AI预测30秒内火灾「轰燃」,准确率92.1%,未来或可帮助拯救消防员生命
学习科技周边要努力,但是不要急!今天的这篇文章《AI预测30秒内火灾「轰燃」,准确率92.1%,未来或可帮助拯救消防员生命》将会介绍到等等知识点,如果你想深入学习科技周边,可以关注我!我会持续更新相关文章的,希望对大家都能有所帮助!
这段时间天气巨热,天干物燥,也是火灾高发的时候。
最近就接连发生了一些火灾事件,还有消防员牺牲的消息,令人心痛。火灾中对消防员威胁很大的,其实是爆燃现象。短短两天,就有两起消防员因为爆燃现象而牺牲的事故。

这种爆燃的现象往往是由于在建筑物内部,当室内大火燃烧形成的充满室内各个房间的可燃气体和没充分燃烧的气体达到一定浓度时,形成的爆燃。
这时候,室内其他房间的没接触大火的可燃物也一起被点燃而燃烧,也就是“轰”的一声,室内所有可燃物都被点燃,所以整个过程也被称为“轰燃”。

正是因为“轰燃”的不可预测性,才如此危险。
本周,一项研究利用图神经网络(GNN)建立了一个系统,以学习模拟火灾中不同数据源(以节点和边表示)之间的关系,从而提前预测接下来的30秒内是否会发生“轰燃”现象。
这一研究有望帮助消防员判断室内建筑是否会发生“轰燃”,从而拯救生命。论文发表在《人工智能工程应用》上。

论文地址:https://www.nist.gov/news-events/news/2022/08/ai-may-come-rescue-future-firefighters
30秒内预测“轰燃”,准确率可达92.1%
一般来说,消防员得凭自己的经验来判断是否会发生这样的“轰燃”:
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.室内的热气流使人无法坚持,室内的对流温度接近450℃。
3.门热的烫人,木质部分温度平均超过320℃。
4.由门上蹿出的火舌几乎达到顶棚,大量的辐射热由顶棚反射到室内的可燃物上。
5.烟气降至离地面1m左右,空气中的热层部分占据上部空气,驱使热分解产物下降。
为了更好的帮助消防员预测“轰燃”,研究人员据此收集了各种各样的数据,从建筑布局,表面材料,火灾条件,通风配置,烟雾探测器的位置,以及房间的温度分布,模拟了17种不同建筑类型的41000起虚拟火灾,共使用了25000个火灾案例来训练该模型,其余的16000个案例用于微调和测试。
在17种不同的房屋中,新模型的准确性取决于它需要处理的数据量以及它寻求提供给消防员的准备时间。
最终,该模型的准确率(在提前30秒的情况下,最好为92.1%)超过了其他五种基于机器学习的工具,包括项目组自己之前的模型,重要的是,该工具产生了最少的假阴性,即在危险的情况下,模型未能预测到“轰燃”。
这个模型被称为FlashNet,将 FlashNet 放入了一些场景中,在这些场景中,FlashNet 事先并不了解建筑物的具体情况以及建筑物内部的火灾情况,这与消防员经常遇到的情况类似。
“考虑到这些限制,该工具的性能是相当有希望的”,论文作者Tam表示。然而,作者在带领FlashNet跨越终点线之前还有很长的路要走。作为下一步,他们计划用真实世界的数据而不是模拟数据对模型进行实战测试。
从4到5个房间,到十几个房间,预测难度Max
轰燃一般倾向于在大约600摄氏度(1100华氏度)突然爆发,然后可以导致温度进一步上升。
此前那的预测工具要么依赖于来自燃烧建筑物的恒定温度数据流,要么利用机器学习来填补可能发生的热探测器受高温影响而丢失的数据。
到目前为止,大多数基于机器学习的预测工具,包括作者之前开发的一种工具,都经过了在单一、熟悉的环境中操作的训练。 但在现实中,消防队员面对的是极其复杂的环境,当他们冲进火灾区域时,他们可能对现场情况、火灾发生的位置或门是开着还是关着一无所知。
“我们以前的模型只需要在一个建筑布局中考虑四到五个房间,但是当建筑布局切换时,你有13到14个房间,这对模型来说可能是一个噩梦,”Tam说,“对于真实世界的应用,我们相信关键是建立一个适用于许多不同建筑的通用模型。”
GNN作为一种善于根据节点和线的图做出判断的机器学习算法,可以表示不同的数据点及其彼此之间的关系,非常适合这样的任务。

“GNN经常用于估计到达时间,或ETA,在交通中,你可以(用GNN)分析10到50条不同的道路。同时合理地利用这类信息是非常复杂的,所以我们才有了使用GNN的想法,”论文作者、香港理工大学研究助理教授Yujun Fu说。
除了美国国家标准与技术研究院(NIST)、谷歌以及香港理工大学,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=aladdin#2
今天关于《AI预测30秒内火灾「轰燃」,准确率92.1%,未来或可帮助拯救消防员生命》的内容介绍就到此结束,如果有什么疑问或者建议,可以在golang学习网公众号下多多回复交流;文中若有不正之处,也希望回复留言以告知!
“Ubuntu Preview”让您在 WSL 上轻松尝试最前沿的 Ubuntu 体验
- 上一篇
- “Ubuntu Preview”让您在 WSL 上轻松尝试最前沿的 Ubuntu 体验
- 下一篇
- 机器视觉产业链全景解析
-
- 科技周边 · 人工智能 | 1天前 |
- vLLM 连续批处理下的显存与吞吐取舍
- 209浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Reranker 接入后如何控制检索延迟预算
- 113浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Embedding 向量维度变化时的索引迁移方案
- 429浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Agent 轨迹评测区分工具错误与模型错误
- 239浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- MCP 资源与工具描述的缓存更新策略
- 313浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- MCP 服务端授权范围与会话隔离的配置
- 161浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- MCP 工具结果分页与长列表截断的设计
- 486浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · chat template apply_chat_template AI tokenizer 多模型消息格式
- AI tokenizer chat template 统一多模型消息格式
- 154浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 431次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 508次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 522次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 464次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 292次使用
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览
-
- Canva手机闪退解决方法及适配指南
- 2026-05-25 501浏览

