CC BY
18
ПОЖАРНАЯ И ПРОМЫШЛЕННАЯ БЕЗОПАСНОСТЬ
УДК 614.8
МОДЕЛЬ ИНТЕЛЛЕКТУАЛЬНОМ ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ ПОКАЗАТЕЛЕЙ ПРОДУКТОВ
НЕФТЕПЕРЕРАБОТКИ
Д.С. Королев, А.В. Калач, С.Н. Волкова, С.А. Кончаков
В статье поднимается актуальный вопрос, связанный с управлением пожарной и промышленной безопасностью на базе значений приемлемого риска. Одним из элементов этого направления является определение категорий помещений по взрывопожарной и пожарной опасности. Отмечено, что при определении категории помещений не менее важным показателем является давление насыщенного пара чистого вещества, которое определяется на основе констант Антуана, причем при отсутствии справочных данных констант их можно определить расчетным путем, что связано с техническими трудностями, сложностью решения аппроксимационных уравнений и др. Поэтому для достижения поставленной цели исследования предлагается использовать экспресс-способ прогнозирования пожароопасных свойств веществ нефтегазовой отрасли на основе молекулярных дескрипторов и искусственных нейронных сетей.
Ключевые слова: искусственные нейронные сети, молекулярные дескрипторы, прогнозирование, константы Антуана, категорирование, безопасность.
В различных отраслях промышленности используется большой объем
взрывопожароопасных продуктов
нефтепереработки. Существующие
производственные линии скорее ориентированы на быстроту осуществления операций, что обуславливает повышение до критических значений таких параметров, как температура, давление и др.
В этой связи увеличивается потенциальная угроза взрывов и пожаров, а это может повлечь за собой огромный материальный ущерб, гибель и травмы сотрудников предприятий. Поэтому обеспечение пожарной безопасности объектов защиты является важной и актуальной задачей.
Осуществление управления пожарной и промышленной безопасностью на основе значений приемлемого риска, а также законодательное требование «все время осуществлять оценку вероятности возникновения аварий и катастроф» в отношении всех взрывопожароопасных объектов подталкивают действующие промышленные предприятия к необходимости прогнозирования пожарной опасности и разработки дополнительных мероприятий, направленных на снижение угрозы возникновения аварийных и чрезвычайных
ситуаций. В пределах этой деятельности применяется категорирование помещений по взрывопожарной и пожарной опасности [1, 2].
Расчет категории помещений позволяет точно оценить условную степень угрозы возникновения технологической катастрофы и предложить комплекс организационно-технических мероприятий, которые обеспечат оптимальную эксплуатацию производственных площадей в пределах допустимого риска.
При классификации категории помещений в первую очередь учитывают физико-химические свойства веществ и материалов, а также их параметры, например, температуру вспышки, концентрационные пределы распространения пламени и т.д. [3].
Стоит отметить, что не менее важным показателем является давление насыщенного пара чистого вещества (Рн), который является однозначной функцией температуры. Давление насыщенного пара чистого вещества можно определить по формуле Антуана (1):
В
где
Р - давление насыщенного пара, кПа;
А, В, СА - константы формулы Антуана;
1 - температура, 0 С.
Отметим, что если справочные данные констант формулы Антуана отсутствуют, то определить зависимость давления пара от температуры можно расчетным путем [4], в основе которого лежит корреляция Миллера, определяющая связь давления с критической температурой (Ткр), теплотой парообразования (г) и температурой кипения вещества (Ткип) по формуле (2):
= А-^ + СгТ + С2-Т2
где
Р - давление насыщенного пара, мм.рт.ст.;
Т - расчетная температура, К.
Расчетные способы могут применяться как альтернатива экспериментальному подходу к накоплению данных по показателям пожарной опасности веществ и материалов. Федеральный закон № 123-ФЗ и ГОСТ 12.1.044, входящий в перечень национальных стандартов на подтверждение положений «Технического регламента о требованиях пожарной безопасности», допускают такой путь решения этой проблемы.
Рассматривая современные расчетные методики прогнозирования пожароопасных свойств продуктов нефтепереработки, установили, что все они связаны с техническими трудностями, сложностью решения аппроксимационных уравнений и работают только в пределах одного класса рассматриваемых органических соединений. В связи с этим необходимость создания нового конкурентоспособного подхода для определения пожаровзрывоопасных свойств
кислородсодержащих органических соединений является актуальной.
