Улучшение многопараметрического обнаружения пожара на основе глубокого обучения путем обучения на моделированных и экспериментальных наборах данных по горению

Почему важны умные пожарные сигнализации

Большинство из нас полагается на то, что установленные на потолке датчики дыма предупредят о начале пожара. Однако такие простые устройства могут не заметить медленно тлеющие очаги — или срабатывать, когда кто‑то поджарил тост или поднял пыль. В этом исследовании рассматривается новая «умная» система обнаружения пожара, которая отслеживает изменение температуры и ключевого газа, образующегося при горении, во времени и обучает свою «модель» как на компьютерных симуляциях, так и на реальных лабораторных возгораниях. Цель — более «тихая» и надежная сигнализация, которая быстро реагирует при необходимости и остается спокойной в ненужных ситуациях.

Ограничения современных однотипных сигнализаций

Традиционные домашние и бытовые сигнализации в основном ориентируются на дым. Это эффективно для многих пожаров, но некоторые возгорания, например из чистого спиртового топлива, выделяют очень мало дыма даже при развитии пламени. Медленное тление материалов может сопровождаться лишь слабым выделением частиц. В то же время пар от душа или бытовая пыль могут обмануть датчики дыма и вызвать ложные срабатывания. Многие существующие системы также анализируют только один сигнал — например, только дым или один газ, — что делает их уязвимыми в повседневных ситуациях с плитами, обогревателями или вытяжками.

Одновременное отслеживание тепла и газа пожара

Исследователи сосредоточились на двух простых, но информативных признаках, которые почти всегда сопровождают пожар: температуре и окиси углерода (CO). В нормальных помещениях концентрации CO очень низки. При горении CO обычно растет рано и устойчиво, даже когда дыма мало, поэтому он служит сильным индикатором раннего этапа возгорания. Температура меняется медленнее, но дает стабильное второе мнение, помогая отличать реальные пожары от безвредных источников CO или артефактов датчиков. Комбинируя эти два показателя от нескольких датчиков, установленных на потолке, система может обнаруживать не только открытое пламя, но и тление, а также отделять шумовые, не‑огневые источники тепла.

Создание множества пожаров без сжигания большого количества материалов

Обучение современных алгоритмов распознавания закономерностей обычно требует огромных объемов данных. Проведение сотен полноразмерных экспериментов с пожаром дорого, занимает много времени и порой опасно. Чтобы обойти это, команда создала детализированную компьютерную модель стандартной испытательной комнаты, соответствующую их лабораторной камере по размерам и расположению датчиков. С помощью общепринятой программы моделирования пожаров они сгенерировали двенадцать виртуальных сценариев — с разными видами топлива, планировками, вентиляцией и безвредными источниками тепла — и записали, как в каждом случае вела бы себя температура и CO на каждом датчике. Затем они провели соответствующие реальные испытания с жидкостями, пластиками, деревом и хлопком при разных условиях вентиляции и помех, получив подлинные показания датчиков в дополнение к симуляциям.

Как модель «понимает» пожар

В основе системы лежит временная модель обучения — затворная рекуррентная единица (GRU). Вместо того чтобы оценивать каждое показание датчика в отдельности, GRU рассматривает короткие последовательности — минутные отрезки, показывающие, как температура и CO меняются вместе. Перед подачей в «мозг» сырые сигналы проходят через простые фильтры, которые выделяют ключевые локальные шаблоны и снижают шум. Вторая часть модели реализует то, что авторы называют адаптацией домена: она мягко выравнивает внутренние представления, полученные из симуляций и из реальных экспериментов, чтобы уроки, извлеченные из обильных симуляций, оставались применимы к реальным пожарам. В отличие от многих подходов, классификатор обучается на обоих типах размеченных данных, что помогает ему выучить истинную структуру реальных пожаров, тления и безопасных ситуаций.

Что показали тесты

Когда исследователи обучали обычную GRU только на ограниченных экспериментальных данных или только на симуляциях, качество решений заметно снижалось. Смешение обоих источников данных без какой‑либо адаптации давало некоторый эффект, но всё ещё оставляло слишком много ошибок. После добавления стратегии адаптации домена поверх GRU точность на реальных тестовых данных выросла примерно до 96 процентов с высокой точностью и отзывчивостью при распознавании открытого пламени, тления и случаев без пожара. Модель также выдерживала добавление искусственного шума, имитирующего электрические помехи и «грязную» среду, сохраняя работоспособность даже при сильном искажении сигналов.

Что это значит для безопасности зданий

Для неспециалиста основной вывод таков: исследование демонстрирует практический путь к сигнализациям, одновременно более чувствительным и более выборочным. Отслеживая развитие температуры и ключевого газа во времени и используя моделируемые пожары для безопасного увеличения числа примеров обучения при тщательном их выравнивании с реальными тестами, предложенная система существенно снижает как пропуски пожаров, так и ложные срабатывания. Хотя это пока прототип исследования, подход задаёт основу для детекторов следующего поколения, которые могли бы давать людям более ранние и надежные предупреждения в домах, офисах и общественных зданиях без постоянного риска ложных тревог.

Цитирование: 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

Ключевые слова: обнаружение пожара, датчики окиси углерода, глубокое обучение, анализ временных рядов, безопасность зданий