Искусственный интеллект
Это алгоритм, который имитирует работу человеческого мозга и в какой-то степени нервной системы, в части обучения и дальнейшего воспроизведения информации.
Только человек берет данные из окружающей его внешней среды (книги, люди, фильмы и т.д.), а алгоритм «обучается» с использованием большого количество информации, которая скомпонована в базы данных. Обучать этот алгоритм может непосредственно человек, вводя данные определенным образом, либо он может «обучаться» самостоятельно.
Загрузиться качественными знаниями о том, что такое машинное обучение можно прочитав статью: «Машинное обучение для людей. Разбираемся простыми словами».
На данный момент, это самое понятное объяснение того, как работает искусственный интеллект, своими словами на русском языке и прикольными картинками.
Искусственный интеллект в пожарной безопасности
Гонконгский политехнический университет создал и тестирует программное обеспечение с использованием искусственного интеллекта (глубокого машинного обучения), которое позволяет предсказывать каким образом будет развиваться пожар в здании или сооружении.
В ближайшем будущем эта технология позволит быстро и с меньшими финансовыми затратами разрабатывать инженерно-технические и организационные мероприятий по обеспечению пожарной безопасности, выполнять расчет индивидуального пожарного риска в общественных и производственных зданиях, моделировать процессы эвакуации, выполнять другие пожарные технические расчеты.
Постараемся разобраться что за программное обеспечение такое и для чего вообще они все это замутили.
Но, перед тем как перейти к сложным материям, посмотрим, чем сейчас располагает международный опыт обеспечения, пожарной безопасности зданий и сооружений.
Подходы к обеспечению пожарной безопасности зданий и сооружений, которые существуют сейчас
В мировой практике обеспечения пожарной безопасности условно сформировалось два подхода:
Первый
На опыте изучения крупных пожаров формировались правила и технические решения, которые затем оформлялись как технические нормы и правила, и носили, а где-то носят обязательный характер
Такой подход подразумевает большие затраты на выполнение требований пожарной безопасности и не обеспечивает запросы, которые возникают из-за быстрого развития строительной отрасли и инновационных архитектурных решений.
Второй
Развитие информационных технологий и развитие численного моделирования (математического моделирования) позволило более гибко подходить к выбору способов обеспечения пожарной безопасности зданий.
При помощи компьютеров и программного обеспечения появилась возможность предсказывать как пожар будет возникать и как будет развиваться в здании и при этом оценивать воздействие на людей и имущество опасных факторов пожара.
Соответственно появилась возможность индивидуально для каждого здания не выполнять все требования пожарной безопасности, а выполнять только те, что обосновано необходимы, и таким образом существенно снизить расходы на обеспечение пожарной безопасности, а иногда и повысить эффективность систем противопожарной защиты.
Так, сформировалось отрасль гибкого или индивидуального проектирования пожарной безопасности зданий.
Рис. 1
Проблемы индивидуального или гибкого проектирования в сфере пожарной безопасности
Появились специальные программы, способные моделировать пожар и распространение опасных факторов пожара на достаточном уровне, для выбора инженерно-технических и организационных мероприятий по обеспечению пожарной безопасности, например:
- FDS – Fire Dynamics Simulator (официальный сайт);
- CFAST – Consolidated Fire and Smoke Transport (сайт);
- FireFoam (не официальный сайт с информацией);
- Pathfinder (официальный сайт);
- и многие другие
Эти программы (калькуляторы), а точнее методики, реализуемые ими, были проверены и подтверждены многочисленными реальными экспериментами и реальными пожарами.
Например, программа FDS имеет целый сборник (FDS Validation Guide доступный по ссылке).
Поэтому как в России, так и международной практике обеспечения пожарной безопасности данные инструменты используются при обосновании выполнения инженерно-технических и организационных решений, таких как:
- необходимость устройства системы дымоудаления в здании и сооружении, параметры расхода системы дымоудаления;
- геометрические параметры эвакуационных путей и выходов;
- время обнаружения пожара автоматической пожарной сигнализацией;
- необходимость устройства элементов автоматической установки пожаротушения.
