AI bisa menyelamatkan petugas pemadam kebakaran masa depan dari ledakan flashover yang mematikan

AI dapat membantu menyelamatkan nyawa petugas pemadam kebakaran dengan memprediksi kilatan api sebelum terjadi, menurut penelitian baru diterbitkan minggu ini. 

Flashovers terjadi ketika bahan yang mudah terbakar di sebuah ruangan tiba-tiba mulai menyala sekaligus, menyebabkan gelombang panas yang besar dan gas yang mudah terbakar yang dapat memecahkan dinding dan memecahkan jendela. Sekitar 800 petugas pemadam kebakaran telah tewas dan lebih dari 320,000 terluka dalam pekerjaan di AS selama periode 10 tahun, dari 2008 hingga 2018, dan diperkirakan 13 persen dari kecelakaan tersebut adalah akibat dari peristiwa flashover.

Petugas pemadam kebakaran harus mengandalkan pengalaman mereka untuk memprediksi jika flashover akan terjadi, seperti menilai dari tingkat asap dan panas, tetapi itu tidak mudah mengingat seberapa cepat mereka dapat merambat. Ilmuwan komputer telah mencoba mengembangkan metode yang mampu mendeteksi flashovers secara real time selama dua dekade terakhir, tetapi merupakan tugas yang sulit untuk memodelkan sesuatu yang begitu tidak menentu.

Para peneliti dari Institut Standar dan Teknologi Nasional (NIST) pemerintah AS, Google, serta Universitas Politeknik Hong Kong dan Universitas Minyak China, membangun sistem menggunakan jaringan saraf graf (GNN) untuk mempelajari hubungan antara berbagai sumber data. , direpresentasikan sebagai node dan edge, dari simulasi kebakaran.

“GNN sering digunakan untuk perkiraan waktu kedatangan, atau ETA, dalam lalu lintas di mana Anda dapat menganalisis 10 hingga 50 jalan yang berbeda.” Eugene Yujun Fu, rekan penulis pertama studi tersebut dan asisten profesor peneliti di Universitas Politeknik Hong Kong, tersebut dalam sebuah pernyataan.

“Sangat rumit untuk menggunakan informasi semacam itu secara bersamaan, jadi dari situlah kami mendapat ide untuk menggunakan GNN. Kecuali untuk aplikasi kami, kami melihat kamar, bukan jalan, dan memprediksi peristiwa kilat alih-alih ETA dalam lalu lintas.”

Tim mensimulasikan semua jenis data, mulai dari tata letak bangunan, bahan permukaan, kondisi kebakaran, konfigurasi ventilasi, lokasi detektor asap, dan profil suhu ruangan untuk memodelkan 41,000 kebakaran palsu di 17 jenis bangunan yang berbeda. Sebanyak 25,000 kasus kebakaran digunakan untuk melatih model, dan 16,000 sisanya digunakan untuk menyempurnakan dan mengujinya.

Performa GNN dinilai dari mampu memprediksi apakah flashover akan terjadi dalam 30 detik ke depan. Hasil awal menunjukkan model memiliki akurasi terbaik 92.1 persen. 

Sistem, yang dijuluki FlashNet, lebih maju daripada model pembelajaran mesin tim sebelumnya P-Flash.

“Model kami sebelumnya hanya perlu mempertimbangkan empat atau lima kamar dalam satu tata letak, tetapi ketika tata letak beralih dan Anda memiliki 13 atau 14 kamar, itu bisa menjadi mimpi buruk bagi model tersebut,” kata Wai Cheong Tam, salah satu penulis makalah. dan seorang insinyur mesin di NIST. “Untuk aplikasi dunia nyata, kami yakin kuncinya adalah beralih ke model umum yang berfungsi untuk banyak bangunan berbeda.”

FlashNet mungkin tampak menjanjikan, tetapi belum diuji dengan data dari penyelamatan kebakaran nyata. Itu akan membutuhkan model untuk menganalisis data dari termostat, karbon monoksida dan detektor asap, di rumah pintar, Tam menjelaskan kepada Pendaftaran. Bagaimana petugas pemadam kebakaran kemudian dapat disiagakan untuk prediksi model tidak jelas.

“Fokus penelitian ini adalah mengandalkan data bangunan yang dapat atau dapat dengan mudah disediakan dari sensor bangunan yang tersedia. Salah satu cara untuk menerjemahkan penelitian menjadi kenyataan adalah dengan mengintegrasikan model ke dalam panel kontrol alarm kebakaran pintar yang akan mengumpulkan data suhu dari detektor panas yang terpasang dan menyertakan modul komputer yang dapat memproses data dan membuat prediksi waktu nyata.”

“Dari panel kontrol alarm kebakaran atau peralatan lain yang sesuai, prediksi akan dikirim ke komandan insiden, atau petugas pemadam kebakaran individu jika dianggap cocok. Mekanisme yang tepat untuk menyediakan analitik prediktif seperti itu belum diputuskan dan akan membutuhkan masukan dari dinas pemadam kebakaran untuk mengembangkan konsensus, ” tutup Tam. ®