L’IA potrebbe venire in soccorso dei futuri vigili del fuoco
Nella lotta antincendio, le fiamme peggiori sono quelle che non vedi arrivare. Nel caos di un edificio in fiamme, è difficile notare i segni di un imminente flashover , un fenomeno di incendio mortale in cui quasi tutti gli oggetti combustibili in una stanza prendono fuoco all’improvviso. Il flashover è una delle principali cause di morte dei vigili del fuoco, ma una nuova ricerca suggerisce che l’intelligenza artificiale (AI) potrebbe fornire ai primi soccorritori un avvertimento tanto necessario.
I ricercatori del National Institute of Standards and Technology (NIST), del Politecnico di Hong Kong e di altre istituzioni hanno sviluppato un modello Flashover Prediction Neural Network (FlashNet) per prevedere gli eventi letali secondi preziosi prima che esplodano. In un nuovo studio pubblicato su Engineering Applications of Artificial Intelligence , FlashNet vantava un’accuratezza fino al 92,1% su più di una dozzina di planimetrie residenziali comuni negli Stati Uniti ed è risultata vincente quando si è confrontato con altri flashover basati sull’intelligenza artificiale programmi di previsione.
I flashover tendono a divampare improvvisamente a circa 600 gradi Celsius (1.100 gradi Fahrenheit) e possono quindi far aumentare ulteriormente le temperature. Per anticipare questi eventi, gli strumenti di ricerca esistenti si basano su flussi costanti di dati sulla temperatura provenienti da edifici in fiamme o utilizzano l’apprendimento automatico per compilare i dati mancanti nel probabile caso in cui i rilevatori di calore soccombano alle alte temperature.
Finora, la maggior parte degli strumenti di previsione basati sull’apprendimento automatico, incluso uno sviluppato in precedenza dagli autori , sono stati addestrati per operare in un unico ambiente familiare. In realtà, ai vigili del fuoco non viene concesso un tale lusso. Mentre caricano in un territorio ostile, potrebbero sapere poco o nulla sulla planimetria, sul luogo dell’incendio o se le porte sono aperte o chiuse.
“Il nostro modello precedente doveva considerare solo quattro o cinque stanze in un layout, ma quando il layout cambia e hai 13 o 14 stanze, può essere un incubo per il modello”, ha affermato l’ingegnere meccanico NIST Wai Cheong Tam, co-primo autore del nuovo studio. “Per l’applicazione nel mondo reale, riteniamo che la chiave sia passare a un modello generalizzato che funzioni per molti edifici diversi”.
Per far fronte alla variabilità degli incendi reali, i ricercatori hanno rafforzato il loro approccio con le reti neurali a grafo (GNN), una sorta di algoritmo di apprendimento automatico in grado di formulare giudizi basati su grafici di nodi e linee, che rappresentano diversi punti dati e le loro relazioni con uno altro.
“I GNN vengono spesso utilizzati per l’ora di arrivo stimata, o ETA, nel traffico in cui è possibile analizzare da 10 a 50 strade diverse. È molto complicato utilizzare correttamente questo tipo di informazioni contemporaneamente, quindi è qui che abbiamo avuto l’idea di utilizzare i GNN”, ha affermato Eugene Yujun Fu, assistente professore di ricerca presso l’Università del Politecnico di Hong Kong e co-primo autore dello studio. “Ad eccezione della nostra applicazione, stiamo esaminando le stanze anziché le strade e prevediamo eventi di flashover anziché ETA nel traffico”.
I ricercatori hanno simulato digitalmente più di 41.000 incendi in 17 tipi di edifici, che rappresentano la maggior parte del parco edilizio residenziale statunitense. Oltre alla disposizione, fattori come l’origine dell’incendio, i tipi di mobili e l’apertura o la chiusura di porte e finestre variavano dappertutto. Hanno fornito al modello GNN una serie di quasi 25.000 casi di incendio da utilizzare come materiale di studio e poi 16.000 per la messa a punto e il test finale.
In tutti i 17 tipi di case, l’accuratezza del nuovo modello dipendeva dalla quantità di dati che doveva masticare e dal tempo di consegna che cercava di fornire ai vigili del fuoco. Tuttavia, l’accuratezza del modello – nella migliore delle ipotesi, 92,1% con 30 secondi di lead time – ha superato gli altri cinque strumenti basati sull’apprendimento automatico, incluso il modello precedente degli autori. Fondamentalmente, lo strumento ha prodotto i meno falsi negativi, casi pericolosi in cui i modelli non riescono a prevedere un imminente flashover.
Gli autori hanno lanciato FlashNet in scenari in cui non aveva informazioni preliminari sulle specifiche di un edificio e sul fuoco che brucia al suo interno, in modo simile alla situazione in cui si trovano spesso i vigili del fuoco. Dati questi vincoli, le prestazioni dello strumento erano piuttosto promettenti, ha detto Tam. Tuttavia, gli autori hanno ancora molta strada da fare prima di poter portare FlashNet al traguardo. Come passo successivo, hanno in programma di testare il modello con dati del mondo reale, piuttosto che simulati.
“Per testare completamente le prestazioni del nostro modello, abbiamo effettivamente bisogno di costruire e bruciare le nostre strutture e includervi alcuni sensori reali”, ha detto Tam. “Alla fine della giornata, è un must se vogliamo implementare questo modello in scenari di incendio reale”.
