38 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2025 tahminin hesaplanma süresi yaklaşık 6.4×10 - ⁵ s, MIMO ile ise yaklaşık 8.1×10 - ⁶ 38s’dir. Yani MIMO, çoklu konumlarda termal riskleri çok daha hızlı bir şekilde tespit edebilmekte ve bu da itfaiyecilere gerçek zamanlı tehlikeli durumlar hakkında bilgi sağlayabilir. Bu yaklaşım, itfaiyecilerin tehlikeli koşullarda kalış süresini tahmin etmede ve zamanında geri çekilmelerini sağlamada genişletilebilir. Bu sayede, uzun süreli ısı maruziyetine bağlı ani ve ölümcül kardiyak olayların riski azaltılabilir [4]. 4. SONUÇ VE DEĞERLENDİRME Bu çalışma, ticari binalarda tavan sıcaklıklarını girdi olarak kullanarak birden fazla konumda itfaiyecilerin termal riskini tespit edebilen MIMO modelini önermektedir. Model, FDS kullanılarak oluşturulan sentetik verilerle eğitilmiştir. Veri temizleme ve örnek oluşturma gibi ön işleme adımları uygulanmıştır. Model geliştirmede evrişimli sinir ağı (CNN) kullanılmıştır. Modelin performansı; doğruluk, geri çağırma ve kesinlik metrikleriyle değerlendirilmiştir. Sonuçlar, MIMO’nun tüm konumlarda MISO ile neredeyse aynı doğruluğu sağladığını göstermektedir. MIMO ve MISO’nun geri çağırma ve kesinlik değerleri de büyük ölçüde benzerdir. Sadece ikili sınıflı iki konumda, veri dengesizliği nedeniyle küçük farklar gözlemlenmiştir. Sonuç olarak, MIMO modeli; MISO modeliyle aynı seviyede doğrulukta ve güvenilirlikte çoklu itfaiyeci termal riski tespiti yapabilirken, hesaplama süresini neredeyse 10 kat artırmaktadır. Bu model, termal maruziyet altındaki itfaiyecilerin riskini tespit etmek ve en uygun yolu seçmek için genişletilebilir. Bu da, itfaiyecilerin durum farkındalığını önemli ölçüde artırabilir. n lama kaybı (validation loss) izlenmiştir. Modelin test alt kümesindeki performansı; doğruluk (accuracy), duyarlılık (recall) ve kesinlik (precision) gibi metriklerle değerlendirilmiştir. 3. SONUÇLAR VE TARTIŞMA İtfaiyecinin TOC’sinin (termal ortam koşulu) MISO ve MIMO ile tespitine yönelik model performansı, 7 konum için (ikili sınıflar: Rutin ve Olağan I) Şekil 3’te, 2 konum için (üç sınıf: Rutin, Olağan I ve Acil Durum I) ise Tablo 4’te gösterilmiştir. İkili sınıfa sahip konumlarda, her iki modelin doğruluk oranları neredeyse aynıdır. Bu da, MIMO’nun MISO kadar yüksek doğrulukla çalışabildiğini ve aynı anda 9 konum için tahmin yapabildiğini göstermektedir. Geri çağırma (recall) ve kesinlik (precision) değerleri de çoğu konumda benzerlik göstermektedir; ancak 4 ve 7 numaralı konumlarda fark gözlenmiştir. Bu fark, etiketlerdeki ciddi dalgalanmalardan kaynaklanmakta olup MIMO’nun "Rutin" ile "Olağan I" sınıflarını ayırmasını zorlaştırmaktadır. MIMO modelinde "Rutin" sınıfının "Olağan I" sınıfına oranı, MISO modelindekinden çok daha düşüktür. Üç sınıflı iki konumda ise (konum 8 ve 9), her iki modelin doğruluğu neredeyse aynıdır: Konum 8 için yaklaşık %97, konum 9 için yaklaşık %96. Yöntemler arası geri çağırma ve kesinlik açısından büyük bir fark bulunmamaktadır; ancak konum 9’da MIMO’nun "Acil Durum I" sınıfı için geri çağırma değeri, MISO’dan daha yüksektir. Bunun nedeni, "Acil Durum I" etiketlerinin konum 9’da konum 8’e göre çok daha az sayıda olmasıdır. Tahmin süresi açısından bakıldığında, MISO ile tek bir ÇEVİRİ KAYNAKLAR [1] Richard Campbell and Jay T. Petrillo, Fatal Firefighter Injuries in the US in 2022. National Fire Protection Association, Quincy, Massachusetts, 2023. [2] S. Kerber, Analysis of One and Two-Story Single Family Home Fire Dynamics and the Impact of Firefighter Horizontal Ventilation, Fire Technology, vol. 49, no. 4, pp. 857–889, 2013. [3] Buettner K., Effects of extreme heat and cold on human skin. II. Surface temperature, pain and heat conductivity in experiments with radiant heat. Journal of Applied Physiology, 1951, 3(12): 703-713. [4] M.K. Donnelly, W.D. Davis, J.R. Lawson, M.J. Selepak, Thermal environment for electronic equipment used by first responders, NIST Technical Note 1474, National Institute of Standards and Technology, Gaithersburg, MD, 2006. [5] Weinschenk C, Regan J., Analysis of search and rescue tactics in single-story single-family homes part II: kitchen and living room fires. UL Fire Safety Research Institute, Columbia, Maryland, Tech. Rep, 2022. [6] Tong Q., Couto C., Gernay T, Machine learning models for predicting the resistance of axially loaded slender steel columns at elevated temperatures, Engineering Structures, 2022, 266, 114620. [7] Tong Q. and Gernay, T, A hierarchical Bayesian model for predicting fire ignitions after an earthquake with application to California, Natural Hazards, 2022,111(2), 1637-1660. [8] Tong Q, Yang M, Zinetullina A. A dynamic Bayesian network-based approach to resilience assessment of engineered systems. Journal of Loss Prevention in the Process Industries, 2020, 65: 104152. [9] Tong Q, Gernay T. Mapping wildfire ignition probability and predictor sensitivity with ensemble-based machine learning. Natural Hazards, 2023, 119(3): 15511582. [10] Utech H. Status report on research programs for firefighters protective clothing, 45th Annual Fire Department Instructors Conference Proceedings. 1973: 156166. [11] Tam W C, Fu E Y, Li J, et al., A spatial temporal graph neural network model for predicting flashover in arbitrary building floorplans. Engineering Applications of Artificial Intelligence, 2022, 115: 105258. [12] 2018 International Building Code (IBC). Retrieved from https://codes.iccsafe. org/content/IBC2018/index. [13] 2015 NFPA 101 Life Safety Code (LSC). Retrieved from https://www.nfpa.org/ codes-and-standards/nfpa-101-standard-development/101. [14] Kingma D. P. and Ba J., Adam: A Method for Stochastic Optimization, arXiv:1412.6980. [15] Abadi, M., et al., Tensorflow: A system for large-scale machine learning. In In 12th symposium on operating systems design and implementation (16) (pp. 265–283).
RkJQdWJsaXNoZXIy MTcyMTY=