⚡ electrical engineering

Study Numerical Simulation of Smoke Movement and LSTM-Based Early Warning for metro Platform Fires

Este estudo integra simulações numéricas do Fire Dynamics Simulator (FDS), testes de fumaça em escala real e um modelo de aprendizado profundo de Long Short-Term Memory (LSTM) para analisar a dispersão de fumaça em incêndios em plataformas de metrô e desenvolver um sistema de alerta precoce altamente preciso que alcança mais de 98% de precisão na previsão de quedas críticas de visibilidade.

Autores originais: Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

Publicado 2026-08-22

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hua Chen, Haotian Qiao, Ying Xia, Yong Zhang, Chenyang Zhang, Qing Liu, Wenjing Mao, Tianchang Meng, Gang Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As cidades subterrâneas são uma maravilha da engenharia moderna, movimentando milhões de pessoas diariamente através de túneis que jazem profundamente abaixo da superfície. No entanto, essa conveniência traz consigo uma vulnerabilidade oculta: quando um incêndio surge em uma estação de metrô, a fumaça que ele produz torna-se a principal ameaça à vida. Diferente de um incêndio em um campo aberto, onde o calor e os gases podem subir e se dissipar, uma estação de metrô é uma caixa confinada. Sem o vento natural para afastar a fumaça, ela preenche o espaço rapidamente, obscurecendo a visão e enchendo o ar com gases tóxicos. A velocidade com que a fumaça se espalha determina se os passageiros conseguirão encontrar o caminho para a segurança ou se ficarão presos. Por décadas, engenheiros confiaram em sistemas de ventilação complexos para gerenciar esse perigo, mas a física da fumaça nesses espaços apertados e lotados é difícil de prever, e a janela para uma fuga segura é frequentemente medida em meros minutos.

Para enfrentar esse desafio, uma equipe de pesquisadores da China e do Canadá conduziu recentemente um estudo abrangente para entender exatamente como a fumaça se comporta durante um incêndio na plataforma e como alertar as pessoas antes que seja tarde demais. Eles combinaram três abordagens distintas: a construção de um gêmeo digital detalhado de uma estação de metrô, a realização de um teste de incêndio real em uma estação em operação e o treinamento de um computador para reconhecer padrões de perigo. O objetivo não era apenas ver como a fumaça se move, mas desenvolver um sistema que pudesse prever uma queda perigosa na visibilidade segundos antes de acontecer, dando aos socorristas e passageiros uma vantagem crucial.

Os pesquisadores começaram criando um modelo computacional preciso de uma estação de metrô típica de dois níveis, semelhante às encontradas em muitas grandes cidades chinesas. Eles simularam um incêndio na plataforma com uma saída de calor de 3 megawatts, um tamanho comparável ao incêndio de um veículo grande, e observaram como a fumaça se espalhava sob diferentes condições. Em um cenário, utilizaram o sistema de ventilação padrão da estação. Em outro, adicionaram um exaustor móvel para ver se ele poderia ajudar a limpar o ar mais rápido. Em um terceiro cenário, modelaram uma estação sem as barreiras de vidro que separam a plataforma dos trilhos, um design comum em sistemas mais antigos de cidades como Nova York e Londres. As simulações revelaram que a presença dessas portas de vidro, conhecidas como portas de plataforma (platform screen doors), altera fundamentalmente como a fumaça viaja. Quando as portas estão fechadas, a fumaça fica retida na plataforma até que o sistema as abra para permitir que o ar flua para o túnel. Quando as portas estão ausentes, a fumaça se espalha imediatamente para o túnel e sobe em direção à superfície, criando um padrão de movimento diferente e, muitas vezes, mais caótico.

Para garantir que seus modelos computacionais fossem precisos, a equipe não se baseou apenas na teoria. Eles realizaram um experimento de incêndio em escala real em uma estação de metrô real, em operação, no sul da China, durante a noite, quando os trens não estavam circulando. Eles iniciaram um incêndio controlado usando quatro bandejas de álcool em combustão, gerando uma taxa de liberação de calor de 1,5 megawatt. À medida que o fogo crescia, eles observavam a fumaça subir e se espalhar, registrando o momento exato em que os sistemas de ventilação eram acionados. O experimento confirmou que a lógica de segurança da estação funcionava conforme projetado: os detectores de fumaça acionaram os exaustores, as portas de vidro se abriram para conectar a plataforma ao túnel, e o próprio sistema de ventilação do túnel puxou a fumaça para longe. A fumaça foi guiada com sucesso da plataforma, através das portas abertas, e para fora da estação, deixando a plataforma livre o suficiente para a evacuação em poucos minutos. Este teste no mundo real provou que suas simulações digitais eram confiáveis o suficiente para serem usadas para análises posteriores.

