Ny teknologi og KI i brannvesenet

Start med oppgaven teknologien skal løse

Et kamera, en sensor eller en KI-modell er nyttig når opplysningene fører til bedre handling. For brannvesenet kan oppgaven være å oppdage en stengt sprinklerforsyning, finne en brann på motsatt side av bygget, redusere feil i en logg eller øve en situasjon som er vanskelig å gjenskape fysisk. Beskriv dette behovet før dere velger produkt.

En norsk teknologigjennomgang fra 2026 samler forskning og erfaringer fra utvalgte brannvesen og leverandører. Den viser både løsninger som er i bruk, avgrensede utprøvinger og muligheter som fortsatt er forskning. Den er ikke en samlet praktisk prøve av produktene. Et omtalt utviklingsprosjekt er derfor ikke dokumentasjon på at funksjonen finnes i egen bil, eget bygg eller egen 110-sentral.

Tre forskjellige typer opplysninger

Skillet er praktisk: «Sensoren måler fallende trykk» er en annen melding enn «sprinkleren virker ikke». Den siste krever flere opplysninger. På samme måte er «mulig person markert i bildet» et søkefunn som må undersøkes, ikke en bekreftet identitet eller en fullstendig oversikt over alle som er i bygget.

KI kan arbeide raskt innenfor feil forutsetninger

Kunstig intelligens omfatter blant annet modeller som gjenkjenner mønstre i bilder og modeller som lager tekst. De kan sortere store datamengder og finne sammenhenger som ellers tar tid å undersøke. Men en ryddig tekst eller et tydelig symbol på skjermen forteller ikke om svaret er riktig.

Et tekstverktøy kan hjelpe med å strukturere et øvingsutkast, hente ut emner fra dokumenter eller lage et første sammendrag. Fagperson må kontrollere tall, negasjoner, utstyrsnavn og henvisninger i originalmaterialet. En oppgitt paragraf eller publikasjon må finnes og faktisk støtte påstanden. Norske krav og lokal prosedyre må kontrolleres særskilt når grunnlaget er internasjonalt.

Ved dokumentarbeid må verktøyet også skille mellom et gjeldende dokument, en utgått revisjon og et forslag. En korrekt gjengivelse av en gammel innsatsplan kan fortsatt gi feil beslutning. Knytt derfor funnet til riktig objekt, dokumentversjon og dato for opplysningen. Det er særlig viktig når flere bygg har like navn eller utstyr er endret etter siste tegning.

En simulering er en modell av brannen

Forskningsmiljøer bruker blant annet brannsimuleringer til å trene KI. Etter treningen kan modellen anslå utvalgte størrelser langt raskere enn en ny, full simulering. Det kan gi nyttig støtte til forskning og prosjektering. Kvaliteten avhenger av både brannmodellen, inngangsdataene og hvilke situasjoner KI-en har lært fra.

I forskning på varsling av overtenning er det blant annet brukt et lite rom med ett brensel og uten brennbare vegger og tak. Et godt samsvar i et slikt oppsett viser hva modellen klarte under disse forutsetningene. Det etablerer ikke en nedtelling til overtenning i et tilfeldig norsk bolighus, en vindpåvirket brann eller et rom med annen innredning.

For mannskapet er læringspunktet å spørre hva en vist prognose bygger på, og hva som har endret seg siden siste beregning. En åpnet dør, annen brannplassering eller sviktende sensor kan være avgjørende. Et prosenttall for modellens treffsikkerhet kan heller ikke oversettes direkte til sannsynlighet for at en innsats er trygg. Brannforståelse, meldinger fra laget og vurdering av retrett må fortsatt være selvstendige deler av arbeidet.

Digitale tvillinger: koblingen til det virkelige bygget

En digital bygningsmodell kan samle rom, etasjer, tekniske anlegg og dokumentasjon. Når den kobles til oppdaterte målinger og tilstandsopplysninger, kan den brukes til å følge forhold i det fysiske bygget. Dette omtales ofte som en digital tvilling. En tredimensjonal tegning alene viser først og fremst hvordan bygget er modellert.

