Istraživanje University of Waterloo upozorava da energetski efikasni i zapečaćeni domovi mogu ubrzati nastanak opasnih faza požara jer kiseonik brzo pada, a toksični gasovi rastu. Tim je izveo 15 eksperimenata koristeći do 175 senzora i kombinaciju PCA, K-means i sPLS metoda kako bi razložio požare na faze i identifikovao ključne gasove (npr. VOC rano, HCN pri podventiliranju). Pristup može omogućiti pametne evakuacione sisteme, bolje provere senzora i unapređenje propisa i taktika gašenja.
AI Otkriva Opasne Faze Požara U Savremenim Domovima — Pametni Senzori Za Bezbedniju Evakuaciju
University of Waterloo researchers are using AI, sensors and data science to decode modern house fires and improve evacuation safety. (CREDIT: Shutterstock)
Savremeni, energetski efikasni domovi i moderni materijali nameštaja menjaju dinamiku požara: zatvoreni prostor smanjuje dotok kiseonika dok dim i toksični gasovi brzo rastu. Nova istraživanja sa University of Waterloo pokazuju kako kombinacija velikog broja senzora, mašinskog učenja i matematičke analize može jasno razložiti požare u faze i identifikovati koji gasovi su najopasniji u svakom trenutku.
Burn house (a) instrumentation locations and floor plan (b) fire room setup. (CREDIT: Fire Safety Journal)
Kako je istraživanje sprovedeno
Istraživači su izveli 15 eksperimentalnih požara u kući za sagorevanje na kampusu. U eksperimentima je korišćeno do 175 senzora raspoređenih po prostorijama koji su beležili temperaturu, protok vazduha, vlažnost, brzinu sagorevanja i koncentracije brojnih gasova. Pojedinačna grupa senzora, uzorkovana četiri puta u sekundi, proizvela je milione tačaka podataka, stvarajući dataset prevelik za ručnu analizu.
GIS labelled sensor face. (CREDIT: Fire Safety Journal)
Analiza podataka i ključne metode
Tim je razvio okvir koji kombinuje mašinsko učenje i statističke tehnike kako bi izvukao smislene obrasce iz velike količine podataka. Glavne metode su bile:
MLR of fuel overlayed with fire room O2 time series. (CREDIT: Fire Safety Journal)
- PCA (Principal Component Analysis) — za smanjenje dimenzionalnosti i otkrivanje neispravnih senzora;
- K-means clustering — za podelu požara na jasno definisane faze (upaljenje, rast, vršni intenzitet, raspad);
- Sparse Partial Least Squares (sPLS) — za identifikaciju gasova koji najbolje predviđaju brzinu sagorevanja u svakoj fazi.
Ovaj pristup pretvara složene merenja u jasnu vremensku liniju događaja i omogućava automatsko otkrivanje kritičnih prelaza, poput početka podventiliranja (nedostatka kiseonika).
PCA plot using all gas measurements with MLR as magnitude. (CREDIT: Fire Safety Journal)
Najvažnija zapažanja iz eksperimenata
Analiza je otkrila da različiti gasovi imaju različitu prediktivnu važnost u toku požara: u ranoj fazi isparljiva organska jedinjenja (VOC) snažno predviđaju brzinu sagorevanja, dok se u fazi podventiliranja kao ključan signal pojavljuje vodonik cijanid (HCN) — izuzetno otrovan gas koji nastaje pri nepotpunom sagorevanju. Tokom faze raspada VOC ponovo dobijaju veću težinu, a menjaju se i gasovi na bazi azota kako opada i kasnije raste nivo kiseonika.
Jedan detaljan test obavljen je u zapečaćenoj dvospratnoj čeličnoj konstrukciji opterećenoj kaučem od 75 kg (bez dodatnih retardatora plamena) i drugim nameštajem. Kauč je dostigao vršni gubitak mase od ~0,122 kg/s oko 375 sekundi nakon paljenja, a sagorevanje je prestalo otprilike oko 750 sekundi. Na jednom senzoru koncentracija kiseonika pala je na 2,5% do 420 sekundi, što jasno pokazuje opasnost od podventiliranja.
Pouke za tehnologiju i praksu
Okvir koji su razvili istraživači ne služi samo za predviđanje faza požara, već i za poboljšanje pouzdanosti sistema: pomoću PCA i drugih tehnika otkriven je CO2 senzor koji je prekoračio svoj radni opseg i prestao da daje verodostojne vrednosti. Takve greške mogu dovesti do pogrešnih odluka ako se oslanjamo na pojedinačne senzore.
U praksi, ova saznanja mogu omogućiti:
- Pametne sisteme evakuacije koji u realnom vremenu procenjuju bezbednost ruta i upozoravaju na toksične nivoe pre nego što su oni vidljivi ili opipljivi;
- Napredniju proveru i kalibraciju senzora kako bi sistemi bili robusniji protiv kvarova;
- Poboljšane smernice za projektovanje zgrada i preporuke za građevinske propise koji uzimaju u obzir interakciju ventilacije, materijala i toksičnih gasova;
- Informacije za vatrogasne taktike koje ukazuju kada požar prelazi u opasniju, toksičniju fazu.
Zaključak
Iako će za praktičnu primenu biti potrebno testiranje u složenijim scenarijima (promene ventilacije, raznovrsniji materijali, veće mreže senzora), istraživanje sa University of Waterloo jasno pokazuje da AI i velike mreže senzora mogu značajno unaprediti razumevanje modernih unutrašnjih požara. Brže i preciznije čitanje promena u gasovima i ventilaciji može spasiti živote — posebno u dobro zaptivenim, energetski efikasnim domovima gde dim i otrovi mogu postati smrtonosni pre plamena.
Osnovni rezultati objavljeni su u časopisu Fire Safety Journal. Originalna priča objavljena je u The Brighter Side of News.
Pomozite nam da budemo bolji.