При всех плюсах, есть и некоторые нюансы, применения программных инструментов, например софта, который использует CFD методы:
- Сложно:
- пожар сложный процесс иногда одной программы/математической модели недостаточно, чтоб получить реальную картину и на ее основе, например принять решение, что надо делать дымоудаление;
- Моделирование пожаров на крупных объектах не позволяет сразу просчитать весь объект, поэтому иногда это приходится делать частями и потом соединять результаты расчетов;
- Довольно трудно иногда обосновать в экспертизе, что методика/расчета или программа выбраны правильно.
- Дорого:
- Программное обеспечение зачастую стоит не дешево;
- Адекватные расчеты, требуют высоко уровня компетенции расчетчика/оператора программы, а таких мало, поэтому за свою работу они хотят хорошее вознаграждение;
- Долго:
- Например, в программных комплексах CFD время на моделирование одного пожара может занимать как дни, так и недели (в зависимости от задачи)
- Например, в программных комплексах CFD время на моделирование одного пожара может занимать как дни, так и недели (в зависимости от задачи).
Рис. 2
Понимая, перечисленные проблемы, но также, учитывая и полезность методов численного моделирования пожаров (CFD) ученые из Гонконгского политехнического университета решили, что машинное обучение может помочь со временем решить их, если совместить его с опытом моделирования пожаров численными методами (CFD).
Поэтому создали приложение «под капотом» у которого нейронная сеть способная выдавать за секунды результаты, которые на том же FDS можно получить, только через часы, дни или даже недели.
Приложение называется: Intelligent Fire Engineering Tool (IFETool) в данный момент оно доступно по ссылке.
Этапы разработки приложения IFETool
Первый этап. Моделирование сценариев пожара в FDS
Для того чтобы инженер хорошо выполнял свою работу он должен обладать качественными знаниями и отработанными практическими навыками.
А для того, чтоб нейронная сеть выдавала адекватные результаты нужна качественная база данных для ее обучения. В случае численного моделирования пожара это рассчитанные в FDS сценарии возникновения и развития пожара.
В качестве объекта моделирования пожара было выбрано атриумное помещение обычной формы. В общей сложности было просчитано 1080 сценариев. Учтены следующие ключевые параметры для моделирования опасных факторов пожара:
Мощность пожара
Было рассмотрено 7 различных значений пиковой мощности пожара: 0,5,1,2,3,5,8 и 10 МВт) при одинаковой HRPUA 0,5 МВт/м2.
Во всех сценариях нарастание мощности пожара было зада квадратичной функцией (t2) при этом скорость нарастания пожара 0,0469 кВт/с2 достижения пикового значения мощности.
Расположение очага пожара
Расположение очага пожара влияет на параметры пламени и движение дыма. При разработке сценариев пожара для обучения нейронной сети использовалось расположение очага пожара в центре помещения и у стены.
Образование сажи
Для всех случаев моделирования пожара было задано 3 значения количества выделяемой сажи: 0,043, 0,086 и 0,130 г/г.
Геометрические параметры объекта
В рамках моделирования пожара для обучения ИИ рассматривались в основном помещения с простой прямоугольной формой. При моделировании рассматривались атриумы с объемом от 9000 м3 до 162 000 м3.
Система дымоудаления
Скорость удаления дыма влияет на параметры развития пожара внутри помещения, поэтому в рамках формирования обучающей базы рассмотрено 5 скоростей удаления дыма.
Рис. № 3
Основные исходные данные, которые также учитывались при моделировании пожаров сведены в таблицу:
| Параметр | Значение |
| Начальная температура воздуха в помещении пожара | 25 °С |
| Горючая нагрузка | Пластмассы и отделочные материалы |
| Компенсация воздуха | 4 проема в нижней части атриума |
| Время моделирования каждого сценария | 1200 сек. |
| Размер ячейки расчетной области | 0,2 и 0,4 м |
| Количество ячеек в сетке | от 140 625 до 2 531 250 |
| Время моделирования каждого сценария | от 12 до 24 часов |
Какая нейронная сеть использовалась при создании приложения IFETool
В приложении IFETool используется так называемая «Сверточная нейронная сеть», а точнее ее разновидность «Транспонированная сверточная нейронная сеть»
Сверточная нейронная сеть
Это класс нейронных сетей, которые специализируются на обработке изображений и видео и дальнейшего определения и классификации особенностей изображения.
