Resumo Técnico: Um Framework de Suporte à Decisão de Emergência para Acidentes em Convés de Voo

1. Declaração do Problema

O convés de voo de um navio de guerra representa um ambiente operacional de alto risco, onde um único evento iniciador (ex: colisão, vazamento de combustível, pouso duro) pode desencadear cascata de perigos acoplados. Essas cascata envolvem propagação simultânea de incêndio, deterioração progressiva de baixas e degradação da estabilidade induzida por danos. Os autores identificam três desafios primários na resposta a tais cenários:

1. Incerteza de Estado: As condições de incêndio, o status das baixas e as margens de estabilidade evoluem continuamente, tornando planos pré-estabelecidos estáticos incapazes de cobrir todas as trajetórias possíveis.
2. Tarefas Fortemente Acopladas: Equipes heterogêneas (supressão de incêndio, resgate médico, remoção de detritos, garantia de estabilidade) devem operar simultaneamente, muitas vezes competindo por recursos e caminhos.
3. Recursos Restritos: Os objetivos de resposta estendem-se além da supressão de incêndio para incluir o tratamento de baixas na "hora de ouro", manutenção da estabilidade residual e recuperação da missão, exigindo trade-offs multiobjetivos complexos.

Pesquisas existentes abordaram controle de danos, evacuação e cooperação multiagente de forma isolada, mas carecem de um sistema de malha fechada que unifique a evolução do estado do acidente, a coordenação entre equipes e a execução de caminhos dinâmicos para restrições específicas de convés de voo.

2. Metodologia: O Framework IEDFS

O artigo propõe o Intelligent Emergency Decision-support Framework for Flight-deck Safety (IEDFS), uma arquitetura de malha fechada composta por três módulos fortemente acoplados que operam em passos de tempo discretos.

2.1. Mecanismo de Adjudicação Dinâmica Baseado em Dualidade Conhecimento–Dados

Este módulo realiza a modelagem online do estado do acidente para fornecer consciência situacional.

• Mecanismo: Utiliza um framework baseado em regras que são inicializadas a partir de conhecimento especializado (planos pré-estabelecidos, regulamentos) e estendidas via mineração de dados de simulações históricas.
• Atualização Dinâmica: Um mecanismo de atualização de confiança ajusta continuamente a confiabilidade de cada regra com base no desvio entre os resultados previstos e as observações reais (usando a distância de Wasserstein). Regras que caem abaixo de um limiar de confiança tornam-se latentes, enquanto novos padrões são integrados automaticamente.
• Modelagem Acoplada: Unifica a modelagem da propagação de incêndio, evolução da condição das baixas (baseada na gravidade da lesão), dispersão de perigos e restrições de estabilidade de danos (altura metacêntrica, inclinação, trim) dentro de um único passo de tempo.

2.2. Módulo de Decisão Cooperativa Multiagente com Atenção Aprimorada

A alocação de tarefas é formalizada como um Processo de Decisão de Markov Parcialmente Observável Descentralizado (Dec-POMDP).

• Algoritmo: Os autores propõem o Attention-QMIX, uma extensão do algoritmo QMIX. Ele incorpora um mecanismo de atenção multi-cabeça para agregar informações de outros agentes, codificando explicitamente a heterogeneidade de tipos de agentes (ex: supressão de incêndio vs. equipes médicas) e observações locais.
• Treinamento: O sistema utiliza Treinamento Centralizado com Execução Descentralizada (CTDE). Uma estratégia de aprendizado por currículo é utilizada, começando com cenários de perigo único e aumentando progressivamente a complexidade (acoplamento fogo-baixa, restrições de comunicação, falhas de equipamento).
• Estrutura de Recompensa: A função de recompensa compartilhada equilibra quatro incentivos (resgate de baixas, controle de incêndio, recuperação operacional, segurança de estabilidade) contra dois penalidades (atraso de tempo, violações de limites de segurança).

2.3. Módulo de Planejamento de Caminho Hierárquico e Variável no Tempo

Este módulo traduz alocações de tarefas abstratas em caminhos executáveis, abordando a natureza dinâmica do ambiente.

• Arquitetura: Uma abordagem de três camadas:
  1. Alocação de Tarefas: Atribui nós alvo e prioridades.
  2. Planejamento Global: Utiliza um algoritmo A* estendido no tempo em um grafo variante no tempo para gerar caminhos candidatos ideais.
  3. Replanejamento Local: Utiliza D Lite* para replanejamento incremental rápido quando as condições locais mudam (ex: nova ignição de incêndio, bloqueio de passagem).
• Custos Diferenciados: As funções de custo de aresta são parametrizadas de forma diferente para cada tipo de equipe (ex: alto custo de perigo para equipes de incêndio, alto custo de restrição de transporte para equipes médicas carregando macas).
• Resolução de Conflitos: Uma estratégia baseada em prioridade resolve conflitos espaço-temporais, priorizando tarefas de baixas da "hora de ouro" sobre o crescimento do incêndio e riscos de estabilidade.

