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

जब किसी बड़े शॉपिंग मॉल या कार्यालय भवन में आग लगती है, तो खतरा केवल लपटों का नहीं होता, बल्कि उसके पीछे आने वाले अत्यधिक गर्म गैस और घने धुएं के अदृश्य बादल का भी होता है। बाहर निकलने की कोशिश कर रहे लोगों के लिए, सबसे महत्वपूर्ण जानकारी यह है कि उनके सांस लेने के स्तर पर (ज़मीन से लगभग छह फीट ऊपर) हवा कैसी महसूस हो रही है। यहीं पर तापमान, बचे हुए ऑक्सीजन की मात्रा, जहरीली गैसों की सांद्रता और दृश्यता (कितनी दूर तक देखा जा सकता है) जीवन और मृत्यु का प्रश्न बन जाते हैं। आधुनिक इमारतें इन खतरों से लड़ने के लिए सक्रिय सुरक्षा प्रणालियों से सुसज्जित होती हैं: स्प्रिंकलर जो हवा को ठंडा करने के लिए पानी छिड़कते हैं और मैकेनिकल पंखे जो कमरे से धुआं बाहर खींचते हैं। हालांकि, ये प्रणालियाँ केवल आग को नियंत्रित करने का काम नहीं करतीं; वे मौलिक रूप से इस बात को बदल देती हैं कि गर्मी और धुआं एक स्थान के माध्यम से कैसे आगे बढ़ता है। वे एक जटिल, परिवर्तनशील वातावरण बनाती हैं जिससे मानक सेंसर यह बताने में असमर्थ हो जाते हैं कि उस स्तर पर वास्तव में क्या हो रहा है जहाँ लोग भागने की कोशिश कर रहे हैं।

शोधकर्ता इन आग की घटनाओं की निगरानी करने के लिए 'डिस्ट्रीब्यूटेड ऑप्टिकल-फाइबर टेम्परेचर सेंसिंग' नामक एक चतुर तकनीक का लंबे समय से उपयोग करते आए हैं। कल्पना कीजिए कि छत के साथ और दीवारों से नीचे की ओर जाता हुआ कांच का एक लंबा, पतला धागा है, जो अपनी पूरी लंबाई में हर एक बिंदु पर तापमान मापने में सक्षम है। यह गर्मी का एक निरंतर, विस्तृत मानचित्र बनाता है जो कुछ बिखरे हुए थर्मामीटरों की तुलना में कहीं अधिक श्रेष्ठ है। चुनौती तब आती है जब इमारत की सुरक्षा प्रणालियाँ सक्रिय हो जाती हैं। स्प्रिंकलर से गिरने वाला पानी और निकास पंखों (एग्जॉस्ट फैन) से आने वाली हवा उन छत और दीवारों को ठंडा कर देती है जहाँ सेंसर लगे होते हैं, लेकिन वे हवा को इस तरह से भी हिला देते हैं जिससे सांस लेने के स्तर पर तापमान अप्रत्याशित तरीकों से बदल जाता है। यदि कोई कंप्यूटर केवल छत के तापमान की रीडिंग के आधार पर सांस लेने के स्तर पर खतरनाक स्थितियों का अनुमान लगाने की कोशिश करता है, तो वह अक्सर गलत होगा क्योंकि सुरक्षा प्रणालियों द्वारा छत और फर्श के बीच के संबंध को बदल दिया गया है।

चीन के कई विश्वविद्यालयों और अनुसंधान संस्थानों के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने का लक्ष्य रखा। वे एक ऐसा तरीका बनाना चाहते थे जो इन फाइबर-ऑप्टिक सेंसरों से प्राप्त तापमान रीडिंग को ले सके, भले ही स्प्रिंकलर और पंखे चल रहे हों, और सांस लेने के स्तर पर खतरनाक स्थितियों की सटीक भविष्यवाणी कर सके। इसके लिए, उन्होंने वास्तविक आग पर भरोसा नहीं किया, क्योंकि वास्तविक आग का नियंत्रित तरीके से अध्ययन करना बहुत खतरनाक और अनिश्चित होता है। इसके बजाय, उन्होंने उन्नत कंप्यूटर सिमुलेशन का उपयोग करके अग्नि परिदृश्यों (फायर सिनेरियोस) का एक विशाल डिजिटल पुस्तकालय बनाया। उन्होंने विभिन्न आकारों के वाणिज्यिक स्थानों, जैसे छोटी दुकानों से लेकर बड़े एट्रियम तक, का मॉडल तैयार किया और विभिन्न तीव्रता की आग का अनुकरण किया। फिर उन्होंने प्रत्येक परिदृश्य के लिए तीन बार सिमुलेशन चलाया: एक बार बिना किसी सुरक्षा प्रणाली के, एक बार केवल स्प्रिंकलर के साथ, और एक बार केवल धुआं निकालने वाले पंखों के साथ, और अंत में एक अंतिम सेट जहाँ दोनों प्रणालियाँ मिलकर काम कर रही थीं। इससे उन्हें यह देखने में मदद मिली कि सुरक्षा प्रणालियों ने तापमान और हवा की संरचना को वास्तव में कितना बदला।

