P-FlashはA.Iを使用します火事と戦うために
「フラッシュオーバー」と呼ばれる致命的な現象は、部屋の可燃性物質がほぼ同時に発火したときに発生します。消防士の死角であるこのイベントは、利用可能な酸素の量によってのみ制限される炎を生み出します。
P-Flashと呼ばれる新しいツールは、フラッシュオーバーが差し迫っていることを推定します。米国国立標準技術研究所（NIST）の研究者によって構築されたこの技術は、応答者にフラッシュオーバー警告も提供します。
フラッシュオーバーとは何ですか？
フラッシュオーバーは、消防士が事前に検出するのに役立つ警告サインがほとんどないため、特に危険です。ますます激しくなる熱や天井を横切る炎のような一部のフラッシュオーバーインジケーターは、視界が悪く、ストレスの多い救助環境では見逃しがちです。
「消防署には、現場でのフラッシュオーバーを予測する技術的なツールがたくさんあるとは思いません」と、NISTの研究者であるクリストファーブラウン 、ボランティア消防士も務めています。 「私たちの最大のツールは単なる観察であり、それは非常に欺くことができます。物事は外見は一方向に見えますが、中に入ったときはまったく異なる可能性があります。」
フラッシュオーバーの予測モデル（P-Flash）は、隣接する部屋を含む近くの熱感知器のアレイからデータを取得して、火災発生室から温度データを復元し、フラッシュオーバーの可能性を推定します。
P-Flashとは何ですか？
NISTが開発したモデルは、1,000を超えるシミュレートされた火災と12を超える実世界の火災で差し迫ったフラッシュオーバーを予測しました。 人工知能に関するAAAI会議の議事録
レポートによると、150°Cでの熱感知器の故障を考慮すると、現在および将来のフラッシュオーバーの発生について、モデルのパフォーマンスはそれぞれ約83％および81％です。
商業ビルに一般的に設置され、煙警報器と一緒に家で使用できる熱感知器は、ほとんどの場合、600°C（華氏1,100度）よりはるかに低い150°C（華氏302度）までの温度でのみ動作すると予想されます。 ）フラッシュオーバーが通常発生し始める場所。 NISTの研究者は、欠落したデータによって生じたギャップを埋めるために、機械学習と呼ばれる人工知能の形式を適用しました。
「データは失われますが、熱感知器が故障するまでの傾向があり、他の感知器もあります。機械学習を使用すると、そのデータを出発点として使用して、フラッシュオーバーが発生するのか、すでに発生しているのかを推定できます」と、この研究の共著者であるNISTの化学エンジニアであるThomasClearyは述べています。
バーニングダウンザハウス（...事実上）
機械学習アルゴリズムは、大量のデータを使用して結果を予測します。ただし、住宅火災に関する大量の情報を取得するには、デジタル住宅が必要です。つまり、燃えている3ベッドルーム、1階建ての牧場スタイルの家のシミュレーションです。
P-Flashを構築するために、Clearyらは、仮想住宅の熱検出器からアルゴリズムの温度データを供給しました。これは、大多数の州で最も一般的なタイプの住宅です。チームは、NISTの火災と煙の輸送の統合モデルまたはCFAST を使用して、この仮想建物を繰り返し燃焼し、実際には5,041回のシミュレーションを実行しました。 、実際の火災実験によって検証された火災モデリングプログラム。
5,000以上のシミュレーションのそれぞれには、わずかではありますが重大な変動がありました。窓と寝室のドアは、開いたり閉じたりするようにランダムに構成されました。家具が行き来し、動き回った。玄関のドアが開閉しました。
部屋に設置された熱感知器は、強烈な熱によって必然的に無効になるまで、温度データを生成しました。
熱感知器が故障した後のフラッシュオーバーを予測するP-Flashの機能について学ぶために、研究者はシミュレートされた温度記録を分割し、アルゴリズムが4,033のセットから学習できるようにし、他の記録は見えないようにしました。次に、チームは504のシミュレーションでP-Flashをクイズし、推測に基づいてモデルを微調整しました。
研究者は、モデルがシミュレートされた火災の約86％について、1分前にフラッシュオーバーを正しく予測したことを発見しました。チームによると、ミスの多くは誤検知であり、不正確な初期の瞬間にフラッシュを予測しましたが、少なくとも消防士に誤った安心感を与えることはありませんでした。
実際のデータ（および実際の火災）を使用したテスト
さらに、NISTは、予測された温度データを、Underwriters Laboratories（UL）の実験中に意図的に点火された13の実際の住宅火災で測定された温度と比較することにより、P-Flashをさらにテストしました。
UL実験の温度データを使用して、最大30秒前にフラッシュオーバーを予測しようとしたP-Flashは、キッチンやリビングルームなどのオープンエリアで火災が発生したときに良好に機能しました。しかし、密室の寝室で火災が発生したとき、モデルはフラッシュオーバーが差し迫っていることをほとんど知ることができませんでした。
チームは、精度の急激な低下の考えられる説明として、エンクロージャー効果と呼ばれる現象を特定しました。狭い閉鎖されたスペースで火が燃えると、熱を放散する能力がほとんどないため、温度が急速に上昇します。これは、P-Flashの初期のトレーニングデータを提供したオープンラボスペースでの火よりも速くなります。
