L'ingegnere meccanico Michael Gollner e il suo studente laureato, Sriram Bharath Hariharan, dell'Università della California, Berkeley, ha recentemente viaggiato al John H. Glenn Research Center della NASA a Cleveland, Ohio. Là, hanno lasciato cadere oggetti in fiamme in un pozzo profondo e studiano come si formano i vortici di fuoco in condizioni di microgravità. Il Glenn Center ospita una struttura di ricerca a gravità zero, che include una torre di caduta sperimentale che simula l'esperienza di essere nello spazio.

"Ottieni cinque secondi di microgravità, " ha detto Gollner. I ricercatori hanno acceso un piccolo stoppino di paraffina per generare vortici di fuoco e lo hanno lasciato cadere, studiando la fiamma fino in fondo.

Esperimenti come questo, presentato al 73° Meeting Annuale della Divisione di Fluidodinamica dell'American Physical Society, può aiutare gli scienziati antincendio a rispondere a due tipi di domande. Primo, illuminano i modi in cui il fuoco può bruciare in assenza di gravità e possono persino informare le misure di protezione per gli astronauti. "Se qualcosa sta bruciando, potrebbe essere una situazione molto pericolosa nello spazio, " disse Gollner. Secondo, può aiutare i ricercatori a comprendere meglio il ruolo della gravità nella crescita e nella diffusione degli incendi distruttivi.

Il fuoco bruciava diversamente senza gravità, disse Gollner. La fiamma era più corta e più ampia. "Abbiamo visto un vero rallentamento della combustione, " ha detto Gollner. "Non abbiamo visto gli stessi vortici drammatici che abbiamo con la gravità ordinaria."

Altri ricercatori, tra cui un team del Los Alamos National Laboratory nel New Mexico, ha introdotto nuovi sviluppi per un modello di fluidodinamica computazionale che può incorporare combustibili con contenuto di umidità variabile. Molti modelli ambientali esistenti calcolano la media dell'umidità di tutti i combustibili in un'area, ma questo approccio non riesce a catturare le variazioni che si trovano in natura, disse l'ingegnere chimico Alexander Josephson, un ricercatore post-dottorato che studia la previsione degli incendi a Los Alamos. Di conseguenza, quei modelli possono produrre previsioni imprecise nel comportamento degli incendi boschivi, Egli ha detto.

"Se stai camminando attraverso la foresta, vedi legno qua e erba là, e c'è un sacco di variazione, " disse Josephson. Erbe secche, muschi umidi, e gli arti pendenti non hanno lo stesso contenuto d'acqua e bruciano in modi diversi. Un incendio può far evaporare l'umidità dal muschio bagnato, Per esempio, allo stesso tempo sta consumando arti più secchi. "Volevamo esplorare come si verifica l'interazione tra questi combustibili mentre il fuoco attraversa".

Gli scienziati di Los Alamos hanno lavorato per migliorare il loro modello chiamato FIRETEC (sviluppato da Rod Linn), collaborando con ricercatori dell'Università dell'Alberta in Canada e del Canadian Forest Service. I loro nuovi sviluppi tengono conto delle variazioni del contenuto di umidità e di altre caratteristiche dei tipi di combustibile simulato. La ricercatrice Ginny Marshall del Canadian Forest Service ha recentemente iniziato a confrontare le sue simulazioni con i dati del mondo reale provenienti dalle foreste boreali nel nord del Canada.

Durante una sessione sui flussi reagenti, Matteo Bonanni, uno studente laureato nel laboratorio dell'ingegnere Matthias Ihme alla Stanford University in California, ha descritto un nuovo modello per la diffusione degli incendi basato su una piattaforma di apprendimento automatico. Prevedere dove e quando bruceranno gli incendi è un processo complesso, dice Ihme, questo è guidato da un complesso mix di influenze ambientali.

L'obiettivo del gruppo di Ihme era quello di costruire uno strumento che fosse sia preciso che veloce, utilizzabile per la valutazione del rischio, sistemi di allerta precoce, e la progettazione di strategie di mitigazione. Hanno costruito il loro modello su una piattaforma di computer specializzata chiamata TensorFlow, progettato dai ricercatori di Google per eseguire applicazioni di apprendimento automatico. Man mano che il modello si allena su più dati fisici, ha detto Ihme, le sue simulazioni di accumulo di calore e dinamiche di propagazione del fuoco migliorano e diventano più veloci.

Ihme ha affermato di essere entusiasta di vedere quali strumenti computazionali avanzati apportano alla previsione degli incendi. "Era un'area di ricerca molto empirica, sulla base di osservazioni fisiche, e la nostra comunità lavora su problemi più fondamentali, " ha detto. Ma aggiungendo l'apprendimento automatico alla cassetta degli attrezzi, Egli ha detto, mostra come gli algoritmi possono migliorare la fedeltà degli esperimenti. "Questo è un percorso davvero emozionante, " Egli ha detto.