Outil IA P-Flash prédit le flashover, améliore la sécurité des pompiers

Un phénomène mortel connu sous le nom de « flashover » (embrasement généralisé) se produit lorsque des matériaux inflammables dans une pièce s'enflamment presque simultanément. Un angle mort pour les pompiers, l'événement produit un incendie limité uniquement par la quantité d'oxygène disponible.

Un nouvel outil — appelé P-Flash — estime quand le flashover est imminent. La technologie, développée par des chercheurs du National Institute of Standards and Technology (NIST), fournit aussi des avertissements de flashover aux intervenants.

Qu'est-ce qu'un Flashover ?

Les flashovers sont particulièrement dangereux car il y a peu de signes avant-coureurs pour aider les pompiers à les détecter à l'avance. Certains indicateurs, comme une chaleur de plus en plus intense ou des flammes roulant au plafond, sont faciles à manquer dans l'environnement à faible visibilité et à haut stress d'un sauvetage.

« Je ne pense pas que les services d'incendie aient beaucoup d'outils technologiques qui prédisent le flashover sur scène », a déclaré le chercheur du NIST Christopher Brown , qui est aussi pompier volontaire. « Notre plus grand outil est juste l'observation, et cela peut être très trompeur. Les choses semblent d'une façon à l'extérieur, et quand vous entrez à l'intérieur, cela peut être très différent. »

Le Modèle de Prédiction pour Flashover, ou P-Flash, récupère les données d'un réseau de détecteurs de chaleur à proximité, y compris ceux dans les pièces adjacentes, pour récupérer les données de température de la pièce d'origine du feu et estimer le potentiel de flashover.

Qu'est-ce que P-Flash ?

Le modèle développé par le NIST a prédit des flashovers imminents dans plus de mille feux simulés et plus d'une douzaine de feux réels. L'évaluation expérimentale, publiée récemment dans les Proceedings of the AAAI Conference on Artificial Intelligence , suggère que le modèle montre une prédiction fiable dans l'anticipation des flashovers simulés.

Selon le rapport, la performance du modèle est d'environ 83 % et 81 %, respectivement, pour l'occurrence de flashover actuel et futur, en considérant une défaillance du détecteur de chaleur à 150 °C.

Les détecteurs de chaleur, couramment installés dans les bâtiments commerciaux et utilisables dans les foyers aux côtés des détecteurs de fumée, sont pour la plupart conçus pour fonctionner seulement jusqu'à 150 °C (302 °F), bien en dessous des 600 °C (1 100 °F) où un flashover commence généralement. Pour combler le fossé créé par les données manquantes, les chercheurs du NIST ont appliqué une forme d'intelligence artificielle connue sous le nom d'apprentissage automatique.

« Vous perdez les données, mais vous avez la tendance jusqu'à où le détecteur de chaleur échoue, et vous avez d'autres détecteurs. Avec l'apprentissage automatique, vous pourriez utiliser ces données comme point de départ pour extrapoler si le flashover va se produire ou s'est déjà produit », a déclaré l'ingénieur chimiste du NIST Thomas Cleary, co-auteur de l'étude.

Brûler la maison (...virtuellement)

Les algorithmes d'apprentissage automatique utilisent de grandes quantités de données pour prédire les résultats. Pour obtenir une grande quantité d'informations sur les incendies domestiques, cependant, il faut une habitation numérique : une simulation d'une maison de plain-pied de trois chambres à coucher qui brûle.

Pour construire P-Flash, Cleary et ses collègues ont alimenté leur algorithme avec des données de température de détecteurs de chaleur de la maison virtuelle — le type de maison le plus courant dans la majorité des États. L'équipe a brûlé ce bâtiment virtuel à plusieurs reprises — exécutant 5 041 simulations, en fait — en utilisant le Consolidated Model of Fire and Smoke Transport (CFAST) du NIST , un programme de modélisation d'incendie validé par de vraies expériences de feu.

