Методы и алгоритмы интеллектуальной системы раннего предупреждения о возгорании на судне тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат наук Гусева Алёна Игоревна

• Гусева Алёна Игоревна
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Гусева Алёна Игоревна

ВВЕДЕНИЕ

1. ОБЗОР ТЕКУЩИХ ВОЗМОЖНОСТЕЙ ПРОТИВОПОЖАРНЫХ СИСТЕМ И ОСНОВНЫХ СПОСОБОВ ИХ ПОСТРОЕНИЯ И РАСЧЕТА ХАРАКТЕРИСТИК

1.1. Причины, способы определения и классификация пожаров на судах

1.1.1. Причины возникновения

1.1.2. Способы определения

1.1.3. Классификация пожаров

1.2. Анализ существующих систем моделирования пожаров

1.2.1. Методы моделирования

1.2.2. Программы, реализующие различные методы моделирования

1.3. Системы сигнализации и пожаротушения на судах

1.3.1. Виды противопожарных систем

1.3.2. Виды сигнализации

1.4. Датчики

1.4.1. Температурные датчики

1.4.2. Датчики концентрации

1.4.3. Датчики видимости

Выводы

2. МОДЕЛИРОВАНИЕ ПОЖАРА

2.1. Моделирование пожара полевым методом

2.2. Распараллеливание вычислений на суперкомпьютере

2.3. Особенности разработки полевой модели пожара

2.4. Погрешность модели пожара

2.4.1. Постановка задачи

2.4.2 Формула для расчета погрешности модели

2.4.3 Расчет погрешности модели

2.5. Реализованные модели и их назначение

2.5.1. Типовые помещения на судах

2.5.2. Испытательный полигон «Огонек»

2.5.3. Модели с различным расположением источника возгорания

2.5.3. Модели с различным типами источников возгорания

2.6. Динамические характеристики измерительной системы

2.7. Обработка случайной погрешности нейронной сетью

2.8. Результаты натурных испытаний

Результаты

Выводы

3. МЕТОДИКА ОПРЕДЕЛЕНИЯ ОПТИМАЛЬНОГО РАСПОЛОЖЕНИЯ МНОГОПАРАМЕТРИЧЕСКИХ ДАТЧИКОВ В ПОМЕЩЕНИИ НА ОСНОВЕ ЭВОЛЮЦИОННОГО АЛГОРИТМА

3.1. Постановка задачи оптимального расположения датчиков в помещении

3.2. Подбор оптимизационного алгоритма

3.2.1. Методы нулевого порядка

3.2.2. Градиентные методы

3.2.3. Эволюционные или генетические алгоритмы

3.2.4. Обоснование выбора оптимизационного алгоритма

3.3. Построение целевой минимизирующей функции

3.3.1. Метод принятия решения о возникновении возгорания

3.3.2. Анализ априорной информации и ее влияние на время обнаружения пожара

3.3.3. Функция для оценки среднего времени реакции набора датчиков на возникновение пожара для различных источников возгорания

3.4. Модификация генетического алгоритма для применения к задаче оптимального расположения датчиков

3.4.1. Инициализация алгоритма

3.4.2. Репродукция (Селекция)

3.4.3. Скрещивание

3.4.4. Мутация

3.5. Применение разработанного генетического алгоритма для поиска оптимального расположения датчиков в моделируемом помещении

Выводы

4. ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПРОТИВОПОЖАРНОЙ БЕЗОПАСНОСТИ

4.1. Раннее предупреждение о возгорании

4.1.1. Физическая модель системы раннего предупреждения о возгорании

4.1.2. Нейронная сеть для принятия решения о начале возгорания

Выводы по параграфу

4.2. Определение типа источника возгорания

4.2.1. Влияние типа источника возгорания на показания датчиков

4.2.2. Нейронные сети, основанные на расстоянии

4.2.3. Построение классифицирующей нейронной сети

4.3. Определение места возгорания

4.3.1. Подготовка входных данных

4.3.2. Параметры нейронной сети

4.3.3. Обучение нейронной сети

4.3.4. Тестирование полученной системы

Обобщенный алгоритм усовершенствованной противопожарной системы

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы интеллектуальной системы раннего предупреждения о возгорании на судне»

Введение

В соответствии со ст. 5 Федерального закона «Технический регламент от 22.07.2008 №123-Ф3 «О требованиях пожарной безопасности» [99] каждый объект защиты должен иметь систему обеспечения пожарной безопасности, которая включает в себя систему предотвращения пожара, систему противопожарной защиты и комплекс организационно-технических мероприятий по обеспечению пожарной безопасности. основной целью противопожарной системы, согласно ст. 52 регламента [99], является защита людей и имущества от воздействия опасных факторов пожара.

С ростом энергооснащенности современных сооружений, судов и других объектов инфраструктуры увеличивается и риск возникновения пожаров и пожароопасных ситуаций. Пожары на судах отличаются от аналогичных пожаров на других объектах. [11, 96] Это объясняется спецификой построения вентиляции и кондиционирования, особенностью используемых материалов, а также конструктивными особенностями самих судов. Количество инцидентов на судах, связанных с пожаром, возрастает с каждым годом. В связи с вышеуказанным задаче построения противопожарной системы, позволяющей своевременно обнаружить и быстро среагировать на возникновение опасности, уделяется особое внимание.

Актуальность проблемы. Информационно-измерительная система представляет собой совокупность функционально объединенных измерительных, вычислительных и других вспомогательных технических средств для получения измерительной информации, ее преобразования, обработки с целью представления потребителю в требуемом виде либо автоматического осуществления логических функций - контроля, диагностики, идентификации. В настоящее время имеющиеся на каждом корабле системы пожарной сигнализации (СПС) предназначены только для сигнализации о начавшемся пожаре. При том, что датчики, установленные в таких системах, работают по пороговому принципу, то есть по сути своей являются

извещателями, поэтому не могут быть рассмотрены как часть информационно -измерительной системы. Пороги для извещателей, как правило, устанавливаются заранее и достаточно высокими, чтобы исключить ложные срабатывания. Это приводит к увеличению времени реакции на возникновение возгорания. При замене извещателей, работающих по пороговому принципу многопараметрическими датчиками, позволяющими получать значение величин, а не только факт превышения ими установленного порога, появится возможность их интеллектуальной обработки и как следствие увеличение эффективности самой системы. Под многопараметрическими датчиками будем понимать устройства, объединяющие в своем корпусе более одного измерительного прибора.

Кроме того, существующие системы не учитывают особенности помещения, расположение отопления и вентиляции, расположение вероятных источников возникновения возгорания, поэтому целесообразно строить модель помещения на этапе проектирования противопожарной системы.

Набор извещателей по стандарту устанавливается на потолке, при необходимости, такие извещатели могут быть установлены и на стенах. Все установленные извещатели должны контролировать всю защищаемую область помещения. Если, в случае возгорания, дым от него будет распространяться в мертвой зоне, огонь будет распространяться до тех пор, пока повышение температуры или уменьшение видимости (в случае наличия соответствующих извещателей) не достигнет датчиков, но причиненный ущерб будет уже значительно больше. При наличии сильных потоков воздуха в помещении, концентрация дыма под потолком может не достичь порогового значения, что приведет к отсутствию реакции на начало пожара со стороны дымовых извещателей. С температурными извещателями такая ситуация тоже возможна. Стоит заметить, что при распространении пожара до определенного масштаба реакция извещателей все же последует, но время уже будет упущено. При наличии же вместо извещателей измерительных многопараметрических устройств и включения их в информационно-измерительную систему можно увеличить

скорость ее срабатывания даже в ситуациях, описанных выше. Действующие нормы, указанные в своде правил СП 5.13130.2009 [100], регламентируют только количество и тип средств технического контроля для помещения, но не указывают необходимость учитывать особенности помещения при их расстановке.

очевидно, что для повышения эффективности обеспечения пожарной безопасности судов необходимо снизить вероятность возникновения возгорания и автоматизировать процесс контроля пожарной опасности, модернизировав существующую противопожарную систему в информационно-измерительную систему с многопараметрическими датчиками и интеллектуальной обработкой информации, получаемой с них. В большом помещении с разнообразным типом угроз, таком, как например машинное отделение, устанавливается автоматическая система пожаротушения, которая может быть включена только в части помещения. На данный момент такая система включается только в ручном режиме, соответственно человек должен определить место возгорания и тип источника возгорания, чтобы запустить систему тушения. Это требует больше времени, чем автоматическое определения этих факторов, а следовательно, и последствия пожара будут масштабнее.

Поэтому на сегодняшний день актуальным является разработка новых методов и алгоритмов, позволяющих создать интеллектуальную противопожарную систему на судах.

Целью диссертационной работы является разработка методов и алгоритмов для интеллектуальной системы противопожарной безопасности на судах, основанной на многопараметрических устройствах, которая обнаруживает пожар на ранних стадиях и определяет тип источника возгорания и место возникновения пожара.

Для реализации цели были поставлены следующие задачи: - разработать математические модели, позволяющие получить данные о процессах, происходящих в помещении после возникновения пожара и реакции на эти процессы многопараметрических датчиков,

расположенных в помещении. Оценить адекватность применяемой модели, сравнив ее с натурным экспериментом;

- построить алгоритм, рассчитывающий оптимальное расположение датчиков в помещении, учитывающих индивидуальные характеристики и вероятности возникновения возгорания в различных его частях;

- разработать модель системы, позволяющей реагировать на возникновения возгорания на ранних стадиях, определять зону возгорания и тип источника возгорания.

Объект исследований. Информационно-измерительные и управляющие системы (ИИУС) в части методов усовершенствования противопожарных систем на судах.

Предмет исследований. Процесс построения противопожарных систем, особенности существующих систем и пути их усовершенствования.

Методы исследования. В работе использованы методы математического моделирования пожара, методы оптимизации, искусственные нейронные сети с задержкой на входе, сиамские сети, байесовская сеть.

Научная новизна работы состоит в следующем:

- модель системы возгорания, включающая модель пожара и датчиков;

- разработана модификация генетического алгоритма для решения задачи оптимального расположения датчиков в помещении;

- предложен нейросетевой алгоритм определения начала возгорания, зоны и типа источника возгорания на основании показаний многопараметрических датчиков.

Теоретическая значимость работы выражается в следующих алгоритмах:

- модифицированный генетический алгоритм определения оптимального расположения многопараметрических датчиков в помещении;

- система связанных алгоритмов, включающих алгоритм, определяющий начало возникновение возгорания, место возгорания, а также тип источника возгорания.

Практическая значимость работы состроит в следующем:

- разработана модель измерительной системы, которая может быть использована для следующих задач:

- испытания проектируемых противопожарных систем;

- обучения нейронных сетей при построении алгоритмов интеллектуальных противопожарных систем;

- прогнозирования развитие пожара и реакции многопараметрических датчиков, расположенных в помещении.

- разработано программное обеспечение, позволяющее по данным с многопараметрических датчиков, полученным либо с помощью модели, либо с реального объекта, и характеристикам помещения, рассчитывать оптимальное положение датчиков в помещении;

- разработаны алгоритмы системы, позволяющие в реальном времени обрабатывать данные, получаемые с многопараметрических датчиков и принимать решение о начале пожара и о его характеристиках (типе источника возгорания и месте его расположения).

На защиту выносятся следующие положения:

- модифицированный генетический алгоритм позволяет рассчитать оптимальное расположение датчиков в помещении, учитывая его физические особенности и назначение. Датчики, расположенные в рассчитанных алгоритмом местах, обнаруживают пожар быстрее, чем датчики, расположенные равномерно;

- алгоритмы интеллектуальной системы, состоящей из трех независимый подсистем, позволяют обнаруживать пожар на ранних стадиях, а также определять тип источника возгорания и зону его расположения.

Апробация работы. Результаты, полученные в рамках работы над диссертацией, были представлены и одобрены на следующих конференциях: «Всероссийская научно-практическая конференция с международным участием «Комплексная защита объектов

информатизации - 2016», «Четвертая международная научно-практической конференция «Имитационное и комплексное моделирование морской техники и морских транспортных систем», «International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM) Electronic resource. 2017», «The II Convergent cognitive information technologies (Convergent'2017) international scientific conference, Neural Computation, Machine Learning, and Cognitive Research II. Neural informatics Studies in Computational Intelligence», «The III Convergent cognitive information technologies (Convergent'2018) international scientific conference (2018) », «Neural Computation, Machine Learning, and Cognitive Research II. Neural informatics Studies in Computational Intelligence (2019) », «International Scientific-Practical Conference Business Cooperation as a Resource of Sustainable Economic Development and Investment Attraction. Pskov. 2019». Практическая применимость результатов работа подтверждена актом о внедрении, выданном обществом с ограниченной ответственностью «Аргус-Спектр» и справкой о внедрении в научную деятельность высшей школы киберфизический систем и управления Санкт-Петербургского Политехнического университета Петра Великого приведенных в приложении В.

Публикации. По теме диссертации опубликовано 16 работ, из них 2 статьи в рецензируемых изданиях, рекомендуемых ВАК РФ, 6 статей, опубликованных в изданиях, индексируемых в Scopus, 2 статьи, опубликованные в изданиях, индексируемых в Web of Science, 6 статей, индексируемых в РИНЦ.

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности «05.11.16 Информационно-измерительные и управляющие системы (промышленность)». Область исследований:

- методы и системы программного и информационного обеспечения процессов отработки и испытаний образцов информационно-измерительных и управляющих систем.

1. Обзор текущих возможностей противопожарных систем и основных способов их построения и расчета характеристик

Для построения интеллектуальной системы раннего предупреждения о пожаре важно знать технические возможности текущих систем. оценить их недостатки, чтобы разработать методы их усовершенствования.

В параграфе 1.1 рассматриваются причины возникновении пожаров на судах, способы их определения и законодательно закрепленная классификация. В параграфе 1.2 анализируются методы математического моделирования пожара, их особенности и применимость к различным задачам. Кроме того, приведен краткий обзор программ, реализующих эти методы. В параграфе 1.3 приводится описание существующих противопожарных систем. Их виды в зависимости от типа источника возгорания и способы сигнализации. В параграфе 1.4 описаны технические возможности и принцип работы основных используемых в противопожарных системах датчиков.

1.1. Причины, способы определения и классификация пожаров на судах

Для того, чтобы разработать методы, позволяющие улучшить системы противопожарной безопасности, необходимо оценить причины возникновения пожаров на судах и существующие способы его определения. Кроме того, необходимо рассмотреть имеющуюся классификацию пожаров на судах, чтобы была возможность оценить действия системы при различном типе пожаров.

1.1.1. Причины возникновения

основными причинами возникновения пожаров на судах являются:

- нарушение требований противопожарной безопасности на судах, описанных в документах по ППБ (правила противопожарной безопасности). К ним относятся, например, курение в непредназначенных для этого местах, ремонтные огневые работы без соблюдения требований защиты при их выполнении и т. д.;

- неправильная эксплуатация оборудования, установленного на борту. Например, несоблюдения требований по электробезопасности, неправильная эксплуатация теплового оборудования и т. д.;

- особенности строения судов, не учитываемые при проектировании типовых противопожарных систем;

- умышленные поджоги.

Поражающими факторами пожара на судне являются следующие:

- дым;

- открытый огонь;

- высокая температура;

- отравляющие вещества, возникающие в процессе горения.

При возникновении пожара на судне происходит его распространение за счет теплопроводности перегородок, металлических переборок и палуб в течении 10-15минут. Если установлена теплоизоляционная защиты, то в течение часа.

Самым опасным при возникновении пожара на судах является паника, поэтому правильная оценка ситуации и возможных рисков в такой ситуации очень маловероятна. Следовательно, нужно максимально автоматизировать реакцию противопожарных систем.

1.1.2. Способы определения

Факт возникновения или возможного возникновения пожара на судне устанавливают с помощью системы автоматического оповещения, либо получив информацию от пассажиров или членов экипажа.

