航母、两栖登陆舰等大型舰船具有舱室结构复杂、易燃易爆品多、火灾载荷密度大等特点,无论战时还是平时发生火灾后,急需在第一时间制定最为合理的灭火方案,及时采取最为有效的灭火行动以限制火势的发展和蔓延。美军在航母、大型驱逐舰上安装的损管智能监控系统,智能化和自动化水平居世界领先水平,它能够智能判断舱室火灾的状态,快速给出符合舱室条件的灭火最佳方案,自动控制消防系统和设备限制并扑灭火灾[1]。我军的损管监控系统在火灾探测、灭火决策信息可视化和指挥决策流程等方面取得了一定的研究成果,但还未形成从识别、预测直至决策全过程的灭火指挥实时决策方法[2-3]。为此,提出大型舰船舱室火灾实时决策的设计思想,研究火灾状态有效识别、火灾发展快速模拟、灭火方案自动生成等关键方法和模型,为灭火智能决策系统研制提供理论和方法基础。
1 实时决策的设计思想大型舰船舱室起火后,从发出警报到扑灭火灾,这个智能决策过程可划分为火灾警报、损害识别、模拟预测、方案生成、灭火行动、效果评估等6个阶段,这一智能决策过程如图1所示。损害识别、模拟预测和方案生成是整个决策过程中最为关键的环节,其中,损害识别阶段可准确判断舱室火灾的主要类型及其发展阶段,模拟预测阶段可实时预测火灾在起火舱室的发展变化以及烟气在相邻舱室的蔓延情况,方案生成阶段可辅助生成合理有效的灭火决策方案。
舱室火灾的智能决策过程,将消防理论、可视化技术、专家系统方法、数据融合方法、实时模拟技术等理论方法进行有机集成,构建灭火指挥决策信息可视化管理平台,基于火灾传感器和人工探火等报警信息,智能识别舱室火灾的大小和类型,实时模拟舱室温度、烟气浓度发展变化的全过程,立足可用的损管力量和有限的消防资源,自动生成灭火决策最佳方案,辅助指挥员进行及时指挥和有效处置。
智能决策过程要满足实时、准确、智能的要求,并在有限时间内有效分配并使用数量有限的力量和资源。因此,设计时要能够提供火灾主要参数发展变化的定量支持,解决决策信息不确定和不完整时的自动推理问题。
2 实时决策的方法和模型为实现舱室火灾实时决策的设计思想,解决灭火指挥决策所面临的火灾识别确定性、模拟预测准确性、决策方案实时性等难题,采用数据融合算法、区域模拟方法、黑板专家系统等理论和方法,为灭火指挥全过程提供识别、预测和决策支持。
2.1 基于贝叶斯网络的舱室火灾识别方法贝叶斯网络(Bayesian network, BN),是一种具有网络结构的有向无环图,在解决不确定、不完整信息方面具有明显的优势[4]。因此,可用来识别火灾传感器部分失效条件下舱室火灾的大小和类型。
贝叶斯网络表示为:
$ B = (S{\text{,}}P) = (V,L,P)。$ | (1) |
式中:S为变量域;V为随机变量集合;L为有向边的集合;P为条件概率分布集。
对于多值随机变量,给定证据
$ P(F = f|E = e) = \frac{{P(F = f,E = e)}}{{P(E = e)}}。$ | (2) |
式中:E为V的子集;F为查询节点变量集合。
基于贝叶斯网络理论,针对不同可燃物类型燃烧过程中的物理、化学特征,建立了舱室火灾智能识别模型,其拓扑结构由输入参数、状态评估和输出参数构成,如图2所示。
由式(2)得到火灾大小和类型(假定为N)的条件概率计算公式为:
$\begin{aligned} P((X,Y) = N|({T_{\text{U}}},{T_{\text{L}}},{C_{{\text{CO}}}},{C_{{\text{C}}{{\text{O}}_{\text{2}}}}},{C_{{{\text{O}}_{\text{2}}}}},D) = M) =\\ \dfrac{{P(({T_{\text{U}}},{T_{\text{L}}},{C_{{\text{CO}}}},{C_{{\text{C}}{{\text{O}}_{\text{2}}}}},{C_{{{\text{O}}_{\text{2}}}}},D) = M,(X,Y) = N)}}{{P(({T_{\text{U}}},{T_{\text{L}}},{C_{{\text{CO}}}},{C_{{\text{C}}{{\text{O}}_{\text{2}}}}},{C_{{{\text{O}}_{\text{2}}}}},D) = M)}}。\end{aligned}$ | (3) |
式中:
根据上述公式,可得出火灾大小和类型的概率,其最大概率数值所对应的即可判定为舱室火灾的大小和类型变量。
2.2 基于区域模拟的舱室火灾预测模型区域模拟将舱室空间划分为上下2个区域,假设区域内的火灾参数变化均匀,建立质量、能量守恒方程,进而求解得到上述参数的变化情况[5]。区域模拟方法运算速度快,计算精度高,可满足准确预测和实时决策的要求。
针对舰船受限空间的特点,建立了基于大型舰船防火区划的多舱室区域模拟模型。该模型主要包括起火舱室模拟模型和蔓延舱室模拟模型两部分。
就起火舱室而言,下层区域的质量方程为:
$ \dot{m}_{L 1}=\rho_{\mathrm{f}} A_{1} \frac{{\rm{d}} z_{1}}{{\rm{d}} t}=\dot{m}_{t 1}-\dot{m}_{\mathrm{eu} 2, H} ,$ | (4) |
上层区域的质量方程为:
$ \dot{m}_{e 1}=\rho_{e 1} A \frac{{\rm{d}}\left(H_{1}-z_{1}\right)}{{\rm{d}} t}=-\dot{m}_{\nu 1}+\dot{m}_{e d A_{v} H},$ | (5) |
上层区域的能量方程为:
$ c_{\theta} \rho_{v 1} A_{1}\left(H_{1}-z_{1}\right) \frac{{\rm{d}} T_{u}}{{\rm{d}} t}=\dot{Q}_{f, e}-c_{\theta} m_{\theta 1}\left(T_{v}-T_{0}\right)-\dot{Q}_{A, B} ,$ | (6) |
就相邻舱室而言,上层区域的质量方程为:
$ \dot{m}_{U 2}=\rho_{U 2} A_{2} \frac{{\rm{d}}\left(H_{2}-z_{2}\right)}{{\rm{d}} t}=-\dot{m}_{e d 1, H}-\dot{m}_{v 2},$ | (7) |
下层区域的质量方程为:
$ \dot{m}_{L 2}=\rho_{L 2} A_{2} \frac{{\rm{d}} z_{2}}{{\rm{d}} t}=\dot{m}_{\Delta 2}+\dot{m}_{\mathrm{e} A 2, H},$ | (8) |
上层区域的能量方程为:
$ c_{\theta} \rho_{v 2} A_{2}\left(H_{2}-z_{2}\right) \frac{{\rm{d}} T_{U}}{{\rm{d}} t}=0.7 \dot{Q}_{\omega A H I}-c_{B} \dot{m}_{\partial 2}\left(T_{U}-T_{0}\right)。$ | (9) |
式中:
黑板专家系统 (blackboard expert system,BES) 是指拥有黑板结构的专家系统,在处理不确定性和复杂问题方面优势显著[6]。基于灭火方案的实时性和不确定性要求,黑板结构中的知识源综合采用案例推理 (case-based reasoning,CBR) 和时间间隔Petri网 (time interval Petri networks,TIPN)的推理方法,可有效提升复杂局面的决策效率。
基于BES和模拟预测模型,建立灭火决策方案的智能生成流程,由预案形成、方案生成和行动执行等三部分组成,如图3所示。预案形成模块综合分析舰船所处的损害状态,采用CBR方法生成可行的系列行动预案;方案生成模块基于火灾预测模型,采用TIPN方法对系列预案进行分析预测,从而得出最佳的灭火方案;行动执行模块采取合理可行的灭火战术和处置措施。
以某舰战时被反舰导弹攻击后作战指挥室起火并蔓延威胁弹药库为例,验证建立的实时决策模型和方法的适用性和有效性。
选取美军全尺度火灾实验数据,对火灾传感器完好和失效时的识别能力进行验证[7-9]。表1为舱室发生火灾时火灾大小和类型的识别正确率,其中,单个传感器无法工作时火灾大小的有效识别率为82.4%,仅比传感器完好时下降了8.1%;单个传感器无法工作时火灾类型的有效识别率为82.7%,仅比传感器完好时下降了2.8%。
采用多舱室区域模拟模型,实时模拟起火舱室及其相邻舱室火灾的发展蔓延情况,准确预测上层温度、烟气层高度、O2浓度、CO2浓度、CO浓度、能见距离(OD)等影响逃生和灭火的主要火灾参数的变化情况,如图4~图9所示。
