为了肃清这一紧张盲点，美国国家标准与技能研究所(NIST)的研究职员开拓了P-Flash——闪燃预测模型（闪燃：可燃液体挥发的蒸气与空气稠浊达到一定浓度遇明火发生一闪即逝的燃烧，或者将可燃固体加热到一定温度后，遇明火会发生一闪即灭的燃烧征象）。
这一人工智能工具用来预测和警告在燃烧的建筑物中被称为闪燃的致命征象，当一个房间里的可燃材料险些同时点燃，产生的火焰的大小受限于可用氧宇量。
该工具的预测是基于建筑物的热探测器的温度数据，而且，纵然在热探测器失落效后也能运行。

NIST团队在一千多个仿照失火和十多个真实失火中测试了P-Flash预测生闪燃的能力。
研究表明，该模型在预测仿照闪燃方面很有前景，并显示了真实数据如何帮助研究职员识别出一个未建模的物理征象，如果加以处理，将改进该工具在实际失火中的预测。
随着进一步的发展，P-Flash可以提高消防员实战能力，帮助他们在保护自己的同时也能拯救大楼里的住户。

闪燃之以是如此危险，部分缘故原由是很难预测它们的到来。
虽然有一些指标可以关注，例如越来越强烈的热量或火焰滚滚穿过天花板。
然而在许多情形下，这些迹象很随意马虎被忽略，比如当消防队员拖着重型设备探求被困的受害者时，烟雾模糊了视线。
从表面看，随着消防队员靠近现场，内部情形更加不明朗。
NIST研究员Christopher Brown 说：“消防部门没有太多技能上的工具可以在现场预测火情，最大的工具只是不雅观察，这可能非常具有欺骗性。
从表面上看，事情可能是这样的，但当消防员进去时，情形可能会完备不同。
”

基于温度预测闪燃的打算机模型并不完备是新鲜事物，但到目前为止，它们依赖于恒定的温度数据流，这些数据可以在实验室中得到，但在真实失火中无法得到担保。
可用于商业建筑和家庭的热探测器、烟雾报警器,大部分估量操作只有在温度高达150摄氏度下事情，远低于发生闪燃的600摄氏度。
为了填补丢失数据造成的差距，NIST研究职员运用了机器学习的人工智能形式。

虽然丢失了数据，但你有热探测器失落效的趋势，以及其他探测器。
有了机器学习，就可以用这些数据作为出发点来推断闪燃是将要发生还是已经发生。
机器学习算法揭示大数据的聚合模式，并基于它们的创造建立模型。
这些模型对付预测某些结果很有用，比如一个房间被火焰吞没前须要多永劫光。

为了构建P-Flash，作者们在一个正在燃烧的一层三居室的住宅(美国大多数州最常见的住宅类型)中，从热探测器获取温度数据，并将其输入算法。
然而，这座建筑是数字化的，而不是实体的。
研究职员Cleary说，由于机器学习算法须要大量的数据，但进行数百次大规模真实失火测试是不可行的，该团队利用NIST的失火和烟雾传输统一模型(简称CFAST，是一个经由真实失火实验验证的失火建模程序)反复烧毁这座虚拟建筑。
他们进行了5041次仿照，每个仿照之间都有轻微但关键的变革。
例如，屋子里不同的家具都被点燃了，窗户和寝室门被随机设置为打开或关闭；前门一开始是关着的，但在某一时候打开，代表撤离的职员。
放置在房间里的热探测器会产生温度数据，直到它们末了因高温而失落效。

为了理解P-Flash在热探测器失落效后预测闪燃的能力，研究职员将仿照的温度记录拆分，让算法从一组4033个记录中学习，其他数据则不可见。
P-Flash完成一次学习后，研究小组对其进行了504次仿照测试，根据其评分对模型进行了微调，并重复了这一过程。
当P-Flash达到预期效果后，研究职员将P-Flash与504次仿照进行比拟。
结果创造，对付大约86%的仿照失火，该模型能精确预测一分钟前的闪燃。
P-Flash表现的另一个主要方面是，纵然它没有达到目标，它也会产生缺点的阳性结果——预测事宜会比实际发生的韶光更早——这比给消防员一种缺点的安全感要好得多。

“我们总是想安全起见，只管可以接管少量的误报，但我们的模型开拓重视减少或更好地肃清误报，”开始的测试结果虽然不错，但该团队并没有变得自满。
“一个主要的问题仍旧存在，那便是如果只利用合成数据来演习模型，那么我们的模型是否可信?” 项目联合作者Tam说。

幸运的是，在美国国家法律研究所帮助的一项研究中，研究职员找到了一个从美国保险商实验室（UL）供应的真实天下数据中探求答案的机会。
在统一风格的房间中进行了13项实验，与P-Flash所接管的演习相匹配。
与仿照一样，每次失火的火源和透风条件都不同。

NIST团队像以前一样对P-Flash进行了数千次仿照演习，但这次他们交流了来自UL实验的温度数据作为终极测试。
而这一次预测的结果有点不同，P-Flash能够在失火发生前30秒内预测火焰，在厨房或客厅等开阔区域发生失火时表现良好。
但当失火发生在紧闭的门后的寝室时，模型险些无法判断何时会发生闪燃。

研究小组创造了一种被称为“封闭效应”的征象，这可能是精确度急剧低落的缘故原由。
当失火发生在封闭的小空间时，热量险些没有散失落的能力，因此温度迅速上升。
然而，许多构成P-Flash演习材料根本的实验都是在开放的实验室空间进行的，因此，UL实验的温度上升速率险些是合成数据的两倍。

只管创造了工具的一个弱点，但结果还是令人鼓舞的，这也是迈向精确方向的一步。
研究职员的下一个任务是专注于封闭效应，并在仿照中表现出来。
为了做到这一点，他们操持自己进行更全面的实验。
当它的弱点被修补，预测变得更准确时，研究职员设想他们的系统可以嵌入手持设备中，通过云与建筑物中的探测器进行通信。
一旦成功，这将最大限度地提高救人的机会。

本文由升哲科技编译，转载请注明来自sensoro.com