Study Numerical Simulation of Smoke Movement and LSTM-Based Early Warning for metro Platform Fires
تدمج هذه الدراسة بين محاكاة ديناميكيات الحريق العددية باستخدام محاكي ديناميكيات الحريق (FDS)، واختبارات الدخان كاملة النطاق، ونموذج التعلم العميق للذاكرة الطويلة قصيرة المدى (LSTM) لتحليل تشتت الدخان في حرائق أرصفة المترو وتطوير نظام إنذار مبكر عالي الدقة يحقق دقة تتجاوز 98% في التنبؤ بانخفاضات الرؤية الحرجة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد المدن تحت الأرض أعجوبة من أعاجيب الهندسة الحديثة، حيث تنقل ملايين الأشخاص يومياً عبر أنفاق تقع في أعماق الأرض. ومع ذلك، فإن هذه الراحة تأتي مع ثغرة خفية: فعندما ينشب حريق في محطة مترو، يصبح الدخان الناتج عنه هو التهديد الرئيسي للحياة. فخلافاً للحريق في حقل مفتوح حيث يمكن للحرارة والأبخرة أن ترتفع وتتشتت، فإن محطة المترو هي عبارة عن صندوق مغلق. وبدون رياح طبيعية تدفع الدخان بعيداً، فإنه يملأ المساحة بسرعة، مما يحجب الرؤية ويملأ الهواء بغازات سامة. إن السرعة التي ينتشر بها الدخان هي التي تحدد ما إذا كان بإمكان الركاب إيجاد طريقهم إلى الأمان أو أن يقعوا في الفخ. ولعقود من الزمن، اعتمد المهندسون على أنظمة تهوية معقدة لإدارة هذا الخطر، لكن فيزياء الدخان في هذه المساحات الضيقة والمزدحمة يصعب التنبؤ بها، وغالباً ما تُقاس نافذة الهروب الآمن بدقائق معدودة.
ولمعالجة هذا التحدي، أجرى فريق من الباحثين من الصين وكندا مؤخراً دراسة شاملة لفهم كيفية سلوك الدخان بدقة أثناء حريق في رصيف المحطة، وكيفية تحذير الناس قبل فوات الأوان. لقد جمعوا بين ثلاثة نهج متميزة: بناء توأم رقمي مفصل لمحطة مترو، وإجراء اختبار حريق واقعي في محطة عاملة، وتدريب حاسوب على التعرف على أنماط الخطر. لم يكن هدفهم مجرد رؤية كيف يتحرك الدخان، بل تطوير نظام يمكنه التنبؤ بانخفاض خطير في الرؤية قبل حدوثه بثوانٍ، مما يمنح المستجيبين للطوارئ والركاب دفعة أولية حاسمة.
بدأ الباحثون بإنشاء نموذج حاسوبي دقيق لمحطة مترو نموذجية ذات مستويين، تشبه تلك الموجودة في العديد من المدن الصينية الكبرى. قاموا بمحاكاة حريق على الرصيف بقدرة حرارية تبلغ 3 ميجاواط، وهو حجم يقارب حريق مركبة كبيرة، وراقبوا كيفية انتشار الدخان في ظل ظروف مختلفة. في أحد السيناريوهات، استخدموا نظام التهوية القياسي للمحطة. وفي سيناريو آخر، أضافوا مروحة شفط متنقلة لمعرفة ما إذا كان بإمكانها المساعدة في تصفية الهواء بشكل أسرع. وفي سيناريو ثالث، صمموا نموذجاً لمحطة تفتقر إلى الحواجز الزجاجية التي تفصل الرصيف عن المسارات، وهو تصميم شائع في الأنظمة القديمة في مدن مثل نيويورك ولندن. وقد كشفت عمليات المحاكاة أن وجود هذه الأبواب الزجاجية، المعروفة بأبواب شاشة الرصيف، يغير بشكل جذري كيفية انتقال الدخان. فعندما تكون الأبواب مغلقة، يُحبس الدخان على الرصيف حتى يقوم النظام بفتحها للسماح بتدفق الهواء إلى النفق. وعندما تغيب هذه الأبواب، ينتشر الدخان فوراً في النفق ويصعد نحو السطح، مما يخلق نمط حركة مختلفاً وأكثر فوضوية في كثير من الأحيان.
