Проектирование интеллектуальной противопожарной системы
Автор: Малыхина Г.Ф., Жиракова П.С., Милицын А.В.
Журнал: Онтология проектирования @ontology-of-designing
Рубрика: Прикладные онтологии проектирования
Статья в выпуске: 2 (52) т.14, 2024 года.
Бесплатный доступ
Противопожарные системы используют извещатели, основанные на пороговой обработке измерительных сигналов датчиков факторов пожара и выработке сигнала о пожаре в соответствии с логической функцией. Применение искусственных нейронных сетей позволяет путём их обучения проектировать извещатели, основанные на информации от сети датчиков. Для обучения искусственных нейронных сетей необходимы большие наборы данных, которые предложено получать путём моделирования пожара на суперкомпьютере. Натурные испытания представляют собой дорогостоящий эксперимент, который подвержен случайным факторам, ограничен одним-двумя помещениями и не даёт полного представления о развитии пожара. Поэтому проектирование интеллектуальных пожарных систем относится к классу модельно-ориентированного проектирования. Путём моделирования получены большие наборы данных для обучения алгоритмов пожарной системы и расширен круг решаемых задач. Предложен коллектив нейронных сетей для: поиска оптимального расположения многопараметрических датчиков; определения типа горящего материала; обнаружения возгорания на ранних этапах; локализации зоны возгорания, что позволяет выбрать адекватные средства тушения. Искусственные нейронные сети позволяют прогнозировать развитие пожара, строить карту распределения опасных факторов для поиска оптимального пути эвакуации людей. Приведён пример модельно-ориентированного проектирования судовой противопожарной системы.
Интеллектуальная противопожарная система, судно, суперкомпьютер, модельно-ориентированное проектирование, обучение, искусственная нейронная сеть
Короткий адрес: https://sciup.org/170205617
IDR: 170205617 | DOI: 10.18287/2223-9537-2024-14-2-217-229
Список литературы Проектирование интеллектуальной противопожарной системы
- Гвоздев В.Е., Бежаева О.Я., Сафина Г.Р. Многоаспектное моделирование ситуаций в задачах обеспечения функциональной безопасности аппаратно-программных комплексов // Онтология проектирования. 2023. Т.13, №1(47). С.125-138. DOI: 10.18287/2223-9537-2023-13-1-125-138.
- Пасынков В.В., Чиркин Л.К. Полупроводниковые приборы. CI16.: Издательство Лань, 2002. 480 с.
- Fraisl D., Hager G., Bedessem B. et al. Citizen science in environmental and ecological sciences. Nat Rev Methods Primers. 2022. 2, 64. DOI:10.1038/s43586-022-00144-4.
- Пожарная безопасность. Энциклопедия. М.: ФГУ ВНИИПО МЧС России, 2007. 416 с.
- ГОСТР 8.673-2009. Государственная система обеспечения единства измерений (ГСИ). Датчики интеллектуальные и системы измерительные интеллектуальные. Основные термины и определения. 2019.
- ГОСТ 34698-2020. Межгосударственный стандарт Извещатели пожарные. Общие технические требования. Методы испытаний. Дата введения 2023-07-01.
- Лазовская Т.В., Малыхина Г.Ф., Тархов Д.А. От информационно-измерительных к киберфизическим системам. Мягкие измерения и вычисления. 2023. Т. 62. № 1. С. 73-84.
- Chivers I., Sleightholme J. OpenMP. In: Introduction to Programming with Fortran. Springer, Cham. 2018. DOI: 10.1007/978-3-319-75502-1_33.
- Prost J.P. MPI-IO. In: Padua, D. (eds) Encyclopedia of Parallel Computing. Springer, Boston, MA. 2011. DOI: 10.1007/978-0-387-09766-4_297.
- Ling D., Kan K. Numerical Simulations on Fire and Analysis of the Spread Characteristics of Smoke in Supermarket. In: Lin, S., Huang, X. (eds) Advanced Research on Computer Education, Simulation and Modeling. CESM 2011. Communications in Computer and Information Science, 2011. vol 176. Springer, Berlin, Heidelberg. DOI: 10.1007/978-3-642-21802-6_2.
- Гусева А.И., Малыхина Г.Ф., Милицын А.В. Моделирование информационно-измерительной системы, предназначенной для обнаружения пожара на судне. В сборнике: Материалы XIII Международной конференции по прикладной математике и механике в аэрокосмической отрасли (AMMAI'2020). Москва, 2020. С.485-488.
- Meray A., Boza R., Siddiquee M.R., Reyes C., M. Hadi Amini, Nagarajan Prabakar. Subset Sensor Selection Optimization: A Genetic Algorithm Approach With Innovative Set Encoding Methods Journal: IEEE Sensors Journal, 2023; 23(22). DOI: 10.1109/JSEN.2023.3322596.
- Haykin S. Neural Networks: A Comprehensive Foundation. Prentice Hall PT. 1999. 842 р.
- Valero-Mas J.J., Gallego A.J., Rico-Juan J.R. An overview of ensemble and feature learning in few-shot image classification using siamese networks. Multimed Tools Appl. 2024. 83, 19929–19952. DOI:10.1007/s11042-023-15607-3.
- Дусакаева С.Т., Савинов В.В. Мобильное приложение для поиска оптимального маршрута в университетском городке. Онтология проектирования. 2023. Т.13, №3(49). С.455-464. DOI:10.18287/2223-9537-2023-13-3-455-464.
- Федунов Б.Е. Решение задач по прецеденту в базах знаний бортовых интеллектуальных систем тактического уровня на этапах выполнения миссии подвижным объектом. Известия РАН. Теория и системы управления. 2023, № 1. С.137–147. DOI:10.31857/S0002338823010018.
