Upload
unican
View
0
Download
0
Embed Size (px)
Citation preview
��� � ��� �� � �� � ��� �� �� �� ��� � � �� � ���� � � �� �� ����� �� ������� � � � �� � � �� �
�� �� � ��� � � �� ��� � �� � �� �
��
�
���
� ������������������ !"�#��� ������� ������������������ !"�#��� ������� ������������������ !"�#��� ������� ������������������ !"�#��� ��������������
� ��� � ��� �� ��� �� � � ��� �� ��� � ��� �� ��� �� � � ��� �� ��� � ��� �� ��� �� � � ��� �� ��� � ��� �� ��� �� � � ��� �� � � � � �� � �� � ��� ��� � � � �� ��� � � � � �� � �� � ��� ��� � � � �� ��� � � � � �� � �� � ��� ��� � � � �� ��� � � � � �� � �� � ��� ��� � � � �� ��� �� �� �������� � ��� �� �� �� ���� �� �� �������� � ��� �� �� �� ���� �� �� �������� � ��� �� �� �� ���� �� �� �������� � ��� �� �� �� ���
�� � � ��� �� � � ��� �� � � ��� �� � � �����������
� � �$ � � ��� � � � � �� �� � � ���� �� � � �� � �� ��$ � % ��
���
� ��������#����&��!�'&��#���
� � � �� � �� � � �� �� �� � � �� � �� � � �� �� �� � � �� � �� � � �� �� �� � � �� � �� � � �� �� � �����
� '���(�� �)!# ��*+����� ��'�!��
�� ��'����,�-./.
Agradecimientos:
Quisiera empezar mostrando mi agradecimiento a mi familia, a los que pueden
compartir este momento, especialmente, a mi madre, a mis hermanos y a mi abuela y también especialmente a los que ya no se encuentran entre nosotros. Si hoy soy como soy y he llegado hasta aquí es en gran parte culpa vuestra.
También agradecer al Prof. Jorge A. Capote y al Dr. Daniel Alvear por permitirme realizar el Proyecto Fin de Carrera con ellos y guiarme en su realización, además de a todo el Grupo GIDAI por su ayuda, especialmente al Prof. Orlando Abreu, al Dr. Mariano Lázaro y al Lic. Eduardo Puente. Espero seguir aprendiendo más cosas de vosotros.
Seguir agradeciendo a mis compañeros de carrera que sin duda han hecho que estos años de carrera sean mucho más interesantes. Seguiremos en contacto aunque tengamos que vernos en Francia, Estados Unidos, Burgos o donde sea.
����
�
PRESENTACIÓN
El motivo de realizar mi Proyecto Fin de Carrera sobre el Modelado y
Simulación Computacional de Incendios (MSCI) ha sido el interés que este tema generó
en mí a raíz de cursar la asignatura Modelado y Simulación Computacional de
Incendios en Edificaciones.
Me siento honrado de la realización del presente trabajo, el cual me ha permitido
introducirme en un área de la investigación tan apasionante como es la Ingeniería de
Seguridad contra Incendios. Una de las cosas que me atrajo al mundo de la ingeniería
Industrial fueron las muchas y diversas salidas que ofrece, y gracias a este trabajo he
podido adentrarme en una ciencia que no hubiera esperado estudiar cuando comencé,
pero la cual resulta ampliamente gratificante tanto por el interés que despierta el
fenómeno del incendio en sí mismo, como por la utilidad de su estudio, cuyo fin último
es el de salvar vidas y bienes materiales.
En los últimos años se ha avanzado enormemente en la Seguridad contra
Incendios, tanto en temas de prevención mediante el desarrollo de materiales resistentes
al fuego, como debido a las medidas de detección y extinción, y a los estudios de
evacuación.
Todos estos aspectos se han visto ampliamente reforzados gracias al Modelado y
Simulación Computacional de Incendios que ha permitido mediante simulaciones un
mayor conocimiento del incendio, a través de la posibilidad de realizar gran cantidad de
simulaciones que de otra manera no hubiesen podido tener lugar mediante ensayos a
escala.