Mulig operativ nytte er å finne en detektor, en stengeventil eller en forbindelse mellom rom før laget kommer fram. Men ombygging, midlertidig lagring, utkoblet anlegg og manglende sensordekning kan gjøre modellen ufullstendig. Personregistrering via telefoner eller sensorer kan heller ikke uten videre fortelle hvor mange som faktisk er igjen.

Et praktisk kontrollpunkt ved befaring er å velge én romforbindelse og én teknisk funksjon i modellen og følge dem i bygget. Stemmer dør, etasje, betegnelse og plassering? Kan den som skal bruke opplysningen, åpne den under utrykning og ved bortfall av vanlig nettforbindelse? Dette er forslag til lokal prøving, ikke en garanti for at en bestemt plattform støtter funksjonene.

Dynamisk risiko: hvorfor gårsdagens situasjon kan være endret

En dynamisk risikomodell endrer vurderingen når forutsetningene endres. Langvarig tørke, kraftig vind, redusert framkommelighet eller bortfall av viktig infrastruktur kan kreve ny vurdering av beredskapen. Et værvarsel er da en opplysning som må kobles til lokale objekter, vannforsyning og tilgjengelige ressurser.

I norsk forskning på tett trehusbebyggelse er værdata brukt til å anslå fuktighet i innvendig treverk. Kald uteluft som varmes opp innendørs, kan få lav relativ luftfuktighet og bidra til uttørking. Det er altså ikke nok å se om det er frost ute. Tidligere vær, oppvarming og materialenes fukttilstand inngår i sammenhengen.

Modellen er sammenlignet med målte fuktforhold i treverk. Det er noe annet enn å ha bevist nøyaktig brannforløp i hvert hus. Vindens virkning på spredning må dessuten vurderes særskilt; et kartlag for vind er ikke nødvendigvis innarbeidet i samme beregning som materialfuktigheten.

I daglig beredskap kan et slikt varsel brukes som grunnlag for en gjennomgang: Er adkomst og vannforsyning tilgjengelig? Er det arbeid eller arrangementer i området? Hvordan blir forsterkning mottatt? Avtalte terskler og tiltak må bygge på lokalt analysearbeid. En enkelt studies «kritiske dager» er ikke en nasjonal regel for bemanning eller utalarmering.

Prøv løsningen sammen med en vanlig vakt

Velg et avgrenset behov og sammenlign dagens arbeidsmåte med den nye. Noter tiden fram til en brukbar opplysning, hvem som må betjene systemet, hva mottakeren faktisk forstår og hvilke feil som oppstår. Ta med mørke, hansker, regn, støy eller svak forbindelse der det er relevant og forsvarlig.

Prøv også et planlagt bortfall: et frosset bilde, en manglende sensor eller en avbrutt forbindelse. Oppdager brukeren feilen? Blir den meldt videre? Kan oppgaven fortsette med avtalt alternativ arbeidsmåte? Dette bør være kjent før systemet inngår som en forutsetning i beredskapen.

Anskaffelsen må omfatte mer enn innkjøpspris. Undersøk batterier og lading, rengjøring, service, lisenser, oppdateringer, opplæring, tilgang til data og støtte når nøkkelpersonen er fraværende. Et spesialisert system trenger en ansvarlig funksjon og nok kompetente brukere til den tilgjengeligheten man planlegger med.

Et øvingsspørsmål som avslører mye

La to lag få samme oppgave, ett med teknologistøtte og ett med den vanlige arbeidsmåten. Sammenlign hva de oppdaget, hva de overså og hvordan de begrunnet beslutningen. Bytt deretter roller og legg inn en kjent feil i systemet. Dette er en lokal læringsøvelse, ikke et vitenskapelig bevis på effekt. Den kan likevel vise om verktøyet faktisk hjelper laget eller bare lager flere skjermer å følge med på.

Fordypning i de konkrete hjelpemidlene

• Termovisjonskamera og hjelmmontert visning
• Droner som støtte ved innsats
• Slokkeroboter og fjernstyrt innsats
• 110: video, kjøretøydata og logg
• Øvelser, VR og læring av opptak