Разделяют следующие способы определения возникновения пожара:

- обнаружение факта срабатывания пожарной сигнализации;

- получение сигнала оповещения о пожаре по системе оповещения;

- получение тревожной информации о возникновении пожара от персонала дежурных служб (лиц), от других пассажиров;

- обнаружение факта срабатывания систем пожаротушения;

- задымление помещений;

- визуальное обнаружение открытого огня;

- появление запаха гари, горящих материалов;

- увеличение температуры перегородок, перекрытий, стен или переборок и как следствие изменение их внешнего вида;

- быстрое возрастание температуры воздуха в помещениях.

На судах пожары характеризуются следующими особенностями:

- выделение при горении токсических веществ;

- воздействие тепловой радиации;

- возможность локализации пожара в начальной стадии, за счет изоляции зоны горения;

- быстрое нарастание скорости развития пожара.

На основании вышеперечисленного следует, что в основном информация о наличии пожара поступает от человека, а не от автоматизированных устройств.

1.1.3. Классификация пожаров

Существуют различные требования, по которым классифицируются пожары. Самые распространенные из них ISO 3941 (стандарт Международной организации стандартов) [103] и стандарт NFPA10 (National Fire Protection Association) [56]. Рассмотрим классификацию согласно требованиям, приведенным в последнем стандарте и закрепленными в 8-ой статье Технического регламента о требованиях пожарной безопасности [99].

Согласно этой классификации, все пожары можно разделить на пять классов в зависимости от типа источника возгорания. Классы обозначаются латинскими

буквами А, В, С, D, Е. Так как каждый класс характеризуется своим типом источника возгорания, то для них определены и предпочтительные методы тушения.

Класс А. Если источником возгорания является твердое углеродистое вещество, такое как дерево, бумага, ткань, пластмасса, резина, то необходимо тушить такие пожары водой, но не запрещается применение пенного и порошкового материала. Такой типа источника возгорания может воспламениться повторно, так как при сгорании таких материалов в них остается жир. В связи с этим за потушенными пожарами такого класса ведется наблюдение еще какое-то время.

Класс В. К данному классу относятся пожары, источник возгорания которых является горючей жидкостью, например, бензин, дизельное топливо, масло. Рекомендованное средство тушения для такого типа пожаров мелко распыленная вода, порошки и углекислый газ (СО2).

Класс С. Возгорания находящихся под давлением горючих газов относят к классу С. В первую очередь при возникновении такого типа пожара необходимо перекрыть подачу газа. Если же перекрыть газ не представляется возможным из-за повреждения оборудования, то необходимо использовать большое количество разбрызганной воды для охлаждения газовых баллонов и окружающих предметов, пока газ не потухнет. Направленные струи воды также применяются для изменения направления пожара до 90 градусов, если существует в этом необходимость.

Класс Б. Пожары, относящиеся к этому классу, вызваны горением горючих металлов, таких как натрий, калий, магний, титан или алюминий. Пожары такого типа тушат порошками специального назначения, которые гасят тепло.

Класс Е. В случае, если возгорание вызвано неисправностью в работе электрооборудования, например, короткое замыкание то пожар относят к классу Е. В первую очередь необходимо обесточить все находящееся под напряжением оборудование. Для тушения разрешено применять только вещества, не проводящие

электрический ток, так как не всегда удается полностью обесточить область. К таким тушащим веществам относятся огнетушащий порошок, углекислота, хладон.

Как видно из вышеописанного, информация о месте и типе источника возгорания очень важна для быстрой и правильной реакции экипажа.

Ввиду особенностей тушения пожара именно на судах не всегда тактика, которая работает с пожарами на суше применима. Например, залитый большим количеством воды пожар, который можно было потушить небольшим количеством пены или другого специального огнетушащего вещества, может привести к крену судна. Кроме того, так как на судах обычно имеется возможность изоляции определенных помещений, то иногда эффективнее перекрыть воспламенившийся отсек, чем тратить ресурсы на его тушение.

По времени, прошедшем с начала возгорания пожары на судах, бывают двух типов.

- начальный пожар (загорание);

- расширяющийся пожар.

Стадия начального пожара продолжается около полутора - двух минут, после чего может быстро разрастись. Следовательно, на этом этапе необходимо определить наличие возгорание, а также желательно определить тип и зону расположения источника возгорания. Через пять минут после начала пожар становится расширяющимся, поэтому усилия, необходимые для остановки его продвижения и полной ликвидации, требуются уже от большего числа человек, а также требуется достаточное обеспечение противопожарными средствами. Поэтому необходимо действовать быстро на начальной стадии пожара и не допускать его расширения и появления новых очагов возгорания.

Таким образом, информация о типе пожара является ключевой для выбора средств пожаротушения. Правильная и своевременная реакция в случае начавшегося пожара или своевременное оповещение о возможности его начала существенно уменьшит негативные последствия.

Как видно из вышесказанного, пожары на судах являются большой катастрофой, следовательно, чем лучше будет спроектирована противопожарная система, тем менее разрушительными будут последствия. При проектировании такой системы следует учитывать типы пожара, которые могут быть в данном помещении. Кроме того, необходимо проектировать противопожарную систему учитывая причины возникновения пожара в конкретном типе помещения и реакцию на них персонала.

1.2. Анализ существующих систем моделирования пожаров

Для разработки противопожарных систем часто используют моделирование. Это позволяет достаточно точно предсказать распространение огня и возможные последствия. При этом существует несколько различных методов моделирования, которые используют в зависимости от типа решаемой задачи.

Кроме того, на данный момент разработано программное обеспечение, облегчающее построение таких моделей. Такое программное обеспечение может быть как свободно распространяемым, так и доступным по лицензии. Для тестирования разработанных алгоритмов необходимо собрать данные о реакции датчиков при возникновении пожара. Самым доступным средством для получения данных является модель помещения, поэтому необходимо рассмотреть и оценить подходящий тип моделирования и выбрать программное обеспечение, реализовывающее выбранный тип моделирования.

1.2.1. Методы моделирования

Особенности вентиляции, отопления и положения предметов в защищаемом помещении должны быть учтены при проектировании его противопожарной системы. Соответственно, необходимо разработать модель помещения, которая бы использовала при расчете все необходимые характеристики.

Выделяют три типа компьютерных моделей: интегральные, зонные (зональные) и полевые [93]. Основное их различие в степени детализации, получаемой на выходе. Рассмотрим каждый метод подробнее.

Интегральный метод. Интегральный метод. Интегральная математическая модель пожара рассчитывает в общем виде процесс изменения во времени состояния газовой среды в помещении.

С точки зрения термодинамики газовая среда, заполняющая помещение с проемами, как объект исследования, есть открытая термодинамическая система. Ограждающие конструкции и наружный воздух являются внешней средой по отношению к этой термодинамической системе. Эта система взаимодействует с внешней средой путем обмена теплом и массой. По мере развития пожара происходит вытеснение нагретого воздуха из помещения через одни отверстия и поступление холодного воздуха через другие. Количество вещества, т. е. масса газа в рассматриваемой термодинамической системе, в течение времени изменяется.

Интегральный метод описания состояния термодинамической системы использует в качестве параметров массу всей газовой среды и ее внутреннюю тепловую энергию. Отношение этих двух интегральных параметров позволяет оценивать в среднем степень нагретости газовой среды. Этот метод определяет зависимости среднеобъемных величин ОФП (опасные факторы пожара) от времени:

ОФПте = /(т), (1.1)

где т - время, m - масса газа.

Соответственно, особенности вентиляции и отопления в помещении не учитываются при расчетах. При наличии нескольких источников в одном помещении или на начальной стадии пожара информативность такой модели явно недостаточная.

Таким образом, область применения интегрального метода ограничивается большими по объему пожарами, когда из-за сильного перемешивания газовой

среды, локальные значения параметров в любой точке близки к среднеобъемным. Такая модель применялась при расчете времени эвакуации людей для рекомендаций [102].