Для достижения поставленной цели исследования предлагается использовать экспресс-способ прогнозирования пожароопасных свойств веществ нефтегазовой отрасли на основе молекулярных дескрипторов и искусственных нейронных сетей. Ранее этот способ применялся нами в работах и успешно себя зарекомендовал [57]. Отметим, что в данном случае при прогнозировании пожароопасных свойств продуктов нефтепереработки не требуется существенных временных и материальных затрат.
Таким образом, при определении архитектуры искусственной нейронной сети для решения данной задачи, связанной с прогнозированием пожароопасных свойств веществ, в частности, констант Антуана, была предложена искусственная сеть прямого распространения - многоуровневый персептрон.
Такой выбор не случаен, поскольку обусловлен несколькими особенностями:
1) большим функционалом доступных многомерному персептрону задач;
2) универсальность для определенного уровня задач;
3) большая продуктивность
персептрона из соображений вычислительной сложности устройства.
В обычном виде многоуровневый персептрон обеспечивает решение задач, связанных с аппроксимационными многомерными
функциями, т.е. построением многомерных
отображений F: х ^ у, анализирующих заданный набор примеров {х",ут}. В качестве х в данном случае выступает набор молекулярных дескрипторов исследуемых веществ, а в качестве у - вводимые базы данных. Следовательно, получаемая искусственная нейронная сеть должна обеспечить функциональную зависимость между расчетными молекулярными дескрипторами и базой данных.
Поэтому для проведения прогнозирования пожароопасных свойств продуктов
нефтепереработки целесообразно использовать полносвязную ИНС (т.е. она состоит из нескольких слоев нейронов, причем каждый нейрон слоя i связан с каждым нейроном слоя i+1) -многослойный персептрон и, следовательно, для анализа свойств веществ на вход искусственной нейронной сети подается матрица значений:
X =
i = 1, n, j = 1, m
где
X -
матрица значении молекулярных
дескрипторов;
^ - момент времени, в который произошло
формирование очередного вектора;
х - значение свойств из базы данных
V
ого вещества в 1-й момент времени, 1 = 1, п, V = 1, т, п - количество обучающих веществ, т - время проведения опыта.
В качестве побуждающей функции всех нейронов сети был выбран сигмоид:
/ (х ) = —
1 + е-0*
Основное достоинство этой функции в том, что она может изменяться на всей области оси абсцисс и имеет довольно простую производную:
^ (х )=а[ (х )(1 - / (х))
Однако при уменьшении или снижении параметра а сигмоид становится более плоским, превращаясь в горизонтальную линию на уровне 0,5 при а=0. При увеличении а сигмоид должен приближаться к функции единичного скачка.
При разработке базы, имитирующей работу искусственной нейронной сети, было принято решение о создании специализированной ИНС на основе нейропакета. Это позволило сократить время разработки необходимой сети, а также использовать большие возможности для ее настройки.
и x
x
t x
x
tn X
x
x
nn
За основу был выбран нейропакет КДС 2.0, получивший широкое применение и показавший свое эффективное применение на практике. Данный нейропакет свободно распространяется и включает в себя набор основных процедур и функций, применяемых для создания искусственной нейронной сети [8, 9].
С помощью этого пакета была сконструирована требуемая нейронная сеть, конфигурация которой была описана выше. Моделирование требуемой ИНС осуществляли методами объектно-ориентированного
программирования (Python 2.7.10 [Anaconda 2.3.0 (64 - bit)] default, May 28.2015 MSC v.1500 64 bit (AMD 64) on win 32).
Таким образом, была проведена работа по
синтезированию основных компонентов базового модуля в создаваемую информационную систему и их применение в процессе создания ИНС. Полученная в результате искусственная нейронная сеть обладает архитектурой и алгоритмом функционирования, которые были заведомо определены в процессе ее проектирования.
В качестве примера работоспособности предлагаемой модели, реализуемой оригинальной компьютерной программой «Нейропакет КДС 2.0», спрогнозируем константы Антуана и сравним полученные значения со справочными, а также расчетными.
В таблице представлена сводная таблица результатов с их относительной и абсолютной погрешностью.
