Введение

Здравствуйте меня зовут Роман, я занимаюсь обеспечение пожарной безопасности в зданиях и сооружениях более 15 лет, основной профиль моей деятельности — это моделирование развития пожара. 

В основном моделирование развития пожара провожу в специализированном программном обеспечении Fire Dynamics Simulator (FDS), оно используется от Японии до США при обосновании отступлений требований пожарной безопасности.

При моделировании развития пожара очень много времени занимает обработка результатов моделирования. В цикле статей я хочу поделиться способами обработки данных, которые использую при работе.

Статья ориентирована на специалистов, которые уже используют FDS в работе. Подробности моделирования развития пожара с помощью FDS в данной статьи не будут рассматриваться.

Эта статья — третья из серии. Ссылка на первую статью
Эта статья — третья из серии. Ссылка на вторую статью

Простые графики мощности

Задача состоит в том, чтобы построить график, отображающий скорость выделения тепла (HRR) при различных количествах топлива и размерах вентиляционных отверстий в помещении одинаковой геометрии, используя данные.

Для первичной обработки данных я использую Jupyter Notebook. На примере него я буду рассказывать свои действия. Код в виде блокнота Jupyter Notebook'а и примеры данных будут лежать по ссылке.

Выполним следующие шаги:

  1. Загрузите данные (CSV-файлы) : CSV-файлы можно найти по ссылкам: CLT_Room_Test_1 и CLT_Room_Test_2.

  2. Чтение и построение графика значений HRR : Мы будем использовать библиотеки Python osдля numpy иpandasдоступа к местоположению файла и чтения CSV-файлов, matplotlibбудет использоваться для построения графика значений.

# Импорт необходимых библиотек
import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Проверка файлов с экспериментальными данными
folder_path=os.path.join("data", "Fire_calorimetry")
files = os.listdir(folder_path)
print(files)
# Считывание экспериментальных данных
for file in files:
    # Считывание данных определенного формата
    if file.endswith('.csv'):
        file_path = os.path.join(folder_path, file)
        
        # Чтение данных
        calorimeter_df = pd.read_csv(file_path,header=0)
        
        # Построение графиков
        plt.plot(calorimeter_df['Time (s)'], 
                 calorimeter_df['Heat Release Rate (kW)'], 
                 label="_".join(file.split('.')[0:-1]))
        

# Метаданные графика
plt.xlabel("Время, с")
plt.ylabel("HRR, кВт")

plt.legend()
plt.grid()

# Показать график
plt.show() 

Графики с аппроксимацией

Цель здесь — построить график, который показывает скорость выделения тепла (HRR) различными предметами мебели. Мы стремимся аппроксимировать экспериментальные данные моделью «t-квадрат» для расчетного пожара с коэффициентом распространения огня 0,19 кВт/с² и временем возгорания 90 секунд.

Значения для построения графика были извлечены из рисунка:

С помощью automeris.io и могут быть загружены в виде текстовых файлов для:

Выполним следующие шаги:

  1. Загрузите txt‑файлы:

  2. Прочитайте файлы.

  3. Определите функцию для расчета пожара.

  4. Используйте функцию для описания расчетного коэффициента теплопередачи при пожаре.

  5. Постройте кривые скорости выделения тепла (HRR).

Мы будем использовать те же библиотеки Python os, pandas, numpy и matplotlib.

# Проверка файлов с экспериментальными данными
folder_path=os.path.join("data", "Furniture_calorimetry")
files = os.listdir(folder_path)
print(files)
# Функция развития пожара 
def alpha_t_squared(time, alpha):
    HRR = alpha * np.square(time)
    return HRR
# Расчетная мощность тепловыделения (HRR) при пожаре:
# Создание временного ряда
time_series = np.linspace(0,130)
# Ультра быстрое развитие
alpha=0.19 
HRR = alpha_t_squared(time_series, alpha)
# Считывание экспериментальных данных
for file in files:
    # Считывание данных определенного формата.
    if file.endswith('.txt'):
        # Создание меток данных
        label = os.path.splitext(file )[0].split('_')[-1]  # Extract label from filename
        
        # Чтение данных.
        file_path = os.path.join(folder_path,file)
        furniture_df = pd.read_csv(file_path, header=0)
        
        if "Chair" in file:
            # Сдвиг ряды данных так, чтобы возрастающие участки совпали.
            time_shift = 60
        else:
            time_shift = 0
            
        # Построение графиков
        plt.plot(furniture_df['Time'] - time_shift, 
                 furniture_df['HRR'], 
                 label=label.capitalize())

# Постройте график результатов функции alpha_t_squared.
virtual_ignition_time = 90
plt.plot(time_series + virtual_ignition_time, 
         HRR, 
         color='k', linestyle='-.', 
         label="Ultra fast")


# Метаданные графика
plt.xlabel("Time / s")
plt.ylabel("Heat Release Rate / kW")
plt.legend()
plt.grid()

# Показать график
plt.show() 

Выводы

В статье показано, как автоматически обрабатывать несколько наборов данных FDS, накладывать на них аналитическую кривую и учитывать временные сдвиги для разных объектов.