Một nghiên cứu mới đây đã áp dụng trí tuệ nhân tạo để dự báo các dấu hiệu sắp xảy ra cháy lan, một trong những nguyên nhân hàng đầu gây ra cái chết của lính cứu hỏa.
Tác giả của nghiên cứu là các nhà khoa học tại Viện Tiêu chuẩn và Kỹ thuật Quốc gia (NIST), Đại học Bách khoa Hồng Kông cùng một số viện khác.
Giữa sự hỗn loạn của một tòa nhà đang cháy, rất khó để nhận ra dấu hiệu sắp xảy ra cháy lan, khi hầu như mọi vật dụng trong phòng đột ngột bốc cháy. Lửa gây cháy lan thường bùng lên bất ngờ khi nhiệt độ lên đến khoảng 600°C và còn tiếp tục tăng. Để lường trước những sự kiện này, các công cụ nghiên cứu hiện nay thường dựa vào luồng dữ liệu liên tục về nhiệt độ từ các tòa nhà đang cháy, hoặc sử dụng học máy để thêm vào những số liệu bị thiếu trong trường hợp máy đo bị nhiệt độ cao làm hỏng.
Cho đến nay, hầu hết các công cụ dự đoán dựa vào học máy, gồm cả công cụ do các nhà nghiên cứu FlashNet phát triển trước đây, đều được đào tạo để vận hành trong một môi trường quen thuộc duy nhất. Trên thực tế, lính cứu hỏa không có được điều kiện xa xỉ như vậy. Khi xông vào khu vực nguy hiểm, họ gần như không biết gì về sơ đồ mặt bằng, vị trí ngọn lửa hay việc cửa đóng hay mở.
Mô hình trước đây của nhóm nghiên cứu chỉ xét đến thiết kế với 4 hoặc 5 phòng trên mộtmặt sàn. Nhưng khi thiết kế thay đổi và có đến 13 hay 14 phòng thì mô hình không tính toán kịp. Nhóm nghiên cứu cho rằng giải pháp nằm ở việc tiến tới một mô hình khái quát, có thể áp dụng cho nhiều kiểu tòa nhà khác nhau.
Để xử lý sự biến thiên của các vụ cháy trong thực tế, các nhà nghiên cứu đã đưa thêm vào mạng nơ ron đồ thị (GNN), vốn thường được dùng để dự kiến thời gian đến (ETA) trong giao thông, khi phải
phân tích từ 10 đến 50 tuyến đường khác nhau. Tuy nhiên, trong nghiên cứu này, thay vì phân tích các tuyến đường để dự kiến ETA trong giao thông thì nhóm nghiên cứu phân tích các phòng để dự
đoán các sự kiện bùng lửa.
Nhóm nghiên cứu mô phỏng số hơn 41.000 vụ cháy trong 17 kiểu tòa nhà, đại diện cho phần lớn các kiểu nhà tại Mỹ. Ngoài ra, còn các biến số khác như điểm phát hỏa, loại nội thất, cửa ra vào và cửa sổ đóng hay mở. Họ cung cấp cho mô hình GNN một bộ dữ liệu gần 25.000 vụ cháy làm tài liệu học, và 16.000 trường hợp khác để tinh chỉnh và kiểm thử lần cuối.
Với 17 kiểu tòa nhà, độ chính xác của mô hình phụ thuộc vào lượng dữ liệu và thời gian xử lý. Nhưng nhìn chung, độ chính xác cao nhất là 92,1% trong vòng 30 giây, vượt qua 5 công cụ học máy khác có chức năng tương tự. Quan trọng là công cụ này tạo ra ít dự đoán âm tính sai nhất, tức là khi mô hình không dự đoán được sự kiện bùng lửa sắp xảy ra.
Các nhà nghiên cứu đã ứng dụng FlashNet vào những tình huống không có thông tin trước về chi tiết tòa nhà và về ngọn lửa đang cháy ở trong, tương tự tình cảnh lính cứu hỏa thường gặp. Ngay cả với điều kiện ràng buộc như vậy, kết quả vẫn khá khả quan. Tuy nhiên, còn nhiều việc phải làm để hoàn thiện FlashNet. Bước tiếp theo gồm kiểm tra mô hình với dữ liệu thực tế thay vì dữ liệu mô phỏng. Nhóm nghiên cứu có kế hoạch dựng các cấu trúc để đốt và đo đạc bằng các máy cảm biến thật đặt trong đó.
Nghiên cứu được công bố trên tạp chí Engineering Applications of Artificial Intelligence.
Nguồn: