L’intelligence artificielle pourrait fournir un avertissement indispensable aux futurs pompiers

Dans la lutte contre les incendies, les pires flammes sont celles qu’on ne voit pas venir. Au milieu du chaos d’un bâtiment en flammes, il est difficile de remarquer les signes d’un flashover imminent – ; un phénomène d’incendie mortel dans lequel presque tous les objets combustibles d’une pièce s’enflamment soudainement. Flashover est l’une des principales causes de décès de pompiers, mais de nouvelles recherches suggèrent que l’intelligence artificielle (IA) pourrait fournir aux premiers intervenants un avertissement indispensable.

Des chercheurs du National Institute of Standards and Technology (NIST), de l’Université polytechnique de Hong Kong et d’autres institutions ont développé un modèle Flashover Prediction Neural Network (FlashNet) pour prédire les événements mortels quelques secondes avant qu’ils n’éclatent. Dans une nouvelle étude publiée dans Applications d’ingénierie de l’intelligence artificielle, FlashNet affichait jusqu’à 92,1 % de précision sur plus d’une douzaine de plans d’étage résidentiels courants aux États-Unis et s’est imposé par rapport à d’autres programmes de prédiction de flashover basés sur l’IA.

Les flashovers ont tendance à augmenter soudainement jusqu’à environ 600 degrés Celsius (1 100 degrés Fahrenheit) et peuvent faire monter encore plus les températures. Pour anticiper ces événements, les outils de recherche existants s’appuient sur des flux constants de données de température provenant de bâtiments en feu ou utilisent l’apprentissage automatique pour compléter les données manquantes dans le cas probable où les détecteurs de chaleur succomberaient à des températures élevées.

Jusqu’à présent, la plupart des outils de prédiction basés sur l’apprentissage automatique, dont un précédemment développé par les auteurs, ont été formés pour fonctionner dans un environnement unique et familier. En réalité, les pompiers n’ont pas ce luxe. Au fur et à mesure qu’ils avancent en territoire hostile, ils peuvent ne savoir que peu ou rien du plan d’étage, de l’emplacement de l’incendie ou du fait que les portes sont ouvertes ou fermées.

Notre modèle précédent ne devait prendre en compte que quatre ou cinq pièces dans une disposition, mais lorsque la disposition change et que vous avez 13 ou 14 pièces, cela peut être un cauchemar pour le modèle. Pour une application dans le monde réel, nous pensons que la clé est de passer à un modèle généralisé qui fonctionne pour de nombreux bâtiments différents.”

Wai Cheong Tam, ingénieur en mécanique au NIST, co-premier auteur de la nouvelle étude

Pour faire face à la variabilité des incendies réels, les chercheurs ont renforcé leur approche avec des réseaux de neurones graphiques (GNN), un type d’algorithme d’apprentissage automatique bon pour porter des jugements basés sur des graphiques de nœuds et de lignes, représentant différents points de données et leurs relations avec un. autre.

“Les GNN sont souvent utilisés pour l’heure d’arrivée estimée, ou ETA, dans le trafic où vous pouvez analyser 10 à 50 routes différentes. d’utiliser les GNN”, a déclaré Eugene Yujun Fu, professeur assistant de recherche à l’Université polytechnique de Hong Kong et co-auteur du étude. “À l’exception de notre application, nous analysons les pièces au lieu des routes et prévoyons les événements de flashover au lieu de l’ETA dans le trafic.”

Les chercheurs ont simulé numériquement plus de 41 000 incendies dans 17 types de bâtiments, représentant la majorité de l’inventaire des bâtiments résidentiels aux États-Unis. En plus de la disposition, des facteurs tels que la source de l’incendie, les types de meubles et l’ouverture ou la fermeture des portes et des fenêtres variaient d’un bout à l’autre. Ils ont fourni au modèle GNN un ensemble de près de 25 000 cas d’incendie à utiliser comme matériel d’étude, puis 16 000 pour un réglage fin et des tests finaux.

Dans les 17 types de maisons, la précision du nouveau modèle dépendait de la quantité de données qu’il devait traiter et du temps d’attente qu’il cherchait à fournir aux pompiers. Cependant, la précision du modèle – ; au mieux 92,1% avec un délai de 30 secondes – ; il a surpassé cinq autres outils basés sur l’apprentissage automatique, y compris le modèle précédent des auteurs. De manière critique, l’outil a produit un minimum de faux négatifs, des cas dangereux où les modèles ne parviennent pas à prédire un flashover imminent.

Les auteurs ont joué à FlashNet dans des scénarios où il n’y avait aucune information préalable sur les spécificités d’un bâtiment et l’incendie qui brûlait à l’intérieur, similaire à la situation dans laquelle les pompiers se trouvent souvent. Compte tenu de ces contraintes, les performances de l’outil étaient plutôt prometteuses, a déclaré Tam. Cependant, les auteurs ont encore un long chemin à parcourir avant de pouvoir mener FlashNet à la ligne d’arrivée. Dans une prochaine étape, ils prévoient de tester le modèle au combat avec des données du monde réel plutôt que des données simulées.

“Pour tester pleinement les performances de notre modèle, nous devons construire et graver nos propres structures et y inclure de vrais capteurs”, a déclaré Tam. “En fin de compte, c’est obligatoire si nous voulons déployer ce modèle dans des scénarios d’incendie réels.”

La source:

Référence journal :

Tam, WC, et coll. (2022) Un modèle de réseau neuronal de graphe spatio-temporel pour prédire le contournement dans les plans d’étage de bâtiments arbitraires. Applications d’ingénierie de l’intelligence artificielle. doi.org/10.1016/j.engappai.2022.105258.

Leave a Comment

Your email address will not be published.