Spatiotemporal Prediction of Fire-Hazard Parameters in Commercial Buildings Considering Active Fire Protection Systems

Cuando se desata un incendio en un gran centro comercial o un edificio de oficinas, el peligro no son solo las llamas en sí mismas, sino la nube invisible de gas sobrecalentado y humo espeso que las sigue. Para las personas que intentan escapar, la información más crítica es cómo se siente el aire a su nivel de respiración, aproximadamente a un metro sesenta del suelo. Es aquí donde la temperatura, la cantidad de oxígeno restante, la concentración de gases tóxicos y la distancia de visibilidad se convierten en cuestiones de vida o muerte. Los edificios modernos están equipados con sistemas de seguridad activos diseñados para combatir estos peligros: rociadores que lanzan agua para enfriar el aire y ventiladores mecánicos que extraen el humo de la habitación. Sin embargo, estos sistemas hacen más que simplemente suprimir un incendio; cambian fundamentalmente la forma en que el calor y el humo se mueven a través de un espacio. Crean un entorno complejo y cambiante que dificulta que los sensores estándar cuenten la historia real de lo que está sucediendo al nivel por donde la gente intenta correr.

Los investigadores han utilizado durante mucho tiempo una tecnología ingeniosa llamada detección de temperatura por fibra óptica distribuida para monitorear estos incendios. Imagine un hilo de vidrio largo y delgado que recorre el techo y baja por las paredes, capaz de medir la temperatura en cada uno de los puntos a lo largo de su longitud. Esto crea un mapa de calor continuo y detallado que es muy superior a tener solo unos pocos termómetros dispersos. El desafío surge cuando los sistemas de seguridad del edificio se activan. El agua de los rociadores y el aire de los extractores de humo enfrían el techo y las paredes donde se encuentran los sensores, pero también agitan el aire de formas que cambian la temperatura al nivel de la respiración de maneras impredecibles. Si una computadora intenta adivinar las condiciones peligrosas al nivel de la respiración basándose solo en las lecturas de temperatura del techo, a menudo se equivocará porque la relación entre el techo y el suelo ha sido alterada por los sistemas de seguridad.

Un equipo de investigadores de varias universidades e institutos de investigación chinos se propuso resolver este problema específico. Querían crear un método que pudiera tomar las lecturas de temperatura de estos sensores de fibra óptica, incluso mientras los rociadores y los ventiladores están funcionando, y predecir con precisión las condiciones peligrosas al nivel de la respiración. Para lograrlo, no dependieron de incendios del mundo real, que son demasiado peligrosos e impredecibles para estudiarse de manera controlada. En su lugar, construyeron una enorme biblioteca digital de escenarios de incendio utilizando simulaciones computacionales avanzadas. Modelaron espacios comerciales de varios tamaños, desde pequeñas tiendas hasta grandes atrios, y simularon incendios de diferentes intensidades. Luego, ejecutaron estas simulaciones tres veces para cada escenario: una vez sin sistemas de seguridad, una vez solo con rociadores y una vez solo con extracción de humo, además de un conjunto final donde ambos sistemas trabajaban juntos. Esto les permitió ver exactamente cuánto cambiaban los sistemas de seguridad la temperatura y la composición del aire.

Los investigadores descubrieron que los sistemas de seguridad tenían un efecto profundo y mensurable. Cuando solo estaban activos los rociadores, la temperatura promedio al nivel de la respiración descendió más de 30 grados Celsius en comparación con un incendio no controlado. Cuando solo se usaban los ventiladores de extracción de humo, la temperatura bajó unos 10 grados. Pero cuando ambos sistemas trabajaban juntos, la temperatura al nivel de la respiración cayó casi 60 grados. Este efecto de enfriamiento masivo significaba que las viejas reglas para adivinar la calidad del aire basadas en la temperatura del techo ya no eran válidas. Si un sistema intentaba usar las reglas antiguas durante un incendio activo, sobreestimaría significativamente el peligro o fallaría por completo en captar las condiciones reales. Los datos demostraron que la relación entre el calor en el techo y el aire al nivel de la respiración había sido completamente reescrita por el agua y el flujo de aire.

