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

Wanneer er brand uitbreekt in een groot winkelcentrum of kantoorgebouw, is het gevaar niet alleen de vlammen zelf, maar ook de onzichtbare wolk van oververhit gas en dikke rook die volgt. Voor mensen die proberen te vluchten, is de meest cruciale informatie hoe de lucht aanvoelt op hun ademhalingsniveau, ongeveer anderhalve meter boven de grond. Dit is waar temperatuur, de hoeveelheid resterende zuurstof, de concentratie giftige gassen en de afstand die men kan zien, zaken van leven of dood worden. Moderne gebouwen zijn uitgerust met actieve veiligheidssystemen die ontworpen zijn om deze gevaren te bestrijden: sprinklers die water spuiten om de lucht af te koelen en mechanische ventilatoren die rook uit de ruimte zuigen. Deze systemen doen echter meer dan alleen het vuur onderdrukken; ze veranderen fundamenteel hoe warmte en rook zich door een ruimte bewegen. Ze creëren een complexe, verschuivende omgeving die het voor standaard sensoren moeilijk maakt om het ware verhaal te vertellen van wat er gebeurt op het niveau waar mensen proberen te rennen.

Onderzoekers hebben lang gebruikgemaakt van een slimme technologie genaamd gedistribueerde optische-vezel temperatuursensoring om deze branden te monitoren. Stel je een lange, dunne glazen draad voor die langs het plafond en langs de muren loopt, in staat om de temperatuur op elk afzonderlijk punt langs de hele lengte te meten. Dit creëert een continue, gedetailleerde kaart van hitte die veel superieur is aan het hebben van slechts een paar verspreide thermometers. De uitdaging ontstaat wanneer de veiligheidssystemen van het gebouw in werking treden. Het water van de sprinklers en de lucht van de afzuigventilatoren koelen het plafond en de muren waar de sensoren zich bevinden, maar ze brengen de lucht ook in beweging op manieren die de temperatuur op ademhalingsniveau op onvoorspelbare wijze veranderen. Als een computer probeert de gevaarlijke omstandigheden op ademhalingsniveau te raden op basis van alleen de temperatuurmetingen van het plafond, zal deze vaak fout zitten omdat de relatie tussen het plafond en de vloer is gewijzigd door de veiligheidssystemen.

Een team van onderzoekers van verschillende Chinese universiteiten en onderzoeksinstituten zette zich af om dit specifieke probleem op te lossen. Ze wilden een methode creëren die de temperatuurmetingen van deze glasvezelsensoren kon nemen, zelfs terwijl de sprinklers en ventilatoren draaien, en de gevaarlijke omstandigheden op ademhalingsniveau nauwkeurig kon voorspellen. Om dit te doen, vertrouwden ze niet op echte branden, die te gevaarlijk en te onvoorspelbaar zijn om op een gecontroleerde manier te bestuderen. In plaats daarvan bouwden ze een enorme digitale bibliotheek van brandsituaties met behulp van geavanceerde computersimulaties. Ze modelleerden commerciële ruimtes van verschillende formaten, van kleine winkels tot grote atria, en simuleerden branden van verschillende intensiteiten. Vervolgens draaiden ze deze simulaties drie keer voor elk scenario: één keer zonder veiligheidssystemen, één keer met alleen sprinklers, en één keer met alleen rookafzuiging, plus een laatste set waarbij beide systemen samenwerkten. Dit stelde hen in staat om precies te zien hoe de veiligheidssystemen de temperatuur en de samenstelling van de lucht veranderden.

De onderzoekers ontdekten dat de veiligheidssystemen een diepgaand en meetbaar effect hadden. Wanneer alleen de sprinklers actief waren, daalde de gemiddelde temperatuur op ademhalingsniveau met meer dan 30 graden Celsius vergeleken met een ongecontroleerde brand. Wanneer alleen de rookafzuigventilatoren werden gebruikt, daalde de temperatuur met ongeveer 10 graden. Maar wanneer beide systemen samenwerkten, kelderde de temperatuur op ademhalingsniveau met bijna 60 graden. Dit enorme koelingseffect betekende dat de oude regels voor het raden van de luchtkwaliteit op basis van plafondtemperatuur niet langer geldig waren. Als een systeem de oude regels zou gebruiken tijdens een actieve brand, zou het de gevaren aanzienlijk overschatten of de werkelijke omstandigheden volledig missen. De gegevens toonden aan dat de relatie tussen de hitte op het plafond en de lucht op ademhalingsniveau volledig was herschreven door het water en de luchtstroom.

