No combate a incêndios, as piores chamas são aquelas que você não vê chegando. Em meio ao caos de um prédio em chamas, é difícil notar os sinais de flashover iminente - um fenômeno de incêndio mortal em que quase todos os itens combustíveis em uma sala se inflamam repentinamente. O flashover é uma das principais causas de mortes de bombeiros, mas uma nova pesquisa sugere que a inteligência artificial (IA) pode fornecer aos socorristas um aviso muito necessário.
Pesquisadores do Instituto Nacional de Padrões e Tecnologia (NIST), da Universidade Politécnica de Hong Kong e de outras instituições desenvolveram um modelo de Rede Neural de Previsão de Flashover (FlashNet) para prever os eventos letais segundos preciosos antes de entrarem em erupção. Em um novo estudo publicado em Engineering Applications of Artificial Intelligence, O FlashNet ostentava uma precisão de até 92,1% em mais de uma dúzia de plantas residenciais comuns nos EUA e saiu no topo ao enfrentar outros programas de previsão de flashover baseados em IA.

Flashovers tendem a aumentar repentinamente a aproximadamente 600 graus Celsius (1.100 graus Fahrenheit) e podem fazer com que as temperaturas subam ainda mais. Para antecipar esses eventos, as ferramentas de pesquisa existentes dependem de fluxos constantes de dados de temperatura de prédios em chamas ou usam aprendizado de máquina para preencher os dados ausentes no provável evento de os detectores de calor sucumbirem a altas temperaturas.

Até agora, a maioria das ferramentas de previsão baseadas em aprendizado de máquina, incluindo uma desenvolvida anteriormente pelos autores, foi treinada para operar em um ambiente único e familiar. Na realidade, os bombeiros não têm esse luxo. À medida que avançam em território hostil, eles podem saber pouco ou nada sobre a planta baixa, a localização do incêndio ou se as portas estão abertas ou fechadas.

"Nosso modelo anterior só tinha que considerar quatro ou cinco salas em um layout, mas quando o layout muda e você tem 13 ou 14 quartos, pode ser um pesadelo para o modelo", disse o engenheiro mecânico do NIST Wai Cheong Tam, co-primeiro autor do novo estudo. "Para aplicação no mundo real, acreditamos que a chave é mudar para um modelo generalizado que funcione para muitos edifícios diferentes."

Para lidar com a variabilidade de incêndios reais, os pesquisadores reforçaram sua abordagem com redes neurais gráficas (GNN), um tipo de algoritmo de aprendizado de máquina bom para fazer julgamentos com base em gráficos de nós e linhas, representando diferentes pontos de dados e suas relações com um. outro.

"Os GNNs são frequentemente usados ​​para o tempo estimado de chegada, ou ETA, no trânsito onde você pode analisar de 10 a 50 estradas diferentes. É muito complicado fazer uso adequado desse tipo de informação simultaneamente, então foi aí que tivemos a ideia de usar GNNs", disse Eugene Yujun Fu, professor assistente de pesquisa da Universidade Politécnica de Hong Kong e co-autor do estudo. "Exceto pelo nosso aplicativo, estamos analisando quartos em vez de estradas e prevendo eventos de flashover em vez de ETA no trânsito".

Os pesquisadores simularam digitalmente mais de 41.000 incêndios em 17 tipos de edifícios, representando a maioria do estoque de edifícios residenciais dos EUA. Além do layout, fatores como a origem do incêndio, tipos de móveis e se as portas e janelas estavam abertas ou fechadas variaram por toda parte. Eles forneceram ao modelo GNN um conjunto de quase 25.000 casos de incêndio para usar como material de estudo e depois 16.000 para ajuste fino e teste final.

Nos 17 tipos de residências, a precisão do novo modelo dependia da quantidade de dados que ele precisava processar e do tempo de espera que procurava fornecer aos bombeiros. No entanto, a precisão do modelo - na melhor das hipóteses, 92,1% com 30 segundos de tempo de espera - superou cinco outras ferramentas baseadas em aprendizado de máquina, incluindo o modelo anterior dos autores. Criticamente, a ferramenta produziu o mínimo de falsos negativos, casos perigosos em que os modelos não conseguem prever um flashover iminente.

Os autores jogaram o FlashNet em cenários em que não havia informações prévias sobre as especificidades de um edifício e o fogo que queimava dentro dele, semelhante à situação em que os bombeiros costumam se encontrar. Dadas essas restrições, o desempenho da ferramenta foi bastante promissor, disse Tam. No entanto, os autores ainda têm um longo caminho a percorrer antes que possam levar o FlashNet até a linha de chegada. Como próximo passo, eles planejam testar o modelo em batalha com dados do mundo real, em vez de simulados.

“Para testar completamente o desempenho do nosso modelo, precisamos construir e queimar nossas próprias estruturas e incluir alguns sensores reais nelas”, disse Tam. "No final das contas, isso é obrigatório se quisermos implantar esse modelo em cenários reais de incêndio." + Explorar mais

Como a IA pode alertar os bombeiros sobre perigo iminente