闪燃现象通常发生在一个起火的密闭空间，是小火发展成大火的必然过程。当房间里堆积的可燃材料不断燃烧时,就会产生大量烟雾形成分烟层,很容易造成房间内其他区域产生辐射热。可燃材料受辐射热影响会热分解,同时产生一氧化碳。当温度持续上升超过650摄氏度时，火场顶部积聚的大量浓烟(含CO)会变为可燃气体，在1-2秒内即可被自动点燃，引发闪燃。闪燃极易造成墙壁及窗户突然爆裂，极为致命。据不完全统计，2011年至2021年间，美国约有730名消防员在工作中死亡，超过32万名消防员受伤，其中13%的事故是由闪燃导致的。
消防员必须依靠他们的经验预测闪燃是否即将发生，例如根据烟雾和热量水平进行判断，但火场变化转瞬即逝，要做出正确的判断并不容易。在过去的20年里，科学家们一直在试图寻找能够实时检测闪燃的方法，针对如此不稳定的现象进行建模计算是一项非常困难的任务。
最近，来自美国政府国家标准与技术研究所(NIST)、谷歌以及香港理工大学和中国石油大学的研究人员利用图神经网络(GNN)系统预测闪燃事故，他们从模拟火灾中学习不同数据来源之间的关系，用对应的图的节点和边表示数据来源之间的关系。
该项研究论文的共同第一作者、香港理工大学的研究助理教Eugene Yujun Fu在一份声明中表示，”图神经网络经常用于估计到达时间(ETA),在分析道路交通情况时，可能要同时处理涉及10至50条不同道路的信息。闪燃预测正是借鉴了图神经网络处理道路信息的方法。“
Eugene教授表示：”在类似的情况下，要同时正确利用这些信息非常复杂，所以我们产生了采用图神经网络的想法。只是在我们的应用里，我们的研究对象是房间而非道路，我们预测的是闪燃事件而不是道路交通里的预预计到达时间。“
该团队模拟了各种数据，涉及建筑布局、表面材料、火灾条件、通风配置、烟雾探测器的位置和房间的温度曲线等数据，针对17种不同建筑类型的41,000次模拟火灾进行建模。总共用了25,000个火灾案例训练模型，剩下的16,000个案例则用于微调和测试模型。
图神经网络系统的性能评估是基于得到的模型是否能够正确预测未来30秒内发生闪燃事件。初步结果显示,该模型的准确率高达92.1%。该系统被命名为FlashNet,比该团队之前的机器学习模型P-Flash更加先进。
论文的共同第一作者、NIST机械工程师Wai Cheong Tam表示：”我们以前的模型只需要考虑一个布局中的四个或五个房间，但是当布局换成13或14个房间时，以前的模型就没那么准确了。我们认为，现实世界应用的关键是要换成一个适用于许多不同建筑的通用模型。“
目前看来，FlashNet可以得到很不错的预测结果，但仍需要用来自真实火灾救援的数据进行测试。Tam告诉记者，我们还需要利用该模型分析来自智能家居中的恒温器、一氧化碳和烟雾探测器的数据。未来，我们将把矿究的重点放在如何利用模型预测的结果来提醒消防员，在闪燃事故发生前及时提离，保证他们的生命安全。
Tam表示，”该项研究的关键是基于现有建筑传感器提供的建筑数据。将该研究结果转化为现实应用的一种方法是将该模型整合到智能火灾警控制面板中，控制面板可以从装好的热探测器中收集温度数据。同时，安装一个计算机模块，用于处理数据并进行实时预测。“
Tam还表示，”预测结果可以从火灾报警控制面板或其他合适的设备发送给消防现场指挥官，有必要时也可以发送给现场的消防员。至于女何提供这种预测性分析的确切机制尚无定论,这需要消防部门的帮助才能形成共识。“
来源：消防科技信息网