Например, с их помощью можно определить какие-то конкретные отличительные особенности изображения.
Доступно и детально о том, что такое сверточные нейронные сети и как они работают можно прочитать в статье.
Транспонированая сверточная нейронная сеть
Если «сверточная нейронная сеть» анализирует изображения и на основе полученных данных может классифицировать его конкретные признаки (например, отличить кошку от собаки), то транспонированная нейронная сеть работает в ОБРАТНОМ НАПРАВЛЕНИИ. Она способна преобразовывать символьную «простую» информацию в пространственные изображения».
Создание базы данных для обучения искусственного интеллекта
Учитывая механизм работы транспонированных сверточных нейросетей формируется специальная база данных, в которую входит:
- Сгруппированные входные данные, описаные в разделе «моделирование FDS»;
- Выходные данные программы FDS, на основе которых формируются изображения плоскости замера (плоскости визуализации полей ОФП);
- Конструктивные особенности модели (ограждающие конструкции, проемы и т.д.)
Рис. 4
Сгруппированные входные данные, которые были описаны в разделе «моделирование FDS». Выходные данные программы FDS, на основе который формируются изображения плоскости замера
Рис. 5
Вышеуказанная информация группируется специальным образом, в так называемые «наборы данных для обучения», «набор данных для тестирования» и «набор данных для проверки», в процентном соотношении соответственно: 60 %, 20 %, 20 %.
Концепция самого процесса обучения нейронных сетей довольно подробно описана в статье:
Что в итоге получилось
Приложение IFETool (доступно по ссылке), что оно может и как работает.
В итоге на сегодняшний день для инженеров по пожарной безопасности по всему миру, доступно приложение, основанное на вышеописанной технологии искусственного интеллекта.
На данный момент приложение полностью бесплатно и находится в процессе тестирования, но уже сейчас оно может за секунды и с точностью полевой модели, рассчитать распространение полей опасных факторов пожара в помещениях атриумного типа или помещениях большого объема (от 9000 м3 до 162 000 м3).
Кроме того, IFETool может использоваться для прогнозирования опасных факторов в помещениях геометрические параметры, которых выходят за пределы данных, использованных для обучения нейросети. Но, полученные результаты необходимо тщательно перепроверять при помощи моделирования в FDS.
Пользовательский интерфейс и операции IFETool
Пользовательский интерфейс предельно простой и понятный. Достаточно ввести данные и нажать на кнопку рассчитать и вуаля (попробуйте сами):
Слева – рабочий процесс в приложении; Справа – интерфейс приложения.
Вроде все просто – моделируйте пожар в атриуме за секунды.
Сможет ли нейросеть заменить непосредственный расчет в FDS
Ученые из Гонконгского политехнического университета для ответа на этот вопрос провели большое количество исследований.
И пришли к выводу, что чем более качественные данные для обучения нейросети и чем длительнее сама процедура обучения, тем меньше отличия в результатах у непосредственного расчета в FDS и «моделированием» с использованием нейросетей.
Отличие только в том, что в одном случае на это необходимо потратить часы и дни, а в другом, что результат может быть получен за секунды.
Рис. 7
Практика обеспечения пожарной безопасности с помощью IFETool на примере оценки возможности уменьшения высоты атриума
Например, Вам как собственнику здания хочется оптимизировать пространство с целью извлечения прибыли, и вы хотите уменьшить высоту атриума с 20 метров до 11 метров, путем возведения этажа в уровне атриумного пространства.
Но, перед тем как принять такое решение, надо проверить, а реализуемо ли это с точки зрения пожарной безопасности.
С помощью IFETool можно оперативно оценить возможность реализации такого решения.
Что нужно сделать:
- откройте IFETool по ссылке
- вводим уменьшенную высоту атриума – 11 метров (параметр height);
- оставим проектное значение расхода системы противодымной защиты (20 м3/с);
- введите другие данные;
- нажмите кнопку рассчитать (Calculate).
Результат на картинке >
Рис. 8
На графике обозначено критическое значение высоты дымового слоя (прямая красного цвета) = 2 метра.
При этом ИИ смоделировал значение видимости при заданных параметрах (Мощность пожара = 3 МВт) на 1200 секунде высота дымового слоя в атриуме простой формы не опускается ниже 2 м и составляет 2,31 м.
