h-header

header
main

dynamic

content

post

Collana TRL7 - Deep learning per la modellazione degli incendi

Autore Gianfranco Rocchi | Chief Communication Officer | 07 Gennaio 2022 |

Come abbiamo visto nell’ultimo numero di TRL7 ci si attende molto, in termini di modellizzazione di fenomeni non lineari, dai computer quantistici. E poiché l’incendio rappresenta un ampio catalogo di fenomeni caotici è legittimo attendersi che la modellazione antincendio ne tragga dei benefici. Tuttavia l’affermazione del quantum computing potrebbe svilupparsi in diversi anni, forse in tutto il prossimo decennio. Dobbiamo attendere lo sviluppo di applicazioni de calcolo quantistico per vedere radicali cambiamenti nella modellazione degli incendi? Forse no.

Infatti, il deep learning – una tecnologia all’avanguardia ma molto più diffusa oggi rispetto al calcolo quantistico – è stato arruolato per prevedere la futura evoluzione dei sistemi caotici.

Edward Ott e collaboratori all'Università del Maryland, hanno impiegato un algoritmo di apprendimento automatico chiamato reservoir computing per "apprendere" le dinamiche di un sistema caotico archetipico chiamato equazione di Kuramoto-Sivashinsky. La cosa interessante col deep learning e che non serve sempre conoscere a fondo quello che gli si da in pasto1.

L'algoritmo – e in questo mi sento molto in sintonia con lui – non sa nulla della stessa equazione di Kuramoto-Sivashinsky; vede solo i dati registrati sulla soluzione in evoluzione dell'equazione. Ciò rende potente l'approccio di apprendimento automatico; in molti casi, le equazioni che descrivono un sistema caotico non sono note, paralizzando gli sforzi per modellarli e prevederli. I risultati di Ott e collaboratori suggeriscono che non sono necessarie le equazioni, ma solo i dati.

Ora, di un incendio, molti dati li abbiamo mentre non siamo in grado di definire le equazioni che lo governano.

All'inizio degli anni 2000, due ricercatori, Jaeger e Haas usarono di una rete di neuroni artificiali collegati in modo casuale - a formare il "serbatoio" nel reservoir computing - per apprendere le dinamiche di tre variabili caoticamente coevolutive. Dopo l'addestramento sulle tre serie di numeri, la rete era teoricamente in grado di prevedere i valori futuri delle tre variabili fino a un orizzonte straordinariamente distante. Tuttavia, dopo poche variabili interagenti, i calcoli diventavano incredibilmente ingombranti. Ott e i suoi colleghi avevano bisogno di uno schema più efficiente.

Ci sono voluti anni per trovare una soluzione semplice, ovvero sfruttare la “località” delle interazioni in sistemi caotici estesi nello spazio. Località significa che le variabili in un luogo sono influenzate da variabili in luoghi vicini ma non da luoghi lontani, suddividendo il problema in blocchi. A questo punto era possibile parallelizzare il problema, usando un serbatoio di neuroni per conoscere un pezzo del sistema, un altro serbatoio per conoscerne un altro e così via, con leggere sovrapposizioni di domini vicini per tenere conto delle loro interazioni.

Ott ha spiegato il reservoir computing come una procedura in tre fasi, usando proprio l’esempio di un incendio. Supponiamo che si voglia usare questa tecnica per prevedere l'evoluzione di un incendio in espansione. Per prima cosa, si misura l'altezza della fiamma in cinque diversi punti lungo il fronte della fiamma, continuando a misurare l'altezza in questi punti sulla parte anteriore mentre la fiamma tremolante avanza per un periodo di tempo. Fornendo questi flussi di dati a neuroni artificiali scelti a caso nel serbatoio, il reservoir appunto, i dati di input provocano l'attivazione dei neuroni artificiali2, che attivano a loro volta i neuroni collegati e inviando una cascata di segnali attraverso la rete.

Il secondo passo è fare in modo che la rete neurale apprenda le dinamiche del fronte di fiamma in evoluzione dai dati di input. Per fare ciò, mentre vengono inseriti i dati, viene monitorata anche la forza del segnale di diversi neuroni scelti a caso nel serbatoio. La ponderazione e la combinazione di questi segnali in cinque modi diversi produce cinque numeri come output. L'obiettivo è regolare i pesi dei vari segnali che entrano nel calcolo delle uscite fino a che tali uscite non corrispondano in modo coerente alla successiva serie di ingressi: le cinque nuove altezze misurate un momento dopo lungo il fronte di fiamma. "Quello che si vuol ottenere è che l'output sia l'input in un momento leggermente successivo", ha spiegato Ott.

