在消防中，最严重的火焰是你看不到的火焰。在燃烧的建筑物的混乱中，很难注意到即将发生闪燃的迹象——这是一种致命的火灾现象，房间内几乎所有可燃物品都会突然着火。闪络是消防员死亡的主要原因之一，但新的研究表明，人工智能(AI)可以为急救人员提供急需的提醒。
美国国家标准与技术研究院(NIST)、香港理工大学和其他机构的研究人员开发了一种闪络预测神经网络(FlashNet)模型，可以在致命事件爆发前的几秒钟内预测致命事件。在《人工智能工程应用》上发表的一项新研究中，FlashNet在美国十几个常见住宅平面图中的准确率高达92.1%，并且在与其他基于人工智能的闪络并驾齐驱时名列前茅预测程序。
闪络往往会在大约600摄氏度(1,100华氏度)时突然爆发，然后会导致温度进一步升高。为了预测这些事件，现有的研究工具要么依赖来自燃烧建筑物的恒定温度数据流，要么使用机器学习来填补热探测器因高温而失效的可能事件中的缺失数据。
到目前为止，大多数基于机器学习的预测工具，包括作者之前开发的一种，都经过培训，可以在单一、熟悉的环境中运行。实际上，消防员并没有这样的奢侈。当他们冲入敌对领土时，他们可能对平面图、火灾位置或门是否打开或关闭知之甚少。
NIST机械工程师WaiCheongTam说：“我们以前的模型只需要在一个布局中考虑四到五个房间，但是当布局切换并且您有13或14个房间时，这可能是该模型的噩梦。”新研究的作者。“对于实际应用，我们认为关键是转向适用于许多不同建筑物的通用模型。”
为了应对真实火灾的多变性，研究人员利用图神经网络(GNN)加强了他们的方法，这是一种机器学习算法，擅长根据节点和线图做出判断，代表不同的数据点及其与一个数据点的关系其他。
“GNN经常用于估计到达时间(ETA)，在交通中您可以分析10到50条不同的道路。同时正确利用此类信息非常复杂，所以这就是我们产生使用想法的地方GNN，”香港理工大学研究助理教授、该研究的共同第一作者EugeneYujunFu说。“除了我们的应用程序之外，我们正在查看房间而不是道路，并且正在预测闪络事件而不是交通中的ETA。”
研究人员对17种建筑物中的41,000多起火灾进行了数字模拟，这些建筑物占美国住宅建筑存量的大部分。除了布局之外，火灾的起因、家具的类型以及门窗是否打开或关闭等因素也各不相同。他们为GNN模型提供了一组近25,000个火灾案例作为研究材料，然后提供了16,000个用于微调和最终测试。
在17种家庭中，新模型的准确性取决于它必须咀嚼的数据量以及它试图为消防员提供的准备时间。然而，该模型的准确率——在30秒的前置时间下最多为92.1%——优于其他五种基于机器学习的工具，包括作者之前的模型。至关重要的是，该工具产生了最少的误报，即模型无法预测即将发生的闪络的危险情况。
作者将FlashNet投入到没有关于建筑物细节和内部燃烧的火灾的先验信息的场景中，类似于消防员经常遇到的情况。Tam说，鉴于这些限制，该工具的性能非常有希望。然而，在将FlashNet带入终点线之前，作者还有很长的路要走。作为下一步，他们计划用真实世界而不是模拟的数据对模型进行实战测试。
“为了全面测试我们模型的性能，我们实际上需要构建和烧毁我们自己的结构，并在其中包含一些真正的传感器，”Tam说。“归根结底，如果我们想在真实火灾场景中部署这个模型，这是必须的。”