35 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2025 ÇEVİRİ maz. Gerçekten de, itfaiyecilerin yangın riskini/TÇK'sını (Termal Çalışma Koşulları) yerinde gerçek zamanlı olarak tespit edebilen ve bir binanın herhangi bir yerinde TÇK'nın çoklu çıktılarını sağlayabilen bir model eksiktir. Gerçek yangın senaryolarında, itfaiyeciler deneyimlerine ve bilgilerine dayanarak termal risklere tepki verirler. Dinamik bir yangın alanında, özellikle yeterli pratik itfaiyecilik bilgisine sahip olmayan daha az deneyimli itfaiyeciler için yalnızca deneyime güvenmek güvenilir bir yöntem değildir. Sensör teknolojisindeki gelişmelerle birlikte, bina sensörlerinden sürekli veri toplamak mümkündür. Ancak, acil durum müdahalesi sırasında, işlenmemiş bilgiler olay komutanları ve itfaiyeciler için yardımcı olmaz. İtfaiyecilerin aşırı termal yüklere sahip tehlikeli ortamlarda durumsal farkındalıklarını artırmaları için basit ve anlaşılır eyleme geçirilebilir bilgilere ihtiyaçları vardır. Bu nedenle, olay komutanlarına/itfaiyecilere farklı konumlarda aynı anda TÇK tespitleri sağlayabilen bir model geliştirmek, olay komutanlarını/itfaiyecileri termal maruziyetleri hakkında bilgilendirecek ve operasyonlarını ve hareketlerini yönlendirecektir. Makine öğrenmesi (ML) metodolojileri yangından korunmada öne çıktıkça, bina yangınlarında sıcaklıkları ve olası ani parlama (flashover) olaylarını tespit etmek ve itfaiye stratejilerine rehberlik etmek için giderek daha fazla uygulanmaktadır [11]. Gerçek dünya verilerinden yararlanarak, gelişmiş ML algoritmaları ani parlama gibi aşırı yangın olaylarını doğru ve verimli bir şekilde tahmin edebilir [11], böylece itfaiyecilere gelişmiş durumsal farkındalık kazandırır ve termal tehlikeleri azaltmak için proaktif önlemler almalarını sağlar. Önceki araştırmalara dayanarak, bu çalışma, istenen herhangi bir konumda aynı anda TÇK tespitleri sağlayabilen bir ML modeli geliştirmeyi amaçlamaktadır. Bunu başarmak için, Uluslararası Bina Kodu (IBC) ve NFPA 101 Yaşam Güvenliği Kodu (LSC) ile uyumlu bir ticari bina yerleşiminde çeşitli yangın boyutlarını ve havalandırma senaryolarını içeren Yangın Dinamikleri Simülatörü (FDS) kullanılarak sentetik yangın verileri üretilmiştir. Ardından, sentetik veriler ML modelini eğitmek ve değerlendirmek için kullanılmıştır. Son olarak, çoklu girişli ve çoklu çıkışlı (MIMO) modelimizin performansını bir MISO modelinin performansıyla karşılaştıracağız. Önerilen model, itfaiyecilerin TÇK'sını herhangi bir konumda aynı anda tespit etmek için bir çerçeve oluşturmayı amaçlamakta, böylece yangın mahallinin tam bir resmini sunabilmekte ve itfaiyecilerin durumsal farkındalığını geliştirebilmektedir. 1. METODOLOJI Amaç, bir yangın sırasında ticari bir binanın istenilen herhangi bir noktasında TOC'yi (itfaiyecinin termal ortam koşulu) tespit edebilecek, mekânsal bağımlılıkları yakalayabilen yeni bir makine öğrenimi modeli geliştirmektir. Önerilen metodoloji şunları içermektedir: 1. Farklı yangın senaryoları dikkate alınarak sentetik sıcaklık verilerinin sistematik olarak üretilmesi; 2. Veri örnekleri oluşturmak amacıyla sentetik sıcaklık verilerinin ön işleme tabi tutulması; 3.İtfaiyecinin TOC'sini tespit etmek için MIMO makine öğrenimi modelinin geliştirilmesi ve MIMO ile MISO performanslarının karşılaştırılması. Şekil 1. Bina düzeni Şekil 2. Düzenin kod analizi
RkJQdWJsaXNoZXIy MTcyMTY=