Palotutkimuksen päivät 2009 - Pelastustieto
Palotutkimuksen päivät 2009 - Pelastustieto
Palotutkimuksen päivät 2009 - Pelastustieto
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
ominaisuudet on esitetty Taulukossa 1.<br />
Taulukko 1. Esimerkkimateriaalien ominaisuudet.<br />
Materiaali Kuvaus ρ (kg/m 3 )<br />
PVC Puhdas PVC putki 1440<br />
Musta PMMA ICI, Perspex 1180<br />
Voimakaapeli<br />
Vaippa<br />
Eriste<br />
Täyte<br />
Johdin + muut metallit<br />
NOKIA AHXCMK 10 kV 3 x 95/70<br />
PVC<br />
PEX<br />
-<br />
Alumiini + kupari<br />
1501<br />
1039<br />
950<br />
3042<br />
MENETELMÄT<br />
kokeeLLiSeT meneTeLmäT<br />
Tässä työssä kineettiset parametrit estimoitiin<br />
käyttäen TGA (Thermogravimetric Analysis)<br />
and DSC (Differential Scanning Calorimetry)<br />
-dataa [2]. Kokeet suoritetaan yhtäaikaisesti.<br />
Pieni näyte (10–50 mg) asetetaan<br />
uuniin, jota lämmitetään tasaisesti. Tyypillisesti<br />
lämmitysnopeus vaihtelee 2–20 K/min.<br />
Lämmitysnopeus on riittävän hidas, jotta<br />
näytteen voidaan olettaa olevan koko ajan<br />
tasapainossa uunin lämpötilan kanssa. TGA<br />
mittaa näytteen massan muutosta lämmityksen<br />
aikana. DSC antaa tulokseksi reaktioiden<br />
energiat. Usein tulokset ovat enemmän kvalitatiivisia<br />
ja kertovat lähinnä sen, onko reaktio<br />
endo- vai eksoterminen. DSC- kokeen<br />
voi kuitenkin tehdä myös erikseen, ja tällöin<br />
tuloksista voidaan saada selville oikea reaktiolämpö<br />
ja ominaislämpökapasiteetti. Kokeet<br />
tehtiin sekä ilmassa että typessä. Typessä<br />
näkyvät ainoastaan kiinteän faasin reaktiot,<br />
kun taas ilmassa näkyy lisäksi palaminen ja<br />
hapettuminen. Parametrit estimoidaan käyttäen<br />
typessä saatuja tuloksia. Ilmassa saatuja<br />
tuloksia käytetään reaktiotyypin määrittämiseen.<br />
Esimerkkimateriaalien ominaisuudet on<br />
esitetty Taulukossa 1.<br />
GeneeTTiSeT aLGoriTmiT (Ga)<br />
Parametrit estimoitiin minimoimalla erotusta<br />
kokeellisen datan ja mallin välillä. Estimointimenetelmäksi<br />
valittiin geneettinen algoritmi.<br />
Geneettiset algoritmit ovat tehokkaita<br />
isoille ja epälineaarisille ongelmille eivätkä<br />
ne suppene helposti lokaaleihin minimeihin.<br />
Geneettisiä algoritmeja on käytetty kiinteän<br />
aineen reaktioiden parametriestimointiin hyvällä<br />
menestyksellä aikaisemminkin (Lautenberger<br />
at al. [3] ja Rein et al. [4]).<br />
Geneettiset algoritmit perustuvat evoluutioteoriaan<br />
([3]-[5]). Prosessi on iteratiivinen,<br />
ja jokainen iteraatiokierros vastaa yhtä sukupolvea.<br />
Ensimmäinen 2 sukupolvi muodostetaan<br />
arpomalla satunnaislukuja yriteratkaisuille<br />
eli yksilöille. Yksilö on vektori, joka<br />
koostuu materiaaliparametreja vastaavista reaaliluvuista.<br />
Yhden sukupolven kaikki yksilöt<br />
muodostavat populaation. Populaation voidaan<br />
jakaa alussa vielä pienempiin alipopulaatioihin<br />
ratkaisuyritteiden monimuotoisuuden<br />
säilyttämiseksi. Jokainen sukupolvi käy<br />
läpi sarjan erilaisia prosesseja. Aluksi yksilön<br />
sopivuutta mitataan fitness-funktion avulla.<br />
Funktion palauttaman fitness-luvun perusteella<br />
yksilöt järjestetään paremmuusjärjestykseen,<br />