Por otra parte, en los últimos años las redes neuronales han tenido un gran auge,
y la posibilidad emplearlas para obtener un modelo capaz de ajustarse a la dinámica del
incendio, supone un comienzo cuyo objetivo final no es otro que la posibilidad de
realizar un estudio del incendio en tiempo real, con lo que se facilitaría enormemente la
labor investigadora y las labores de salvamento en caso de incendios.
Santander, Octubre de 2010
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� ����
�
ÍNDICE Pag.
AGRADECIMIENTOS
PRESENTACIÓN i
ÍNDICE GENERAL iii
ÍNDICE DE TABLAS Y FIGURAS ix
CAPÍTULO 1: INTRODUCCIÓN 1
CAPÍTULO 2: INTRODUCCIÓN A LA DINÁMICA DEL INCENDIO EN RECINTOS CERRADOS
5
1. Fases del Crecimiento del Incendio 6
2. Velocidad de Cesión de Calor 13
3. Propagación de la Llama 14
4. Modelado y Simulación Computacional de Incendios 17
4.1. Tipos de modelos 17
4.2. Simulación computacional de incendios 19
CAPÍTULO 3: MODELOS DE ZONA 20
1. Introducción 21
2. Principios Físicos de los Modelos de Zona 22
3. Ecuaciones de Conservación 27
3.1. Introducción 27
3.2. Ecuación de conservación de la masa 29
3.3. Ecuación de conservación de las especies 30
3.4. Ecuación de conservación de la energía 31
4. Submodelos de Transporte de Masa 32
4.1. Flujos de ventilación a través de aberturas en particiones verticales
33
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� ���
�
4.2. Flujos de ventilación a través de aberturas en particiones horizontales
34
4.3. Mezcla entre las capas 34
4.4. Efectos de flujos forzados 35
5. Submodelos de Transferencia de Calor 36
5.1. Transferencia de calor convectivo hacia las superficies 36
5.2. Transferencia de calor por conducción 36
CAPÍTULO 4: MODELOS DE CAMPO 37
1. Introducción 38
2. Ecuación de Conservación de la Masa 39
3. Ecuación de Conservación de las Especies 40
4. Ecuación de Conservación del Momento 42
5. Técnicas para el Tratamiento de la Turbulencia 48
5.1. Modelos matemáticos primarios de la turbulencia 48
5.2. Modelos computacionales de la turbulencia 49
5.2.1. Modelo de turbulencia LES 51
5.2.2. Modelo de turbulencia DNS 52
5.2.3. Modelos de turbulencia RANS 52
6. Ecuación de Conservación de la Energía 54
7. Ecuación de Estado y Ecuaciones empleadas en FDS 58
8. Modelos de Combustión 59
8.1. Modelo de combustión de fracción de mezcla 59
8.2. Reacción de velocidad limitada 65
9. Modelo de Radiación Térmica 65
10. Condiciones Térmicas de Contorno 68
10.1. Transferencia térmica convectiva a las paredes 68
10.2. Combustibles termoplásticos 69
10.3. Combustibles líquidos 71
10.4. Combustibles carbonizables 71
CAPÍTULO 5: FDS y CFAST 74
1. Modelo de Zona CFAST 75
1.1. Modelo de Incendio 78
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� ����
�
1.2. El Penacho 78
1.3. Flujo a través de las Aperturas 78
1.4. Flujo por los Pasillos 78
1.5. Transferencia de Calor 78
1.6. Flujos por el Techo 79
2. Modelo de Campo FDS 79
2.1. Características del modelo FDS 80
2.2. Limitaciones del modelo FDS 80
CAPÍTULO 6: REDES NEURONALES 82
1. Introducción 83
2. Similitud con el Sistema Nervioso de los Animales 84
3. Características de las Redes Neuronales Artificiales 86
4. La Estructura de la Neurona 87
5. Arquitectura de la Neurona 91
6. Entrenamiento de la Red 94
7. Tipos de Redes Neuronales 96
7.1. El Perceptrón Simple 96
7.2. La Red de Hopfield 97
7.3. El Perceptrón Multicapa 98
7.4. Red Competitiva 98
7.5. Redes Neuronales ART1 98
7.6. Mapas de Kohonen. Redes Neuronales Autorganizativas 98
7.7. Red Neuronal de Regresión General 99
CAPÍTULO 7: RED NEURONAL DE REGRESIÓN GENERAL 100
1. Introducción 101
2. Fundamentos Matemáticos 102
3. GRNN en Matlab 107
CAPÍTULO 8: CONDICIONES DE CONTORNO DEL RECINTO
110
