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

Quando um incêndio estoura em um grande shopping center ou edifício comercial, o perigo não são apenas as chamas em si, mas a nuvem invisível de gás superaquecido e fumaça espessa que as segue. Para as pessoas que tentam escapar, a informação mais crítica é como o ar parece no nível da respiração, aproximadamente a um metro e o oitenta do chão. É aqui que a temperatura, a quantidade de oxigênio restante, a concentração de gases tóxicos e a distância que se pode enxergar tornam-se questões de vida ou morte. Edifícios modernos são equipados com sistemas de segurança ativos projetados para combater esses perigos: sprinklers que pulverizam água para resfriar o ar e ventiladores mecânicos que retiram a fumaça do ambiente. No entanto, esses sistemas fazem mais do que apenas suprimir um incêndio; eles alteram fundamentalmente como o calor e a fumaça se movem através de um espaço. Eles criam um ambiente complexo e mutável que torna difícil para os sensores padrão discernirem a história real do que está acontecendo no nível onde as pessoas estão tentando correr.

Pesquisadores há muito utilizam uma tecnologia inteligente chamada detecção de temperatura por fibra óptica distribuída para monitorar esses incêndios. Imagine um fio de vidro longo e fino correndo pelo teto e descendo pelas paredes, capaz de medir a temperatura em cada ponto individual ao longo de seu comprimento. Isso cria um mapa de calor contínuo e detalhado que é muito superior a ter apenas alguns termômetros espalhados. O desafio surge quando os sistemas de segurança do edifício entram em ação. A água dos sprinklers e o ar dos exaustores resfriam o teto e as paredes onde os sensores estão, mas também agitam o ar de maneiras que alteram a temperatura no nível da respiração de formas imprevisíveis. Se um computador tentar adivinhar as condições perigosas no nível da respiração baseando-se apenas nas leituras de temperatura do teto, ele frequentemente estará errado porque a relação entre o teto e o chão foi alterada pelos sistemas de segurança.

Uma equipe de pesquisadores de várias universidades e institutos de pesquisa chineses propôs-se a resolver este problema específico. Eles queriam criar um método que pudesse pegar as leituras de temperatura desses sensores de fibra óptica, mesmo enquanto os sprinklers e ventiladores estivessem funcionando, e prever com precisão as condições perigosas no nível da respiração. Para fazer isso, eles não dependeram de incêndios do mundo real, que são perigosos demais e imprevisíveis demais para serem estudados de forma controlada. Em vez disso, construíram uma enorme biblioteca digital de cenários de incêndio usando simulações computacionais avançadas. Eles modelaram espaços comerciais de vários tamanhos, desde pequenas lojas até grandes átrios, e simularam incêndios de diferentes intensidades. Em seguida, executaram essas simulações três vezes para cada cenário: uma vez sem sistemas de segurança, uma vez apenas com sprinklers e uma apenas com exaustão de fumaça, além de um conjunto final onde ambos os sistemas trabalhavam juntos. Isso permitiu que vissem exatamente o quanto os sistemas de segurança mudaram a temperatura e a composição do ar.

Os pesquisadores descobriram que os sistemas de segurança tinham um efeito profundo e mensurável. Quando apenas os sprinklers estavam ativos, a temperatura média no nível da respiração caiu mais de 30 graus Celsius em comparação com um incêndio não controlado. Quando apenas os ventiladores de exaustão de fumaça eram usados, a temperatura caiu cerca de 10 graus. Mas quando ambos os sistemas trabalhavam juntos, a temperatura no nível da respiração despencou quase 60 graus. Esse efeito de resfriamento massivo significava que as regras antigas para estimar a qualidade do ar com base na temperatura do teto não eram mais válidas. Se um sistema tentasse usar as regras antigas durante um incêndio ativo, ele superestimaria significativamente o perigo ou erraria completamente as condições reais. Os dados mostraram que a relação entre o calor no teto e o ar no nível da respiração havia sido completamente reescrita pela água e pelo fluxo de ar.

