CC BY
46МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, КОМПЬЮТЕРНЫЕ ТЕХНОЛОГИИ В ТЕОРИИ УПРАВЛЕНИЯ СЛОЖНЫМИ ПРОЦЕССАМИ
Научная статья
УДК 614.841.22; 504.064.2.001.18; 004.89
ПРОГНОЗИРОВАНИЕ ВОЗНИКНОВЕНИЯ И РАСПРОСТРАНЕНИЯ ПОДЗЕМНЫХ ПОЖАРОВ НА ПОЛИГОНАХ ТВЕРДЫХ КОММУНАЛЬНЫХ ОТХОДОВ
Хайдаров Андрей Геннадьевич.
Санкт-Петербургский государственный технологический институт (технический университет), Санкт-Петербург, Россия. ^Королева Людмила Анатольевна; Смирнов Алексей Сергеевич.
Санкт-Петербургский университет ГПС МЧС России, Санкт-Петербург, Россия Ikoroleva.l@igps.ru
Аннотация. На свалках и полигонах твердых коммунальных отходов протекают сложные взаимосвязанные биологические и химические процессы, полный контроль над которыми отсутствует. Места захоронения отходов являются объектами повышенной экологической и пожарной опасности.
Приведены теоретические сведения о подземных пожарах на полигонах твердых коммунальных отходов. Обосновано, что одним из основных факторов, влияющих на процессы самовозгорания на полигонах, является температура. Проведен анализ моделей, связывающих температуру, свойства твердых коммунальных отходов и происходящие в теле полигона процессы.
Для исследования линейных моделей проведены экспериментальные исследования температуры воспламенения отходов и их отдельных фракций. Построены температурные профили. Представлены корреляционные зависимости. Определено, что линейные модели имеют ограниченное применение для оценки процессов самовозгорания на полигонах. Они не являются точными и не позволяют оценивать всю совокупность происходящих процессов. Исследование метода конечных элементов показало наличие существенных ограничений при использовании для прогнозирования пожаров на полигонах твердых коммунальных отходов.
Наиболее перспективным является применение искусственных нейронных сетей и машинного обучения. Разработана структура комплексной платформы для риск-ориентированного прогнозирования, снижения экологической и пожарной опасности мест захоронения твердых коммунальных отходов на основе методов искусственного интеллекта с использованием облачных технологий. Определены ее преимущества.
Ключевые слова: твердые коммунальные отходы, полигон, подземный пожар, самовоспламенение, температура воспламенения, моделирование, прогнозирование, линейные модели, метод конечных элементов, искусственные нейронные сети, комплексная платформа
Для цитирования: Хайдаров А.Г., Королева Л.А., Смирнов А.С. Прогнозирование возникновения и распространения подземных пожаров на полигонах твердых коммунальных отходов // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2022. № 4. С. 41-50.
© Санкт-Петербургский университет ГПС МЧС России, 2022
41
PREDICTING THE ESTIMATION OF THE EMERGENCE AND SPREAD OF UNDERGROUND FIRES IN MUNICIPAL SOLID WASTE LANDFILLS
Khaydarov Andrey G.
Saint-Petersburg institute of technology (technical university), Saint-Petersburg, Russia. ^Koroleva Ludmila A.; Smirnov Alexey S.
Saint-Petersburg university of State fire service of EMERCOM of Russia, Saint-Petersburg, Russia
skoroleva.l@igps.ru
Abstract. Landfills and solid municipal waste sites have complex interrelated biological and chemical processes that are not fully controlled. Waste disposal sites are objects of high environmental and fire hazards.
Theoretical information about the underground fires at the solid municipal waste landfills is given. It has been substantiated that one of the main factors influencing the processes of spontaneous combustion at disposal sites is temperature. Models linking temperature, properties of solid municipal waste and processes taking place in a landfill body were analyzed.
Experimental studies of the ignition temperature of wastes and their individual fractions were conducted to investigate linear models. Temperature profiles were constructed. The correlation dependencies are presented. It is determined that linear models are of limited use for assessing spontaneous combustion processes in landfills. They are not precise and do not allow evaluating the totality of the processes taking place. A study of the finite element method showed that there are significant limitations when used to predict fires at landfills.
The most promising is the use of artificial neural networks and machine learning. The structure of an integrated platform for risk-oriented forecasting, reduction of environmental and fire hazard of solid municipal waste disposal sites based on artificial intelligence methods using cloud technologies was developed. Its advantages are defined.