1. Parámetros de Entrada 111
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� �����
�
2. Parámetros de Salida 112
3. Análisis de Sensibilidad 113
3.1. Análisis de sensibilidad de la posición de la fuente de ignición
114
3.2. Análisis de sensibilidad de la altura del recinto 115
3.3. Análisis de sensibilidad del tamaño de la planta del recinto 116
3.4. Análisis de sensibilidad del HRRPUA 117
3.5. Análisis de sensibilidad de la temperatura ambiente 118
CAPÍTULO 9: ENSAYO DE FUEGO A ESCALA REAL 120
1. Características Geométricas de los Escenarios Considerados y Determinación de las Fuentes de Ignición
121
2. Montaje del Recinto 121
3. Instrumentos de Medida 123
3.1. Instrumental para la medición de la Temperatura 123
3.2. Instrumental para la medición de la Pérdida de Masa 126
3.3. Instrumental para el Registro de Datos 126
4. Determinación de la Interfase Térmica de los Humos del Incendio 127
4.1. Obtención de la Velocidad de Cesión de Calor del Combustible
127
4.2. Obtención de la Interfase Térmica de los Humos durante el Ensayo a Escala
129
4.3. Datos de salida de los Termopares 130
5. Resultados de los Ensayos 133
CAPÍTULO 10: SIMULACIONES PARA EL ENTRENAMIENTO
136
1. Rangos de Entrenamiento 137
2. Modelo FDS Empleado para el Entrenamiento 139
2.1. Tamaño de malla 139
2.2. Posición de la fuente de ignición 141
3. FDS Genérico 145
CAPÍTULO 11: MODELO DESARROLLADO 148
1. Introducción 149
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� ������
�
2. Funciones Desarrolladas 149
3. Comprobación de los Resultados de Modelo Frente a FDS y CFAST 152
3.1. Datos de Entrada en los Ejemplos 152
3.2. Comparación de los Resultado 153
3.2.1. Ejemplo de Aplicación 1 153
3.2.2. Ejemplo de Aplicación 2, 3 y 4 155
3.2.3. Ejemplo de Aplicación 5 159
3.3. Errores Frente al Modelo FDS 160
3.4. Tiempo de Cómputo Requerido 162
3.5. Memoria Requerida 162
4. Validación de Resultados 162
4.1. Variables de Entrada Consideradas 163
4.2. Gráficas de los Resultados 163
4.2.1. Ensayo 1 163
4.2.2. Ensayo 2 164
CAPÍTULO 12: CONCLUSIONES 166
REFERENCIAS 169
ANEXOS 173
Anexo 1 174
Anexo 2 185
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� ���
�
ÍNDICE DE TABLAS
Tabla Páginas
Tabla 1. Parámetros de entrada de los ejemplos empleados en el análisis de
sensibilidad. ..................................................................................................... 113
Tabla 2. Datos de entrada de los ensayos empleados para la validación del
modelo. ............................................................................................................ 133
Tabla 3. Rango de Parámetros de Entrada del Entrenamiento. .................................... 138
Tabla 4. Posición de la fuente de ignición para los tres casos considerados. ............... 142
Tabla 5. Parámetros de entrada de ejemplos. ............................................................... 152
Tabla 6. Errores relativos del modelo desarrollado empleando la red neuronal
y de CFAST con respecto a FDS..................................................................... 161
Tabla 7. Errores relativos del modelo desarrollado empleando la red neuronal
y de CFAST con respecto a FDS..................................................................... 161
Tabla 8. Valores de los parámetros de entrada de los ensayos realizados.................... 163
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� ����
�
ÍNDICE DE FIGURAS
Figuras Páginas
Figura 1. Gráfica de las diferentes fases de desarrollo de un incendio. (Fuente:
Enclusure Fire Dynamics. Prof. Björn Karlsson y Prof. James Quintiere). ........ 7
Figura 2. Esquema del penacho de un incendio en el que se puede observar la