Зонный метод. Зонный метод. Применение зонного или зонального метода дает большую детализацию в отличии от интегрального. Для расчета данным методом помещение условно разделяют на две зоны: верхний слой продуктов горения (задымленная зона) и нижний слой, в котором находится воздух без дыма. Для каждого слоя оценивается состояние газовой среды через осредненные термодинамические параметры, учитывая, что граница между зонами изменяется во времени. Этот метод определяет зависимости от времени указанных ниже параметров.

- Среднеобъёмных величин ОФП в верхнем слое:

ОФП2=/(т), (1.2)

где т - время.

- Распределения термогазодинамических параметров (ТГП) по высоте

конвективной колонки:

ТГП1=/(2,т), (1.3)

где т - время, z - высота.

Основные уравнения, на которых строятся расчеты зонных моделей описаны ниже.

Уравнение баланса массы. Данное уравнение, для помещений, не имеющих окон в потолке и механической вентиляции имеет следующий вид.

^д (1.4)

ИТ- Су'

где Мд - масса слоя дыма, Т - время с момента возникновения пожара, -массовый расход газов, поступающих в слой из конвективной колонки или непосредственно из очага горения.

Уравнение баланса энергии. Уравнение сохранения энергии верхнего слоя дыма при отсутствии вентиляции записывается в следующем виде.

dUa PadVa (1.5)

—д = о - о - с——( . )

dT Чп 4w с dT )

где ид - внутренняя энергия слоя дыма, Qn - тепловой поток, подводимый из конвективной колонки или непосредственно из очага горения, Qw - тепловой поток, отводимый в ограждающие конструкции, Рд - статическое давление газов в задымленном слое, VA - объем задымленного слоя.

К плюсам такой модели относят возможность рассчитывать развитие пожара в частично замкнутых помещениях, то есть учитывать при расчете наличие окон, дверей и смежных комнат.

Как можно заметить из описания главный недостаток такого метода состоит в применении при расчетах допущений и упрощений, основанных на априорной информации о структуре потока. Если же нет заранее такой априорной информации, то применение такого метода исключено. В результате моделирования мы можем получить только осредненные значения параметров по зонам, что не является информативным для многих задач.

Более подробно о зонных моделях можно прочитать в статьях [32, 54].

Список литературы диссертационного исследования кандидат наук Гусева Алёна Игоревна, 2021 год

Список литературы

1. Abd Rahman, Rosshairy, Ramli, Razamin, Jamari, Zainoddin, Ku-Mahamud K.R. Evolutionary Algorithm with Roulette-Tournament Selection for Solving Aquaculture Diet Formulation // Mathematical Problems in Engineering. 2016. № 5 (2016). C. 1-10.

2. Alba E., Tomassini M. Parallelism and evolutionary algorithms // IEEE Transactions on Evolutionary Computation. 2002. № 5 (6). C. 443-462.

3. Alena I. Guseva, Galina F. Malykhina, Vladimir N. Krugleevsky, Sergey N. Turusov I.V.O. Usign the neural network model of data processign in the fire detection systems for determination of the ignition location // Marine intellectual technologies. 2019. № 2 (2). C. 93-102.

4. Alpert R.L. Ceiling Jet Flows / R.L. Alpert, под ред. M.J. Hurley [и др.]., New York: Springer, 2016. 429-454 c.

5. Anthony Hamins, Alexander Maranghides, Rik Johnsson, Michelle Donnelly, Jiann Yang, George Mulholland R.L.A. Report of experimental results for the international fire model benchmarking and validation exercise 3 // NIST Special Publication. 2003. № 1 (1013).

6. Boehmer H., Floyd J., Gottuk D. Fire Dynamics and Forensic Analysis of Limited Ventilation Compartment Fires Volume 2: Modeling // Hughes Associates, Baltimore, USA. 2009.

7. Bryant R.A. A comparison of gas velocity measurements in a full-scale enclosure fire // Fire Safety Journal. 2009. № 5 (44). C. 793-800.

8. Bukowski R.W. [и др.]. Performance of Home Smoke Alarms, Analysis of the Response of Several Available Technologies in Residential Fire Settings. 2003.

9. Bukowski R.W., Averill J.D. Methods for predicting smoke detector activation

// Fire Suppression and Detection Research Application Symposium, Research and Practice: Bridging the Gap. 1998. C. 64-72.

10. Chandra M.P. and others On the generilised distance in statistics // Proceedings of the National Institute of Sciences of India. 1936. № 1 (2). C. 49-55.

11. Chistyakova Tamara, Teterin Mikhail, Razygraev Alexander K.C. Intellectual Analysis System of Big Industrial Data for Quality Management of Polymer Films // International Symposium on Neural Networks. 2016. (9719). C. 565-572.

12. Chopra S., Hadsell R., LeCun Y. Learning a similarity metric discriminatively, with application to face verification // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). 2005. (1). C. 539-546.

13. Cooper L.Y., Forney G.P. Consolidated Compartment Fire Model (CCFM) Computer Code Application CCFM. VENTS. Part 1. Physical Basis (NISTIR 4342) / L.Y. Cooper, G.P. Forney, US Department of Commerce, National Institute of Standards and Technology, 1990.

14. Documentation P.U.M.-P. Thunderhead Engineering Consultants // Inc. Manhattan, KS. 2012. C. 66081-66502.

15. Dorigo M. Optimization, learning and natural algorithms // PhD Thesis, Politecnico di Milano. 1992.

16. Dorigo M., Caro G. Di, Gambardella L.M. Ant Algorithms for Discrete Optimization // Artificial Life. 1999. № 2 (5). C. 137-172.

17. Dorigo M., Maniezzo V., Colorni A. Ant system: Optimization by a colony of cooperating agents // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. 1996. № 1 (26). C. 29-41.

18. Eberhart R., Kennedy J. A new optimizer using particle swarm theory IEEE, 1995. 39-43 c.

19. Eremeev A. V. A genetic algorithm with tournament selection as a local search

method // Journal of Applied and Industrial Mathematics. 2012. № 3 (6). C. 286-294.

20. Ewer, J and Grandison, A and Jia, F and Galea, E and Knight, B and Patel M. SMARTFIRE V4. 0 User Guide and Technical Manual // Fire Safety Engineering Group, University of Greenwich, UK. 2004.

21. Floyd, JE and McGrattan, Kevin B and Hostikka, Simo and Baum H. CFD fire simulation using mixture fraction combustion and finite volume radiative heat transfer // Journal of Fire Protection Engineering. 2003. № 1 (13). C. 11-36.

22. Forney G.P. Smokeview (Version 5) A Tool for Visualizing Fire Dynamics Simulation Data Volume I: User's Guide // 2010. T. I. № Version 5. 162 c.

23. Forney G.P., Moss W.F. Analyzing and Exploiting Numerical Characteristics of Zone Fire Models. // Fire Science and Technology. 1994. № 1/2 (14). C. 49-60.

24. Forney G.P., Smokeview A. Tool for Visualizing Fire Dynamics Simulation Data--Volume II: Technical Reference Guide // NIST Special Publication. 2013. C. 10121017.

25. Gen M., Cheng R. Genetic Algorithms and Engineering Design / M. Gen, R. Cheng, Hoboken, NJ, USA: John Wiley & Sons, Inc., 1996.

26. Gross D. Data Sources for Parameters Used in Predictive Modeling of Fire Growth and Smoke Spread. 1985.

27. Guseva A., Malykhina G. Team of Neural Networks to Detect the Type of Ignition // International Conference on Neuroinformatics. 2019. C. 392-397.

28. Guseva A.I., Malykhina G.F., Nevelskiy A.S. Neural Network Based Algorithm for the Measurements of Fire Factors Processing // Studies in Computational Intelligence. 2019. (799). C. 160-166.

29. Hagan M.T., Menhaj M.B. Training feedforward networks with the Marquardt algorithm // IEEE Transactions on Neural Networks. 1994. № 6 (5). C. 989-993.

30. Holland J.H. Adaptation in Natural and Artificial Systems / J.H. Holland, The

MIT Press, 1992.

31. Jadhav P.S., Deshmukh V.U. Forest fire monitoring system based on ZIG-BEE wireless sensor network // International Journal of Emerging Technology and Advanced Engineering. 2012. № 12 (2). C. 187-191.