Keywords: solid municipal waste, landfill, underground fire, self-ignition, ignition temperature, modeling, forecasting, linear models, finite element method; artificial neural networks, integrated platform
For citation: Khaidarov A.G., Koroleva L.A., Smirnov A.S. Forecasting the occurrence and spread of underground fires at landfills of solid municipal waste // Scientific and analytical journal «Vestnik Saint-Petersburg university of State fire service of EMERCOM of Russia». 2022. № 4. P. 41-50.
Введение
В настоящее время и на ближайшую перспективу основным методом утилизации твердых коммунальных отходов (ТКО) в Российской Федерации является захоронение на полигонах, куда в настоящее время вывозится более 90 % мусора [1, 2]. Полигоны являются сложными системами, в которых протекают различные взаимосвязанные биологические и химические процессы, влияющие на их структуру, изменяющие состояние окружающей среды. В настоящее время отсутствует полный контроль над внутренними процессами, происходящими в местах захоронения отходов.
Свалки и полигоны являются объектами повышенной экологической и пожарной опасности. Пожары в местах захоронения отходов относятся к достаточно распространенным инцидентам. По официальной статистике они составляют около 14 % от общего количества пожаров в Российской Федерации [3]. Они трудно поддаются тушению и практически не прогнозируются.
Сравнительный анализ пожаров на мусорных свалках показал, что наибольшую опасность представляют подземные пожары [4, 5]. Актуальным является разработка методов
42
мониторинга и прогнозирования опасных состояний полигонов ТКО, связанных с возникновением таких пожаров.
Цель исследования заключается в обосновании применения искусственных нейронных сетей и машинного обучения для мониторинга состояния полигонов ТКО и прогнозирования опасных ситуаций, связанных с подземными пожарами. Для достижения поставленной цели были решены следующие задачи:
- определены различия между подземными и поверхностными пожарами с точки зрения их обнаружения, прогнозирования и тушения, выявлены причины и условия возникновения подземных пожаров;
- изучено влияние температуры на возникновение самовоспламенения отходов;
- проведен сравнительный анализ методов математического моделирования и прогнозирования, определены перспективы построения искусственных нейронных сетей и машинного обучения для прогнозирования возникновения подземных пожаров на полигонах.
Теоретические основы
Возникающие на полигонах пожары можно классифицировать на поверхностные и подземные. Поверхностные затрагивают недавно захороненные или неуплотненные отходы, находящиеся на поверхности и имеющие глубину не более 1 м [4].
Подземные пожары происходят глубоко под поверхностью свалки или внутри мусорных куч. Их причины часто связанны с самовозгоранием отходов вследствие происходящих в них биологических процессов и экзотермических химических реакций. Из-за специфической природы подземные пожары труднее обнаружить и выявить масштабы возгорания, чем поверхностные. Например, дым от пожара может выходить из трещин, находящихся далеко от места возгорания. Тушение подповерхностных пожаров также является трудной задачей, которая, например, осложняется возможностью перехода к пламенному горению в случае притока кислорода. Пожароопасные процессы, протекающие на полигоне ТКО и приводящие к возникновению подземных пожаров, представлены в табл. 1.
Таблица 1. Пожароопасные процессы, протекающие на полигоне ТКО и приводящие к возникновению подземных пожаров
Процесс Вид процесса Химические реакции Температура и ее изменение. Тепловыделение Продолжительность
Гидролиз Под действием ферментов протекает биодеструкция легкоразлагаемых фракций ТКО с образованием низкомолекулярных органических веществ Начальная температура равна температуре окружающей среды. В процессе гидролиза температура в теле полигона повышается Несколько месяцев
Биологическое самовозгорание Аэробный СбЯ1206(тв) + 6о2(газ) + 6Я20(Ж). АН°=—2816 кДж/моль Т<65 °С Происходит небольшое снижение количества тепла при переходе с аэробного на анаэробное разложение. Затем температура повышается, что объясняется невысокой теплопроводностью отходов До 1 года
Анаэробный АН° = -145 кДж/моль Кислотная фаза: 1-6 месяцев; метангенная 8-40 лет
43
Процесс Вид процесса Химические реакции Температура и ее изменение. Тепловыделение Продолжительность
Химическое самовозгорание Химическое окисление По конечным продуктам сходно с аэробным биологическим распадом. Возможны сопутствующие экзотермические реакции. Например, взаимодействие ржавчины и сероводорода, генерируемого микроорганизмами 2 FeO(OЯ) + 3Н2Б = 2 ^^ + 5 + 4 Н20; 4 ^^ + 702 = 2/Ч?203 + 4Б02; АН° = -1226 кДж/моль. При химическом окислении скорость производства тепла и потребления кислорода выше, чем при аэробном распаде 70 °С < Т < 190 °С Тепло накапливается в теле полигона Определяется наличием кислорода в массе ТКО
Пиролиз Быстрый Экзотермический процесс многоступенчатого распада сложных соединений. Продукты реакции Н2О, С02 Т > 190 °С для быстрого пиролиза. Медленный пиролиз протекает при более низких температурах Определяется достижением необходимой температуры
Медленный Эндотермический процесс. Продукты реакции - летучие газы, жидкие гудроны и твердые угли
Одним из основных факторов, влияющих на процессы самовозгорания на полигонах, является температура. Разогревание происходит внутри полигона вследствие протекания экзотермических реакций. Самовозгорание обычно начинается, когда скорость саморазогревания отходов становится больше, чем скорость рассеивания тепла. По мере увеличения размера свалки ее охлаждение значительно замедляется.