Com um modelo validado e uma riqueza de dados, os pesquisadores voltaram-se para o futuro da segurança contra incêndios: a inteligência artificial. Eles alimentaram milhares de pontos de dados de suas simulações em um tipo especializado de programa de computador chamado rede Long Short-Term Memory, ou LSTM. Este programa é projetado para aprender com sequências de eventos, de forma muito semelhante a como um ser humano aprende a reconhecer um padrão ao longo do tempo. Eles treinaram o sistema para observar os níveis de monóxido de carbono, dióxido de carbono e visibilidade em vários pontos da plataforma. O objetivo era fazer com que o computador previsse se a visibilidade cairia abaixo de um limite crítico de segurança de 10 metros nos próximos 30 segundos.

Os resultados foram impressionantes. Ao serem testados em novos dados que nunca haviam visto antes, o modelo computacional identificou corretamente condições perigosas com uma precisão superior a 98 por cento. Mais importante ainda, ele raramente deixou passar um perigo real. De 118 incidentes de incêndio simulados onde a visibilidade caiu para níveis inseguros, o modelo disparou um alarme para cada um deles. Em cerca de 34 por cento desses casos, o sistema emitiu o aviso antes que a visibilidade realmente atingisse o ponto crítico, fornecendo um aviso antecipado médio de quase 26 segundos. Embora isso possa parecer um tempo curto, no contexto de uma plataforma de metrô lotada onde o pânico pode se espalhar rapidamente, esses segundos são vitais. Eles são suficientes para ativar transmissões de emergência, alternar modos de ventilação e começar a guiar os passageiros para a segurança antes que o ar se torne espesso demais para enxergar através dele.

O estudo também destacou o valor de combinar diferentes ferramentas. O teste de incêndio no mundo real validou os modelos computacionais, e os modelos computacionais forneceram o enorme conjunto de dados necessário para treinar a inteligência artificial. Os pesquisadores observaram que, embora seu modelo atual seja altamente eficaz, trata-se de um sistema de camada única projetado para velocidade. Trabalhos futuros envolverão a adição de mais dados de diferentes tipos de incêndios e, potencialmente, a combinação deste sistema com outras técnicas avançadas para torná-lo ainda mais robusto. Por ora, o estudo oferece um caminho claro a seguir: ao compreender a física da fumaça por meio de simulação e testes, e então usar esse conhecimento para treinar sistemas de alerta inteligentes, as cidades podem tornar suas redes de transporte subterrâneo significativamente mais seguras para os milhões de pessoas que dependem delas todos os dias.

Resumo Técnico: Simulação Numérica de Movimentação de Fumaça e Alerta Precoce Baseado em LSTM para Incêndios em Plataformas de Metrô

Definição do Problema
Os sistemas de metrô, caracterizados por espaços subterrâneos confinados e alto volume de passageiros, enfrentam riscos significativos de segurança durante incidentes de incêndio. Diferente de estruturas abertas, as estações subterrâneas carecem de ventilação natural, fazendo com que a fumaça se acumule rapidamente e se espalhe vertical e horizontalmente através de aberturas de conexão. Este ambiente representa uma ameaça primária à segurança da vida através da exposição a gases tóxicos e perda de visibilidade. Embora as estratégias de controle de fumaça variem globalmente — abrangendo desde plataformas fechadas com Portas de Plataforma (PSDs) na China e em Singapura até plataformas abertas em Nova York e Londres — a configuração inadequada da lógica de pressurização de incêndio e extração de fumaça pode exacerbar a propagação de gases tóxicos. Além disso, pesquisas existentes frequentemente dependem de simulações numéricas ou modelos em escala reduzida, com validação experimental em escala real limitada. Há uma necessidade crítica de integrar dados experimentais de escala total com simulações numéricas avançadas e aprendizado de máquina para otimizar as estratégias de controle de fumaça e desenvolver sistemas de alerta precoce confiáveis para incêndios em plataformas.

Metodologia
Este estudo emprega uma abordagem híbrida combinando experimentos de escala total, simulações numéricas de Dinâmica de Fluidos Computacional (CFD) e aprendizado profundo.

Experimento de Escala Total: Um teste de fumaça quente foi conduzido em uma estação de metrô em operação no sul da China durante o período não operacional. A estação apresenta uma plataforma de ilha dupla com PSDs totalmente fechadas. Uma carga de incêndio de 1,5 MW (quatro bandejas de álcool de 0,5 m²) foi acesa para simular um incêndio na plataforma. O experimento seguiu os protocolos da norma australiana, utilizando um Sistema de Captura de Imagem (ICS) e anemômetros para monitorar a propagação da fumaça, velocidades de fluxo de ar e tempos de ativação do sistema. O teste validou a lógica de controle de fumaça, incluindo a ativação sequencial do sistema de exaustão da plataforma, abertura das PSDs e saídas de exaustão do túnel.
Simulação Numérica: Utilizando o Fire Dynamics Simulator (FDS), três cenários distintos de incêndio foram modelados com base em uma estação de ilha dupla de 215 m de comprimento:
- Cenário I: Plataforma com PSDs, utilizando exaustão mecânica de fumaça padrão (Plataforma + Túnel).
- Cenário II: Plataforma com PSDs, integrando um ventilador de exaustão de fumaça móvel para auxiliar a ventilação durante operações de resgate.
- Cenário III: Um protótipo de plataforma aberta sem PSDs (representando sistemas como os de Nova York/Londres) dependendo de exaustão natural de fumaça.
  As simulações utilizaram uma taxa de liberação de calor (HRR) de 3 MW com uma curva de crescimento de incêndio $t^2$ rápida. Os modelos rastrearam CO, CO₂ e visibilidade para comparar a dispersão da fumaça sob diferentes estratégias de ventilação.
Modelo de Alerta Precoce Baseado em LSTM: Um banco de dados "Incêndio no Metrô" (FIM) foi construído utilizando os dados de simulação FDS, compreendendo 6 cenários com medições sincronizadas de CO, CO₂ e visibilidade de 20 pontos de monitoramento. Uma rede de Long Short-Term Memory (LSTM) foi desenvolvida para realizar classificação binária para alerta precoce. O modelo prevê se a visibilidade cairá abaixo de um limiar crítico (10 m) dentro de um horizonte de 30 segundos ( $T=30s$ ) baseado em uma janela histórica de 60 segundos ( $L=60s$ ). O modelo foi treinado com uma função de perda de entropia cruzada binária ponderada para lidar com o desequilíbrio de classes, priorizando o recall para minimizar alarmes perdidos.