32. Jones W.W. A Review of Compartment Fire Models. PB-83-208173. 1983.

33. Jones W.W., Peacock R.D. Technical Reference Guide for FAST Version 18. Final Report (NIST TN 1216). 1989.

34. Keen P.G.W. Decision support systems: the next decade // Decision Support Systems. 1987. № 3 (3). C. 253-265.

35. Koza J.R., others Genetic programming / J.R. Koza, others, MIT press Cambridge, 1994.

36. L.P. Kamenshchikov, V.I. Bykov, S.P. Amel'chugov A.A.D. Computer modelling of aerodynamics and movement of aerosol in volumes of complex geometry Moscow:, 1997. 512-521 с.

37. Lin C.-S., Wang S.-C., Chen T.-C. Computer modeling and simulation of a townhouse fire dynamic field characteristics IEEE, 2012. 113-116 с.

38. Lockwood F.C., Shah N.G. A new radiation solution method for incorporation in general combustion prediction procedures // Symposium (International) on Combustion. 1981. № 1 (18). C. 1405-1414.

39. Loseva E., Lipinsky L., Kuklina A. Eensembles of neural networks with application of multi-objective self-configuring genetic programming in forecasting problems IEEE, 2015. 686-690 с.

40. Malykhina, G.F., Guseva, A.I., Militsin, A.V., Nevelskii A.S. Developing an intelligent fire detection system on the ships под ред. M.S.-S. Sukhomlin V., Zubareva E., Moscow: The II Convergent cognitive information technologies (Convergent'2017) international scientific conference, 2017. 289-296 с.

41. Malykhina G., Guseva A. Application of Siamese Neural Networks for the Type of Emergency Determination CSIS'2019 / New York, NY, USA: Association for Computing Machinery, 2019.

42. Malykhina G., Guseva A. Application the Evolutional Modeling to the Problem of Searching the Optimal Sensors Location of Fire-Fighting System 2020.

43. Malykhina G., Guseva A., Militsyn A. Spatial-temporal digital twin models as a direction for the development of cross-cutting digital technologies Paris, France: Atlantis Press, 2019.

44. Malykhina G.F., Guseva A.I., Militsyn A. V. Early fire prevention in the plant // 2017 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2017. C. 1-4.

45. Marakas G.M. Decision support systems in the twenty-first century. Upper Saddle River 1999.

46. Marquardt D.W. An Algorithm for Least-Squares Estimation of Nonlinear Parameters // Journal of the Society for Industrial and Applied Mathematics. 1963. № 2 (11). C. 431-441.

47. McDermott J. [h gp.]. Genetic Programming: 20th European Conference, EuroGP 2017, Amsterdam, The Netherlands, April 19-21, 2017, Proceedings / J. McDermott, M. Castelli, L. Sekanina, E. Haasdijk, P. García-Sánchez, Springer, 2017. 55 c.

48. McGrattan K., Toman B. Quantifying the predictive uncertainty of complex numerical models // Metrologia. 2011. № 3 (48). C. 173-180.

49. McGrattan K.B. [h gp.]. Fire dynamics simulator-Technical reference guide / K.B. McGrattan, H.R. Baum, R.G. Rehm, A. Hamins, G.P. Forney, NIST Special Publication 1018-1. US Department of Commerce, National Institute of Standards and Technology. Gaithersburg, MD., 2000.

50. Mulholland G.W., Croarkin C. Specific extinction coefficient of flame

generated smoke // Fire and Materials. 2000. № 5 (24). C. 227-230.

51. Oehlert G.W. A Note on the Delta Method // The American Statistician. 1992. № 1 (46). C. 27-29.

52. Pasteels J.M., Deneubourg J.-L., Goss S. Self-organization mechanisms in ant societies. I: Trail recruitment to newly discovered food sources // Experientia. Supplementum. 1987. № 54. C. 155-175.

53. Peacock R.D., Reneke P. a, Forney G.P. CFAST - Consolidated Model of Fire Growth and Smoke Transport (Version 6) User's Guide. Gaithersburg, MD, 2013.

54. Quintiere J. A Perspective on Compartment Fire Growth // Combustion Science and Technology. 1984. № 1-6 (39). C. 11-54.

55. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: the RPROP algorithm IEEE, 1993. 586-591 c.

56. Rodriguez B.R. Development of the International Space Station (ISS) Fine Water Mist (FWM) Portable Fire Extinguisher Reston, Virginia: American Institute of Aeronautics and Astronautics, 2013. 3413 c.

57. Rodriguez M., Escalante D.M., Peregrin A. Efficient Distributed Genetic Algorithm for Rule extraction // Applied Soft Computing. 2011. № 1 (11). C. 733-743.

58. Serna M.A. [h gp.]. Distributed Forest Fire Monitoring Using Wireless Sensor Networks // International Journal of Distributed Sensor Networks. 2015. (2015). C. 1-18.

59. Shewchuk J.R. Second order gradients methods // School of Computer Science Carnegie Mellon University Pittsburg. 1994.

60. Stroup D.W. Verification and Validation of Selected Fire Models for Nuclear Power Plant Applications, Supplement 1: Draft Report for Comment / D.W. Stroup, US Nuclear Regulatory Commission, Office of Nuclear Regulatory Research, 2014.

61. Utkin L. V., Zaborovsky V.S., Popov S.G. Siamese neural network for intelligent information security control in multi-robot systems // Automatic Control and

Computer Sciences. 2017. № 8 (51). C. 881-887.

62. Vettori R.L. Effect of an obstructed ceiling on the activation time of a residential sprinkler / R.L. Vettori, US Department of Commerce, Technology Administration, National Institute of Standards and Technology, 1998.

63. Wade C.A. A user's guide to BRANZFIRE 2003 // Building Research Association of New Zealand, Judgeford, Porirua City, New Zealand. 2003.

64. Wade C.A. BRANZFIRE Technical Reference Guide, BRANZ Study Report 92 (revised) // Building Research Association of New Zealand, Judgeford, Porirua City, New Zealand. 2003.

65. Xiong, Zhongyang and Zhang, Yufang and Zhang, Lei and Niu S. A parallel classification algorithm based on hybrid genetic algorithm IEEE, 2006. 3237-3240 с.

66. Zames G. [и др.]. Genetic algorithms in search, optimization and machine learning. // Information Technology Journal. 1981. № 1 (3). C. 301-302.

67. Александров А.В. Судовые системы. Учебное пособие. / Александров А.В., Ленинград: Судпромгиз, 1954. 375 c.

68. Антонов А.С. Параллельное программирование с использованием технологии OpenMP 2009.

69. Балакирев В.С. Экспериментальное определение динамических характеристик промышленных объектов управления / В.С. Балакирев, Москва: Энергия, 1967. 232 c.

70. Бокс Дж. Д.Г. Анализ временных рядов, прогноз и управление / Д.Г. Бокс Дж., под ред. Под ред. В.Ф. Писаренко, Москва: Мир, 1974. 406 c.

71. Бубнов Д. В. Тепловыделение в помещении при пожаре // Вестник Академии Государственной противопожарной службы. 2006. (5). C. 37-44.

72. Валеева А. Применение метаэвристики муравьиной колонии к задачам двухмерной упаковки // Информационные технологии. 2005. (10). C. 36-43.

73. Гергель В.П. Высокопроизводительные вычисления для многоядерных многопроцессорных систем // ННГУ им. НИ Лобачевского. 2010.

74. ГОСТ Р. 53325-2012 Техника пожарная // Технические средства пожарной автоматики. Общие технические требования. Методы испытаний. 2014.

75. Гусева, Алёна Игоревна and Малыхина, Галина Федоровна and Круглеевский, Владимир Николаевич and Турусов, Сергей Николаевич and Образцов И.В. Использование нейросетевой модели обработки данных в системах обнаружения пожаров для определения места возгорания // Морские интеллектуальные технологии. 2019. № 2 (2). C. 93-102.

76. Гусева А. И. Моделирование пожара в помещении на суперкомпьютере под ред. Н.М.В. (ответственный редактор) [и др. ]. Д. Дробинцев (и. о. директора института), Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2019. 130-133 с.