Результаты и их обсуждение
Для оценки возможностей прогнозирования процессов самовозгорания на полигонах ТКО был проведен анализ моделей, связывающих температуру, свойства ТКО и происходящие в теле полигона процессы.
1. Построение линейных моделей и изучение процессов самовоспламенения образцов ТКО осуществлялись по методике, представленной в работе [5]. Образцы помещались в цилиндрическую сетчатую стальную корзину. Температура внутри печи увеличивалась постепенно, начиная с температуры окружающей среды, со скоростью 3 °С/мин. Эксперимент заканчивался при воспламенении образца или при достижении 535 °С -температуры самовоспламенения (ТСВ) метана [6], газа, производимого при анаэробном биологическом разложении отходов на свалках. Измерение температуры производилось с использованием трех термопар, закрепленных в центре образца, на его поверхности и в корпусе печи. Сбор данных осуществляет один раз в минуту и выводится на компьютер. Концентрация кислорода отслеживалась постоянно с использованием газоанализатора. Схема установки приведена на рис. 1.
44
I
Вентиляция
4
6
5
3
К компьютеру 7
Воздух
8
Рис. 1. Схема лабораторной установки для определения температуры самовоспламенения отходов: 1 - программируемая муфельная печь; 2 - газоанализатор; 3 - сетчатая корзина; 4 - образец; 5, 6 - центральная и поверхностная термопары соответственно; 7 - термопара печи; 8 - расходомер
Изменение температуры в процессе проведения экспериментов на поверхности и внутри образца представлено на рис. 2.
Температурный профиль поверхности образца был криволинейным. Можно выделить три стадии: 1 - короткая кривая разогревания, начинающаяся с температуры окружающей среды; 2 - линейный рост температуры; 3 - ее экспоненциальное увеличение по мере того, как температура в центре образца становится выше температуры его поверхности или образец воспламеняется.
Рис. 2. Типичные температурные профили, наблюдаемые при нагревании образцов ТКО [5]: 1 - в центре образцов; 2 - на поверхности образцов; 3 - в объеме печи;
ТСВ - температура самовоспламенения; ТСР - температура саморазогревания образца;
Тцв и ТПВ - температуры в центре и на поверхности образца в момент начала воспламенения соответственно
Температура в центре образца в начале эксперимента повышается медленно за счет разогревания печи. Затем наблюдается линейное увеличение температуры до 60-70 °С со скоростью повышения ниже, чем на поверхности. Далее температура в центре выравнивается, что связано с поглощением тепла при улетучивании органических соединений и испарении воды. Через определенное время вновь наблюдается линейное повышение температуры со скоростью выше, чем на поверхности. Увеличение
Время, мин
45
тепловыделения связано с протекающими экзотермическими реакциями, при этом процессы самонагревания становятся более значительными по сравнению с нагревом в печи.
Таким образом, ТСр считается температурой, при которой преобладает химическое саморазогревание. По мере линейного повышения температуры в центре образца, после прохождения Тср, температурный профиль принял экспоненциальную форму, что указывает на начало воспламенения, за которым следует горение образца. ТСР определяется по наибольшей разнице между кривой температуры поверхности и кривой температуры центра. Тцв и Тпв - это температуры, при которых температурный профиль изменяется от линейного к экспоненциальному.
Для исключения влияния влаги на значение температур, эксперименты проводили с высушенными отходами. Концентрация кислорода соответствовала его содержанию в окружающем воздухе. Результаты определения температур приведены в табл. 2.