Para corrigir isso, a equipe recorreu ao aprendizado de máquina, um tipo de inteligência computacional que aprende padrões a partir de dados. Eles treinaram vários modelos de computador diferentes para agir como um tradutor. O objetivo era pegar os dados brutos de temperatura dos sensores de fibra óptica no teto e nas paredes, juntamente com informações sobre o tamanho da sala e a intensidade do incêndio, e gerar como saída uma temperatura corrigida e precisa para o nível da respiração. Eles testaram quatro tipos diferentes de algoritmos de aprendizado. Um deles, uma rede neural de grafos, provou ser o mais eficaz. Este modelo específico foi particularmente bom em entender a disposição espacial dos sensores, reconhecendo como a temperatura em um ponto do teto se relaciona com a temperatura no ponto seguinte, e como a água de um sprinkler pode resfriar uma área específica de forma diferente do ar de um ventilador.

Depois de obterem o melhor modelo para a correção da temperatura, eles o utilizaram para prever os outros fatores perigosos. Como o calor, a fumaça e o gás estão todos fisicamente interligados, saber a temperatura real permite que um computador estime a quantidade de dióxido de carbono, o oxigênio restante, a densidade da fumaça e a visibilidade. Os resultados foram impressionantes. Antes da correção, os palpites do computador para os níveis de dióxido de carbono estavam errados por quase 14 por cento. Após aplicar a nova correção de temperatura, o erro caiu para menos de 5 por cento. Para a visibilidade, que é crucial para encontrar uma saída, a taxa de erro caiu de quase 8 por cento para pouco menos de 3 por cento. O modelo foi capaz de prever com precisão a densidade da fumaça e a quantidade de oxigênio restante, mesmo no ambiente caótico criado pelos sistemas de segurança ativos.

Os pesquisadores então testaram se este novo método funcionaria em edifícios que eles nunca tinham visto antes. Eles aplicaram o modelo a simulações digitais de uma pequena loja de varejo, um átrio alto e um enorme salão comercial, nenhum dos quais fazia parte dos dados de treinamento originais. O modelo manteve-se notavelmente bem em todas essas diferentes formas e tamanhos. Ele manteve uma alta precisão na previsão das condições perigosas, provando que o método não é apenas uma solução para uma sala específica, mas uma ferramenta robusta que pode se adaptar à diversidade arquitetônica dos edifícios comerciais modernos. Isso sugere que, em uma emergência real, um único cabo de fibra óptica poderia fornecer um quadro completo e em tempo real das condições de segurança no nível da respiração, mesmo enquanto os sprinklers pulverizam e os ventiladores rugem.

As implicações deste trabalho são significativas para a forma como mantemos seguros os grandes espaços públicos. Atualmente, os sistemas de segurança contra incêndio são projetados para detectar um incêndio e disparar um alarme, mas não costumam fornecer um mapa detalhado e em tempo real das condições perigosas no nível onde as pessoas estão evacuando. Esta nova abordagem oferece uma maneira de gerar esse mapa usando os sensores que já estão sendo instalados para o monitoramento de temperatura. Ao corrigir os dados para levar em conta os sistemas de segurança ativos, os gestores de edifícios e os bombeiros poderiam potencialmente ver exatamente onde o ar está se tornando tóxico, onde o oxigênio está ficando baixo e onde a fumaça está bloqueando a visão. Essa informação poderia ser usada para guiar as pessoas para longe do perigo e em direção a saídas seguras, ou para ajudar os bombeiros a entender o ambiente em que estão entrando. Embora o estudo tenha sido conduzido inteiramente através de simulações computacionais, os resultados fornecem uma base sólida para o desenvolvimento de uma nova geração de monitoramento de segurança contra incêndios que seja inteligente o suficiente para compreender os próprios sistemas projetados para salvar vidas.