1. SFT
  2. Archiwum
  3. Vol. 62
  4. Wykorzystanie sztucznych sieci neuron...

Wykorzystanie sztucznych sieci neuronowych do modelowania matematycznego poziomych pożarów strumieniowych

Michał Lewak, dr inż. , Jarosław Tępiński, dr inż.

Pobierz artykuł
Open Access
DOI: 10.12845/sft.62.2.2023.2, strony: 34 – 48

Abstrakt

Cel: W artykule skupiono się na wykorzystaniu sztucznych sieci neuronowych do opisu matematycznego parametrów określających rozmiary płomienia pożaru strumieniowego. Do uczenia sieci neuronowej wykorzystano wyniki badań poziomego pożaru strumieniowego propanu, przeprowadzone doświadczalnie i przy pomocy modelowania matematycznego metodą CFD.

Projekt i metody: Główna część pracy polegała na opracowaniu sztucznej sieci neuronowej, która z dobrą dokładnością będzie opisywała długość płomienia oraz długości drogi mieszania propanu z powietrzem w zależności od istotnych parametrów procesowych. Do realizacji postawionego celu wykorzystano dwa typy serii danych. Pierwsza seria danych pochodziła z badań poligonowych wykonanych przez CNBOP-PIB oraz z badań zawartych w artykułach naukowych. Drugi typ danych dostarczyły obliczenia numeryczne wykonane przez autorów. Do opracowania symulacji numerycznych wykorzystano metody obliczeniowej mechaniki płynów. W tym celu zastosowany został pakiet ANSYS Fluent. Do opracowania sztucznej sieci neuronowej oraz jej weryfikacji użyto programu Matlab 2022a.

Wyniki: Korzystając z funkcji nftool , zawartej w programie Matlab 2022a, opracowano sztuczną sieć neuronową do wyznaczenia długości płomienia Lflame i długości drogi mieszania Slift-off w zależności od średnicy dyszy dnozzle i strumienia masowego gazu opuszczającego dyszę. Do opisu parametrów procesowych wybrano najbardziej adekwatną liczbę neuronów w warstwie ukrytej. Wykorzystano do tego współczynnik korelacji Pearsona. Opracowana sieć neuronowa pozwala z dobrą dokładnością obliczyć wartości Lflame i Slift-off.

Wnioski: Sztuczne sieci neuronowe pozwalają na opracowanie funkcji opisującej rozmiar płomienia w zależności od parametrów procesowych. W celu stworzenia jednej sieci neuronowej połączono wyniki symulacji CFD i wyniki doświadczeń pożarów strumieniowych. W rezultacie otrzymano gotową funkcję, która może być użyta w programach służących do szybkiego określania rozmiarów płomienia. Funkcja taka może wspomagać proces tworzenia scenariuszy na wypadek wystąpienia sytuacji awaryjnej. Poprawnie opracowana sieć neuronowa pozwala opisać w sposób matematyczny pożary strumieniowe wszędzie tam, gdzie wykonanie pomiarów doświadczalnych nie jest możliwe. Proponowane rozwiązanie nie wymaga dużych nakładów finansowych na prowadzone obliczenia, ponieważ sieć może być zaimplementowana w dowolnym języku programowania.

Słowa kluczowe: obliczeniowa mechanika płynów, sztuczne sieci neuronowe, pożar strumieniowym

Typ artykułu: oryginalny artykuł naukowy

Bibliografia:

  1. Laboureur D.M., Gopalaswami N., Zhang B., Liu Y., Mannan M.S., Experimental study on propane jet fire hazards: Assessment of the main geometrical features of horizontal jet flames, ”Journal of Loss Prevention in the Process Industries” 2016, 41, 355–364, https://doi.org/10.1016/j.jlp.2016.02.013.
  2. Lewak M., Tępiński J., Klapsa W., Wykorzystanie modelu burzliwości -k-ω SST do modelowania matematycznego pożaru strumieniowego, SFT Vol. 59 Issue 1, 2022, pp. 28–40, https://doi.org/10.12845/sft.59.1.2022.1.
  3. Mashhadimoslem H., Ghaemi A., Palacios A., Analysis of deep learning neural network combined with experiments to develop predictive models for a propane vertical jet fire, “Heliyon” 2020, 6, 11, e05511, https://doi.org/10.1016/j.heliyon.2020.e05511.
  4. Levenberg K., A Method for the Solution of Certain Non-Linear 48 SAFETY & FIRE TECHNOLOGY SFT VOL. 62 ISSUE 2, 2023, PP. 34–48 Problems in Least Squares, “Quarterly of Applied Mathematics” 1944, 2 (2), 164–168, https://doi.org/10.1090/qam/10666.
  5. Marquardt D.W., An Algorithm for Least-Squares Estimation of Nonlinear Parameters, “SIAM Journal on Applied Mathematics” 1963, 11(2), 431–441, https://doi.org/10.1137/0111030.
  6. Narkhede M.V., Bartakke P.P., Sutaone M.S., A review on weight initialization strategies for neural networks, “Artificial Intelligence Review” 2022, Vol. 55 (2), 1–32, https://doi.org/10.1007/s10462-021-10033-z.
  7. Tępiński J., Połeć B., Badania na rzecz poprawy bezpieczeństwa w zakładach przemysłowych stwarzających zagrożenie poza swoim terenem, Wydawnictwo CNBOP, Józefów 2020, https://doi.org/10.17381/2020.1.
  8. Lewak M., Tępiński J., Lesiak P., Modelowanie matematyczne pożarów strumieniowych za pomocą obliczeniowej mechaniki płynów CFD, „Przemysł chemiczny” 2022, 101(5), 324–329, https://doi.org/10.15199/62.2022.5.6.
  9. Projekt nr DOB-BIO7/09/03/2015 pod tytułem „Program do oceny ryzyka wystąpienia awarii w obiektach przemysłowych stwarzających zagrożenie poza swoim terenem” finansowany przez Narodowe Centrum Badań i Rozwoju.
  10. Tępiński J., Lewak M., Lesiak P., Badania pożarów strumieniowych propanu przeprowadzone w dużej skali, „Przemysł Chemiczny” 2022, 101 (11), 950–956, https://doi.org/10.15199/62.2022.11.3.