Ulepszanie wieloparametrowego wykrywania pożaru opartego na uczeniu głębokim poprzez trenowanie na zestawach symulowanych i eksperymentach spalania

Dlaczego inteligentniejsze alarmy przeciwpożarowe mają znaczenie

Większość z nas ufa, że czujniki dymu na sufitach ostrzegą nas, jeśli coś zacznie palić się. Tymczasem te proste urządzenia mogą przeoczyć powolne, tlące się zdarzenia — albo włączyć alarm, gdy ktoś przypali toster czy wzruszy kurz. W niniejszym badaniu opisano nowy rodzaj „inteligentnego” systemu wykrywania pożaru, który śledzi, jak w czasie zmieniają się temperatura i kluczowy gaz związany z płomieniem, i szkoli swój „mózg” zarówno na symulowanych pożarach, jak i na rzeczywistych spalaniach laboratoryjnych. Celem jest cichszy, bardziej wiarygodny alarm, reagujący szybko wtedy, gdy trzeba, i milczący tam, gdzie to konieczne.

Ograniczenia dzisiejszych jednofunkcyjnych alarmów

Tradycyjne alarmy domowe i budynkowe opierają się głównie na dymie. To działa w wielu przypadkach, ale niektóre pożary, np. zasilane czystym alkoholem, wydzielają niewiele dymu nawet gdy płomienie rosną. Materiały tlące się mogą dymić jedynie słabo. Jednocześnie para z prysznica czy pył w powietrzu potrafią oszukać czujniki dymu i wywołać fałszywe alarmy. Wiele obecnych systemów monitoruje też tylko jeden sygnał na raz — np. sam dym albo pojedynczy gaz — co ułatwia pomyłki w typowych sytuacjach z kuchenkami, grzejnikami czy wentylatorami.

Słuchanie jednocześnie temperatury i gazu pożarowego

Naukowcy skupili się na dwóch prostych, silnych wskazówkach, które niemal każdy pożar produkuje: temperaturze i tlenku węgla (CO). W normalnych warunkach wewnątrz pomieszczeń poziomy CO są bardzo niskie. Gdy materiały się palą, CO zwykle rośnie wcześnie i systematycznie, nawet gdy dymu jest niewiele, co czyni go silnym wczesnym sygnałem ostrzegawczym. Temperatura zmienia się wolniej, ale daje stabilne drugie źródło informacji, pomagając odróżnić prawdziwe pożary od nieszkodliwych źródeł CO lub zakłóceń czujników. Łącząc te dwie odczyty z wielu czujników sufitowych, system może wykrywać nie tylko otwarte płomienie, ale także materiały tlące się oraz hałaśliwe źródła ciepła niezwiązane z ogniem.

Tworzenie wielu pożarów bez palenia wielu rzeczy

Nauczanie współczesnego algorytmu rozpoznawania wzorców zwykle wymaga ogromnej ilości danych. Przeprowadzanie setek eksperymentów z pełnowymiarowymi pożarami jest kosztowne, czasochłonne i czasem niebezpieczne. Aby to obejść, zespół zbudował szczegółowy model komputerowy standardowego testowego pomieszczenia, dopasowanego do ich rzeczywistej komory laboratoryjnej pod względem rozmiaru i rozmieszczenia czujników. Za pomocą powszechnie stosowanego programu symulacji pożarów stworzyli dwanaście wirtualnych scenariuszy, obejmujących różne paliwa, układy pomieszczeń, nawiewy i nieszkodliwe źródła ciepła, i zarejestrowali, jak temperatura i CO zachowywałyby się przy każdym czujniku. Następnie przeprowadzili dopasowane, rzeczywiste spalania z cieczami, tworzywami sztucznymi, drewnem i bawełną przy zmiennych warunkach wentylacji i zakłóceń, rejestrując autentyczne odczyty czujników, które uzupełniły dane symulowane.

Jak silnik uczący się rozumie ogień

W sercu systemu znajduje się model uczący się świadomy czasu zwany bramkowaną jednostką rekurencyjną (GRU). Zamiast oceniać każdy odczyt czujnika osobno, GRU analizuje krótkie sekwencje — jednorazowe minutowe fragmenty pokazujące, jak temperatura i CO rosną lub spadają razem. Zanim trafią do tego „mózgu”, surowe sygnały przechodzą przez proste filtry, które wydobywają lokalne wzorce i redukują szum. Druga część modelu zajmuje się tym, co autorzy nazywają adaptacją domeny: delikatnie wyrównuje wewnętrzne cechy danych symulowanych i rzeczywistych eksperymentów, tak by wnioski wyniesione z licznych symulacji były nadal użyteczne wobec prawdziwych pożarów. W przeciwieństwie do wielu podejść, klasyfikator sam w sobie jest trenowany na obu typach oznaczonych danych, co pomaga mu poznać prawdziwą strukturę warunków: pożarów, tlących się zdarzeń i sytuacji bezogniowych.

Co ujawniły testy

Gdy badacze trenowali konwencjonalny GRU wyłącznie na ograniczonych danych eksperymentalnych lub tylko na symulacjach, jego decyzje były zauważalnie mniej dokładne. Połączenie obu źródeł danych bez żadnej adaptacji pomogło w pewnym stopniu, ale nadal pozostawiało zbyt wiele błędów. Gdy dodano strategię adaptacji domeny do GRU, dokładność na danych testowych z rzeczywistego świata wzrosła do około 96 procent, przy wysokiej precyzji i czułości dla płonących ognisk, tlących się zdarzeń i przypadków bezogniowych. Model utrzymywał też dobrą wydajność po dodaniu sztucznego szumu mającego naśladować zakłócenia elektryczne i chaotyczne środowiska, zachowując użyteczność nawet przy silnie zanieczyszczonych sygnałach.

Co to oznacza dla bezpieczniejszych budynków

Dla laika najważniejsze jest to, że badanie pokazuje praktyczną drogę do alarmów przeciwpożarowych, które są zarówno bardziej czułe, jak i bardziej selektywne. Obserwując, jak temperatura i kluczowy gaz pożarowy zmieniają się w czasie, oraz korzystając z symulowanych pożarów, by bezpiecznie pomnożyć przykłady treningowe i ostrożnie dostosować je do testów rzeczywistych, proponowany system znacząco zmniejsza zarówno przeoczenia pożarów, jak i fałszywe alarmy. Chociaż nadal jest to prototyp badawczy, podejście daje plan działania dla następnej generacji detektorów, które mogłyby zapewnić ludziom wcześniejsze i bardziej niezawodne ostrzeżenia w domach, biurach i budynkach publicznych bez stałego ryzyka fałszywych alarmów.

Cytowanie: 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

Słowa kluczowe: wykrywanie pożaru, czujniki tlenku węgla, uczenie głębokie, analiza szeregów czasowych, bezpieczeństwo budynków