基于案例的推理方法,产生冷却周边舱壁和灌注起火舱室两种可供选择的限制火灾蔓延预案。基于时间间隔Petri网的推理方法,构建了限制火灾蔓延的TIPN预测模型,如图10所示。在15min前,建立防火边界是行之有效的最佳选择,从第15min至第18min,灌注起火舱室是最为适合的选择。从而为指挥员及时正确的灭火指挥提供了实时的决策支持。
舱室火灾实时决策方法是大型舰船灭火指挥决策系统研制的核心和关键,基于该模型能够提供实时、准确的指挥决策方案并在最短时间内采取有效的灭火行动。未来该方法可融入大型舰船损管监控系统中,有效提升舰艇舱室灭火指挥的工作效率和决策水平,确保大型舰船的安全和生命力。
[1] |
WILLIAMS F W, FARLEY J P, TATERN P A, et al. DC ARM final demonstration report[R]. Washington DC: Naval Research Lab, 2003.
|
[2] |
方万水, 李炜, 吴先高. 舰船损管监控系统发展概述[J]. 舰船科学技术. 2002, 24(6): 37--39. FANG Wan-shui, LI Wei, WU Xian-gao. The generalization of damage control system’s development for naval ships[J]. Ship Science and Technology, 2002, 24(6): 37-39. |
[3] |
陶伟, 曹宏涛, 周纪申. 舰船损管监控系统研究 [J]. 中国舰船研究. 2012, 7(1): 57-60. TAO Wei, CAO Hong-tao, ZHOU Ji-shen. Simulation research on shipboard damage control monitoring system[J]. Chinese Journal of Ship Research, 2012, 7(1): 57-60. |
[4] |
BAKSH A A, KHAN F, GADAG V, et al. Network based approach for predictive accident modeling[J]. Safety Science. 2015, 80: 274-287.
|
[5] |
PEACOCK R D, FORNEY G P, RENEKE P A. , et al. CFAST-consolidated model of fire growth and smoke transport (version 6) technical reference guide[Z]. National Institute of Standard and Technology, 2013, 24-29.
|
[6] |
菜自兴, 约翰, 德尔金, 等. 高级专家系统: 原理、设计及应用(第二版)[M]. 北京: 科学出版社, 2021: 266-267.
|
[7] |
HOOVER J B, WHITEHURST C L, WILLIAMS F. W. Final report on fire performance of shipboard electronic space materials[R]. Washington DC: Naval Research Laboratory, 2006.
|
[8] |
HOOVER J B, BAILEY J L, WILLAUER H D, et al. Evaluation of submarine hydraulic system explosion and fire hazards[R]. Washington DC: Naval Research Laboratory, 2005.
|
[9] |
WONG J T, GOTTUK D T, ROSE-PETHRSSON S L, et al. Results of multi-criteria fire detection system tests[R]. Washington DC: Naval Research Laboratory, 2000.
|