Principais Contribuições

Estratégia Híbrida de Controle de Fumaça: O estudo propõe e avalia uma estratégia híbrida envolvendo ventiladores de exaustão de fumaça móveis para auxiliar sistemas fixos durante operações de resgate de bombeiros, comparando sua eficácia contra sistemas fixos convencionais e designs de plataforma aberta.
Banco de Dados FIM e Modelo LSTM: A criação de um banco de dados FIM abrangente e o desenvolvimento de um modelo de aprendizado profundo especificamente adaptado para prever a degradação da visibilidade da fumaça em incêndios de plataforma de metrô.
Validação Experimental: A integração de dados experimentais de escala total para calibrar e validar parâmetros de simulação numérica, garantindo a confiabilidade dos modelos de CFD utilizados para análise de cenários.

Resultados

Propagação de Fumaça:
- Cenário I (Padrão): A fumaça acumulou-se na plataforma antes de ser descarregada no túnel através das PSDs. A visibilidade caiu significativamente, atingindo níveis perigosos (abaixo de 10 m) em vários pontos dentro de minutos.
- Cenário II (Ventilador Móvel): A adição de um ventilador móvel suprimiu significativamente a propagação horizontal da fumaça na plataforma. Retardou o tempo para a fumaça atingir pontos críticos de evacuação (escadas e paredes distantes) em aproximadamente 111–112 segundos em comparação ao Cenário I, melhorando substancialmente as condições de visibilidade.
- Cenário III (Plataforma Aberta): Sem as PSDs, a fumaça espalhou-se rapidamente para o teto e para os túneis adjacentes. No entanto, o fluxo impulsionado pela flutuabilidade inicialmente permitiu que parte da fumaça subisse para o mezanino, resultando em maior visibilidade na plataforma em comparação ao Cenário I durante os estágios iniciais, embora a fumaça eventualmente tenha assentado conforme a flutuabilidade enfraqueceu.
Validação Experimental: O teste de escala total confirmou as trajetórias de transporte de fumaça da simulação. A fumaça foi efetivamente guiada da plataforma para o túnel através das PSDs, com a exaustão do túnel criando um fluxo direcional. A plataforma manteve pressão negativa, e a visibilidade recuperou-se para os níveis iniciais em 289 segundos após a ignição.
Desempenho do Modelo LSTM: O modelo demonstrou alto desempenho no conjunto de teste, alcançando 98,06% de acurácia, 98,92% de precisão e 98,95% de recall. Ele acionou com sucesso os alarmes para todos os 118 incidentes de incêndio onde a visibilidade caiu abaixo do limiar crítico.
Capacidade de Alerta Precoce: O modelo alcançou uma taxa de cobertura de alerta precoce de 33,9%, prevendo com sucesso 40 de 118 eventos perigosos antecipadamente. O tempo médio de antecedência para esses alarmes precoces foi de 25,9 segundos, com um máximo de 158 segundos.

Significância e Alegações
Os autores afirmam que este estudo fornece suporte teórico e referências técnicas para a tomada de decisão de resgate em plataformas de metrô, otimização de sistemas de controle de fumaça e alerta. Ao validar a confiabilidade dos métodos de simulação contra experimentos de escala total, o estudo confirma a eficácia de lógicas específicas de controle de fumaça. O modelo LSTM é alegado para capturar com sucesso características temporais sutis da degradação da visibilidade, ofereando uma ferramenta para iniciar transmissões de emergência ou alternar modos de controle de fumaça antes que as condições se tornem críticas. O estudo reconhece modestamente as limitações, observando que a estratégia do ventilador móvel (Cenário II) não foi validada experimentalmente devido a restrições operacionais, e que o modelo atual utiliza uma LSTM de camada única para velocidade de inferência, com trabalhos futuros planejados para integrar arquiteturas mais complexas e expandir o banco de dados.

Mais como este