3. Principais Contribuições

O artigo reivindica as seguintes contribuições principais:

1. Mecanismo de Adjudicação Unificado: Um motor de dupla direção conhecimento-dados que unifica a modelagem de fogo, baixas, perigos e estabilidade com atualização de confiança online, permitindo a adjudicação de estado em tempo real.
2. Modelo Multiagente Heterogêneo: Uma formulação Dec-POMDP usando Attention-QMIX para suportar a otimização cooperativa entre equipes heterogêneas sob observabilidade parcial, lidando explicitamente com diferenças de papéis.
3. Planejamento de Caminho Hierárquico: Um método que combina A* estendido no tempo e D* Lite com funções de custo diferenciadas para lidar simultaneamente com evasão de perigos, restrições de maca e conflitos de equipe.
4. Verificação de Malha Fechada: Uma plataforma de simulação abrangente (FDAS-Sim) e uma série de cinco cenários progressivamente escalonados usados para quantificar o desempenho do sistema e a sinergia dos módulos.

4. Resultados Experimentais

A validação foi realizada na plataforma FDAS-Sim através de cinco cenários (S1–S5), variando de incêndios localizados a condições extremas complexas com degradação de comunicação. O IEDFS (B5) foi comparado com quatro baselines (B1–B4) que representam regras estáticas, agendamento heurístico e integração parcial dos módulos propostos.

Principais Métricas de Desempenho (Melhoria sobre a Baseline de Regra Estática B1):

• Taxa de Tratamento da "Hora de Ouro" de Baixas Críticas: Aumentou em 26,3 pontos percentuais (de 54,2% para 80,5%).
• Tempo de Contenção de Incêndio: Reduzido em 40,1% (de 18,7 min para 11,2 min).
• Tempo de Recuperação Operacional do Convés de Voo: Reduzido em 36,1% (de 34,6 min para 22,1 min).
• Taxa de Excesso de Estabilidade de Danos: Reduzida em 53,2% (de 12,4% para 5,8%).
• Pontuação Composta: Melhorou em 0,256 (de 0,512 para 0,768).

Estudos de Ablação:

• Remover o motor de adjudicação dinâmica causou uma queda de 9,1% na pontuação composta, principalmente devido à degradação das métricas de controle de incêndio e estabilidade.
• Remover o mecanismo de atenção reduziu a pontuação em 6,8%, afetando principalmente as taxas de resgate de baixas devido à má coordenação entre equipes.
• Remover o planejamento de caminho dinâmico reduziu a pontuação em 7,4%, com o impacto mais significativo em cenários de alta complexidade (S4, S5), onde caminhos estáticos levaram a altas taxas de falha.
• A integração de todos os três módulos gerou um ganho sinérgico adicional de 4,6% além da soma das contribuições individuais.

Análise de Sensibilidade:
O sistema demonstrou robustez às variações nos pesos dos objetivos e mostrou desempenho superior em acidentes de grande escala e complexos comparado a cenários mais simples. Manteve a eficácia sob taxas de perda de pacotes de comunicação de até 60%, superando significativamente as baselines estáticas em condições de alta perda.

5. Significância e Alegações

O artigo posiciona o IEDFS como uma base metodológica viável para o suporte à decisão inteligente e treinamento de proficiência baseado em simulação para resposta a emergências em convés de voo.

• Integração Metodológica: O trabalho demonstra que integrar adjudicação de estado online, aprendizado por reforço multiagente heterogêneo e planejamento de caminho hierárquico cria um sistema de malha fechada robusto capaz de lidar com o acoplamento espaço-temporal de acidentes em convés de voo.
• Relevância de Engenharia: Ao modelar explicitamente restrições como largura de transporte de maca, inclinação do casco (inclinação lateral/trim) e estabilidade de danos, o framework aproxima-se da realidade de engenharia de topologias de navios militares melhor do que modelos de evacuação genéricos.
• Aplicação Prática: Os autores sugerem três vias de aplicação imediata:
  1. Integração em sistemas de treinamento e exercícios para geração de cenários e avaliação de estratégias.
  2. Uso como uma ferramenta auxiliar de suporte à decisão de comando, fornecendo recomendações em tempo real enquanto mantém a autoridade de override humano.
  3. Aplicação como uma ferramenta de avaliação de qualidade de planos pré-estabelecidos para identificar deficiências de cobertura em planos de emergência estáticos existentes.

Os autores reconhecem limitações, incluindo modelos físicos simplificados (CFD e modelos de lesão), a abstração das restrições de comunicação e a falta de mecanismos de "human-in-the-loop", apontando-os como direções para pesquisas futuras.