शोधकर्ताओं ने पाया कि सुरक्षा प्रणालियों का गहरा और मापने योग्य प्रभाव पड़ता है। जब केवल स्प्रिंकलर सक्रिय थे, तो सांस लेने के स्तर पर औसत तापमान अनियंत्रित आग की तुलना में 30 डिग्री सेल्सियस से अधिक कम हो गया। जब केवल धुआं निकालने वाले पंखों का उपयोग किया गया, तो तापमान लगभग 10 डिग्री गिर गया। लेकिन जब दोनों प्रणालियाँ एक साथ काम कर रही थीं, तो सांस लेने के स्तर पर तापमान लगभग 60 डिग्री तक गिर गया। इस भारी शीतलन प्रभाव का अर्थ था कि छत के तापमान के आधार पर हवा की गुणवत्ता का अनुमान लगाने के नियम अब मान्य नहीं रह गए थे। यदि कोई सिस्टम सक्रिय आग के दौरान पुराने नियमों का उपयोग करता, तो वह खतरे का बहुत अधिक आकलन करता या वास्तविक स्थितियों को पूरी तरह से समझने में विफल रहता। डेटा ने दिखाया कि छत पर मौजूद गर्मी और सांस लेने के स्तर पर मौजूद हवा के बीच का संबंध पानी और वायु प्रवाह द्वारा पूरी तरह से फिर से लिख दिया गया था।

इसे ठीक करने के लिए, टीम ने मशीन लर्निंग की ओर रुख किया, जो डेटा से पैटर्न सीखने वाला एक प्रकार का कंप्यूटर इंटेलिजेंस है। उनका लक्ष्य कई अलग-अलग कंप्यूटर मॉडलों को एक 'अनुवादक' के रूप में प्रशिक्षित करना था। लक्ष्य यह था कि छत और दीवारों पर लगे फाइबर-ऑप्टिक सेंसरों से प्राप्त कच्चे तापमान डेटा और कमरे के आकार तथा आग की तीव्रता की जानकारी को लेकर, सांस लेने के स्तर के लिए एक सुधारा हुआ और सटीक तापमान आउटपुट के रूप में प्राप्त किया जा सके। उन्होंने चार अलग-अलग प्रकार के लर्निंग एल्गोरिदम का परीक्षण किया। इनमें से एक, 'ग्राफ न्यूरल नेटवर्क', सबसे प्रभावी साबित हुआ। यह विशिष्ट मॉडल सेंसरों के स्थानिक लेआउट (स्पेशियल लेआउट) को समझने में विशेष रूप से सक्षम था, यह पहचानने में कि छत के एक बिंदु पर तापमान दूसरे बिंदु से कैसे संबंधित है, और कैसे एक स्प्रिंकलर से गिरने वाला पानी एक पंखे की हवा की तुलना में एक विशिष्ट क्षेत्र को अलग तरह से ठंडा कर सकता है।

