這段時間天氣巨熱，天干物燥，也是火災高發的時候。最近就接連發生了一些火災事件，還有消防員犧牲的消息，令人心痛。火災中對消防員威脅很大的，其實是爆燃現象。短短兩天，就有兩起消防員因為爆燃現象而犧牲的事故。

這種爆燃的現象往往是由於在建築物內部，當室內大火燃燒形成的充滿室內各個房間的可燃氣體和沒充分燃燒的氣體達到一定濃度時，形成的爆燃。

這時候，室內其他房間的沒接觸大火的可燃物也一起被點燃而燃燒，也就是“轟”的一聲，室內所有可燃物都被點燃，所以整個過程也被稱為“轟燃”。

正是因為“轟燃”的不可預測性，才如此危險。

本週，一項研究利用圖神經網絡(GNN)建立了一個系統，以學習模擬火災中不同數據源(以節點和邊表示)之間的關係，從而提前預測接下來的30秒內是否會發生“轟燃”現象。

這一研究有望幫助消防員判斷室內建築是否會發生“轟燃”，從而拯救生命。論文發表在《人工智能工程應用》上。

30秒內預測“轟燃”，準確率可達92.1%

一般來說，消防員得憑自己的經驗來判斷是否會發生這樣的“轟燃”：

1.產生灼傷人皮膚的輻射熱，幾秒鐘後輻射熱強度可達10kw/m²。

2.室內的熱氣流使人無法堅持，室內的對流溫度接近450℃。

3.門熱的燙人，木質部分溫度平均超過320℃。

4.由門上躥出的火舌幾乎達到頂棚，大量的輻射熱由頂棚反射到室內的可燃物上。

5.煙氣降至離地面1m左右，空氣中的熱層部分佔據上部空氣，驅使熱分解產物下降。

為了更好的幫助消防員預測“轟燃”，研究人員據此收集了各種各樣的數據，從建築佈局，表面材料，火災條件，通風配置，煙霧探測器的位置，以及房間的溫度分佈，模擬了17種不同建築類型的41000起虛擬火災，共使用了25000個火災案例來訓練該模型，其餘的16000個案例用於微調和測試。

在17種不同的房屋中，新模型的準確性取決於它需要處理的數據量以及它尋求提供給消防員的準備時間。

最終，該模型的準確率（在提前30秒的情況下，最好為92.1%）超過了其他五種基於機器學習的工具，包括項目組自己之前的模型，重要的是，該工具產生了最少的假陰性，即在危險的情況下，模型未能預測到“轟燃”。

這個模型被稱為FlashNet，將FlashNet 放入了一些場景中，在這些場景中，FlashNet 事先並不了解建築物的具體情況以及建築物內部的火災情況，這與消防員經常遇到的情況類似。

“考慮到這些限制，該工具的性能是相當有希望的”，論文作者Tam表示。然而，作者在帶領FlashNet跨越終點線之前還有很長的路要走。作為下一步，他們計劃用真實世界的數據而不是模擬數據對模型進行實戰測試。

從4到5個房間，到十幾個房間，預測難度Max

轟燃一般傾向於在大約600攝氏度(1100華氏度)突然爆發，然後可以導致溫度進一步上升。

此前那的預測工具要么依賴於來自燃燒建築物的恆定溫度數據流，要么利用機器學習來填補可能發生的熱探測器受高溫影響而丟失的數據。

到目前為止，大多數基於機器學習的預測工具，包括作者之前開發的一種工具，都經過了在單一、熟悉的環境中操作的訓練。但在現實中，消防隊員面對的是極其複雜的環境，當他們衝進火災區域時，他們可能對現場情況、火災發生的位置或門是開著還是關著一無所知。

“我們以前的模型只需要在一個建築佈局中考慮四到五個房間，但是當建築佈局切換時，你有13到14個房間，這對模型來說可能是一個噩夢，”Tam說，“對於真實世界的應用，我們相信關鍵是建立一個適用於許多不同建築的通用模型。”

GNN作為一種善於根據節點和線的圖做出判斷的機器學習算法，可以表示不同的數據點及其彼此之間的關係，非常適合這樣的任務。

“GNN經常用於估計到達時間，或ETA，在交通中，你可以（用GNN）分析10到50條不同的道路。同時合理地利用這類信息是非常複雜的，所以我們才有了使用GNN的想法，”論文作者、香港理工大學研究助理教授Yujun Fu說。

除了美國國家標準與技術研究院(NIST)、Google以及香港理工大學，中國石油大學也參與了這項研究。