Dans la lutte contre les incendies, les pires flammes sont celles qu’on ne voit pas venir. Au milieu du chaos d’un bâtiment en flammes, il est difficile de remarquer les signes d’embrasement imminent – ; un phénomène d’incendie mortel dans lequel presque tous les objets combustibles d’une pièce s’enflamment soudainement. Flashover est l’une des principales causes de décès de pompiers, mais de nouvelles recherches suggèrent que l’intelligence artificielle (IA) pourrait fournir aux premiers intervenants un avertissement indispensable.
Des chercheurs du National Institute of Standards and Technology (NIST), de l’Université polytechnique de Hong Kong et d’autres institutions ont développé un modèle Flashover Prediction Neural Network (FlashNet) pour prévoir les événements mortels quelques secondes avant qu’ils n’éclatent. Dans une nouvelle étude publiée dans Applications d’ingénierie de l’intelligence artificielle, FlashNet a affiché une précision allant jusqu’à 92,1 % sur plus d’une douzaine de plans d’étage résidentiels courants aux États-Unis et s’est imposé en tête-à-tête avec d’autres programmes de prédiction de flashover basés sur l’IA.
Les flashovers ont tendance à éclater soudainement à environ 600 degrés Celsius (1 100 degrés Fahrenheit) et peuvent ensuite faire monter davantage les températures. Pour anticiper ces événements, les outils de recherche existants s’appuient soit sur des flux constants de données de température provenant de bâtiments en feu, soit sur l’apprentissage automatique pour compléter les données manquantes dans le cas probable où les détecteurs de chaleur succomberaient à des températures élevées.
Jusqu’à présent, la plupart des outils de prédiction basés sur l’apprentissage automatique, y compris celui que les auteurs ont précédemment développé, ont été formés pour fonctionner dans un environnement unique et familier. En réalité, les pompiers n’ont pas droit à un tel luxe. Lorsqu’ils chargent en territoire hostile, ils peuvent ne rien savoir du plan d’étage, de l’emplacement de l’incendie ou du fait que les portes sont ouvertes ou fermées.
« Notre modèle précédent ne devait prendre en compte que quatre ou cinq pièces dans une disposition, mais lorsque la disposition change et que vous avez 13 ou 14 pièces, cela peut être un cauchemar pour le modèle », a déclaré l’ingénieur en mécanique du NIST, Wai Cheong Tam, co-premier. auteur de la nouvelle étude. « Pour une application dans le monde réel, nous pensons que la clé est de passer à un modèle généralisé qui fonctionne pour de nombreux bâtiments différents. »
Pour faire face à la variabilité des incendies réels, les chercheurs ont renforcé leur approche avec les réseaux de neurones graphiques (GNN), une sorte d’algorithme d’apprentissage automatique capable de porter des jugements basés sur des graphiques de nœuds et de lignes, représentant différents points de données et leurs relations avec un une autre.
« Les GNN sont fréquemment utilisés pour l’heure d’arrivée estimée, ou ETA, dans le trafic où vous pouvez analyser 10 à 50 routes différentes. Il est très compliqué d’utiliser correctement ce type d’informations simultanément, c’est donc là que nous avons eu l’idée d’utiliser GNN », a déclaré Eugene Yujun Fu, professeur assistant de recherche à l’Université polytechnique de Hong Kong et co-premier auteur de l’étude. « À l’exception de notre application, nous examinons les pièces au lieu des routes et prévoyons les événements de flashover au lieu de l’ETA dans le trafic. »
Les chercheurs ont simulé numériquement plus de 41 000 incendies dans 17 types de bâtiments, représentant la majorité du parc immobilier résidentiel américain. Outre l’agencement, des facteurs tels que l’origine de l’incendie, les types de mobilier et l’ouverture ou la fermeture des portes et des fenêtres variaient d’un bout à l’autre. Ils ont fourni au modèle GNN un ensemble de près de 25 000 cas d’incendie à utiliser comme matériel d’étude, puis 16 000 pour un réglage fin et des tests finaux.
Dans les 17 types de maisons, la précision du nouveau modèle dépendait de la quantité de données qu’il devait analyser et du délai qu’il cherchait à fournir aux pompiers. Cependant, la précision du modèle – ; au mieux, 92,1 % avec 30 secondes de délai – ; a surpassé cinq autres outils basés sur l’apprentissage automatique, y compris le modèle précédent des auteurs. De manière critique, l’outil a produit le moins de faux négatifs, des cas dangereux où les modèles ne parviennent pas à prédire un flashover imminent.
Les auteurs ont lancé FlashNet dans des scénarios où il n’avait aucune information préalable sur les spécificités d’un bâtiment et le feu qui brûlait à l’intérieur, similaire à la situation dans laquelle se trouvent souvent les pompiers. Compte tenu de ces contraintes, les performances de l’outil étaient plutôt prometteuses, a déclaré Tam. Cependant, les auteurs ont encore du chemin à parcourir avant de pouvoir faire franchir à FlashNet la ligne d’arrivée. Dans une prochaine étape, ils prévoient de tester le modèle avec des données réelles plutôt que simulées.
« Afin de tester pleinement les performances de notre modèle, nous devons en fait construire et graver nos propres structures et y inclure de vrais capteurs », a déclaré Tam. « En fin de compte, c’est indispensable si nous voulons déployer ce modèle dans des scénarios d’incendie réels. »