AI预测30秒内火灾「轰燃」，准确率92.1%，未来或可帮助拯救消防员生命
来源：大数据文摘
本文为约1937字，建议阅读4分钟
本文介绍
了利用图神经网络(GNN)建立的一个能够提前预测接下来的30秒内是否会发生“轰燃”现象的研究。
这段时间天气巨热，天干物燥，也是火灾高发的时候。
最近就接连发生了一些火灾事件，还有消防员牺牲的消息，令人心痛。火灾中对消防员威胁很大的，其实是爆燃现象。短短两天，就有两起消防员因为爆燃现象而牺牲的事故。
这种爆燃的现象往往是由于在建筑物内部，当室内大火燃烧形成的充满室内各个房间的可燃气体和没充分燃烧的气体达到一定浓度时，形成的爆燃。
这时候，室内其他房间的没接触大火的可燃物也一起被点燃而燃烧，也就是“轰”的一声，室内所有可燃物都被点燃，所以整个过程也被称为“轰燃”。
正是因为“轰燃”的不可预测性，才如此危险。
本周，一项研究利用图神经网络(GNN)建立了一个系统，以学习模拟火灾中不同数据源(以节点和边表示)之间的关系，从而提前预测接下来的30秒内是否会发生“轰燃”现象。
这一研究有望帮助消防员判断室内建筑是否会发生“轰燃”，从而拯救生命。论文发表在《人工智能工程应用》上。
论文地址：
一般来说，消防员得凭自己的经验来判断是否会发生这样的“轰燃”：
1.产生灼伤人皮肤的辐射热，几秒钟后辐射热强度可达10kw/m²。
2.室内的热气流使人无法坚持，室内的对流温度接近450℃。
3.门热的烫人，木质部分温度平均超过320℃。
4.由门上蹿出的火舌几乎达到顶棚，大量的辐射热由顶棚反射到室内的可燃物上。
5.烟气降至离地面1m左右，空气中的热层部分占据上部空气，驱使热分解产物下降。
为了更好的帮助消防员预测“轰燃”，研究人员据此收集了各种各样的数据，从建筑布局，表面材料，火灾条件，通风配置，烟雾探测器的位置，以及房间的温度分布，模拟了17种不同建筑类型的41000起虚拟火灾，共使用了25000个火灾案例来训练该模型，其余的16000个案例用于微调和测试。
在17种不同的房屋中，新模型的准确性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。
最终，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，包括项目组自己之前的模型，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”。
这个模型被称为FlashNet，将 FlashNet 放入了一些场景中，在这些场景中，FlashNet 事先并不了解建筑物的具体情况以及建筑物内部的火灾情况，这与消防员经常遇到的情况类似。
“考虑到这些限制，该工具的性能是相当有希望的”，论文作者Tam表示。然而，作者在带领FlashNet跨越终点线之前还有很长的路要走。作为下一步，他们计划用真实世界的数据而不是模拟数据对模型进行实战测试。
从4到5个房间，到十几个房间
预测难度Max
轰燃一般倾向于在大约600摄氏度(1100华氏度)突然爆发，然后可以导致温度进一步上升。
此前那的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热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一种工具，都经过了在单一、熟悉的环境中操作的训练。 但在现实中，消防队员面对的是极其复杂的环境，当他们冲进火灾区域时，他们可能对现场情况、火灾发生的位置或门是开着还是关着一无所知。
“我们以前的模型只需要在一个建筑布局中考虑四到五个房间，但是当建筑布局切换时，你有13到14个房间，这对模型来说可能是一个噩梦，”Tam说，“对于真实世界的应用，我们相信关键是建立一个适用于许多不同建筑的通用模型。”
GNN作为一种善于根据节点和线的图做出判断的机器学习算法，可以表示不同的数据点及其彼此之间的关系，非常适合这样的任务。
“GNN经常用于估计到达时间，或ETA，在交通中，你可以（用GNN）分析10到50条不同的道路。同时合理地利用这类信息是非常复杂的，所以我们才有了使用GNN的想法，”论文作者、香港理工大学研究助理教授Yujun Fu说。
相关报道：
相关内容
微信扫码咨询专知VIP会员