Сравнительный анализ полученных результатов
Наименование вещества Значения из справочной литературы [10,11] Прогнозируемые значения Расчетные значения
2-Метилпропаналь А - 6,37815 6,37015 6,07014
В - 1275,658 1185,658 1184,655
С - 218,3235 217,3235 217,0365
Октаналь А - 6,96903 6,87004 6,86904
В - 1379,556 1279,554 1270,458
С - 211,896 210,870 209,458
Гексаналь А - 6,87024 6,56913 6,47013
В - 1166,274 1065,273 1066,270
С - 223,661 222,652 220,700
Деканаль А - 6,52023 6,41896 6,31996
В - 1809,975 1809,970 1710,189
С - 227,700 227,650 230,655
Пентаналь А - 5,97208 6,07025 6,0901
В - 1062,555 1065,458 1070,450
С - 231,805 230,805 231,705
Бутаналь А - 6,00525 6,1058 6,01258
В - 968,098 980,070 970,458
С - 242,555 245,458 243,708
Гептаналь А - 6,95154 6,96068 6,84852
В - 1295,405 1298,415 1297,425
С - 219,819 220,789 218,458
2-Этилбутаналь А - 6,2005 6,3105 6,11458
В - 950,256 951,256 952,138
С - 230,458 233,460 231,487
3 -Метилбутаналь А - 6,0589 6,1590 6,1187
В - 1153,69 1155,69 1178,45
С - 225,698 224,758 225,670
Анализируя полученные значения, видим, что средняя абсолютная погрешность для прогнозируемых констант составила 9,94 и средняя относительная - 0,77 %, в то время как для расчетных значений 13,52 и 1,5 % соответственно.
В ходе проведенного исследования получены следующие результаты:
1) Предложена методика
интеллектуального анализа (прогнозирования) пожароопасных свойств веществ нефтегазовой
отрасли с использованием молекулярных дескрипторов и искусственных нейронных сетей. Отличается от существующих аналогов быстродействием и простотой в использовании без дополнительных составляющих.
2) Представлена модель
интеллектуальной обработки информации (молекулярных дескрипторов) искусственными нейронными сетями, способная функционировать в условиях неполноты и противоречивости данных.
3) Предложен алгоритм оптимизации параметров нейронной модели, реализуемой в базовой модели «Нейропакет КДС 2.0».
4) Проведен сравнительный анализ значений, полученных в ходе прогнозирования и
Библиография
1. Королев Д.С., Калач А.В., Зенин А.Ю. Важность принятия решений при обеспечении пожарной безопасности /Д.С. Королев, А.В. Калач, А.Ю. Зенин // Вестник Воронежского института ГПС МЧС России. - 2015. - № 2 (15). - С. 42 - 46.
2. Вытовтов А.В., Золотарев Д.Н. Предложение по выбору модели развития ОФП для расчёта значений пожарных рисков / А.В. Вытовтов, Д.Н. Золотарев // Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. - 2014. -№ 1 (5). - С. 18-21.
3. Калач А.В., Крутолапов А.С., Королев Д.С., Калач Е.В. Расчет категории помещения на основе методики прогнозирования пожароопасных свойств продуктов нефтепереработки / А.В. Калач, А.С. Крутолапов, Д.С. Королев, Е.В. Калач // Пожаровзрывобезопасность. - 2017. - Т. 26. - 9. -С. 29-34.
4. Королев Д.С., Калач А.В. Прогнозирование пожароопасных свойств веществ: монография. - Воронеж. - LAP LAMBERT Academic Publishing, 2018. - 100 с.
5. Королев Д.С., Калач А.В. Применение «DEEP LEARNING» при прогнозировании пожароопасных показателей кислородсодержащих органических соединений /Д.С. Королев, А.В. Калач // Научно-практический журнал Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. - 2017. -№ 1. - С. 18-21.
6. Королев Д.С. Выбор температурного класса взрывозащищенного электрооборудования при проектировании производственных помещений с использованием дескрипторов и искусственных нейронных сетей / Д.С. Королев // Вестник Воронежского института ГПС МЧС России. - 2015. - № 1. - С. 26.
7. Королев Д.С., Калач А.В., Сорокина Ю.Н. Сравнительный анализ способов прогнозирования физико-химических свойств веществ /Д.С. Королев, А.В. Калач, Ю.Н. Сорокина // Вестник Университета гражданской защиты МЧС Беларуси. - 2016. - № 1 (23). - С. 78-84.