77. Гусева А. И. Верификация моделей пожара, созданных с помощью FDS под ред. Н.М.В. (ответственный редактор) [и др. ]. Д. Дробинцев (и. о. директора института), Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2019. 133-135 с.

78. Гусева А.И. Модификации генетического алгоритма для расчета оптимального расположения датчиков под ред. Н.М.В. (ответственный редактор) [и др. ]. Д. Дробинцев (и. о. директора института), Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2019. 128-130 с.

79. Гусельников М.Э., Бородин Ю.В. Методы и приборы контроля окружающей среды и экологический мониторинг 2010.

80. Кныш Д.С., Курейчик В.М. Параллельные генетические алгоритмы: обзор и состояние проблемы // Известия Российской академии наук. Теория и системы управления. 2010. № 4. C. 72-82.

81. Колбин Т.С., Смольников М.И. Влияние способа задания горючей нагрузки на результаты моделирования пожара // Техносферная безопасность. 2014. № 3. C. 35-40.

82. Корнеев В.В., Гареев А.Ф., Васютин С.В. Базы данных. Интеллектуальная обработка информации // Интеллектуальная обработка информации. М.: Нолидж. 2000.

83. Кошмаров Ю.А. Прогнозирование опасных факторов пожара в помещении // М.: Академия ГПС МВД России. 2000. (118). C. 9.

84. Кульбак С. Теория информации и статистика / С. Кульбак, Наука. Гл. ред. физ.-мат. лит., 1967.

85. Лев Г. Автоматические установки пожаротушения. Краткий обзор [Электронный ресурс]. URL: http://beldex.ru/publ/avtomaticheskie-ustanovki-pozharotusheniya-kratkij-obzor/.

86. Малыхина Г.Ф., Гусева А.И., Невельский А.С. Исследование характеристик пожара в помещениях судна с использованием моделирования на суперкомпьютере Санкт-Петербург: АО «Центр технологии судостроения и судоремонта», 2017. 88-93 с.

87. Малыхина Г.Ф., Гусева А.И. Основанные на расстоянии нейронные сети в системах раннего обнаружения чрезвычайных ситуаций Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2019. 187-189 с.

88. Мешман Л.М., Цариченко С.Г., Былинкин В.А. Проектирование водяных и пенных автоматических установок пожаротушения 2002.

89. Моисеев, Никита and Иванилов, Юрий and Столярова Е. Методы оптимизации / Е. Моисеев, Никита and Иванилов, Юрий and Столярова, Litres, 2017.

90. Панфилова А.С. Особенности программной реализации системы поддержки принятия решений для тестирования интеллекта // Нейрокомпьютеры: разработка, применение. 2013. № 9. C. 20-26.

91. Пасынков В.В., Чиркин Л.К. Полупроводниковые приборы / В.В. Пасынков, Л.К. Чиркин, Лань, 2009.

92. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский, Горячая линия--Телеком, 2013.

93. Рыжов, А. М., Хасанов, И. Р., Карпов А.В. Применение полевого метода математического моделирования пожаров в помещениях. Методические рекомендации // М.: ВНИИПО МЧС России. 2003.

94. Рыжов А.М. Математическое моделирование пожаров в помещениях с учетом горения в условиях естественной конвекции // Физика горения и взрыва. 1991. № 27 (3). C. 40-47.

95. ФГУ ВНИИПО Пожарные извещатели // Пожарная безопасность. Энциклопедия. 2007.

96. Чиняев И.А. Судовые системы // М.: Транспорт. 1984. (216). C. 10.

97. Чистяков В.С. Краткий справочник по теплотехническим измерениям / В.С. Чистяков, Энергоатомиздат, 1990.

98. Шабуров А.С., Рашевский Р.Б. Применение нейроных сетей для обеспечения безопасности информационно-управляющих систем критически важных объектов // Нейрокомпьютеры: разработка, применение. 2014. №2 12. C. 3135.

99. Технический регламент о требованиях пожарной безопасности: федер. закон Российской Федерации от 22.07.2008 г. № 123-ФЗ; принят Гос. Думой 04.07.2008 г.; одобр. Советом Федерации 11.07.2008 г.

100. СП 5.13130.2009 Системы противопожарной защиты. Установки пожарной сигнализации и пожаротушения автоматические. Нормы и правила проектирования (с Изменением N 1) URL: http://docs.cntd.ru/document/1200071148.

101. Водяная противопожарная система. СИСТЕМЫ И ОБОРУДОВАНИЕ МАШИННО-КОТЕЛЬНОЙ БЧ (5) ПРОЕКТА 1134 А [Электронный ресурс]. URL: http://admiral-umashev.narod.ru/ttd_14.html (дата обращения: 13.08.2018).

102. Расчет необходимого времени эвакуации людей из помещений при пожаре СССР: ВНИИПО МВД, 1989. 22 с.

103. ISO 3941:2007. Классификация пожаров. [Электронный ресурс]. URL: http://www.gostinfo.ru/catalog/Details/?id=4172389.

104. Провести исследования и разработать методические рекомендации применения фундаментального полевого метода моделирования динамики развития пожаров и распространения их опасных факторов в помещениях зданий различного назначения. Отчет о НИР. Москва, 2001.

105. Современные системы и технологии противопожарной защиты зданий и сооружений [Электронный ресурс]. URL: https://www.bibliofond.ru/view.aspx?id=51665 (дата обращения: 13.08.2018).

Приложение А

Программа для поиска оптимального положения датчиков в помещении.

GUI.m

function varargout = GUI(varargin) % Last Modified by GUIDE v2.5 02-May-2018 16:53:04 % Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @GUI_OpeningFcn, ... 'gui_OutputFcn', @GUI_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{ 1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1 :nargout}] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

% End initialization code - DO NOT EDIT

% — Executes just before GUI is made visible. function GUI_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;

set (handles.checkbox2, 'Enable', 'off)

set (handles.checkbox3, 'Enable', 'off)

set (handles.Start, 'Enable', 'off)

guidata(hObject, handles);

% --- Outputs from this function are returned to the

command line.

function varargout = GUI_OutputFcn(hObject, eventdata, handles)

varargout{1} = handles.output;

%____________________________________________

function input1_Callback(hObject, eventdata, handles)

function input1_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject, 'BackgroundColor','white'); end

function input2_Callback(hObject, eventdata, handles)

% — Executes during object creation, after setting all properties.

function input2_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function input3_Callback(hObject, eventdata, handles)

% --- Executes during object creation, after setting all properties.

function input3_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function input4_Callback(hObject, eventdata, handles)

% --- Executes during object creation, after setting all properties.

function input4_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% — Executes on button press in Start.

function Start_Callback(hObject, eventdata, handles)

set (handles.checkbox2, 'Enable', 'off)

set (handles.checkbox3, 'Enable', 'off)

set(handles.text10, 'visible' , 'off)

img=imread('cBepxy .jpg');

minx=0;

maxx=700;

miny=0;

maxy=500;

imagesc([minx maxx], [miny maxy], flipud(img)); hold on;

set(gca,'ydir','normal');

handles.X = str2num(get(handles.input1,'string')); handles.Y = str2num(get(handles.input2,'string')); handles.M = str2num(get(handles.input4,'string'));

handles.N = str2num(get(handles.input3,'string')); guidata(hObject, handles) GeneticNew(handles,hObject) pause(1);

set (handles.checkbox2, 'Enable', 'on') set (handles.checkbox3, 'Enable', 'on')

function Download_Callback(hObject, eventdata, handles)

% создание окна с пустой полосой прогресса h = waitbar(0/10, 'Идет загрузка данных'); [handles.time, handles.datT2, handles.datCo2, handles.datSm2] = readData('source\2_devc.csv'); waitbar(2/10);

[handles.time, handles.datT3, handles.datCo3, handles.datSm3] = readData('source\3_devc.csv'); waitbar(4/10);

[handles.time, handles.datT4, handles.datCo4, handles.datSm4] = readData('source\4_devc.csv'); waitbar(6/10);

[handles.time, handles.datT5, handles.datCo5, handles.datSm5] = readData('source\5_devc.csv'); waitbar(8/10);

