?這段時間天氣巨熱，天干物燥，也是火災(zāi)高發(fā)的時候。

最近就接連發(fā)生了一些火災(zāi)事件，還有消防員犧牲的消息，令人心痛?；馂?zāi)中對消防員威脅很大的，其實是爆燃現(xiàn)象。短短兩天，就有兩起消防員因為爆燃現(xiàn)象而犧牲的事故。

這種爆燃的現(xiàn)象往往是由于在建筑物內(nèi)部，當(dāng)室內(nèi)大火燃燒形成的充滿室內(nèi)各個房間的可燃氣體和沒充分燃燒的氣體達到一定濃度時，形成的爆燃。

這時候，室內(nèi)其他房間的沒接觸大火的可燃物也一起被點燃而燃燒，也就是“轟”的一聲，室內(nèi)所有可燃物都被點燃，所以整個過程也被稱為“轟燃”。

正是因為“轟燃”的不可預(yù)測性，才如此危險。?

本周，一項研究利用圖神經(jīng)網(wǎng)絡(luò)(GNN)建立了一個系統(tǒng)，以學(xué)習(xí)模擬火災(zāi)中不同數(shù)據(jù)源(以節(jié)點和邊表示)之間的關(guān)系，從而提前預(yù)測接下來的30秒內(nèi)是否會發(fā)生“轟燃”現(xiàn)象。

這一研究有望幫助消防員判斷室內(nèi)建筑是否會發(fā)生“轟燃”，從而拯救生命。論文發(fā)表在《人工智能工程應(yīng)用》上。

論文地址：https://www.nist.gov/news-events/news/2022/08/ai-may-come-rescue-future-firefighters

30秒內(nèi)預(yù)測“轟燃”，準(zhǔn)確率可達92.1%

一般來說，消防員得憑自己的經(jīng)驗來判斷是否會發(fā)生這樣的“轟燃”：

1.產(chǎn)生灼傷人皮膚的輻射熱，幾秒鐘后輻射熱強度可達10kw/m&sup2。

2.室內(nèi)的熱氣流使人無法堅持，室內(nèi)的對流溫度接近450℃。

3.門熱的燙人，木質(zhì)部分溫度平均超過320℃。

4.由門上躥出的火舌幾乎達到頂棚，大量的輻射熱由頂棚反射到室內(nèi)的可燃物上。

5.煙氣降至離地面1m左右，空氣中的熱層部分占據(jù)上部空氣，驅(qū)使熱分解產(chǎn)物下降。

為了更好的幫助消防員預(yù)測“轟燃”，研究人員據(jù)此收集了各種各樣的數(shù)據(jù)，從建筑布局，表面材料，火災(zāi)條件，通風(fēng)配置，煙霧探測器的位置，以及房間的溫度分布，模擬了17種不同建筑類型的41000起虛擬火災(zāi)，共使用了25000個火災(zāi)案例來訓(xùn)練該模型，其余的16000個案例用于微調(diào)和測試。

在17種不同的房屋中，新模型的準(zhǔn)確性取決于它需要處理的數(shù)據(jù)量以及它尋求提供給消防員的準(zhǔn)備時間。

最終，該模型的準(zhǔn)確率（在提前30秒的情況下，最好為92.1%）超過了其他五種基于機器學(xué)習(xí)的工具，包括項目組自己之前的模型，重要的是，該工具產(chǎn)生了最少的假陰性，即在危險的情況下，模型未能預(yù)測到“轟燃”。

這個模型被稱為FlashNet，將 FlashNet 放入了一些場景中，在這些場景中，F(xiàn)lashNet 事先并不了解建筑物的具體情況以及建筑物內(nèi)部的火災(zāi)情況，這與消防員經(jīng)常遇到的情況類似。

“考慮到這些限制，該工具的性能是相當(dāng)有希望的”，論文作者Tam表示。然而，作者在帶領(lǐng)FlashNet跨越終點線之前還有很長的路要走。作為下一步，他們計劃用真實世界的數(shù)據(jù)而不是模擬數(shù)據(jù)對模型進行實戰(zhàn)測試。

從4到5個房間，到十幾個房間，預(yù)測難度Max

轟燃一般傾向于在大約600攝氏度(1100華氏度)突然爆發(fā)，然后可以導(dǎo)致溫度進一步上升。

此前那的預(yù)測工具要么依賴于來自燃燒建筑物的恒定溫度數(shù)據(jù)流，要么利用機器學(xué)習(xí)來填補可能發(fā)生的熱探測器受高溫影響而丟失的數(shù)據(jù)。

到目前為止，大多數(shù)基于機器學(xué)習(xí)的預(yù)測工具，包括作者之前開發(fā)的一種工具，都經(jīng)過了在單一、熟悉的環(huán)境中操作的訓(xùn)練。 但在現(xiàn)實中，消防隊員面對的是極其復(fù)雜的環(huán)境，當(dāng)他們沖進火災(zāi)區(qū)域時，他們可能對現(xiàn)場情況、火災(zāi)發(fā)生的位置或門是開著還是關(guān)著一無所知。 

“我們以前的模型只需要在一個建筑布局中考慮四到五個房間，但是當(dāng)建筑布局切換時，你有13到14個房間，這對模型來說可能是一個噩夢，”Tam說，“對于真實世界的應(yīng)用，我們相信關(guān)鍵是建立一個適用于許多不同建筑的通用模型?！?/p>

GNN作為一種善于根據(jù)節(jié)點和線的圖做出判斷的機器學(xué)習(xí)算法，可以表示不同的數(shù)據(jù)點及其彼此之間的關(guān)系，非常適合這樣的任務(wù)。

“GNN經(jīng)常用于估計到達時間，或ETA，在交通中，你可以（用GNN）分析10到50條不同的道路。同時合理地利用這類信息是非常復(fù)雜的，所以我們才有了使用GNN的想法，”論文作者、香港理工大學(xué)研究助理教授Yujun Fu說。

除了美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)、谷歌以及香港理工大學(xué)，中國石油大學(xué)也參與了這項研究。

相關(guān)報道：

https://www.theregister.com/2022/08/14/ai_firefighter_prediction/https://www.sciencedirect.com/science/article/abs/pii/S0952197622003220https://baike.baidu.com/item/%E8%BD%B0%E7%87%83/1869756?fr=aladdin#2?