8. Королев Д.С., Калач А.В. Прогнозирование, основанное на молекулярных дескрипторах и искусственных нейронных сетях, как способ исключения образования горючей среды /Д.С. Королев, А.В. Калач // Пожары и чрезвычайные ситуации: предотвращение, ликвидация. - 2016. - № 2. - С. 68 - 72.
9. Королев Д.С., Калач А.В., Каргашилов Д.В. Прогнозирование температуры
расчета. Установлено, что первый способ дает лучший результат по отношению ко второму и тем самым обеспечивает качественное определение категории помещения по взрывопожарной и пожарной опасности.
References
1. Korolev D.S., Kalach A.V., Zenin A.YU. Vazhnost' prinyatiya reshenij pri obespechenii pozharnoj bezopasnosti / D.S. Korolev, A.V. Kalach, A.YU. Zenin // Vestnik Voronezhskogo instituta GPS MCHS Rossii. - 2015. - № 2 (15). - S. 42 - 46.
2. Vytovtov A.V., Zolotarev D.N. Predlozhenie po vyboru modeli razvitiya OFP dlya raschyota znachenij pozharnyh riskov /A.V. Vytovtov, D.N. Zolotarev // Sovremennye tekhnologii obespecheniya grazhdanskoj oborony i likvidacii posledstvij chrezvychajnyh situacij. - 2014. - № 1 (5).
- S. 18-21.
3. Kalach A.V., Krutolapov A.S., Korolev D.S., Kalach E.V. Raschet kategorii pomeshcheniya na osnove metodiki prognozirovaniya pozharoopasnyh svojstv produktov neftepererabotki /A.V. Kalach, A.S. Krutolapov, D.S. Korolev, E.V. Kalach // Pozharovzryvobezopasnost'. - 2017. - T. 26. - 9. - S. 29-34.
4. Korolev D.S., Kalach A.V. Prognozirovanie pozharoopasnyh svojstv veshchestv: monografiya. - Voronezh. - LAP LAMBERT Academic Publishing, 2018. - 100 s.
5. Korolev D.S., Kalach A.V. Primenenie «DEEP LEARNING» pri prognozirovanii pozharoopasnyh pokazatelej kislorodsoderzhashchih organicheskih soedinenij /D.S. Korolev, A.V. Kalach // Nauchno-prakticheskij zhurnal Vestnik Sankt-Peterburgskogo universiteta Gosudarstvennoj protivopozharnoj sluzhby MCHS Rossii. - 2017. - № 1. - S. 18-21.
6. Korolev D.S. Vybor temperaturnogo klassa vzryvozashchishchennogo ehlektrooborudovaniya pri proektirovanii proizvodstvennyh pomeshchenij s ispol'zovaniem deskriptorov i iskusstvennyh nejronnyh setej / D.S. Korolev // Vestnik Voronezhskogo instituta GPS MCHS Rossii. - 2015. - № 1. - S. 26.
7. Korolev D.S., Kalach A.V., Sorokina YU.N. Sravnitel'nyj analiz sposobov prognozirovaniya fiziko-himicheskih svojstv veshchestv / D.S. Korolev, A.V. Kalach, YU.N. Sorokina // Vestnik Universiteta grazhdanskoj zashchity MCHS Belarusi. - 2016. - № 1 (23). - S. 78-84.
8. Korolev D.S., Kalach A.V. Prognozirovanie, osnovannoe na molekulyarnyh deskriptorah i iskusstvennyh nejronnyh setyah, kak sposob isklyucheniya obrazovaniya goryuchej sredy / D.S. Korolev, A.V. Kalach //Pozhary i chrezvychajnye situacii: predotvrashchenie, likvidaciya. - 2016. - № 2.
- S. 68 - 72.
9. Korolev D.S., Kalach A.V., Kargashilov D.V. Prognozirovanie temperatury vspyshki s pomoshch'yu nejropaketa kds 1.0 na primere slozhnyh ehfirov maslyanoj kisloty / D.S. Korolev, A.V. Kalach,
вспышки с помощью нейропакета кдс 1.0 на примере сложных эфиров масляной кислоты / Д.С. Королев, А.В. Калач, Д.В. Каргашилов // Пожаровзрывобезопасность. - 2016. - Т. 25. - № 3. - С. 21-26.
10. Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник. — В 2 ч. — 2-е изд., перераб. и доп. — М.: Пожнаука, 2004. — Ч. I. — 713 с.
11. Корольченко А.Я., Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения: справочник. — В 2 ч. — 2-е изд., перераб. и доп. — М.: Пожнаука, 2004. — Ч. II. — 774 с.
D. V. Kargashilov // Pozharovzryvobezopasnost'. -2016. - T. 25. - № 3. - S. 21-26.
10. Korol'chenko A.YA., Korol'chenko D.A. Pozharovzryvoopasnost' veshchestv i materialov i sredstva ih tusheniya: spravochnik. — V 2 ch. — 2-e izd., pererab. i dop. — M.: Pozhnauka, 2004. — CH. I.
— 713 s.
11. Korol'chenko A.YA., Korol'chenko D.A. Pozharovzryvoopasnost' veshchestv i materialov i sredstva ih tusheniya: spravochnik. — V 2 ch. — 2-e izd., pererab. i dop. — M.: Pozhnauka, 2004. — CH. II.
— 774 s.
MODEL OF INTELLIGENT INFORMATION PROCESSING FOR FORECASTING FIRE-FIGHTING INDICATORS OF OIL-PROCESSING PRODUCTS
The article raises the topical issue of industrial safety management on the basis of acceptable risk criteria. Within the framework of this activity, the categorization ofpremises for explosion and fire hazards is applied. It is noted that in determining the category of premises, the pressure of saturated vapor of a pure substance, which is determined on the basis of the Antoine constants, is not less important when determining the category of rooms, and if the reference data of the constants are not available, then the dependence can be determined by calculation, which is related to the technical difficulties, the complexity of solving approximate equations and etc. Therefore, in order to achieve the stated goal of the study, it is proposed to use the express method for forecasting fire-hazardous properties of substances in the oil and gas industry and on the basis of molecular descriptors and artificial neural networks.
Keywords: artificial neural networks, molecular descriptors, prediction, Antoine constants, categorization, safety of neural networks.
Королев Денис Сергеевич,
к.т.н.,
старший преподаватель кафедры пожарной и аварийно-спасательной техники,
Воронежский институт - филиал ФГБОУ ВО Ивановской пожарно-спасательной
академии ГПС МЧС России,
Россия, г. Воронеж,
e-mail: otrid@rambler.ru,
Korolev D.S.,
Ph. D.,
senior lecturer of the department offire and rescue technology,
Voronezh Institute - a branch of FGBOU in the Ivanovo fire and rescue academy of State Firefighting Service of EMERCOM of Russia, Russia, Voronezh.
Калач Андрей Владимирович,
д.т.н., профессор,
профессор кафедры основ гражданской обороны и управления в ЧС,
Воронежский институт - филиал ФГБОУ ВО Ивановской пожарно-спасательной
академии ГПС МЧС России,
Россия, г. Воронеж,
Kalach A. V.,
Prof., Sc. In Chemistry,
Professor of the Department of Civil Defense and Emergency Management,
Voronezh Institute - a branch of FGBOU in the Ivanovo fire and rescue academy of State Firefighting Service of EMERCOM of Russia, Russia, Voronezh.
Волкова Светлана Николаевна,
к.т.н.,
старший преподаватель кафедры пожарной и аварийно-спасательной техники,
Воронежский институт - филиал ФГБОУ ВО Ивановской пожарно-спасательной
академии ГПС МЧС России,
Россия, г. Воронеж,
Volkova S.N.,
Ph. D.,
senior lecturer of the department offire and rescue technology,
Voronezh Institute - a branch of FGBOU in the Ivanovo fire and rescue academy of State Firefighting Service of EMERCOM of Russia, Russia, Voronezh.
Кончаков Сергей Александрович,
к.т.н.,
доцент кафедры пожарной и аварийно-спасательной техники,
Воронежский институт - филиал ФГБОУ ВО Ивановской пожарно-спасательной
академии ГПС МЧС России,
Россия, г. Воронеж,
Konchakov S.A.,
Ph. D.,
Associate Professor of the Fire and Rescue Technology Department
Voronezh Institute - a branch of FGBOU in the Ivanovo fire and rescue academy of State Firefighting Service of EMERCOM of Russia, Russia, Voronezh.
© Королев Д.С., Калач А.В., Волкова С.Н., Кончаков С.А., 2018
