Syftet med projektet var att utveckla en generell process/metod för tillämpning av ML inom brandområdet kopplat till de två delområden – tunneldimensionering och brandspjälkning.
Tunnelberäkningar är komplexa, tidskrävande och körs idag i ett dyrt beräkningsprogram. Geometrierna är dock enkla och en viss upprepningseffekt finns. Med hjälp av AI-modeller kan utrymningssäkerheten vid brand beräknas betydligt snabbare än i befintliga beräkningsprogram.
I den förstudien som RISE genomförde visade det sig att en av de viktigaste beståndsdelarna för att lyckas med ML projekt är kompetensöverföring mellan experterna inom brandområdet och experterna på ML modellering. Avsikten var därför att ta fram ett förenklat flödesschema för hur ett problem skulle kunna angripas och som är tillräckligt generellt för att kunna appliceras på de flesta problemställningar inom brandområdet.
I fallstudierna fann vi att tillhandahålla data om relaterade parametrar kan ge högre noggrannhet i förutsägelser på grund av att dessa parametrar interagerar på ett okänt sätt och kan ge ytterligare information om systemet. Vi tror att ML-modeller kommer att vara ett viktigt verktyg inom brandvetenskap och brandsäkerhet i speciella fall där upprepade geometrier eller parametrar finns.
|
Investigating machine learning for fire sciences - literature review and examples In this work, a review of current literature on artificial intelligence (AI) and more specifically machine learning (ML) is presented. ML is illustrated by two case studies where artificial neural networks are used for regression analysis of 110 spalling experiments and 81 Fire Dynamics Simulator (FDS) models of tunnel fires. Tunnel fires are often assessed by fire safety engineers using time-consuming simulation tools where a trained model has the potential to significantly reduce time and cost of these assessments. |
|
Användandet av självlärande algoritmer inom brandområdet –Litteraturstudie och praktiska exempel
2022-12-15 11:19
Video
Grunden för det här projektet är en litteraturöversikt och två fallstudier som utforskar regression genom artificiella neurala nätverk. Vi finner att nuvarande verktyg för ML är ganska väl utvecklade och det är det enkelt att skapa en modell och komma i gång, men det är också uppenbart att användaren behöver lite bakgrund i hur modellerna fungerar och vad som kan förväntas |