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

大規模なショッピングモールやオフィスビルで火災が発生した際、危険は炎そのものだけでなく、それに続く超高温のガスと濃い煙の目に見えない雲でもあります。避難しようとする人々にとって、最も重要な情報は、地上約6フィート（約1.8メートル）の呼吸レベルにおける空気の状態です。ここで、温度、残存酸素量、毒性ガスの濃度、そして視界の距離が、生死を分ける問題となります。現代の建物には、これらの危害に対処するために設計された能動的な安全システムが備わっています。空気を冷却するために水を噴射するスプリンクラーや、部屋から煙を吸い出す機械ファンなどです。しかし、これらのシステムは単に火災を抑制するだけではありません。それらは熱や煙が空間内を移動する方法を根本的に変えてしまいます。これらは複雑で変化し続ける環境を作り出し、標準的なセンサーが、人々が走ろうとしているレベルで実際に何が起きているのかという真実を伝えることを困難にします。

研究者たちは、これらの火災を監視するために、分散型光ファイバー温度センシングと呼ばれる巧妙な技術を長年利用してきました。天井に沿って壁へと垂れ下がる、細長いガラスの糸を想像してください。それは、その長さのあらゆる地点で温度を測定できる能力を持っています。これは、単に数カ所に点在する温度計を持つよりも、はるかに詳細で連続的な熱のマップを作成します。課題は、建物の安全システムが作動したときに発生します。スプリンクラーからの水や排気ファンからの空気は、センサーがある天井や壁を冷却しますが、同時に、予測不可能な方法で呼吸レベルの温度を変化させるように空気をかき混ぜます。もしコンピュータが、天井の温度計の数値のみに基づいて呼吸レベルの危険な状態を推測しようとすれば、安全システムによって天井と床の関係性が変化してしまっているため、しばしば誤った判断を下すことになります。

中国の複数の大学および研究機関のチームは、この特定の問題を解決するために立ち上がりました。彼らは、スプラーンカーやファンが作動している間でも、これらの光ファイバーセンサーからの温度測定値を取り込み、呼吸レベルにおける危険な状態を正確に予測できる手法を生み出したいと考えました。これを行うために、彼らは制御された方法で研究するにはあまりにも危険で予測不可能な「現実の火災」には頼りませんでした。代わりに、高度なコンピュータシミュレーションを用いて、膨大なデジタル・ライブラリ（火災シナリオの集積）を構築しました。彼らは、小さなショップから大きなアトリウムまで、さまざまなサイズの商業空間をモデル化し、異なる強度の火災をシミュレートしました。そして、各シナリオに対して、(1) 安全システムが作動していない状態、(2) スプリンクラーのみが作動している状態、(3) 煙排出ファンのみが作動している状態、そして (4) 両方のシステムが連携して作動している状態、という3つのパターン（および最終的な組み合わせ）でシミュレーションを実行しました。これにより、安全システムが温度や空気の組成をどれほど変化させたのかを正確に把握することができました。

研究者たちは、安全システムが極めて重大かつ測定可能な影響を与えることを発見しました。スプリンカーのみが作動している場合、呼吸レベルの平均温度は、制御されていない火災と比較して30度以上低下しました。煙排出ファンのみを使用した場合、温度は約10度低下しました。しかし、両方のシステムが連動して作動すると、呼吸レベルの温度は60度近くも急降下しました。この劇的な冷却効果により、天井の温度に基づいて空気の状態を推測するという従来のルールは、もはや通用しなくなりました。もしシステムが、作動中の火災中に古いルールを使用しようとすれば、危険性を大幅に過大評価するか、あるいは真の状態を見逃してしまうことになります。データは、水と気流によって、天井の熱と呼吸レベルの空気との関係が完全に書き換えられてしまったことを示していました。

これを解決するために、チームはデータからパターンを学習するコンピュータ知能の一種である、機械学習を活用しました。彼らは、天井にある光ファイバーセンサーからの生の温度データと、部屋のサイズ、および火災の強度を入力として受け取り、補正された正確な呼吸レベルの温度を出力する「翻訳機」として、いくつかの異なるコンピュータモデルを訓練しました。彼らは4種類の学習アルゴリズムをテストしました。その中で、グラフニューラルネットワークの一つが最も効果的であることが証明されました。この特定のモデルは、センサーの空間的な配置を理解することに特に優れており、天井の一点における温度が隣接する点の温度とどのように関連しているか、また、スプリンカーからの水がファンの空気とはどのように異なる形で特定のエリアを冷却するかを認識することができました。

温度を補正するための最良のモデルを構築した後、彼らはそれを他の危険因子を予測するために使用しました。熱、煙、ガスはすべて物理的に結びついているため、真の温度を知ることで、コンピュータは二酸化炭素量、残存酸素量、煙の密度、および視認性を推定することができます。結果は驚くべきものでした。補正前、二酸化炭素レベルに対するコンピュータの推測誤差は14パーセント近くに達していました。新しい温度補正を適用した後、その誤差は5パーセント未満に減少しました。出口を見つけるために極めて重要な視認性については、誤差率は8パーセント近くから3パーセント未満へと低下しました。モデルは、能動的な安全システムによって作り出された混沌とした環境においても、煙の密度や残存酸素量を正確に予測することができました。

次に、研究者たちは、この新しい手法が未知の建物でも機能するかどうかをテストしました。彼らは、元の学習データには含まれていない、小さな小売店、高いアトリウム、および大規模な商業ホールのデジタルシミュレーションにこのモデルを適用しました。モデルは、これらすべての異なる形状やサイズにおいて、極めて良好に機能しました。危険な状態を予測する上で高い精度を維持しており、この手法が特定の部屋専用の解決策ではなく、現代の多様な建築構造に適応できる堅牢なツールであることを証明しました。これは、現実の緊急事態において、単一の光ファイバーケーブルが、スプリンラーが噴射されファンが唸りを上げている最中であっても、呼吸レベルにおける安全条件の完全かつリアルタイムな全体像を提供できる可能性を示唆しています。

この研究の意義は、公共空間の安全確保の方法において非常に重要です。現在、火災安全システムは火災を検知してアラームを作動させるよう設計されていますが、人々が避難しているレベルでの詳細なリアルタイムの危険マップを提供することは通常ありません。この新しいアプローチは、温度モニタリングのためにすでに設置されているセンサーを使用して、そのマップを生成する方法を提供します。安全システムによる影響を考慮してデータを補正することで、ビル管理者や消防士は、どこで空気が有毒になり、どこで酸素が不足し、どこで煙が視界を遮っているのかを正確に把握できるようになる可能性があります。この情報は、人々を危険から遠ざけて安全な出口へと導いたり、消防士が進入しようとしている環境を理解したりするために活用できるでしょう。今回の研究はすべてコンピュータシミュレーションを通じて行われましたが、その結果は、命を救うために設計されたシステムそのものの動きを理解できるほどスマートな、次世代の火災安全モニタリングを開発するための強力な基礎を提供しています。