Para solucionar esto, el equipo recurrió al aprendizaje automático (machine learning), un tipo de inteligencia computacional que aprende patrones a partir de los datos. Entrenaron varios modelos computacionales diferentes para que actuaran como un traductor. El objetivo era tomar los datos brutos de temperatura de los sensores de fibra óptica en el techo y las paredes, junto con información sobre el tamaño de la habitación y la intensidad del incendio, y generar como resultado una temperatura corregida y precisa para el nivel de la respiración. Probaron cuatro tipos diferentes de algoritmos de aprendizaje. Uno de ellos, una red neuronal de grafos, resultó ser el más efectivo. Este modelo específico era particularmente bueno para comprender la disposición espacial de los sensores, reconociendo cómo la temperatura en un punto del techo se relaciona con la temperatura del siguiente punto, y cómo el agua de un rociador podría enfriar un área específica de manera diferente a la de un ventilador.

Una vez que tuvieron el mejor modelo para corregir la temperatura, lo utilizaron para predecir los otros factores peligrosos. Debido a que el calor, el humo y el gas están físicamente vinculados, conocer la temperatura real permite a una computadora estimar la cantidad de dióxido de carbono, el oxígeno restante, la densidad del humo y la visibilidad. Los resultados fueron sorprendentes. Antes de la corrección, las suposiciones de la computadora sobre los niveles de dióxido de carbono tenían un error de casi el 14 por ciento. Después de aplicar la nueva corrección de temperatura, el error cayó a menos del 5 por ciento. Para la visibilidad, que es crucial para encontrar una salida, la tasa de error cayó de casi el 8 por ciento a poco menos del 3 por ciento. El modelo fue capaz de predecir con precisión la densidad del humo y la cantidad de oxígeno restante, incluso en el entorno caótico creado por los sistemas de seguridad activos.

Los investigadores luego probaron si este nuevo método funcionaría en edificios que nunca habían visto antes. Aplicaron su modelo a simulaciones digitales de una pequeña tienda minorista, un alto atrio y una enorme sala comercial, ninguno de los cuales formaba parte de los datos de entrenamiento originales. El modelo se mantuvo notablemente bien en todas estas diferentes formas y tamaños. Mantuvo una alta precisión al predecir las condiciones peligrosas, demostrando que el método no es solo una solución para una habitación específica, sino una herramienta robusta que puede adaptarse a la diversa arquitectura de los edificios comerciales modernos. Esto sugiere que, en una emergencia real, un solo cable de fibra óptica podría proporcionar una imagen completa y en tiempo real de las condiciones de seguridad al nivel de la respiración, incluso mientras los rociadores rocían y los ventiladores rugen.

Las implicaciones de este trabajo son significativas para la forma en que mantenemos seguros los grandes espacios públicos. Actualmente, los sistemas de seguridad contra incendios están diseñados para detectar un incendio y activar una alarma, pero no suelen proporcionar un mapa detallado y en tiempo real de las condiciones peligrosas al nivel donde la gente está evacuando. Este nuevo enfoque ofrece una forma de generar ese mapa utilizando los sensores que ya se están instalando para el monitoreo de temperatura. Al corregir los datos para tener en cuenta los sistemas de seguridad activos, los administradores de edificios y los bomberos podrían potencialmente ver exactamente dónde el aire se está volviendo tóxico, dónde el oxígeno es escaso y dónde el humo está bloqueando la vista. Esta información podría usarse para guiar a las personas lejos del peligro y hacia salidas seguras, o para ayudar a los bomberos a comprender el entorno al que están ingresando. Aunque el estudio se realizó enteramente a través de simulaciones computacionales, los resultados proporcionan una base sólida para el desarrollo de una nueva generación de monitoreo de seguridad contra incendios que sea lo suficientemente inteligente como para comprender los mismos sistemas diseñados para salvar vidas.