Таблица 2. Характерные температуры для температурных кривых, °С
Компонент твердых отходов: ТСВ ТСР Тцв ТПВ
Картон 236 129 211 230
Пищевые отходы 401 225 309 258
Бумага 217 116 228 241
Уличный смет и остатки травы 293 127 198 225
Текстиль(хлопок) 431 184 296 270
Текстиль (шерсть) 319 131 281 284
Текстиль (смешанный) 334 132 181 217
ТКО 287 127 204 236
Были определены линейные корреляционные зависимости:
ТСР = 0,33р + 84,2; Я2 = 0,76, (1) где р - удельный вес образца, кг/м3; й2 - достоверность аппроксимации.
ТСВ = 0,76р + 168; Я 2 =0,84. (2)
ТСВ = 0,7639р + 3,376 X 10~6ЕС + 112,9; Я2 = 0,87, (3)
где ЕС - удельное содержание энергии (Дж/кг).
Невысокие значения И2 в уравнениях (1-3), низкая корреляция между Тцв и Тпв указывают, что температура самовоспламенения является результатом коллективного эффекта от воздействия других параметров.
Таким образом, можно констатировать, что линейные модели могут иметь очень ограниченное применение для оценки процессов самовозгорания на полигонах ТКО. Они не отличаются точностью и не позволяют оценивать всю совокупность происходящих в теле полигона процессов.
2. Метод конечных элементов, главным преимуществом которого является возможность разбиения на конечные элементы области любой формы и осуществления расчета температурных полей на полигоне ТКО [7-9].
Например, в работе [9] последовательность разработки модели включала следующие стадии:
- построение ступенчатой функции для представления начальных (аэробных) и остаточных (анаэробных) условий;
- установление экспоненциальной функции роста-распада биомассы;
- масштабирование функции для получения температурной зависимости;
- разработка модели, позволяющей прогнозировать выделение тепла в зависимости от температуры с учетом возраста отходов.
46
Однако следует отметить, что реализация метода конечных элементов при прогнозировании пожаров на полигоне ТКО имеет ряд существенных ограничений. Полученные результаты расчета температурных полей зависят от выбора (построения) сетки конечных элементов. Значительные трудности возникают при оценке точности получаемых результатов. Ситуация усугубляется тем, что каждый объект захоронения отходов имеет уникальную форму и уникальный перечень опасностей.
3. Наиболее перспективными, на взгляд авторов, являются методы прогнозирования с помощью искусственных нейронных сетей и машинного обучения, что подтверждается рядом отечественных и зарубежных исследований [10, 11].
Так, в работе [10] была разработана модель искусственной нейронной сети для моделирования и прогнозирования температур поверхности свалки, основанная на использовании спутниковых снимков. Относительно высокие коэффициенты корреляции, полученные в процессе валидации искусственной нейронной сети, указывают на то, что она является эффективным инструментом для прогнозирования температур поверхности свалки на полигоне.
Однако такие модели для мониторинга и прогнозирования подземных пожаров на полигоне ТКО, как в России, так и за рубежом отсутствуют.
Предлагается разработать комплексную платформу для риск-ориентированного прогнозирования, снижения экологической и пожарной опасности полигонов и несанкционированных свалок ТКО на основе методов искусственного интеллекта с использованием облачных технологий. Структура платформы представлена на рис. 3.
Рис. 3. Структура комплексной платформы
47
Комплексная платформа состоит из двух модулей: 1 - «Мониторинг и прогнозирование состояния мест захоронения отходов ТКО» - комплексное ИТ-решение, объединяющее технологии цифрового двойника полигона и видеоаналитики; 2 - «Система поддержки принятия решений» - компьютерная автоматизированная система, которая включает пользовательский интерфейс и программные интеллектуальные средства для принятия решений, направленных на снижение пожарного и экологического рисков.
Разработка и применение моделей анализа и прогнозирования состояния полигонов ТКО на основе методов искусственного интеллекта с применением нейронных сетей позволит осуществлять сбор информации в режиме реального времени; определять время до возникновения «ключевых событий» (например, пожаров) на полигоне; обнаруживать скрытые очаги горения, определять их местоположение, площадь и границы; идентифицировать происходящие в теле полигона процессы и учитывать влияющие на них факторы; формировать и обосновывать решения, направленные на тушение пожаров и проведение заблаговременных мероприятий по снижению пожарного и экологического рисков; подключать к разрабатываемой платформе неограниченное количество полигонов.
