这段时间，天气异常炎热干燥，也是火灾多发的时期。近期，一些火灾事件接二连三发生，消防员牺牲的消息令人痛心。火灾中对消防员最大的威胁实际上是爆燃。短短两天时间，就发生了两起消防员因爆燃身亡的事故。这种爆燃现象往往是由于室内火灾燃烧形成的充满室内各个房间的可燃气体和未完全燃烧的气体在建筑物内部达到一定浓度时形成的爆燃。这时，房间内其他房间内未接触火源的可燃物也一起被点燃并一起燃烧，即“轰”的一声，房间内的可燃物全部被点燃，所以整个过程也是称为“闪络”。正是因为“闪络”的不可预测性，才显得如此危险。本周，一项研究使用图神经网络(GNN)构建了一个系统，以学习模拟火灾中不同数据源（表示为节点和边）之间的关系，以提前预测未来30秒内是否会发生火灾.发生“闪络”。这项研究有望帮助消防员确定室内结构是否可能发生“闪络”，从而挽救生命。论文发表于《人工智能工程应用》。论文地址：https://www.nist.gov/news-events/news/2022/08/ai-may-come-rescue-future-firefighters预测30秒内“闪燃”，准确率92.1%。据称，消防员要根据自己的经验判断是否会发生这样的“闪络”：1、产生灼伤人皮肤的辐射热，几秒钟后辐射热强度可达10kw/m²。2、室内热气流让人无法坚持，室内对流温度接近450℃。3、门很热，木质部分平均温度超过320℃。4、从门里窜出的火舌几乎直抵天花板，大量的辐射热从天花板反射到室内的可燃物上。5、烟气下降至距地面1m左右，空气中的热层占据上层空气，带动热分解产物下降。为了更好地帮助消防员预测轰燃，研究人员收集了各种数据，包括建筑布局、表面材料、火灾条件、通风配置、烟雾探测器位置和室温分布，模拟了17种不同建筑类型的41,000场虚拟火灾，共使用了25,000个火灾案例来训练模型，其余16,000个案例用于微调和测试。在17个不同的家庭中，新模型的准确性取决于它必须处理的数据量以及它希望为消防员提供的准备时间。最终，该模型的准确度（领先30秒的最佳92.1%）超过了其他五种基于机器学习的工具，包括项目团队自己以前的模型，重要的是，该工具产生的假阴性最少，模型无法预测危险情况下的“闪络”。这个名为FlashNet的模型将FlashNet置于FlashNet事先不了解建筑物及其内部火灾细节的场景中，类似于消防员经常遇到的情况。“鉴于这些限制，该工具的性能非常有前途，”该论文的作者Tam说。然而，在带领FlashNet冲过终点线之前，作者还有很长的路要走。下一步，他们计划使用真实数据而不是模拟数据对模型进行实战测试。从四到五个房间，到十几个房间，闪络一般倾向于在大约600摄氏度（1,100华氏度）时爆发，然后会导致温度进一步升高。以前的预测工具要么依赖于燃烧建筑物的恒温数据流，要么使用机器学习来填补热探测器可能因高温而丢失的数据。迄今为止，大多数基于机器学习的预测工具，包括作者之前开发的工具，都经过培训可以在单一、熟悉的环境中运行。但在现实中，消防员面临着极其复杂的环境。当他们冲进火区时，他们可能对现场情况、着火点在哪里、门是开着还是关着都一无所知。“我们以前的模型只需要考虑建筑布局中的四个或五个房间，但当建筑布局发生变化并且你有13到14个房间时，建模可能是一场噩梦，”Tam说。“对于现实世界的应用，我们认为关键是建立一个可以应用于许多不同建筑的通用模型。”GNN作为一种机器学习算法，擅长根据节点和线的图形进行判断，可以表示不同的数据点及其相互关系。之间的关系，非常适合这样的任务。“GNN通常用于估计交通中的到达时间或ETA，你可以[使用GNN]分析10到50条不同的道路。同时充分利用这种信息非常复杂，所以我们有了使用GNN的想法，”该论文的作者、香港理工大学的研究助理教授YujunFu说。除了美国国家标准技术研究院（NIST）、谷歌和香港理工大学外，中国石油大学也参与了这项研究。相关报道：https://www.theregister.com/2022/08/14/ai_firefighter_prediction/https://www.sciencedirect.com/science/article/abs/pii/S0952197622003220https://baike.baidu.com/item/%E8%BD%B0%E7%87%83/1869756?fr=阿拉丁#2