Per apprendere i pesi corretti, l'algoritmo confronta semplicemente ogni set di uscite, o altezze di fiamma previste in ciascuno dei cinque punti, con il successivo set di ingressi, o altezze di fiamma effettive, aumentando o diminuendo i pesi dei vari segnali ogni volta per fare in modo che le loro combinazioni forniscano i valori corretti per le cinque uscite. Da un passaggio temporale all'altro, man mano che i pesi vengono regolati, le previsioni migliorano gradualmente, fino a quando l'algoritmo è in grado di prevedere in modo coerente lo stato della fiamma in un passaggio temporale successivo.

A questo punto viene realizzata effettivamente la previsione. Il serbatoio, dopo aver appreso le dinamiche del sistema, può prevedere come si evolverà. La rete essenzialmente si chiede cosa succederà. Gli output vengono reinseriti come nuovi input, i cui output vengono reinseriti come input, e così via, facendo una proiezione di come si evolveranno le altezze nelle cinque posizioni sul fronte della fiamma. Altri serbatoi che lavorano in parallelo prevedono l'evoluzione dell'altezza in altre parti della fiamma.

Il motivo esatto per cui il reservoir computing è così bravo ad apprendere le dinamiche dei sistemi caotici non è ancora ben compreso, al di là dell'idea che il computer sintonizzi le proprie formule in risposta ai dati finché le formule non replicano le dinamiche del sistema. 

Se questa capacità di previsione venisse integrata con la capacità di monitoraggio e gestione integrata della sicurezza antincendio (ne abbiamo parlato qui e qui) e la risoluzione della previsione fosse abbastanza rapida, si potrebbe applicare questa analisi anche all’incendio reale in atto, modulando in maniera intelligente le azioni di estinzione (ad esempio, ottimizzando l’impiego degli agenti estinguenti).

Non solo, ma il monitoraggio di incendi reali potrebbe fornire feedback per calibrare gli algoritmi e quindi far evolvere il modello

 

note


[1] Talvolta non sappiamo neppure molto dell'algoritmo che fa quest'elaborazione. Si tratta di quello che nell'ambito dell'intelligenza artificiale si definisce "problema della scatola nera". Una black box - una scatola nera, appunto - è un dispositivo, sistema o programma che consente di vedere l'input e l'output, ma non fornisce alcuna visione dei processi e del funzionamento tra di essi. La scatola nera dell'IA, quindi, si riferisce al fatto che con la maggior parte degli strumenti basati sull'intelligenza artificiale, non sappiamo come fanno quello che fanno. 

Gli strumenti che soffrono del problema della scatola nera sono tipicamente quelli che utilizzano reti neurali artificiali e/o deep learning. 

Le reti neurali artificiali sono costituite da strati nascosti di nodi. Ciascuno di questi nodi elabora l'input dato e passa il proprio output al livello di nodi successivo. Queste reti vengono addestrate "premiandole" matematicamente in funzione dell'affidabilità delle previsioni che elaborano su un set noto di dati. Le reti costruiscono e selezionano autonomamente lo schema migliore in funzione dei "premi" pertanto il programmatore non conosce lo schema...ha di fronte quindi una scatola nera.

[2] Un neurone artificiale è l'unità elementari in una a rete neurale artificiale ed è costituito da una funzione matematica che riceve uno o più input e li somma per produrre un output.

Per scaricare questo articolo in versione pdf Clicca QUI

note sull'autore

Gianfranco Rocchi è curatore del digital content marketing di Mozzanica&Mozzanica Srl; con una formazione accademica in storia economica, ha una esperienza di oltre quindici anni nella consulenza aziendale relativamente ai sistemi di gestione aziendale e della salute e sicurezza sul lavoro. È stato inoltre autore di contenuti per la televisione ed il podcasting.

 

 rocchi@mozzanica.eu

  www.mozzanica.eu

Immagine che contiene testo, clipart, grafica vettoriale

Descrizione generata automaticamente  https://www.linkedin.com/in/gianfrancorocchi/

 https://www.linkedin.com/company/mozzanica-&-mozzanica-srl/

 

side archivio

Archivio per anno

h-footer

Mozzanica & Mozzanica Srl

 

Via Martiri della Liberazione, 12

23875 Osnago (LC) - Italy

T +39 039 2254 700

T +39 039 9910 618

F +39 039 9910 615

info@mozzanica.eu

 

PEC mozzanica@legalmail.it

 

Cap. Soc. € 400.000,00 i.v.

REA Lecco 291853

P. IVA 02555530134

Sede di Milano

 

Via G. Sforza 62

20081 Abbiategrasso (MI)

F +39 039 9910 615

Mozzanica USA LLC

 

Sede USA

2253 Vista Parkway, Suite 8

West Palm Beach, FL 33411

T +1 561 370 3597

infousa@mozzanica.eu

Social

 

© Copyright 2021 - Mozzanica&Mozzanica Srl

Privacy Policy - Cookie Policy