En la extinción de incendios, las peores llamas son las que no ves venir. En medio del caos de un edificio en llamas, es difícil notar las señales de un inminente flashover, un fenómeno de incendio mortal en el que casi todos los elementos combustibles de una habitación se encienden repentinamente. Flashover es una de las principales causas de muerte de bomberos, pero una nueva investigación sugiere que la inteligencia artificial (IA) podría proporcionar a los socorristas un aviso muy necesario.

Investigadores del Instituto Nacional de Estándares y Tecnología (NIST), la Universidad Politécnica de Hong Kong y otras instituciones han desarrollado un modelo de red neuronal de predicción de flashover (FlashNet) para pronosticar los eventos letales preciosos segundos antes de que estallen. En un nuevo estudio publicado en Engineering Applications of Artificial Intelligence, FlashNet se jactó de una precisión de hasta el 92,1 % en más de una docena de planos residenciales comunes en los EE. UU. y se destacó cuando se enfrentó cara a cara con otros programas de predicción de flashover basados ​​en IA.

Los flashovers tienden a estallar repentinamente a aproximadamente 600 grados Celsius (1,100 grados Fahrenheit) y luego pueden hacer que las temperaturas se disparen aún más. Para anticipar estos eventos, las herramientas de investigación existentes se basan en flujos constantes de datos de temperatura de edificios en llamas o utilizan el aprendizaje automático para completar los datos faltantes en el caso probable de que los detectores de calor sucumban a las altas temperaturas.

Hasta ahora, la mayoría de las herramientas de predicción basadas en el aprendizaje automático, incluida una que los autores desarrollaron anteriormente, han sido entrenadas para operar en un solo entorno familiar. En realidad, los bomberos no se dan ese lujo. A medida que cargan en territorio hostil, es posible que sepan poco o nada sobre el plano del piso, la ubicación del fuego o si las puertas están abiertas o cerradas.

"Nuestro modelo anterior solo tenía que considerar cuatro o cinco habitaciones en un diseño, pero cuando el diseño cambia y tienes 13 o 14 habitaciones, puede ser una pesadilla para el modelo", dijo el ingeniero mecánico del NIST Wai Cheong Tam, co-primer autor del nuevo estudio. "Para la aplicación en el mundo real, creemos que la clave es pasar a un modelo generalizado que funcione para muchos edificios diferentes".

Para hacer frente a la variabilidad de los incendios reales, los investigadores reforzaron su enfoque con redes neuronales gráficas (GNN), una especie de algoritmo de aprendizaje automático bueno para emitir juicios basados ​​en gráficos de nodos y líneas, que representan diferentes puntos de datos y sus relaciones con uno. otro.

"Los GNN se usan con frecuencia para la hora estimada de llegada, o ETA, en el tráfico donde se pueden analizar de 10 a 50 carreteras diferentes. Es muy complicado hacer un uso adecuado de ese tipo de información simultáneamente, así que de ahí surgió la idea de usar GNN", dijo Eugene Yujun Fu, profesor asistente de investigación en la Universidad Politécnica de Hong Kong y coautor del estudio. "A excepción de nuestra aplicación, buscamos habitaciones en lugar de carreteras y predecimos eventos de flashover en lugar de ETA en el tráfico".

Los investigadores simularon digitalmente más de 41 000 incendios en 17 tipos de edificios, lo que representa la mayoría del parque de edificios residenciales de EE. UU. Además del diseño, factores como el origen del fuego, los tipos de muebles y si las puertas y ventanas estaban abiertas o cerradas variaron en todo momento. Proporcionaron al modelo GNN un conjunto de casi 25 000 casos de incendio para usar como material de estudio y luego 16 000 para el ajuste fino y la prueba final.

En los 17 tipos de hogares, la precisión del nuevo modelo dependía de la cantidad de datos que tenía que analizar y del tiempo de espera que buscaba proporcionar a los bomberos. Sin embargo, la precisión del modelo (en el mejor de los casos, 92,1 % con 30 segundos de tiempo de anticipación) superó a otras cinco herramientas basadas en aprendizaje automático, incluido el modelo anterior de los autores. Fundamentalmente, la herramienta produjo la menor cantidad de falsos negativos, casos peligrosos en los que los modelos no logran predecir un flashover inminente.

Los autores lanzaron FlashNet en escenarios en los que no tenía información previa sobre los detalles de un edificio y el fuego que ardía en su interior, similar a la situación en la que a menudo se encuentran los bomberos. Dadas esas limitaciones, el rendimiento de la herramienta fue bastante prometedor, dijo Tam. Sin embargo, los autores aún tienen mucho camino por recorrer antes de que puedan llevar a FlashNet al otro lado de la línea de meta. Como siguiente paso, planean probar el modelo en batalla con datos del mundo real, en lugar de datos simulados.

"Para probar completamente el rendimiento de nuestro modelo, en realidad necesitamos construir y quemar nuestras propias estructuras e incluir algunos sensores reales en ellas", dijo Tam. "Al final del día, eso es imprescindible si queremos implementar este modelo en escenarios de incendios reales". + Explora más

Cómo la IA podría alertar a los bomberos de un peligro inminente