Om dit op te lossen, maakte het team gebruik van machine learning, een vorm van computerintelligentie die patronen leert van data. Ze trainden verschillende computermodellen om als een vertaler te fungeren. Het doel was om de ruwe temperatuurgegevens van de glasvezelsensoren op het plafond en de muren, samen met informatie over de grootte van de kamer en de intensiteit van de brand, te nemen en een gecorrigeerde, nauwkeurige temperatuur voor het ademhalingsniveau te produceren. Ze testten vier verschillende soorten leeralgoritmen. Een van hen, een graph neural network, bleek het meest effectief. Dit specifieke model was bijzonder goed in het begrijpen van de ruimtelijke lay-out van de sensoren, waarbij het herkende hoe de temperatuur op één punt op het plafond gerelateerd is aan de temperatuur op het volgende punt, en hoe het water van een sprinkler een specif으로 gebied anders kan koelen dan de lucht van een ventilator.

Nadat ze het beste model hadden gevonden voor het corrigeren van de temperatuur, gebruikten ze dit om andere gevaarlijke factoren te voorspellen. Omdat hitte, rook en gas fysiek aan elkaar gekoppeld zijn, stelt het weten van de werkelijke temperatuur een computer in staat om de hoeveelheid koolstofdioxide, de resterende zuurstof, de dichtheid van de rook en de zichtbaarheid in te schatten. De resultaten waren opmerkelijk. Voordat de correctie werd toegepast, zat de computer er bij de koolstofdioxideniveaus bijna 14 procent naast. Na het toepassen van de nieuwe temperatuurcorrectie daalde de foutmarge naar minder dan 5 procent. Voor de zichtbaarheid, wat cruciaal is voor het vinden van een uitgang, daalde de foutmarge van bijna 8 procent naar net onder de 3 procent. Het model was in staat om de dichtheid van de rook en de hoeveelheid resterende zuurstof nauwkeurig te voorspellen, zelfs in de chaotische omgeving die door de actieve veiligheidssystemen wordt gecreëerd.

De onderzoekers testten vervolgens of deze nieuwe methode zou werken in gebouwen die ze nog nooit hadden gezien. Ze pasten hun model toe op digitale simulaties van een kleine winkel, een hoog atrium en een enorme commerciële hal, die geen deel uitmaakten van de oorspronkelijke trainingsdata. Het model hield zich opmerkelijk goed in al deze verschillende vormen en maten. Het behield een hoge nauwkeurigheid bij het voorspellen van de gevaarlijke omstandigheden, wat bewees dat de methode niet slechts een oplossing is voor één specifieke kamer, maar een robuust instrument dat kan zich aanpassen aan de diverse architectuur van moderne commerciële gebouwen. Dit suggereert dat in een echte noodsituatie een enkele glasvezelkabel een compleet, realtime beeld kan geven van de veiligheidsomstandigheden op ademhalingsniveau, zelfs terwijl de sprinklers spuiten en de ventilatoren loeien.

De implicaties van dit werk zijn aanzienlijk voor hoe we grote openbare ruimtes veilig houden. Momenteel zijn brandveiligheidssystemen ontworpen om een brand te detecteren en een alarm te activeren, maar ze bieden doorga_ns geen gedetailleerde, realtime kaart van de gevaarlijke omstandigheden op het niveau waar mensen evacueren. Deze nieuwe aanpak biedt een manier om die kaart te genereren met behulp van de sensoren die al worden geïnstalleerd voor temperatuurmonitoring. Door de gegevens te corrigeren om rekening te houden met de actieve veiligheidssystemen, kunnen gebouwbeheerders en brandweerlieden potentieel precies zien waar de lucht giftig wordt, waar de zuurstof laag wordt en waar de rook het zicht blokkeert. Deze informatie zou gebruikt kunnen worden om mensen weg te leiden van gevaar en naar veilige uitgangen, of om brandweerlieden te helpen de omgeving te begrijpen waar zij binnentreden. Hoewel de studie volledig via computersimulaties is uitgevoerd, bieden de resultaten een sterke basis voor de ontwikkeling van een nieuwe generatie branddetectie die slim genoeg is om de systemen te begrijpen die juist bedoeld zijn om levens te redden.