研究者の次のタスクは、エンクロージャー効果に焦点を当ててシミュレーションで表現する、より本格的な実験を実行することです。改善により、チームは、クラウドを介して建物内の検出器と通信するハンドヘルドデバイスにシステムを組み込み、危険な場所と出かける時間に応答者に通知することを望んでいます。
Tech Briefsへのメールインタビュー NISTのエンジニアであるThomasClearyは、消防士がこのモデルを使用できるようになる時期について詳しく説明しています。 Clearyは、同僚のChristopher Brown、Jonathan Griffin、Andy Tam、AnthonyPutortiと共同で回答しました。
技術概要 ：どのように「仮想の建物を燃やす」のですか？それは非常に興味深い作業のようです。毎回建物の何を変えていますか？そして、それはあなたのモデルにどのように影響しますか？
トーマス・クリアリー： P-Flashのようなモデルは、さまざまな火災シナリオからの大規模なデータセットを使用してトレーニングされます。実際の火災から必要な量のデータを生成することは非現実的であるため、コンピューターの火災モデルを使用します。具体的には、NISTの火災モデルであるCFASTを使用して、モデル化された「仮想」建物の火災をシミュレートします。
固定された建物のレイアウトでは、ゆっくりと成長する火災から超急速に成長する火災まで、さまざまな火災を含め、それらの場所と、実際の火災でもっともらしいものを模倣するための通気口の開口条件（ドアや窓など）を変更します。
フラッシュオーバーが発生する約5000のシミュレートされた火災は、フラッシュオーバー状態を限られた温度情報に関連付けるための有用な傾向とパターンを学習するようにP-Flashをトレーニングするために使用されます。
技術概要 ： このアイデアのきっかけは何ですか？消防士がフラッシュオーバーに対処するのを助けるために利用可能な現在の技術は何ですか？
トーマス・クリアリー： 現在の調査のインスピレーションは、以前の調査から生じています [1] 火災警報制御パネルの状態と煙および熱感知器からの情報を、火災に向かう途中で消防署に送信して、到着前に火災の場所と広がりを把握できるようにすることを調査しています。自然な拡張は、予測を提供するために予測的な方法で検出器からのデータを使用することです。火災シナリオのモンテカルロモデリングで火災モデルCFASTを使用したNISTの他の研究では、機械学習/AIの大規模なデータセットをコンピューターの火災モデリングから容易に取得できることが示唆されました。
現在、消防士は、フラッシュオーバーへの移行の可能性についてのアイデアを得るために、感覚、訓練、またはせいぜいハンドヘルド熱センサーまたは熱画像カメラに依存しています。残念ながら、危険を認識する機会を得るには、フラッシュオーバーに近づいている部屋またはその近くにいる必要があります。
技術概要に関するその他の消防技術
ブログ ：消防士のジャケットでは、セルフパワーの追跡センサーが熱を奪います
ポッドキャスト ：先駆的な「マニー」ロボットの振り返り–消防士の友達
技術概要 ：フラッシュオーバーの課題について消防士から何を聞きましたか？
トーマス・クリアリー： 現在、消防士は、建物構造内のロールオーバー、高熱などのフラッシュオーバーの観察の手がかりと、外部の窓から出る暗い煙を解釈した経験に基づいて、フラッシュオーバーを回避しようとしています。ただし、フラッシュオーバーへの移行は通常数秒以内であり、一般に、フラッシュオーバーインジケーターは簡単に認識できず、見逃した場合、生命を危険にさらすことになります。私たちの仕事が、データ駆動型の消火活動を促進することにより、経験に基づく消火活動を強化することを願っています。
技術概要 ： モデルを使用可能なツールにするにはどうすればよいですか？消防士は今このモデルを使用できますか？
トーマス・クリアリー： 研究の焦点は、利用可能な建物センサーから簡単に提供できる、または簡単に提供できる建物データに依存することでした。研究を現実に変換する1つの方法は、設置された熱検出器から温度データを収集し、データを処理してリアルタイムの予測を行うことができるコンピューターモジュールを含むスマート火災警報制御パネルにモデルを統合することです。火災警報制御盤またはその他の適切な機器から、予測はインシデントコマンダー、または適切と見なされる場合は個々の消防士に送信されます。このような予測分析を提供する正確なメカニズムは決定されておらず、コンセンサスを作成するには消防署からの入力が必要になります。
現在、消防士はこのモデルを使用できません。モデルを開発してスマート火災警報制御パネルに組み込む前に、熱感知器を使用した火災テストを構築する際に、モデルのパフォーマンス（リアルタイム予測）を検証する必要があると感じています。
技術概要 ： この作業の次は何ですか？
トーマス・クリアリー： 現在、さまざまな建物のレイアウトで機能するようにP-Flashを拡張しています。来年かそこらで、建物の火災実験のデモンストレーションを計画しており、モデルの機能について防火（警報）機器メーカーとの連携を開始しました。
どう思いますか？以下で質問やコメントを共有してください。
[1] Reneke、P. A.（2013）。スマートファイヤーパネルに向けて
センサー