[handles.time, handles.datT6, handles.datCo6, handles.datSm6] = readData('source\6_devc.csv'); pause(1);

% удаление графического окна с полосой прогресса close(h)

set (handles.Download, 'Enable', 'off) set (handles.Start, 'Enable', 'on') guidata (hObject,handles);

% — Executes on button press in checkbox2. function checkbox2_Callback(hObject, eventdata, handles)

cb2=get(hObject,'Value'); if cb2==1

set(handles.p1, 'visible' , 'on') else

set(handles.p1, 'visible' , 'off) end

% Hint: get(hObject,'Value') returns toggle state of checkbox2

% — Executes on button press in checkbox3. function checkbox3_Callback(hObject, eventdata, handles)

cb3=get(hObject,'Value'); if cb3==1

set(handles.p2, 'visible' , 'on') else

set(handles.p2, 'visible' , 'off') end

GeneticNew.m

global datT2 datCo2 datSm2 global datT3 datCo3 datSm3 datT4 datCo4 datSm4 datT5 datCo5 datSm5 datT6 datCo6 datSm6 global datT7 datCo7 datSm7 datT8 datCo8 datSm8 datT9 datCo9 datSm9 datT10 datCo10 datSm10 global tm

[time, datT2, datCo2, datSm2] = readDataODACMmy^

курс\ Диплом\tip_vozgarania\rezult\1_3 devc.csv'); [time, datT3, datCo3, datSm3] = readData('D:\СПбГПУ\5

курс\ Диплом\tip_vozgarania\rezult\2_3 devc.csv'); [time, datT4, datCo4, datSm4] = readData('D:\СПбГПУ\5

курс\Диплом\tip_vozgarania\rezult\3_3devc.csv'); [time, datT5, datCo5, datSm5] = readData('D:\СПбГПУ\5

курс\ Диплом\tip_vozgarania\rezult\4_3 devc.csv'); [time, datT6, datCo6, datSm6] = readData('D:\СПбГПУ\5

курс\ Диплом\tip_vozgarania\rezult\5_3 devc.csv');

%N - количество датчиков в системе %Xmax, Ymax - размер помещения(700, 500) %создание популяции случайной выборки размера M

%Количество элементов удаляемое при каждом проходе по массиву K=round(handles.M / 2);

Tmax=25; Smmax = 30;

Comax = 9.545247200000000e-302;

for i=1:1:handles.M for j=1:1:handles.N

S(i,j,1) = (round((handles.X * abs(rand()))/10))*10; if(S(i,j,1) <= 40)

S(i,j,1) = 50; else if (S(i,j,1) >= 650) S(ij,1)= 640; end end

S(i,j,2) = (round((handles.Y * abs(rand()))/10))*10; if(S(i,j,2) <= 40)

S(i,j,2) = 50; else if (S(i,j,2) >= 450) S(ij,2)= 440; end end end end

R = size(S);

handles.p1 = plot (S(:,:,1),S(:,:,2),'b+','LineWidth',1.1, 'MarkerSize',6,'visible' , 'off);

function [S]=GeneticNew(handles,hObject)

%Пропуск датчиков из-за перегородки с 450 по Х по 230 по Y k=1; t=1;

endY = 499; for i=10:10:699 m=1;

if(i == 450)

endY = 239; else

endY = 499; end

for j=10:10:endY dat(k,m) = t; t=t+1; m=m+1; end; k=k+1; end;

% handles.p3=plot(handles.X1,handles.Y1, 'g*','visible' , 'off);

%Сам алгоритм

while(length(S) > handles.N) times = 0;

%массив с данными о среднем времени times = zeros(length(S), 1); %Цикл по всем вариантам расположения for var= 1:1 :length(S)

%Находим среднее время для всех датчиков в этом расположении

%Оттуда получаем среднее время для такого расположения tm = 0;

for dt = 1:1:handles.N

tm = tm + findTime(S(var, dt, 1), S(var, dt, 2), Tmax, Comax, Smmax, dat, handles); end

times(var) = round(tm/handles.N); end

%Отбор родителей(селекция) %Используем ранжирование подробнее: https://www.intuit.ru/studies/courses/14227/1284/lecture /24172?page= 1 #sect2

%Сортируем всех особей по значению фитнесс функции for k=1:1:length(S) sortTime(k,1) = k; sortTime(k, 2) = times(k); end

sortTime = sortrows(sortTime, 2);

%Рассчитаем вероятности(это нужно с точки зрения теориии,

%чтобы понимать какова вероятность того, что эта особь станет родителем) a = rand + 1; b = 2 - a;

for k=1:1:length(S)

P_s(k, 1) = (a-(a-b)*((sortTime(k,1)-1)/(handles.M -1)))/handles.M;

P_s(k, 2) = sortTime(k,1); end

%В зависимости от вероятности выбираем особи родителей перед скрещиванием

%нам необходимо выбрать столько же особей сколько было, но отбросить

%те, которые явно проигрывают. Будем отбрасывать K особей с

%наихудшим временем. Так выбор родителей будет зависить от %фитнесс-функции [rr, yy, xx]= size(S); S_old = S; K=round(rr / 2); S = zeros(1+rr-K,yy,xx); i = 1;

for k=K:1 :rr

[rr, yy, xx]= size(S_old) S(i,:,:) = S_old(sortTime(k),:,:); i = i+1; end

sortTime = 0;

S = recombination(S, times, handles, Tmax, Comax, Smmax, dat);

% S = Clon(S,S_new, times,Tmax,Smmax,Comax,dat,

handles);

end

handles.X1 = S(1,:,1); handles.Y1 = S(1,:,2);

handles.p2=plot(handles.X1,handles.Y1, 'go','LineWidth',2,'MarkerFaceColor','r','visible' , 'on'); handles.T=(handles.time(round(tm/handles.N))); set(handles.text10, 'string',handles.T , 'Visible', 'on'); guidata (hObject,handles);

FindTime.m

function [t] = findTime(x, y, Tmax, Comax, Smmax, dat,handles)

%function [t] = findTime(x, y, Tmax, Comax, Smmax, dat, datT2, datCo2, datSm2)

%Получаем номер колонки с данными датчика id = dat(round(x/10), round(y/10)); if(id > 0)

%Получаем значения из файлов с данными в один массив

masT(:, 1) = handles.datT2(:, id); masT(:, 2) = handles.datT3(:, id); masT(:, 3) = handles.datT4(:, id); masT(:, 4) = handles.datT5(:, id); masT(:, 5) = handles.datT6(:, id); % masT(:, 6) = datT7(:, id); % masT(:, 7) = datT8(:, id);

% masT(: 8) = datT9(:, id);

% masT(: 9) = datT10(:, id);

masCo( , 1) = handles.datCo2(:, id);

masCo( , 2) = handles.datCo3(:, id);

masCo( , 3) = handles.datCo4(:, id);

masCo( , 4) = handles.datCo5(:, id);

masCo( , 5) = handles.datCo6(:, id);

masCo( , 6) = datCo7(:, id);

masCo( , 7) = datCo8(:, id);

masCo( , 8) = datCo9(:, id);

masCo( , 9) = datCo10(:, id);

masSm( :, 1) = handles.datSm2( , id)

masSm( :, 2) = handles.datSm3( , id)

masSm( :, 3) = handles.datSm4( , id)

masSm( :, 4) = handles.datSm5( , id)

masSm( :, 5) = handles.datSm6( , id)

masSm( :, 6) = datSm7(:, id);

masSm( :, 7) = datSm8(:, id);

masSm( :, 8) = datSm9(:, id);

masSm( :, 9) = datSm10(:, id);

time = 0;

koff = [0.8, 0.05, 0.05, 0.05, 0.05];

%

%Дельта функция температуры определенияя пожара for(l=1:1:5) P = 0; Delta=0;

for (k=1:1 :length(masT))

Delta = ((P+masT(k, l)) / k) - 25; P = P + masT(k,l);

if ((Delta >= 2 )) || (masSm(k, l) < Smmax && masCo(k, l) > Comax) || masSm(k,l) < Smmax time = time + k * koff(l); break; end end end

