تحسين اكتشاف الحرائق متعدد المعايير القائم على التعلم العميق عبر التدريب على بيانات محاكاة وتجارب احتراق

لماذا تهم أجهزة إنذار الحريق الأذكى

يعتمد معظمنا على منبهات الدخان في الأسقف لتنبيهنا إذا اشتعل حريق. ومع ذلك، قد تفشل هذه الأجهزة البسيطة في رصد الحرائق البطيئة والمتقدة—أو تنطلق عندما يحرق أحدهم خبزًا أو يثير غبارًا. تستعرض هذه الدراسة نظام كشف حرائق «ذكي» جديد يراقب كيف تتغير الحرارة وغاز رئيسي للهب مع مرور الزمن، ويُدرّب «دماغه» باستخدام كل من الحرائق المُحاكاة حاسوبيًا واحتراقات مخبرية حقيقية. الهدف هو إنذار أكثر هدوءًا وموثوقية يستجيب بسرعة عند الحاجة ويصمت عندما يجب.

حدود أجهزة الإنذار الأحادية اليوم

تعتمد أنظمة الإنذار التقليدية في المنازل والمباني في الغالب على الدخان. هذا ينجح مع العديد من الحرائق، لكن بعض الحرائق، مثل تلك التي تغذيها كحول نظيف، تنتج دخانًا ضئيلًا رغم نمو اللهب. المواد التي تحترق ببطء قد تتقد مع انبعاث جزيئات خافتة فقط. في المقابل، قد تخدع البخار من الدش أو الغبار أجهزة استشعار الدخان فتصيح بلا سبب وجيه. العديد من الأنظمة الحالية تراقب إشارة واحدة فقط في كل مرة، كالدخان وحده أو غاز واحد، ما يجعلها سهلة الخداع في مواقف يومية تتضمن مواقد أو سخانات أو مراوح تهوية.

الاستماع للحرارة وغاز الحريق معًا

يركز الباحثون على دليلين بسيطين وقويين تنتجهما تقريبًا كل الحرائق: درجة الحرارة وأول أكسيد الكربون (CO). تحت ظروف داخلية عادية تكون مستويات CO منخفضة جدًا. عندما تحترق المواد، يميل CO إلى الارتفاع مبكرًا وبشكل مطرد، حتى عندما يكون الدخان نادرًا، مما يجعله علامة إنذار مبكر قوية. تتغير الحرارة بوتيرة أبطأ لكنها توفر رأيًا ثانٍ مستقرًا يساعد في تمييز الحرائق الحقيقية عن مصادر CO غير الضارة أو سلوكيات المستشعر. بدمج قراءتين من عدة مستشعرات مثبتة في السقف، يمكن للنظام رصد ليس فقط اللهب المكشوف بل أيضًا المواد المتقدة والأماكن التي تنتج حرارة غير ناتجة عن حريق.

خلق العديد من الحرائق دون حرق أشياء كثيرة

يتطلب تعليم خوارزمية حديثة للتعرف على الأنماط عادة كميات هائلة من البيانات. إجراء مئات التجارب الحقيقية على الحرائق مكلف ويستغرق وقتًا وقد يكون خطيرًا. للتغلب على ذلك، بنى الفريق نموذجًا حاسوبيًا مفصّلًا لغرفة اختبار معيارية، مطابقًا لحجرة المختبر الحقيقية من حيث الحجم ومواقع المستشعرات. باستخدام برنامج محاكاة حرائق واسع الاستخدام، أنشأوا اثني عشر سيناريو افتراضيًا، بما في ذلك أنواع وقود وتخطيطات غرفة ومنافذ و مصادر حرارة بريئة، وسجلوا كيف سيتصرف كل من الحرارة وCO لدى كل مستشعر. ثم أجروا حرائق مطابقة في العالم الحقيقي باستخدام سوائل وبلاستيك وخشب وقطن تحت ظروف تهوية وتداخل متنوعة، ملتقطين قراءات مستشعر حقيقية لتكمل العينات المحاكاة.

كيف يفهم محرك التعلم الحرائق

في قلب النظام نموذج تعلّم زمني يسمى الوحدة المتكررة ذات البوابة (GRU). بدلاً من تقييم كل قراءة مستشعر بمعزل عن غيرها، ينظر الـ GRU إلى تسلسلات قصيرة—شرائح مدتها دقيقة واحدة تُظهر كيف ترتفع أو تنخفض الحرارة وCO معًا. قبل الوصول إلى هذا «الدماغ»، تمر الإشارات الخام عبر مرشحات بسيطة تستخرج أنماطًا محلية رئيسية مع تقليل الضجيج. جزء ثانٍ من النموذج يتعامل مع ما يسميه المؤلفون التكيّف بين النطاقات: يُجبر بلطف الميزات الداخلية من بيانات المحاكاة والاختبارات الحقيقية على التطابق، بحيث تنطبق الدروس المستفادة من المحاكاة الوفيرة على الحالات الحقيقية. وعلى خلاف العديد من الأساليب، يُدرَّب المصنّف نفسه على كلا النوعين من البيانات الموسومة، مما يساعده على تعلم البنية الحقيقية للحريق والحريق المتقد والظروف الآمنة في العالم الواقعي.

ما تكشفه الاختبارات

عندما درّب الباحثون وحدة GRU تقليدية على البيانات التجريبية المحدودة فقط، أو على المحاكاة فقط، كانت قراراتها أقل دقة بشكل ملحوظ. خلط مصدرَي البيانات بدون أي تكيّف ساعد إلى حد ما لكنه ترك أخطاء كثيرة. بعد إضافة استراتيجية التكيّف بين النطاقات على قمّة الـ GRU، ارتفعت الدقة على بيانات الاختبار الحقيقية إلى نحو 96 في المئة، مع دقة واستدعاء قويين للحالات ذات اللهب المكشوف والاحتراق المتقد والحالات غير النارية. كما صمد النموذج جيدًا عند إضافة ضوضاء اصطناعية لمحاكاة اضطرابات كهربائية وبيئات فوضوية، محافظًا على أداء مفيد حتى عندما تضررت الإشارات بشدة.

ماذا يعني هذا لمباني أكثر أمانًا

لغير المتخصص، الخلاصة أن هذه الدراسة تبيّن مسارًا عمليًا نحو أجهزة إنذار حرائق أكثر حساسية وانتقائية معًا. من خلال مراقبة كيفية تطور الحرارة وغاز رئيسي للهب بمرور الوقت، واستخدام الحرائق المحاكات حاسوبيًا لمضاعفة أمثلة التدريب بأمان مع محاذاتها بعناية مع الاختبارات الحقيقية، يقلّل النظام المقترح بشكل حاد من كل من الحرائق الفائتة وإنذارات الإزعاج. رغم أنه لا يزال نموذجًا بحثيًا أوليًا، فإن النهج يقدم مخططًا لأجهزة كشف من الجيل القادم التي قد تمنح الناس تحذيرات أبكر وأكثر موثوقية في المنازل والمكاتب والمباني العامة دون مخاطر مستمرة من التنبيهات الكاذبة.

الاستشهاد: Liu, X., Zhang, Q., Zhang, Y. et al. Enhancing deep learning based multi-parameter fire detection by training on simulated and combustion experimental dataset. Sci Rep 16, 10178 (2026). https://doi.org/10.1038/s41598-026-39191-2

الكلمات المفتاحية: كشف الحرائق, مستشعرات أول أكسيد الكربون, التعلم العميق, تحليل السلاسل الزمنية, سلامة المباني