ja sopivimmat valitaan tuottamaan<br />
jälkeläisiä. Jälkeläiset muodostetaan yhdistämällä<br />
kahden yksilön alleeleja (vektorin arvoja).<br />
Tämän jälkeen jotkin yksilöistä mutatoituvat<br />
satunnaisesti erikseen määritellyn mutaatio-todennäköisyyden<br />
perusteella. Mutaatiossa<br />
satunnaisesti valitun yksilön satunnaisesti<br />
valittu alleeli korvataan täysin uudella<br />
satunnaisluvulla. Seuraava sukupolvi muodostetaan<br />
valitsemalla parhaat vanhemmat<br />
ja parhaat uudet jälkeläiset.<br />
Populaation koko ja etenkin sen jakaminen<br />
alipopulaatioihin on tärkeää silloin, kun<br />
halutaan välttää liian nopea suppeneminen<br />
kohti lokaalia minimiä. Populaation sisällä<br />
ratkaisut suppenevat yleensä nopeasti kohti<br />
parasta vaihtoehtoa, joka ei välttämättä ole<br />
lähellä globaalia ratkaisua. Kun populaatioita<br />
on enemmän kuin yksi, todennäköisyys<br />
tuntia, käyttäen yhtä prosessoria.<br />
löytää globaali minimi kasvaa. Testisimuloinneissa<br />
jako alipopulaatioihin osoittautui paljon<br />
tärkeämmäksi asiaksi kuin yksilöiden lukumäärä.<br />
Populaation koko on tärkeä parametri<br />
estimoinnin onnistumista ajatellen.<br />
Yksilöitä täytyy olla riittävä määrä, jotta hyvä<br />
ratkaisu löytyisi.<br />
Mutaatio-todennäköisyys on tärkeä parametri<br />
monimuotoisuuden säilyttämiseksi. Se<br />
kuvaa yksilön todennäköisyyttä mutatoitua<br />
sukupolven aikana. Jos tämä todennäköisyys<br />
on liian pieni, ratkaisut suppenevat liian nopeasti<br />
kohti lokaalia minimiä. Jos todennäköisyys<br />
taas on liian suuri, hyvätkin ratkaisut<br />
saatetaan menettää liiallisten mutaatioiden<br />
vuoksi.<br />
Tulosten yleisyyden takaamiseksi TGA-kokeet<br />
tulisi tehdä useammalla kuin yhdellä<br />
lämmitysnopeudella. Jos parametrit estimoidaan<br />
käyttäen ainoastaan yhtä lämmitysnopeutta,<br />
se ei välttämättä ennusta muita oikein.<br />
Tässä työssä käytettiin lämmitysnopeuksia<br />
2, 5, 10 ja 20 K/min.<br />
Geneettinen algoritmi toteutettiin käyttäen<br />
Matlabille tarkoitettua GA toolboxia, joka<br />
on kehitetty Sheffieldin yliopistossa Englannissa<br />
[6]. Se on saatavilla ilmaiseksi osoitteesta<br />
http://www.shef.ac.uk/acse/research/ecrg/<br />
getgat.html. Monia algoritmin parametreja<br />
tutkittiin ja testattiin, ja parhaiksi havaitut on<br />
listattu Taulukossa 2. Muuttujien nimet vastaavat<br />
Matlab-sovelluksen parametreja.<br />
Huolimatta yksinkertaistetuista FDS-malleista,<br />
parametriestimointi on laskennallisesti<br />
kallista. FDS-ohjelma ajetaan jokaiselle yksi-<br />
lämmitysnopeudella erikseen. Tämän työn parametriestimoinnit kestivät kukin noin 10–24<br />
Taulukko 2. Algoritmissa käytetyt parametrit.<br />
Yksilöiden lkm populaatiossa NIND 20<br />
Sukupolvien välinen kokoero. GGAP 0.8<br />
Risteytyksen tn XOVR 0.7<br />
Mutaation tn MUTR 1/Estimoitavien parametrien<br />
lkm<br />
Sukupolvien max lkm MAXGEN 1200<br />
Jälkeläisten osuus uudessa INSR 0.9<br />
populaatiossa<br />
Alipopulaatioiden lkm SUBPOP 4<br />
Vaeltamisen tn MIGR 0.2<br />
Vaeltavien geenien lkm MIGGEN 20<br />
TULOKSET<br />
<strong>Palotutkimuksen</strong> Päivät <strong>2009</strong> 45
Change language