2022-08-10 アメリカ国立標準技術研究所(NIST)
A view from NIST’s Burn Observation Bubble (BOB) of a burning structure during an experiment, one minute before flashover. Credit: NIST
新しい研究では、米国で一般的な十数件の住宅の間取りでFlashNetは最大92.1%の精度を誇り、他のAIベースのフラッシュオーバー予測プログラムと対決した結果、トップに立った。
研究者たちは、米国の住宅建築の大部分を占める17種類の建物で、41,000件以上の火災をデジタルシミュレーションしました。間取りだけでなく、出火元、家具の種類、ドアや窓の開閉状況など、さまざまな要素を考慮した。GNNモデルには、学習用として約25,000件の火災事例が提供され、その後、微調整と最終テスト用に16,000件の火災事例が提供されました。
17種類の住宅で、新しいモデルの精度は、消化しなければならないデータ量と消防士に提供しようとするリードタイムに左右されました。しかし，このモデルの精度（リードタイムが30秒の場合，最高で92.1%）は，著者の以前のモデルを含む他の5つの機械学習ベースのツールを上回った。重要なのは、このツールは偽陰性（モデルが切迫したフラッシュオーバーの予測に失敗する危険なケース）を最も少なくした点です。
＜関連情報＞
- https://www.nist.gov/news-events/news/2022/08/ai-may-come-rescue-future-firefighters
- https://www.sciencedirect.com/science/article/abs/pii/S0952197622003220
任意の建物間取りにおけるフラッシュオーバー予測のための空間時間グラフニューラルネットワークモデル A spatial temporal graph neural network model for predicting flashover in arbitrary building floorplans
Wai CheongTam,Eugene Yujun Fu,Jiajia Li,Xinyan Huang,Jian Chen,Michael Xuelin Huang
Engineering Applications of Artificial Intelligence Available online :6 August 2022
DOI:https://doi.org/10.1016/j.engappai.2022.105258
Abstract
Rapid fire progression, such as flashover, has been one of the leading causes for firefighter deaths and injuries in residential building environments. Due to long computational time of and the required prior knowledge about the fire scene, existing models cannot be used to predict the potential occurrence of flashover in practical firefighting applications. In this paper, a scene-agnostic model (FlashNet) is proposed to predict flashover based on limited heat detector temperature information up to 150 °C. FlashNet utilizes spatial temporal graph convolutional neural networks to effectively learn features from the limited temperature information and to tackle building structure variations. The proposed model is benchmarked against five different state-of-the-art flashover prediction models. Results show that FlashNet outperforms the existing flashover prediction models and it can reliably predict flashover 30 s preceding its occurrence with an overall accuracy of about 92.1%. Ablation study is carried out to examine the effectiveness of different key model components and geometric average adjacency matrix. The research outcomes from this study are expected to enhance firefighters’ situational awareness in the fire scene, protecting them from hazardous fire environments and to pave the way for the development of data-driven prediction systems.