Chacune des 5 000+ simulations avait des variations légères mais critiques. Fenêtres et portes de chambres étaient aléatoirement configurées ouvertes ou fermées. Le mobilier allait et venait, et bougeait. La porte d'entrée s'ouvrait et se fermait.

Les détecteurs de chaleur placés dans les pièces produisaient des données de température jusqu'à ce qu'ils soient inévitablement désactivés par la chaleur intense.

Pour apprendre la capacité de P-Flash à prédire les flashovers après la défaillance des détecteurs de chaleur, les chercheurs ont divisé les enregistrements de température simulés, permettant à l'algorithme d'apprendre d'un ensemble de 4 033 tout en gardant les autres hors de vue. Ensuite, l'équipe a testé P-Flash sur 504 simulations, ajustant le modèle en fonction de ses prédictions.

Les chercheurs ont découvert que le modèle prédisait correctement les flashovers une minute à l'avance pour environ 86 % des feux simulés. Beaucoup des erreurs, selon l'équipe, étaient des faux positifs, qui prédisaient le flashover à un moment inexactement précoce mais au moins ne donnaient pas aux pompiers un faux sentiment de sécurité.

Tests avec des données réelles (et de vrais feux)

De plus, le NIST a testé P-Flash plus loin en comparant ses données de température prédites aux températures mesurées dans 13 vrais feux de maison, allumés intentionnellement lors d'expériences d'Underwriters Laboratories (UL).

Avec les données de température des expériences UL, P-Flash, tentant de prédire les flashovers jusqu'à 30 secondes à l'avance, a bien performé quand les feux commençaient dans des zones ouvertes comme la cuisine ou le salon. Quand les feux commençaient dans une chambre, derrière des portes fermées, cependant, le modèle pouvait presque jamais dire quand le flashover était imminent.

L'équipe a identifié un phénomène appelé l'effet d'enceinte comme explication possible de la chute brutale de précision. Quand les feux brûlent dans de petits espaces fermés, la chaleur a peu de capacité à se dissiper, donc la température monte rapidement — plus rapidement que dans les espaces ouverts du laboratoire qui ont fourni les données d'entraînement initiales de P-Flash.

La prochaine tâche des chercheurs est de réaliser plus d'expériences à grande échelle qui ciblent l'effet d'enceinte et le représentent dans les simulations. Avec des améliorations, l'équipe espère intégrer le système dans des appareils portables qui communiquent avec les détecteurs dans un bâtiment via le cloud, notifiant les intervenants des zones de danger et quand il est temps de sortir.

Dans une interview par email avec Tech Briefs, l'ingénieur du NIST Thomas Cleary explique plus sur quand il s'attend à ce que les pompiers puissent utiliser le modèle. Cleary a répondu en collaboration avec ses collègues Christopher Brown, Jonathan Griffin, Andy Tam et Anthony Putorti.

Tech Briefs : Comment « brûlez-vous un bâtiment virtuel » ? Cela semble une tâche très intéressante. Qu'est-ce que vous changez sur le bâtiment à chaque fois ? Et comment cela informe votre modèle ?

Thomas Cleary : Un modèle comme P-Flash est entraîné en utilisant de grands ensembles de données provenant d'une gamme de scénarios d'incendie. Il est irréaliste de générer la quantité nécessaire de données à partir de vrais feux, donc nous utilisons des modèles informatiques d'incendie. Spécifiquement, le modèle d'incendie du NIST, CFAST, est utilisé pour simuler des feux dans un bâtiment « virtuel » modélisé.

Pour une disposition de bâtiment fixe, nous incluons une large gamme de feux, de lents à ultra-rapides, et varions leurs emplacements, et les conditions d'ouverture des issues (portes et fenêtres) pour imiter ce qui est plausible dans les vrais feux.

Environ 5000 feux simulés avec occurrence de flashover sont utilisés pour entraîner P-Flash de manière à ce qu'il apprenne les tendances et motifs utiles pour correler les conditions de flashover à l'information de température limitée.

Tech Briefs : Qu'est-ce qui a inspiré cette idée ? Quelle est la technologie actuelle disponible pour aider un pompier à faire face au flashover ?

