Simüle ve yanma deneysel veri setinde eğitilerek derin öğrenmeye dayalı çok parametreli yangın algılama yönteminin geliştirilmesi

Daha akıllı yangın alarmları neden önemli

Çoğumuz tavanlarımızdaki duman alarmlarının bir şey tutuştuğunda bizi uyaracağına güveniriz. Yine de bu basit cihazlar yavaş, korlaşan olayları kaçırabilir—veya birinin tost yakması ya da toz kaldırması gibi durumlarda gereksiz yere çalabilir. Bu çalışma, ısının ve alevlerden gelen temel bir gazın zaman içindeki değişimini izleyen yeni bir "akıllı" yangın algılama sistemini araştırıyor ve beynini hem bilgisayarda oluşturulmuş yangınlar hem de gerçek laboratuvar yanmalarıyla eğitiyor. Amaç, gerektiğinde hızlı yanıt veren ve gereksiz alarm vermeyen daha sessiz, daha güvenilir bir alarm sistemi geliştirmek.

Günümüzün tek kanallı alarmlarının sınırlamaları

Geleneksel ev ve bina alarmları çoğunlukla dumana dayanır. Bu birçok yangın için işe yarar, ama temiz alkol gibi bazı yakıtlarla çıkan yangınlar alev büyürken çok az duman verir. Yavaş yanma gösteren malzemeler yalnızca hafif partikül yayabilir. Aynı zamanda duş buharı veya havadaki toz, duman sensörlerini sebepsiz yere çalmaya zorlayabilir. Mevcut sistemlerin çoğu yalnızca tek bir sinyali—örneğin sadece dumanı ya da tek bir gazı—izlediği için, ocaklar, ısıtıcılar veya havalandırma fanları gibi günlük durumlarda kolayca yanıltılabiliyor.

Isıyı ve yangın gazını birlikte dinlemek

Araştırmacılar her yangının hemen hemen her zaman ürettiği iki basit ve güçlü ipucuna odaklanıyor: sıcaklık ve karbon monoksit (CO). Normal iç mekan koşullarında CO seviyeleri çok düşüktür. Malzemeler yandığında, duman az olsa bile CO genellikle erken ve düzenli şekilde yükselir, bu da onu güçlü bir erken uyarı işareti yapar. Sıcaklık daha yavaş değişse de istikrarlı bir ikinci görüş sağlar ve gerçek yangınları zararsız CO kaynaklarından veya sensör tuhaflıklarından ayırmaya yardımcı olur. Birden çok tavana monte sensörden gelen bu iki okuma birleştirildiğinde sistem yalnızca açık alevleri değil, aynı zamanda korlaşan malzemeleri ve gürültülü, yangın olmayan ısı kaynaklarını da tespit edebilir.

Birçok yangını az sayıda şeyi yakarak yaratmak

Modern bir örüntü tanıma algoritmasını eğitmek tipik olarak büyük miktarda veri gerektirir. Yüzlerce tam ölçekli yangın deneyi yürütmek maliyetli, zaman alıcı ve bazen tehlikelidir. Bu sorunu aşmak için ekip, gerçek laboratuvar odacıklarıyla boyut ve sensör yerleşimi açısından eşleşen standart bir test odasının ayrıntılı bir bilgisayar modelini oluşturdu. Yaygın kullanılan bir yangın simülasyon programı ile farklı yakıtlar, oda düzenleri, havalandırma koşulları ve zararsız ısı kaynakları dahil olmak üzere on iki sanal senaryo oluşturup her sensörde sıcaklık ve CO davranışını kaydettiler. Daha sonra sıvılar, plastikler, odun ve pamukla çeşitli havalandırma ve müdahale koşulları altında eşleşen gerçek dünya yanmaları gerçekleştirdiler ve simüle verileri tamamlayacak gerçek sensör okumalarını kaydettiler.

Öğrenme motoru yangını nasıl anlıyor

Sistemin kalbinde, kapılı tekrarlayan birim (gated recurrent unit, GRU) adı verilen zaman farkındalıklı bir öğrenme modeli var. GRU, her sensör okumayı izole bir şekilde değerlendirmek yerine, sıcaklık ve CO'nun birlikte nasıl yükselip düştüğünü gösteren bir dakikalık kısa dizilere bakıyor. Bu "beyne" ulaşmadan önce ham sinyaller gürültüyü azaltırken yerel ana desenleri çıkaran basit filtrelerden geçiyor. Modelin ikinci bir parçası ise yazarların alan uyarlaması (domain adaptation) dediği şeyi yönetiyor: bu katman, bilgisayarda üretilmiş verilerle gerçek deneylerden elde edilen iç özelliklerin birbirine yakınlaşmasını nazikçe zorlayarak, bol simülasyonlardan öğrenilen derslerin gerçek yangınlarda da geçerli olmasını sağlıyor. Pek çok yaklaşımın aksine sınıflandırıcı kendisi hem simüle edilmiş hem de gerçek etiketli veriler üzerinde eğitiliyor; bu da gerçek dünyadaki açık alev, korlaşma ve güvenli durumların gerçek yapısını öğrenmesine yardımcı oluyor.

Testlerin ortaya koydukları

Araştırmacılar geleneksel bir GRU'yu yalnızca sınırlı deneysel verilerle veya sadece simülasyonlarla eğittiğinde, kararlarının belirgin şekilde daha az doğru olduğu görüldü. Her iki veri kaynağını da herhangi bir uyarlama olmadan karıştırmak bir miktar yardımcı oldu ama hâlâ çok sayıda hata kalıyordu. GRU üzerine alan uyarlama stratejisi eklendiğinde gerçek dünya test verilerindeki doğruluk yaklaşık yüzde 96'ya yükseldi; açık alevler, korlaşan olaylar ve yangın olmayan durumlar için güçlü hassasiyet ve geri çağırma (precision ve recall) sağlandı. Model ayrıca yapay gürültü eklenerek elektriksel bozulmaları ve dağınık ortamları taklit ettiğinde de dayanıklılığını korudu; sinyaller ağır biçimde bozulsa bile kullanışlı performansı sürdürdü.

Daha güvenli binalar için anlamı

Bir okuyucu için temel sonuç şudur: Bu çalışma, hem daha duyarlı hem de daha seçici yangın alarmlarına pratik bir yol gösteriyor. Isı ve önemli bir yangın gazının zaman içinde nasıl evrildiğini izleyerek ve bilgisayar simülasyonlu yangınları güvenli biçimde artırıp bunları gerçek testlerle dikkatle hizalayarak, önerilen sistem kaçırılan yangınları ve gereksiz alarmları önemli ölçüde azaltıyor. Hâlâ bir araştırma prototipi olsa da yaklaşım, evlerde, ofislerde ve kamusal binalarda insanlara daha erken ve daha güvenilir uyarılar sağlayabilecek bir sonraki nesil dedektörler için bir taslak sunuyor; üstelik sürekli yanlış alarmlar riski olmadan.

Atıf: 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

Anahtar kelimeler: yangın algılama, karbon monoksit sensörleri, derin öğrenme, zaman serisi analizi, bina güvenliği