АПРОКСИМАЦІЯ ДИНАМІЧНИХ ХАРАКТЕРИСТИК ПОЖЕЖІ НЕЙРОННОЮ МЕРЕЖЕЮ ДЛЯ РОЗРОБКИ ІНТЕЛЕКТУАЛЬНИХ ПОЖЕЖНИХ СПОВІЩУВАЧІВ З СЕНСОРАМИ ДИМУ ТА ТЕПЛА

Abstract

Вступ. На ранній стадії розвитку пожежі явища та продукти, що утворюються при горінні різних матеріалів, відрізняються, але є й загальні риси, як-от виділення тепла, утворення диму, випромінювання тощо. Ці поширені продукти горіння, які називають ознаками пожежі, також відомі як динамічні характеристики пожежі. Отже, характерними динамічними характеристиками пожежі є зміна: температури, концентрації диму та чадного газу, довжини хвилі інфрачервоного та ультрафіолетового випромінювання. Виявлення загорання передбачає контроль за цими параметрами пожежі, які є випадковими та невизначеними, та які важко охарактеризувати статистичними характеристиками. Ці динамічні характеристики використовують для дослідження та розроблення алгоритмів роботи пожежних сповіщувачів, які побудовані з використанням теорій нечіткої логіки, нейронних мереж на нечітких нейронних мереж.Мета і задачі дослідження. Метою роботи є апроксимувати динамічні характеристики пожежі нейронною мережею, а саме: криві залежності середньооб’ємної температури в приміщенні від часу (температурні режими розвитку пожеж) та криві залежності задимлення на одиницю довжини від часу. Ці залежності необхідні для розробки та дослідження алгоритмів роботи інтелектуальних мультисенсорних пожежних сповіщувачів з сенсорами тепла і диму на основі нечіткої логіки та нейронних мереж.Основні результати дослідження. Сьогодні найбільше з практичної точки зору використовуються мультисенсорні пожежні сповіщувачі з сенсорами тепла і диму, які аналізують зміну температури та задимленість. Тому в цій статті апроксимуємо динамічні характеристики пожежі. За допомогою комп’ютерного моделювання у програмному середовищі Fіre Dynamіcs Sіmulator, яка працює на платформі інтерфейсу PyroSim змодельовано температурні режими пожежі та залежності задимлення на одиницю довжини від часу. Проведені дослідження науковцями доводять, що відносна похибка між змодельованими даними та експериментальними не перевищує 28%. Тому отримані криві можна використовувати для подальших досліджень. Апроксимовано отримані криві за допомогою нейронної мережі. Модель нейронної мережі була побудована та навчена в пакеті Neural Network Start GUI програмного середовища MATLAB 2020a. Після встановлення відсотків для формування даних для навчання, валідації (перевірки) та тестування вибрано архітектуру нейронної мережі. Для досягнення найкращого результату апроксимації залежностей кривих у цьому дослідженні кількість нейронів прихованого шару було визначено під час навчання нейронної мережі. Використання нелінійних функцій активації дозволяє налаштувати нейронну мережу на реалізацію нелінійних зв'язків між входом і виходом. Для навчання нейронної мережі використано три алгоритми навчання, а саме: Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient.Висновки. В програмному середовищі Fіre Dynamіcs Sіmulator змодельовано динамічні характеристики пожежі в приміщенні кабінету, адміністративному приміщенні і приміщенні виробництва фанери. Ці динамічніхарактеристики апроксимовано за допомогою нейронної мережі в пакеті Neural Network Start GUI програмного середовища MATLAB 2020a. В процесі навчання розробленої нейронної мережі дослідження показали, що значнезбільшення кількості нейронів прихованого шару не приводить до покращення результатів, лише збільшує час навчання мережі. При кількості нейронів прихованого шару 15, 20 значення середньоквадратичної похибки ірегресії майже однакові. Для апроксимації динамічних характеристик пожежі найкращий результат навчання нейронної мережі забезпечує алгоритм Bayesian Regularization. Тоді середньоквадратична помилка є найменшою. Як показують дослідження нейронна мережа відтворює ці криві з достатньою точністю. Так під час апроксимації кривої залежності середньооб’ємної температури від часу середньоквадратична похибка навчання дорівнює278,599, а регресія – 0,9673. Під час апроксимації кривої залежності задимлення на одиницю довжини від часу середньоквадратична похибка навчання дорівнює 3,4714, а регресія – 0,9957. Апроксимовані криві динамічниххарактеристик пожежі нейронною мережею можуть використовуватися як вхідні дані при розробці та дослідженні алгоритмів роботи пожежних сповіщувачів з сенсорами тепла і диму на основі нечіткої логіки абонейронної мережі. Маючи ці апроксимовані криві можна навчити нейронну мережу пожежного сповіщувача розрізняти ознаки пожежі від оманливих явищ, не пов’язаних з пожежею.