Заключение
Несмотря на довольно обширные исследования, методы и процессы моделирования и прогнозирования процессов, происходящих внутри полигона, требуют совершенствования.
Линейные модели не отличаются точностью и не учитывают всю совокупность происходящих в теле полигона процессов и влияющие на них факторы. Реализация метода конечных элементов имеет ряд существенных ограничений: зависимость полученных результатов от выбора сетки конечных элементов, наличие трудностей в оценке их точности, необходимость разработки отдельно для каждого полигона.
Наиболее перспективным является использование искусственных нейронных сетей и машинного обучения. Разработана структура комплексной платформы для риск-ориентированного прогнозирования, снижения экологической и пожарной опасности мест захоронения ТКО на основе методов искусственного интеллекта с использованием облачных технологий, определены ее преимущества.
Список источников
1. Анализ выполнения мероприятий, обеспечивающих экологическую безопасность Российской Федерации, в части ликвидации объектов накопленного вреда и формирования комплексной системы обращения с твердыми коммунальными отходами: отчет о результатах экспертно-аналитического мероприятия // Бюл. Счетной палаты Рос. Федерации. 2020. № 9 (274). С. 6-43.
2. Попов В.М., Кирильчук И.О., Коровина А.Ю. Совершенствование системы комплексного мониторинга полигонов твердых коммунальных отходов // Известия Юго-Западного гос. ун-та. Сер.: Техника и технологии. 2017. Т. 7. № 4 (25). С. 60-71.
3. Пожары и пожарная безопасность в 2021 году: статист. сб. Балашиха: ФГБУ ВНИИПО МЧС России, 2022. 114 с.
4. Экспериментальное исследование состава продуктов горения твердых коммунальных отходов / И.Р. Хасанов [и др.] // Современные проблемы гражданской защиты. 2021. № 2 (39). С. 108-114.
5. Moqbel S. Characterizing Spontaneous Fires In Landfills. Ph. D. Thesis. USA: University of Central Florida, Orlando, 2009. 102 p. URL: https://stars.library.ucf.edu/etd/3855/ (дата обращения: 20.08.2022).
6. Корольченко А.Я., Корольченко Д.Я. Пожаровзрывоопасность веществ и материалов и средства из тушения: справ.: 2-е изд., перераб. и доп. М.: Асс. «Пожнаука», 2004. Ч. 1. 713 с.; Ч. 2. 774 с.
7. Середа Т.Г. Решение контактной задачи теплопроводности на полигонах твердых бытовых отходов // Фундаментальные исследования. 2014. № 12 (part 5). P. 936-940.
48
8. Мишин А. А. Моделирование нестационарных температурных полей с использованием совместных конечноэлементных схем // Вестник ВГТУ. 2009. № 10. URL: https://cyberleninka.m/article/n/modelirovanie-nestatsionamyh-temperaturnyh-poley-s-ispolzovaniem-sovmestnyh-konechnoelementnyh-shem (дата обращения: 29.08.2022).
9. Development of numerical model for predicting heat generation and temperatures in MSW landfills / J.L. Hanson [et al.] // Waste management. 2013. Vol. 33 (10). Р. 1993-2000.
10. Qdaisa Н.А., Shatnaw N. Assessing and predicting landfill surface temperature using remote sensing and an artificial neural network // International Journal of Remote Sensing. 2019. Ш. 40. Iss. 24. Р. 9556-9571.
11. Autonomous safety system for MSW landfills / А. Titov [et al.] // E3S Web of Conferences. 2020. Vol. 161. Р. 01043.
References
1. Analiz vypolneniya meropriyatij, obespechivayushchih ekologicheskuyu bezopasnost' Rossijskoj Federacii, v chasti likvidacii ob"ektov nakoplennogo vreda i formirovaniya kompleksnoj sistemy obrashcheniya s tverdymi kommunal'nymi othodami: otchet o rezul'tatah ekspertno-analiticheskogo meropriyatiya // Byul. Schetnoj palaty Ros. Federacii. 2020. № 9 (274). S. 6-43.
2. Popov V.M., Kiril'chuk I.O., Korovina A.Yu. Sovershenstvovanie sistemy kompleksnogo monitoringa poligonov tverdyh kommunal'nyh othodov // Izvestiya Yugo-Zapadnogo gos. un-ta. Ser.: Tekhnika i tekhnologii. 2017. T. 7. № 4 (25). S. 60-71.
