BRAWA: Kulturgut bewahren durch Helfermotivation und geringe Brandwahrscheinlichkeiten; Teilvorhaben: Ausbreitung früher Brandemissionen in komplexen Gebäude-Geometrien und Einsatz von Brandschutzersthelfern

Abstract

Im Teilvorhaben "Ausbreitung früher Brandemissionen in komplexen Gebäude-Geometrien und Einsatz von Brandschutzersthelfern" des Forschungsvorhabens BRAWA wurden sensorische Frühbrandindikatoren hinsichtlich ihres Beitrags zu einer sehr frühen Branderkennung untersucht. Dazu wurde eine Auswahl an Sensoren in klein- und großskaligen Versuchen hinsichtlich des Ansprechverhaltens bei den häufigsten Entstehungsbrandszenarien in soziokulturellen Gebäuden untersucht. Weiterhin wurden, unterteilt in drei Detektionsebenen, Methoden des maschinellen Lernens unter Berücksichtigung von Datenverfügbarkeit und Raumabhängigkeit der sensorischen Brandfrühindikatoren verwendet, um relevante Informationen aus den sensorischen Signalen für eine effiziente Alarmierung von Laienhelfern zu extrahieren. Die drei Detektionsebenen umfassen eine Anomalie Detektion, gefolgt von einer Anomalie Identifikation sowie einer Szenarien Zuordnung. Es konnte gezeigt werden, dass das Zusammenspiel dieser Detektionsebenen insgesamt eine zuverlässige Detektion deutlich unterhalb der Alarmschwelle handelsüblicher Rauchwarnmelder ermöglicht. Neu gegenüber herkömmlichen Brandmeldern ist auch, dass neben der frühen Detektion (und Unterscheidung zwischen brandrelevanten und nicht-brandrelevanten Anomalien) auch zwischen verschiedenen Brandszenarien, wie z.B. Holzbrand, Kabelbrand oder Kerzenbrand unterschieden werden kann. Datei-Upload durch TIB In the sub-project "Propagation of early fire emissions in complex structures and use of first responders" of the BRAWA project, sensory early fire indicators were investigated with regard to their contribution to very early fire detection. To this end, a selection of sensors was made based on small and large-scale tests with regard to their response behaviour in the most common incipient fire scenarios in socio-cultural buildings. Furthermore, machine learning methods were used, divided into three detection layers, considering data availability and spatial dependence of the sensory early fire indicators in order to extract relevant information from the sensor signals for efficient alerting of lay people/ first responders. The three detection levels consist of anomaly detection, followed by anomaly identification and scenario identification. It has been shown that the combination of these detection layers enables reliable detection well below the alarm threshold of conventional smoke alarms. Another new feature compared to conventional fire detectors is that, in addition to early detection (and differentiation between fire-relevant and non-fire-relevant anomalies), a distinction can be made between different fire scenarios, such as wood fire, cable fire or candle fire.