एक बार जब उनके पास तापमान को सुधारने के लिए सबसे अच्छा मॉडल तैयार हो गया, तो उन्होंने अन्य खतरनाक कारकों की भविष्यवाणी करने के लिए इसका उपयोग किया। क्योंकि गर्मी, धुआं और गैस भौतिक रूप से आपस में जुड़े हुए हैं, इसलिए वास्तविक तापमान को जानकर, एक कंप्यूटर कार्बन डाइऑक्साइड की मात्रा, बचे हुए ऑक्सीजन, धुएं के घनत्व और दृश्यता का अनुमान लगा सकता है। परिणाम आश्चर्यजनक थे। सुधार से पहले, कार्बन डाइऑक्साइड के स्तर के लिए कंप्यूटर के अनुमान लगभग 14 प्रतिशत तक गलत थे। नए तापमान सुधार को लागू करने के बाद, त्रुटि घटकर 5 प्रतिशत से भी कम रह गई। दृश्यता के लिए, जो निकास खोजने के लिए अत्यंत महत्वपूर्ण है, त्रुटि दर लगभग 8 प्रतिशत से गिरकर 3 प्रतिशत से भी कम हो गई। मॉडल धुएं के घनत्व और ऑक्सीजन की शेष मात्रा का भी सटीक अनुमान लगाने में सक्षम था, यहाँ तक कि सक्रिय सुरक्षा प्रणालियों द्वारा निर्मित अराजक वातावरण में भी।

शोधकर्ताओं ने फिर यह परीक्षण किया कि क्या यह नई विधि उन इमारतों में भी काम करेगी जिन्हें उन्होंने पहले कभी नहीं देखा है। उन्होंने अपने मॉडल को एक छोटी रिटेल शॉप, एक ऊंचे एट्रियम और एक विशाल वाणिज्यिक हॉल के डिजिटल सिमुलेशन पर लागू किया, जिनमें से कोई भी मूल प्रशिक्षण डेटा का हिस्सा नहीं था। मॉडल ने सभी विभिन्न आकारों और आकृतियों में उल्लेखनीय रूप से अच्छा प्रदर्शन किया। इसने खतरनाक स्थितियों की भविष्यवाणी करने में उच्च सटीकता बनाए रखी, जिससे यह सिद्ध हुआ कि यह विधि केवल एक विशिष्ट कमरे के लिए समाधान नहीं है, बल्कि एक मजबूत उपकरण है जो आधुनिक वाणिज्यिक भवनों की विविध वास्तुकला के अनुकूल हो सकता है। यह सुझाव देता है कि वास्तविक आपात स्थिति में, एक एकल फाइबर-ऑप्टिक केबल सांस लेने के स्तर पर सुरक्षा स्थितियों की पूर्ण, वास्तविक समय की तस्वीर प्रदान कर सकती है, भले ही स्प्रिंकलर छिड़क रहे हों और पंखे गरज रहे हों।

इस कार्य के निहितार्थ महत्वपूर्ण हैं कि सार्वजनिक स्थानों को सुरक्षित रखने के लिए हम इसे कैसे बेहतर बना सकते हैं। वर्तमान में, अग्नि सुरक्षा प्रणालियों को आग का पता लगाने और अलार्म बजाने के लिए डिज़ाइन किया गया है, लेकिन वे आमतौर पर उस स्तर पर खतरनाक स्थितियों का विस्तृत, वास्तविक समय का मानचित्र प्रदान नहीं करते हैं जहाँ लोग निकासी (इवैक्यूएशन) कर रहे होते हैं। यह नया दृष्टिकोण उन सेंसरों का उपयोग करके उस मानचित्र को उत्पन्न करने का एक तरीका प्रदान करता है जो तापमान की निगरानी के लिए पहले से ही स्थापित किए जा रहे हैं। डेटा को सक्रिय सुरक्षा प्रणालियों के अनुसार संशोधित करके, बिल्डिंग मैनेजर और अग्निशमन कर्मी संभावित रूप से यह देख सकते हैं कि हवा कहाँ जहरीली हो रही है, ऑक्सीजन कहाँ कम हो रही है, और धुआं दृष्टि को कहाँ बाधित कर रहा है। इस जानकारी का उपयोग लोगों को खतरे से दूर और सुरक्षित निकास की ओर ले जाने के लिए, या अग्निशमन कर्मियों को उस वातावरण को समझने में मदद करने के लिए किया जा सकता है जिसमें वे प्रवेश कर रहे हैं। हालांकि यह अध्ययन पूरी तरह से कंप्यूटर सिमुलेशन के माध्यम से किया गया था, फिर भी इसके परिणाम अग्नि सुरक्षा निगरानी की एक नई पीढ़ी को विकसित करने के लिए एक मजबूत आधार प्रदान करते हैं जो उन प्रणालियों को समझने के लिए पर्याप्त स्मार्ट है जो जीवन बचाने के लिए बनाई गई हैं।