Соответственно, предварительно можно сделать вывод, что эвакуация из помещения атриума реализуема до 1200 сек.
Увеличим высоту атриума до 20 метров. «Смоделируем пожар» с разными значениями мощности пожара: 3,5 МВт, 8 МВт.
При мощности пожара в 3,5 МВт на 1200 секунде пожара, высота дымового слоя составляет 2,33 м. Эвакуация- безопасна.
Рис. 9
При мощности пожара в 8 МВт на 900 секунде пожара, высота снижается ниже 2 м. Происходит существенное ухудшение безопасной эвакуации людей.
Рис. 10
В качестве технического решения увеличим расход системы дымоудаления до 39 м3/с. Искусственный интеллект говорит нам, что на 1200 секунде уровень дымового слоя не опускается ниже 2 метров, а значит безопасная эвакуация людей на высоте 1200 секунде пожара обеспечена.
Рис. 11
Искусственный интеллект в области пожарной безопасности прорыв или всего лишь неоправданный хайп
Сейчас перспективы использования ИИ в «полную силу» только просматриваются. Различия традиционного подхода с прямым моделированием в FDS и ИИ привели в таблице >
| Аспекты | Проектирование с помощью обычного CFD-моделирования | Проектирование по прогнозам искусственного интеллекта |
| 1 | 2 | 3 |
| Подход к проектированию | Адекватное применение возможно только при наличии готовой проектной документации | Из-за скорости применения возможно моделирование до появления проектной документации, что может существенно облегчить выбор решений и сэкономит время на постоянные переделки документации |
| Затраченное время | Подготовка: Часы и дни построения модели в зависимости от сложности архитектурного проекта.
Выполнение: от нескольких часов до нескольких дней CFD-симуляций. Перепроектирование: Повторение вышеописанного процесса. |
Подготовка: Месяцы для формирования базы данных CFD по пожарам и годы для постоянного обновления.
Выполнение: Секунды и минуты для получения расчетных результатов и ограничений. |
| Точность и надежность | Результаты зависят от точности моделирования пожара в CFD и предположений, а также от опыта инженера расчетчика | Результаты сопоставимы с результатами CFD моделирования пожара и ограничены точностью исходной базы данных CFD пожара |
| Последовательность | Даже в одном и том же случае разные инженеры могут дать разные результаты (например результаты по ОФП) | Результаты, основанные на одной и той же модели ИИ, для всех одинаковы и понятны |
| Точки зрения проектной группы | Можно провести лишь ограниченное количество симуляций пожара. Таким образом, зачастую трудно достичь требуемых характеристик или найти оптимальные проектные решения, особенно после закрепления архитектурных решений на более поздней стадии. | Команда может оценить уровень приемлемости конструкции с помощью аналогичного случая в базе данных AI на самой ранней стадии (период проектирования схемы), что обеспечивает большую обоснованность конструкции. |
| Взаимодействие с экспертным сообществом
|
Сложность проверки и доверия к результатам, поскольку случаи, не прошедшие по критериям, часто не включаются в отчет. Параметры моделирования могут быть настроены (например, выход сажи, излучение и т.д.) разработчиком для получения лучшего результата. | Легко переоценить результат и параметры, чтобы найти наихудший сценарий, но требуется время, чтобы AHJ приняли новые методы ИИ. |
| С точки зрения собственника | Невозможность оценить, является ли предложенная конструкция экономически эффективной или нет, и обнаружить избыточные конструкции. | Легко найти проектные пределы пожарной безопасности здания и оптимизировать проект, чтобы сделать его более экономически эффективным. |
| Общая стоимость | Результаты моделирования и знания не передаются по наследству. Весь процесс проектирования и анализа является дорогостоящим и в значительной степени повторяется. | Знания могут быть унаследованы с увеличением базы данных зданий и пожаров, и обученный ИИ будет становиться все более точным и мощным. |
Искусственный интеллект, в будущем может существенно оптимизировать и повысить пожарную безопасность объектов, оптимизировать затраты на пожарную безопасность, ускорить процесс проектирования, инженерных расчетов в области пожарной безопасности.
В тоже время технология требует больших временных и финансовых затрат, поэтому ее развитие без участия государства в России кажется не совсем возможным.