Россия
Россия
С помощью методов регрессионного анализа и нейросетевого моделирования определены физические свойства водногелевых составов, обеспечивающие минимальное время тушения пожара модельного очага компонентов промышленных взрывчатых веществ. Нейросетевое моделирование выполнено в программе «STATISTICA Application 10». Максимальное расхождение значений нейросетевой модели с экспериментальными данными 0,18 %. Регрессионный анализ выполнен в программе «REGRAN». Максимальная погрешность целевых значений составила 4,4 %. Анализ экспериментальных данных и результатов математического моделирования показал, что наиболее значимыми свойствами огнетушащих веществ на основе гидрогелей, обеспечивающими минимальное время тушения, являются плотность и поверхностное натяжение. Определены концентрации гелеобразователя, при которых водногелевый состав приобретает оптимальные физические свойства для тушения модельного очага компонента промышленного взрывчатого вещества. Разработаны рекомендации по созданию рецептур гидрогелей с заданными свойствами.
регрессионный анализ, нейросетевое моделирование, пожаротушение, промышленные взрывчатые вещества
1. Бучельников Д.Ю., Бучельников С.Ю. Тушение пожаров на объектах с наличием взрывчатых веществ и материалов: учеб.-метод. пособие. Екатеринбург: филиал Акад. ГПС МЧС России, 2002. 64 с.
2. Власов Д.А. Взрыв и его последствия: учеб. пособие. СПб.: С.-Петерб. гос. технол. ин-т (техн. ун-т), 2001. 151 с.
3. High-power acoustic fire extinguisher with artificial intelligence platform / J. Wilk-Jakubowski [et al.] // International Journal of Computational Vision and Robotics. 2022. Vol. 12. № 3. P. 236–249.
4. Use of fire-extinguishing balls for a conceptual system of drone-assisted wildfire fighting / B. Aydin [et al.] // Drones. 2019. Vol. 3. № 1. С. 17.
5. Воронцов Т.С., Иванов А.В. Исследование физико-химических свойств водногелевых огнетушащих составов в условиях ликвидации горения промышленных взрывчатых веществ и их компонентов // Современные проблемы гражданской защиты. 2022. № 2 (43). С. 50–58.
6. Михайлова В.И., Скрипник И.Л., Иванов А.В. Моделирование систем орошения резервуаров нефтепродуктов в условиях применения модифицированных водногелевых составов // Проблемы управления рисками в техносфере. 2019. № 4. С. 51–60.
7. Исследование огнетушащих и теплозащитных свойств водногелевых составов на основе модифицированных наножидкостей / Ш.Г. Гаджиев [и др.] // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2014. № 2. С. 31–37.
8. Исследование огнетушащих свойств воды и гидрогелей с углеродными наноструктурами при ликвидации горения нефтепродуктов / А.В. Иванов [и др.] // Пожаровзрывобезопасность. 2017. Т. 26. № 8. С. 31–44.
9. Боровиков В.П. Нейронные сети STATISTICA Neural Networks: методология и технология современного анализа данных. М.: Изд-во Горячая Линия-Телеком, 2008. 392 с.
10. Таранцев А.А. Принципы построения регрессионных моделей при исходных данных с нечетким описанием // Автоматика и телемеханика. 1997. № 11. С. 215–219.
11. Nirkhi S. Potential use of artificial neural network in data mining // The 2nd International Conference on Computer and Automation Engineering (ICCAE). 2010. Т. 2. P. 339–343.
12. Sadeghi-Naini A., Asgary A. Modeling number of firefighters responding to an incident using artificial neural networks // International Journal of Emergency Services. 2013. Vol. 2. № 2. P. 104–118.
13. Способ и устройство управления физико-химическими процессами в веществе и на границе раздела фаз: пат. 2479005 Рос. Федерация / Г.К. Ивахнюк, В.Н. Матюхин, В.А. Клачков, А.О. Шевченко, А.С. Князев, К.Г. Ивахнюк, А.В. Иванов, В.А. Родионов. – № 2011118347/08; заявл. 21.01.2010; опубл. 10.04.2013, Бюл. № 10.
14. Bosikov I.I., Klyuev R.V., Dmitrak Yu.V. Analysis of hazardous processes in the natural-industrial system // Advances in raw material industries for sustainable development goals. CRC Press, 2020. P. 422–429.
15. Nutrient requirement equations for Indian goat by multiple regression analysis and least cost ration formulation using a linear and non‐linear stochastic model / V. Patil [et al.] // Journal of Animal Physiology and Animal Nutrition. 2022. Vol. 106. № 5. P. 968–977.
16. Bohidar N.R., Restaino F.A., Schwartz J.B. Selecting key pharmaceutical formulation factors by regression analysis // Drug Development and Industrial Pharmacy. 1979. Vol. 5. № 2. P. 175–216.