Thomas Cleary : L'inspiration de notre recherche actuelle vient de recherches précédentes ^[1] étudiant l'envoi de l'état du panneau de contrôle d'alarme incendie et des informations des détecteurs de fumée et de chaleur, aux services d'incendie en route vers un feu pour qu'ils aient une idée de la localisation et de la propagation du feu avant l'arrivée. Une extension naturelle est d'utiliser les données des détecteurs de manière prédictive pour fournir des prévisions. D'autres recherches au NIST utilisant le modèle d'incendie CFAST dans la modélisation Monte Carlo de scénarios d'incendie suggéraient que les grands ensembles de données pour l'apprentissage automatique/IA sont facilement atteignables par la modélisation informatique d'incendie.

Actuellement, les pompiers comptent sur leurs sens, leur formation, ou au mieux des capteurs thermiques portables ou des caméras thermiques pour avoir une idée de la transition possible vers le flashover. Malheureusement, il faudrait être dans ou près d'une pièce qui approche du flashover pour avoir une chance de reconnaître le danger.

Plus de technologie lutte contre l'incendie sur Tech Briefs

Blog : Sur la veste d'un pompier, un capteur de suivi auto-alimenté supporte la chaleur

Podcast : Regard en arrière sur le pionnier robot « Manny » – L'ami des pompiers

Tech Briefs : Qu'avez-vous entendu des pompiers sur leurs défis avec le flashover ?

Thomas Cleary : Actuellement, les pompiers essaient d'éviter le flashover basé sur leur expérience d'interprétation des indices observationnels de flashover, comme le rollover, la chaleur élevée, etc., dans la structure du bâtiment et la fumée noire sortant des fenêtres extérieures. Cependant, la transition vers le flashover se produit typiquement en quelques secondes et, en général, les indicateurs de flashover ne sont pas faciles à reconnaître et s'ils sont manqués, mettraient des vies en danger. Nous espérons que notre travail améliorera la lutte contre l'incendie basée sur l'expérience en facilitant la lutte contre l'incendie basée sur les données.

Tech Briefs : Comment transformez-vous le modèle en outil utilisable ? Les pompiers peuvent-ils utiliser ce modèle maintenant ?

Thomas Cleary : L'objectif de la recherche était de s'appuyer sur des données de bâtiment qui sont ou pourraient facilement être fournies par des capteurs de bâtiment disponibles. Une façon de traduire la recherche en réalité est d'intégrer le modèle dans un panneau de contrôle d'alarme incendie intelligent qui rassemblerait les données de température des détecteurs de chaleur installés et inclurait un module informatique qui peut traiter les données et faire les prédictions en temps réel. Du panneau de contrôle d'alarme incendie ou autre équipement approprié, la prédiction serait envoyée au commandant d'intervention, ou aux pompiers individuels si jugé approprié. Le mécanisme exact de fourniture de telles analyses prédictives n'est pas décidé et nécessiterait l'avis des services d'incendie pour développer un consensus.

Les pompiers ne peuvent pas utiliser le modèle maintenant. Avant que le modèle puisse être développé et incorporé dans un panneau de contrôle d'alarme incendie intelligent, nous pensons qu'il faut vérifier la performance du modèle (prédiction en temps réel) dans des tests d'incendie de bâtiment avec détecteurs de chaleur.

Tech Briefs : Quelle est la suite pour ce travail ?

Thomas Cleary : Nous étendons actuellement P-Flash pour fonctionner avec différentes dispositions de bâtiments. Dans l'année ou les deux prochaines, nous planifions des démonstrations pour des expériences d'incendie de bâtiment, et avons commencé à nous engager avec des fabricants d'équipements de sécurité incendie (alarme) sur les capacités du modèle.

Qu'en pensez-vous ? Partagez vos questions et commentaires ci-dessous.

[1] Reneke, P. A. (2013). Towards Smart Fire Panels . NIST TN 1780. US Department of Commerce, National Institute of Standards and Technology, MD.