NIST researchers have a breakthrough that could save the lives of firefighters

Том Тем: Д-р Там, добре, че сте на работа.

Анди Там: Благодаря, Том. Радвам се, че съм тук.

Том Тем: И нека поговорим за самия флашвър. Какво точно е на първо място?

Анди Там: Този конкретен термин може да не е познат на твърде много от нас. Така че, може би, позволете ми да отделя минутка или така, за да обясня какво е флаш и защо е толкова опасно. Така че flashover е екстремно пожарно събитие. Когато това се случи, почти всички директно изложени горими материали, като [a] диван, матрак, дървен шкаф, дори килими в отделение като [a] хол, спалня или дори кухня могат да бъдат запалени едновременно. И поради това, когато всичко гори наведнъж, температурата на газа в това отделение ще се повиши драстично за много кратък период от време. А температурата обикновено надвишава над 100 градуса С, така че в такава високотемпературна среда, дори когато пожарникарите са напълно оборудвани, оцеляването ще бъде много ниско. И за съжаление, този вид бързо прогресиране на пожара, като например флашхоувър, е основната причина за смъртта и нараняванията на пожарникарите. Така че се надяваме, че ако можем да направим нещо, тогава можем да спасим много животи.

Том Тем: И е трудно да се наблюдават условия, които водят до промяна. И така сте разработили алгоритъм или предсказващ модел. Кажете ни какво сте включили в този модел, кажете ни как работи.

Анди Там: Така че фокусът ни е да разработим модел, който всъщност може да се използва в реалния живот и ще намерим сценарии. Идеята зад него е да се използва информация от противопожарни устройства, като например отчитане на температурата от топлинни детектори в сградата. Има обаче две основни предизвикателства пред този вид реалистично приложение. Първото предизвикателство е, че няма перфектни сензори или топлинни детектори, които да издържат на този вид среда с висока температура. И обикновено топлинният детектор вероятно би спрял да функционира, без да дава надеждни температурни сигнали при около 150 градуса С. Отново трябва да имаме предвид, че потенциалната поява на проблясък обикновено се случва, когато температурата на газа в горния слой достигне около 600 градуса С. Така че това е предизвикателство, с което трябва да се преборим. И второто предизвикателство е, че всъщност нямаме никаква информация за мястото на пожара, какъв предмет изгаря или колко голям е пожарът, а също доста важно е, че не знаем никаква информация за състоянието на отваряне на вратите и прозорци за сградите. Ние обаче вярваме, че ако нашият модел е добре обучен, той трябва да може да разпознае флаш на базата на ограничената информация за температурата от топлинния детектор. Казвайки това, тогава следващото предизвикателство ще бъде – трябва да намерим начин да получим данните.

Том Тем: С други думи, ако топлинният детектор има известно нарастване, преди да спре, и вие екстраполирате от този феномен, това може да даде представа, че това ще стане наистина горещо и ще предизвика проблясък.

Анди Там: Нали.

Том Тем: Добре. И предполагам, че въпросът ми е, колко стаи и домове обикновено имат детектори на топлина на първо място?

Анди Там: Затова нека се съсредоточа върху друг аспект от него, защото всеки дом ще бъде различен. Но когато се опитваме да разработим модел, основан на машинно обучение, е добре известно, че се нуждаем от голямо количество съответни данни. Преди нашия случай това означава, че трябва да изгорим строителна конструкция много, много пъти. И ако се замислим, провеждането на стотици или дори хиляди от този вид мащабен експеримент ще бъде относително трудно. И това, защото ще бъде много трудоемко и скъпо. И също така, няма гаранция, че данните, които получаваме, са 100% полезни. Така че, за да преодолеем този проблем с липсата на данни, ние използваме това, което наричаме обучение чрез синтезен подход. И това означава, че ще направим експеримента в пълен мащаб, виртуално използвайки NIST пожарен модел, наречен CFAST. За тази конкретна разработка на модел ние избираме популярна структура за еднофамилна сграда. И ние провеждаме голям брой цифрови експерименти с широк спектър от пожарни условия от изгаряне на дървен стол до чак до изгаряне на матрак в пълен размер. В нашия експеримент ние също така разглеждаме условията на различните отварящи се врати и прозорци, за да се опитаме да имитираме различни пожарни събития, които се случват в реалния живот, като например врата, отворена поради евакуация, и счупване на прозореца поради висока температурна разлика. Но едно нещо, което бих искал да отбележа тук, е, че сме провели повече от 20 000 различни случая на пожар. Но имаме само около 5000 случая с флаш, които можем да използваме за обучение на нашия модел. Така че, ако трябваше физически да проведем експеримента сами, това ще бъде много трудна работа. Но бяхме много щастливи, че намерихме начин да го преодолеем и да получим синтетични данни за разработката на нашия модел.