NZ=1; KZ=150; for(l=1:1:5) Delta = 0; P=0; for(k=NZ:1:KZ) Delta = ((P+masT(k, l)) / k) - 25; P = P + masT(k,l); if (Delta >= 2) time = time + k; break; end end

NZ=151; KZ=301;

for(i=1:1:5)

for(j=1:1:length(masT)) if (masDelt(2,i) > 3) if(masT(j, i) >= Tmax && masSm(j, i)>= Smmax && masCo(j,i)>=Comax)% додумать и передалать алгоритм подсчета начала пожара time = time + j; break; end end end

t = round(time/5); else

t = 300; end end

mutation.m

function [ S ] = mutation( S )

%MUTATION Summary of this function goes here

% Detailed explanation goes here

[rr, yy, xx]= size(S);

mg=[10,20,30,40];

for i=1:1:rr for j=1:1:yy

if sum(rand >= cumsum([0, 0.2,0.8])) == 1 F = mg(:,sum(rand >= cumsum([0, 0.4,0.3,0.2,0.1])));

if round(rand())== 1 M_population(i, j, 1)= (S(i,j,1)) + F; M_population(i, j, 2)= (s(i,j,2)) + F; else

M_population(i, j, 1)= (S(i,j,1)) - F; M_population(i, j, 2)= (s(i,j,2)) - F; end

if M_population(i, j, 1) < 0

M_population(i, j, 1) = -1*M_population(i, j,

1);

end

if M_population(i, j, 1) == 0

M_population(i, j, 1) = (S(i,j,1)) + F; end

if M_population(i, j, 1) < 50

M_population(i, j, 1) = M_population(i, j,

1)+50;

end

if M_population(i, j, 1) > 650

M_population(i, j, 1) = rem(M_population(i, j,

M_population(i, j, 2) = -1*M_population(i, j,

end

if M_population(i, j, 2) == 0

M_population(i, j, 2) = (S(i,j,1)) + F; end

if M_population(i, j, 2) < 50

M_population(i, j, 2) = M_population(i, j,

2)+50;

end

if M_population(i, j, 2) > 450 M_population(i, j, 2) = rem(M_population(i, j,

2),450);

end else

M_population(i, j, 1) = (S(i,j,1)) ; M_population(i, j, 2) = (S(ij,2)) ; end end end

% handles.p3 = plot (S(:,:,1),S(:,:,2),'wx','visible' , 'off1); % handles.p4 = plot

(M_population(:,:, 1),M_population( :,:,2),'g*','visible' , 'off);

S = M_population; end

recombination.m

function [child] = recombination(S, times, handles, Tmax, Comax, Smmax, dat) %Следующий этап выбор пар для скрещивания(оставим случайный выбор) [rr, yy, xx]= size(S); %Начинаем скрещивание child = 0; for i = 1:1:rr

%Выбираем двух родителей случайным образом

k = round(1+(rr-1)*rand());

l = round(1+(rr-1)*rand());

%k и l из номер в популяции

parent1 = S(k,:,:);

parent2 = S(l,:,:);

%выполняем само скрещивание %Это у нас типо научная новизна, метод скрещивания отличается от %существующих

for k = 1:1 :yy

% У каждого родителя расчитываем время реакции каждого датчика и

%в зависимости от того какой датчик в наборе лучше реагирует выбираем

%его(как при однородном кросинговере)

sen1 = findTime(parent1(1, k, 1), parent1(1, k, 2), Tmax, Comax, Smmax, dat, handles);

sen2 = findTime(parent2(1, k, 1), parent2(1, k, 2), Tmax, Comax, Smmax, dat, handles); if sen1 > sen2

child(i, k, 1) = parent2(1, k, 1); child(i, k, 2) = parent2(1, k, 2);

else

child(i, k, 1) = parent1(1, k, 1); child(i, k, 2) = parent1(1, k, 2); end

%Далее как при промедуточной рекомбинации выбираем коэффициент, для

%координаты и на него умножаем, чтобы значения отличались от %текущих

%Можно каждый раз выбирать случайный, на свой выбор koeff = 0.5;

child(i, k, 1) = round((child(i, k, 1) * koeff)/10)*10; child(i, k, 1) = round((child(i, k, 1) * koeff)/10)*10; %Можно от этой части отказаться. Это не обязательно. С ней нужно

%поиграться чтобы подобрать нужный коэффициент end

end

%Мутация

%С нами заданной вероятностью Р(случайной каждый раз или для всех популяции %(вынеси перед циклом чтобы для всей)) меняем на определенную величину

%(в данном случае 30) случайный датчик в наборе for i = 1:1:rr p = rand;

k = round(1+(yy-1)*rand()); if p > 0.25 if child(i, k, 1) + 100 > handles.X

child(i, k, 1) = child(i, k, 1) - 100; else

child(i, k, 1) = child(i, k, 1) + 100; end else if p > 0.5 if child(i, k, 2) + 30 > handles.Y

child(i, k, 2) = child(i, k, 2) - 30; else

child(i, k, 2) = child(i, k, 2) + 30; end end

end

% if k > rr || l > rr || m > rr || n > rr % k = randi(2); % l = randi(2); % m = randi(2); % n = randi(2);

% end

% if times(k) >= times(m) % population(1, :, :) = S(m,:,:);

% else

% population(1, :, :) = S(k,:,:);

% end

% if times(l) >= times(n) % population(2, :, :) = S(n,:,:);

% else

% population(2, :, :) = S(l,:,:);

% end

%

% for j = 1:1 :handles.N % % R1=(floor(rand)+2);

% R1 = round(randn()* 10); % New_population(i,j,1) = (population( 1,j,1)*R1)+((2-R1) *population(2,j,1)); % if New_population(i,j,1) < 0 % New_population(i,j,1) = -1 *

New_population(i,j,1); % end

% if New_population(i,j,1) > 650 % New_population(i,j,1) =

rem(New_population(i,j,1), 650); % end

% if New_population(i,j,1) == 0 % New_population(i,j,1) = 50;

% end

% if New_population(i,j,1) < 50 % New_population(i,j,1) = New_population(i,j, 1)

+ 50;

% end

%

% New_population(i,j,2) = (population( 1,j,2)*R1)+((2-R1) *population(2,j,2)); % if New_population(i,j,2) < 0 % New_population(i,j,2) = -1 *

New_population(i,j,2); % end

% if New_population(i,j,2) > 450 % New_population(i,j,2) =

rem(New_population(i,j,2), 450); % end

% if New_population(i,j,2) == 0 % New_population(i,j,2) = 50;

% end

% if New_population(i,j,1) < 50 % New_population(i,j,1) = New_population(i,j, 1)

+ 50;

% end % end % end

handles.p4 = plot(S(:,:,1),S(:,:,2),'yx','LineWidth',1.5,

'MarkerSize',8);

pause(0.1)

set(handles.p4, 'visible' , 'off) S = child;

% S = mutation(New_population); end

Train.m

function [mesh]= train(path) %Считываем данные list = dir(path); cmpTbl = compareTable; dat = sensors; x=dat(2,:); y=dat(3,:);

[P,X,Y] = prepare(x,y); for i=1:length(list) if list(i).isdir() == 0

[time, temp] = readData([path '/' list(i).name]); name=list(i).name( 1 :length(list(i).name) -4); mkdir('nets',name); for j=1:length(time)

net = newff(minmax(P),[4 3 1],{'tansig' 'tansig' 'purelin'});

net.trainParam.epochs = 500;

T = temp(j,:);

T1=T';

t=countTemp(X,Y,T 1,dat,cmpTbl); k=1;

for r=1:length(x) for m=1:length(x) Tp(k)=t(r,m); k=k+1; end; end;

net = train(net,P,Tp); save(['nets/' name '/' int2str(j)], 'net'); end end end end

Приложение Б

Программа, определяющая тип источника возгорания.

prepareDataFor15Counts.m

function [input] =

prepareDataFor15Counts(datNumber1,

datNumber3)

global time11_1;

global datT11_1;

global datCo11_1;

global datSm11_1;

global time12_1;

global datT12_1;