la pérdida de datos, los investigadores del NIST aplicaron una forma de inteligencia artificial conocida como aprendizaje automático.
“Pierde los datos, pero tiene la tendencia hasta donde falla el detector de calor, y tiene otros detectores. Con el aprendizaje automático, podría usar esos datos como un punto de partida para extrapolar si se producirá o si ya ocurrió una descarga disruptiva ”, dijo el ingeniero químico del NIST, Thomas Cleary, coautor del estudio.
Los algoritmos de aprendizaje automático descubren patrones en grandes conjuntos de datos y crean modelos basados en sus hallazgos. Estos modelos pueden ser útiles para predecir ciertos resultados, como cuánto tiempo pasará antes de que una habitación se vea envuelta en llamas.
Para construir P-Flash, los autores alimentaron su algoritmo de datos de temperatura de los detectores de calor en una casa estilo rancho de tres dormitorios y un piso en llamas, el tipo de hogar más común en la mayoría de los estados. Sin embargo, este edificio era más digital que tradicional.
Debido a que los algoritmos de aprendizaje automático requieren grandes cantidades de datos y la realización de cientos de pruebas de incendio a gran escala no era factible, el equipo quemó este edificio virtual repetidamente utilizando el Modelo Consolidado de Transporte de Humo y Fuego de NIST, o CFAST , un programa de modelado de incendios validado por experimentos de fuego, dijo Cleary.
Los autores ejecutaron 5.041 simulaciones, con variaciones leves pero críticas entre cada una. Diferentes muebles en toda la casa se encienden con cada carrera. Las ventanas y las puertas de los dormitorios se configuraron aleatoriamente para estar abiertas o cerradas. Y la puerta de entrada, que siempre comenzaba a cerrarse, se abrió en algún momento para representar a los ocupantes evacuados. Los detectores de calor colocados en las habitaciones produjeron datos de temperatura hasta que fueron inevitablemente desactivados por el intenso calor.
Para conocer la capacidad de P-Flash para predecir descargas disruptivas después de que fallan los detectores de calor, los investigadores dividieron los registros de temperatura simulados, lo que permitió que el algoritmo aprendiera de un conjunto de 4.033 mientras mantenía a los demás fuera de la vista.
Una vez que P-Flash terminó una sesión de estudio, el equipo lo evaluó en un conjunto de 504 simulaciones, afinó el modelo en función de su calificación y repitió el proceso. Después de lograr el rendimiento deseado, los investigadores compararon P-Flash con un conjunto final de 504.
Los investigadores encontraron que el modelo predijo correctamente las descargas disruptivas un minuto antes para aproximadamente el 86% de los incendios simulados. Otro aspecto importante del rendimiento de P-Flash fue que incluso cuando falló, principalmente lo hizo produciendo falsos positivos, predicciones de que un evento sucedería antes de lo que realmente sucedió, lo cual es mejor que la alternativa de dar a los bomberos un sentido falso. de seguridad.
“Siempre quieres estar seguro. Aunque podemos aceptar una pequeña cantidad de falsos positivos, el desarrollo de nuestro modelo hace hincapié en minimizar o, mejor aún, eliminar los falsos negativos ”, dijo el ingeniero mecánico y autor correspondiente del NIST, Wai Cheong Tam.
Las pruebas iniciales fueron prometedoras, pero el equipo no se había vuelto complaciente.
«Quedaba una pregunta muy importante, que era, ¿se puede confiar en nuestro modelo si solo entrenamos nuestro modelo utilizando datos sintéticos?» Dijo Tam.
Afortunadamente, los investigadores encontraron la oportunidad de encontrar respuestas en datos del mundo real producidos por Underwriters Laboratories (UL) en un estudio reciente financiado por el Instituto Nacional de Justicia . UL había llevado a cabo 13 experimentos en una casa estilo rancho que coincidía con la que tenía entrenado P-Flash y, al igual que con las simulaciones, las fuentes de ignición y la ventilación variaban entre cada incendio.
El equipo del NIST entrenó a P-Flash en miles de simulaciones como antes, pero esta vez intercambiaron datos de temperatura de los experimentos de UL como prueba final. Y esta vez, las predicciones se desarrollaron de manera un poco diferente.
P-Flash, que intenta predecir descargas disruptivas hasta 30 segundos antes, funcionó bien cuando se iniciaron incendios en áreas abiertas como la cocina o la sala de estar. Pero cuando comenzaron los incendios en un dormitorio, detrás de puertas cerradas, el modelo casi nunca pudo saber cuándo el flashover era inminente.
El equipo identificó un fenómeno llamado efecto envolvente como una posible explicación de la fuerte caída en la precisión. Cuando los incendios arden en espacios pequeños y cerrados, el calor tiene poca capacidad para disiparse, por lo que la temperatura aumenta rápidamente. Sin embargo, muchos de los experimentos que forman la base del material de capacitación de P-Flash se llevaron a cabo en espacios abiertos de laboratorio, dijo Tam. Como tal, las temperaturas de los experimentos de UL se dispararon casi dos veces más rápido que los datos sintéticos.
A pesar de revelar un punto débil en la herramienta, el equipo considera que los resultados son alentadores y un paso en la dirección correcta. La siguiente tarea de los investigadores es concentrarse en el efecto de recinto y representarlo en simulaciones. Para hacer eso, planean realizar más experimentos a gran escala ellos mismos.
Cuando se reparen sus puntos débiles y se agudicen sus predicciones, los investigadores imaginan que su sistema podría integrarse en dispositivos portátiles capaces de comunicarse con detectores en un edificio a través de la nube, dijo Tam.
Los bomberos no solo podrían decirles a sus colegas cuándo es el momento de escapar, sino que también podrían conocer los puntos de peligro en el edificio antes de su llegada y ajustar sus tácticas para maximizar sus posibilidades de salvar vidas.
Documento: EY Fu, WC Tam, R. Peacock, P. Reneke, G. Ngai, H. Leong y T. Cleary. Predicción de la ocurrencia de descargas disruptivas utilizando datos de temperatura sustitutos. Actas de la Conferencia AAAI sobre Inteligencia Artificial .