ولضمان دقة نماذجهم الحاسوبية، لم يعتمد الفريق على النظرية وحدها. فقد أجروا تجربة حريق كاملة النطاق في محطة مترو حقيقية وعاملة في جنوب الصين خلال الليل عندما لا تعمل القطارات. أشعلوا حريقاً محكماً باستخدام أربع صواني من الكحول المشتعل، مما ولد معدل إطلاق حراري قدره 1.5 ميجاواط. ومع نمو الحريق، راقبوا تصاعد الدخان وانتشاره، وسجلوا اللحظة الدقيقة التي بدأت فيها أنظمة التهوية بالعمل. وأكدت التجربة أن منطق السلامة في المحطة يعمل كما هو مصمم: حيث أدت أجهزة استشعار الدخان إلى تشغيل مراوح الشفط، وانفتحت الأبواب الزجاجية لربط الرصيف بالنفق، وقام نظام التهوية الخاص بالنفق بسحب الدخان بعيداً. تم توجيه الدخان بنجاح من الرصيف، عبر الأبواب المفتوحة، وإلى خارج المحطة، مما ترك الرصيف خالياً بما يكفي للإخلاء في غضون دقائق. وقد أثبت هذا الاختبار الواقعي أن محاكاتهم الرقمية موثوقة بما يكفي لاستخدامها في مزيد من التحليل.
ومع امتلاك نموذج تم التحقق من صحته ومجموعة هائلة من البيانات، توجه الباحثون إلى مستقبل سلامة الحرائق: الذكاء الاصطناعي. لقد قاموا بتغذية آلاف النقاط من البيانات من عمليات المحاكاة الخاصة بهم في نوع متخصص من البرامج الحاسوبية يسمى شبكة "الذاكرة الطويلة قصيرة المدى" (LSTM). هذا البرنامج مصمم للتعلم من تسلسل الأحداث، تماماً كما يتعلم البشر التعرف على نمط ما بمرور الوقت. لقد دربوا النظام على مراقبة مستويات أول أكسيد الكربون، وثاني أكسيد الكربون، والرؤية في نقاط مختلفة على الرصيف. وكان الهدف هو جعل الحاسوب يتنبأ بما إذا كانت الرؤية ستنخفض إلى ما دون عتبة السلامة الحرجة البالغة 10 أمتار خلال الثلاثين ثانية القادمة.
كانت النتائج مذهلة. فعند اختبار النموذج على بيانات جديدة لم يسبق له رؤيتها، حدد الحاسوب الظروف الخطرة بدقة تزيد عن 98 بالمائة. والأهم من ذلك، أنه نادراً ما فاته خطر حقيقي. فمن بين 118 حادث حريق تمت محاكاتها حيث انخفضت الرؤية إلى مستويات غير آمنة، أطلق النموذج إنذاراً في كل حالة منها. وفي حوالي 34 بالمائة من هذه الحالات، أصدر النظام تحذيراً قبل أن تصل الرؤية فعلياً إلى النقطة الحرجة، مما وفر إشعاراً مسبقاً بمتوسط قدره 26 ثانية تقريباً. ورغم أن هذا الوقت قد يبدو قصيراً، إلا أنه في سياق رصيف مترو مزدحم حيث يمكن أن ينتشر الذعر بسرعة، فإن تلك الثواني تعد حيوية للغاية. فهي كافية لتفعيل البث في حالات الطوارئ، وتغيير أوضاع التهوية، والبدء في توجيه الر passengers نحو الأمان قبل أن يصبح الهواء كثيفاً لدرجة تعيق الرؤية.
كما سلطت الدراسة الضوء على قيمة الجمع بين الأدوات المختلفة. فقد أثبت اختبار الحريق في العالم الحقيقي صحة النماذج الحاسوبية، ووفرت النماذج الحاسوبية مجموعة البيانات الضخمة اللازمة لتدريب الذكاء الاصطناعي. وأشار الباحثون إلى أنه بينما يعد نموذجهم الحالي فعالاً للغاية، إلا أنه نظام أحادي الطبقة مصمم للسرعة. وسيتضمن العمل المستقبلي إضافة المزيد من البيانات من أنواع مختلفة من الحرائق، ومن المحتمل دمج هذا النظام مع تقنيات متقدمة أخرى لجعله أكثر قوة. أما الآن، فتقدم الدراسة مساراً واضحاً للمضي قدماً: فمن خلال فهم فيزياء الدخان عبر المحاكاة والاختبار، ثم استخدام هذه المعرفة لتدريب أنظمة تحذير ذكية، يمكن للمدن جعل شبكات النقل تحت الأرض أكثر أماناً للملايين الذين يعتمدون عليها كل يوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.