3. Pozhary i pozharnaya bezopasnost' v 2021 godu: statist. sb. Balashiha: FGBU VNIIPO MCHS Rossii, 2022. 114 s.
4. Eksperimental'noe issledovanie sostava produktov goreniya tverdyh kommunal'nyh othodov / I.R. Hasanov [i dr.] // Sovremennye problemy grazhdanskoj zashchity. 2021. № 2 (39). S. 108-114.
5. Moqbel S. Characterizing Spontaneous Fires In Landfills. Ph. D. Thesis. USA: University of Central Florida, Orlando, 2009. 102 p. URL: https://stars.library.ucf.edu/etd/3855/ (data obrashcheniya: 20.08.2022).
6. Korol'chenko A.Ya., Korol'chenko D.Ya. Pozharovzryvoopasnost' veshchestv i materialov i sredstva iz tusheniya: sprav.: 2-e izd., pererab. i dop. M.: Ass. «Pozhnauka», 2004. Ch. 1. 713 s.; ch. 2. 774 s.
7. Sereda T.G. Reshenie kontaktnoj zadachi teploprovodnosti na poligonah tverdyh bytovyh othodov // Fundamental'nye issledovaniya. 2014. № 12 (part 5). P. 936-940.
8. Mishin A.A. Modelirovanie nestacionarnyh temperaturnyh polej s ispol'zovaniem sovmestnyh konechnoelementnyh skhem // Vestnik VGTU. 2009. № 10. URL: https://cyberleninka.ru/article/n/modelirovanie-nestatsionarnyh-temperaturnyh-poley-s-ispolzovaniem-sovmestnyh-konechnoelementnyh-shem (data obrashcheniya: 29.08.2022).
9. Development of numerical model for predicting heat generation and temperatures in MSW landfills / J.L. Hanson [et al.] // Waste management. 2013. Vol. 33 (10). P. 1993-2000.
10. Qdaisa N.A., Shatnaw N. Assessing and predicting landfill surface temperature using remote sensing and an artificial neural network // International Journal of Remote Sensing. 2019. Vol. 40. Iss. 24. P. 9556-9571.
11. Autonomous safety system for MSW landfills / A. Titov [et al.] // E3S Web of Conferences. 2020. Vol. 161. P. 01043.
49
Информация о статье:
Статья поступила в редакцию: 01.10.2022; одобрена после рецензирования: 21.10.2022; принята к публикации: 24.10.2022
The information about article:
The article was submitted to the editorial office: 01.10.2022; approved after review: 21.10.2022; accepted for publication: 24.10.2022
Информация об авторах:
Хайдаров Андрей Геннадьевич, доцент кафедры бизнес-информатики Санкт-Петербургского государственного технологического института (технического университета) (190013, Санкт-Петербург, Московский пр., д. 24-26/49, лит. А), кандидат технических наук, доцент, e-mail: andreyhaydarov@gmail.com, https://orcid.org/0000-0003-0693-8027
Королева Людмила Анатольевна, профессор кафедры пожарной, аварийно-спасательной техники и автомобильного хозяйства Санкт-Петербургского университета ГПС МЧС России (196105, Санкт-Петербург, Московский пр., д. 149), доктор технических наук, доцент, e-mail: koroleva.l@igps.ru, https://orcid.org/ 0000-0001-5661-5774
Смирнов Алексей Сергеевич, первый заместитель начальника Санкт-Петербургского университета ГПС МЧС России (196105, Санкт-Петербург, Московский пр., д. 149), доктор технических наук, профессор, e-mail: sas@igps.ru
Information about the authors:
Khaydarov Andrey G., associate professor of the department of business informatics of the Saint-Petersburg state technological institute (technical university) (190013, Saint-Petersburg, Moskovsky ave., 24-26/49, lit. A), candidate of technical sciences, associate professor, e-mail: andreyhaydarov@gmail.com, https://orcid.org/0000-0003-0693-8027
Koroleva Lyudmila A., professor of the department of fire, rescue equipment and automotive industry of Saint-Petersburg university of State fire service of EMERCOM of Russia (196105, Saint-Petersburg, Moskovsky ave., 149), doctor of technical sciences, associate professor, e-mail: koroleva.l@igps.ru, https://orcid.org / 0000-0001-5661-5774
Smirnov Alexey S., first deputy head of Saint-Petersburg university of State fire service of EMERCOM of Russia (196105, Saint-Petersburg, Moskovsky ave., 149), doctor of technical sciences, professor, e-mail: sas@igps.ru
50