Том Тем: Да, предполагам, че това е по-добре от изгарянето на цял квартал, за да го проверите. Говорим с д-р Анди Там. Той е машинен инженер в отдела за изследване на пожари в Националния институт за стандарти и технологии. Добре, така че моделът е проверен с реални и симулирани данни за пожар. Как това работи оперативно? Аз съм пожарен взвод. Отивам до изгарящо ранчо с три спални. Как да разбера, че може да се случи флашшовер?

Анди Там: Така че на първо място, този модел все още е в доказателство за етапа на концепцията. Очакваме обаче такива въпроси. Така че, когато се опитваме да разработим нашите модели, един въпрос, който винаги ще се опитваме да си зададем, е, че тъй като нашият модел се разработва въз основа на синтетични температурни данни, може ли да се вярва, че ще се използва в реални сценарии на пожар. Така че, за да отговорим на тази загриженост, ние тествахме нашия модел спрямо експериментални данни в пълен мащаб, получени от лабораториите на застрахователите със същата сградна структура. Тук бих искал да подчертая, че нашият модел никога не вижда нито един от тези експериментални данни по време на тренировъчния процес. Така [it] е много добра проверка на реалността за нашия модел и вижте дали моделът действително ще работи в реални пожарни условия. Резултатите са много обещаващи и имаме обща точност от около 85%. Те обаче все още са допълнителна работа, която трябва да свършим, за да подобрим работата на модела. Така че през следващите години ще провеждаме наши собствени мащабни експерименти с интеграциите на нашия модел в контролния блок за пожароизвестяване и ще го тестваме срещу реален пожар.

Том Тем: Значи ще построите няколко къщи и ще ги изгорите?

Анди Там: Добре, първо ще отнеме време за построяването на къщата.

Том Тем: Да, но това звучи като забавната част от целия експеримент. И в крайна сметка това би било приложение, което може да съществува по радиото или да каже смарт устройство, което пожарникарят ще носи със себе си на пожар.

Анди Там: Да, предвиждаме, че този модел ще бъде внедрен в сградна конструкция с безжични противопожарни устройства. В сценарий на пожар ние вярваме, че данните за пожар, като например температурата, могат да бъдат данни от, да кажем, топлинни детектори. И тази информация може след това да бъде обработена на местно ниво, за да се предостави действаща информация на нашите пожарникари, като например кога или къде ще има промяна в сградната конструкция. Ние вярваме, че ако пожарникарите могат да разполагат с този вид информация, преди да пристигнат на мястото на пожара, тогава те могат да планират предварително за пожарната атака, както и стратегиите за търсене и спасяване. Трудната част обаче е, че все още не е решен механизмът, който ще се използва за предаване на данните на пожарникаря. Като цяло изследователската работа все още продължава. Но тогава акцентът ще бъде, че самата система трябва да бъде достъпна, не може да бъде от порядъка на хиляди долари и т.н. Освен това трябва да използва само съществуващи търговски устройства. И това, защото вярваме, че безжичните технологии напредват толкова бързо. И се страхуваме, че сме много адаптирани към него. Например аз самият мога да управлявам термостата си далеч от дома. Така че ние вярваме, че в близко бъдеще може да се постигне надеждно предаване на данни. И това е посоката, към която се насочва нашето изследване и се надяваме, че това, което правим в нашата група в NIST, може да спомогне за повишаване на информираността за ситуацията, а също и на пожарната безопасност за нашите пожарникари.

Том Тем: И просто от любопитство, как вие като машинен инженер се включихте в тази сделка за пожарогасене и предотвратяване на пожари?

Анди Там: Това е много добър въпрос. И това, защото ако погледнем назад, този проблем е един от основните проблеми, свързани със смъртните случаи и нараняванията при пожар. Случайно имам опит, а също така извършвах изследователската си работа, използвайки невронна мрежа. И тогава, за да се обърне внимание на този проблем или този проблем в реално време, традиционните методи може да не са твърде приложими, защото извършването на този вид симулация на полета ще отнеме много време. И използването на машинното обучение ще ни помогне да преодолеем това числено затруднение, което означава, че проведохме много обучение, като получихме всички данни предварително и след това измислихме модел на невронна мрежа, а когато го използваме, просто извикваме архитектура на невронната мрежа или математическите формулировки, тогава използваемостта ще бъде много лесна.

Том Тем: Д-р Анди Там е машинен инженер в Отдела за изследване на пожара в Националния институт за стандарти и технологии. Благодаря много, че се присъединихте към мен.

Анди Там: Благодаря ви много, че ме приехте.