entrada de aire fresco. (Fuente: Enclusure Fire Dynamics. Prof. Björn
Karlsson y Prof. James Quintiere). ..................................................................... 9
Figura 3. Ascenso inicial del penacho de humos................................................................ 9
Figura 4. Propagación del humo por el techo del recinto. ................................................ 10
Figura 5. Propagación del humo por el techo y hacia la parte inferior del recinto. .......... 10
Figura 6. Ignición de otros ítems del recinto. ................................................................... 11
Figura 7. Ignición de todos los items del recinto. ............................................................. 12
Figura 8. Modelos de propagación de llama (Fuente: “Principles of Fire Behavior”,
Prof. Quintiere). ................................................................................................ 16
Figura 9. Volúmenes de Control seleccionados en el modelado de zona......................... 27
Figura 10. Flujo a través de una abertura (Fuente: “Enclosure Fire Dynamics”,
Björn Karlsson, James G. Quintiere). ............................................................... 33
Figura 11. Flujos a través de ventilaciones típicos (Fuente: “Enclosure Fire
Dynamics”, Björn Karlsson, James G. Quintiere). ........................................... 34
Figura 12. Fenómeno de mezcla de flujos secundaria. (1) Un penacho frío
desciende desde la capa superior hacia la capa inferior; (2) mezcla que
atraviesa de una corriente de flujo en la abertura que entra; (3) flujos en
las paredes debidos a los efectos de flotabilidad local. (Fuente:
“Enclosure Fire Dynamics”, Björn Karlsson, James G. Quintiere). ................. 35
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� �����
�
Figura 13. Interpretación de la ecuación de conservación de la masa. ............................. 40
Figura 14. Diferentes escalas de remolinos en fluidos turbulentos. ................................. 49
Figura 15. Espectro de la energía cinética de la turbulencia. (Fuente:“Theorical and
numerical combustion”). ................................................................................... 50
Figura 16. Dependencia temporal de la temperatura para distintos modelos de
turbulencia. ........................................................................................................ 54
Figura 17. Gradiente de la fracción de oxígeno en la superficie de llama. ...................... 64
Figura 18. Interfaz del modelo CFAST. ........................................................................... 76
Figura 19. Simulación realizada en CFAST en un recinto con una apertura inferior. ..... 76
Figura 20. Partes de una neurona, modificado de Neural Network a Comprehensive
Foundation. ....................................................................................................... 85
Figura 21. Estructura de una neurona. .............................................................................. 88
Figura 22. Unión de las capas de una red neuronal. ......................................................... 88
Figura 23. Curva de la función sigmoidal asimétrica ....................................................... 89
Figura 24. Curva de la función sigmoidal simétrica con c=0.5. ....................................... 90
Figura 25. Curva de la función de Threshold con c=0.1. ................................................. 90
Figura 26. Curva de la función de distribución exponencial con c=0.5. .......................... 91
Figura 27. Curva de la proporción polinómica con c=0.5 y n=2. ..................................... 91
Figura 28. Red de alimentación unidireccional con una sola capa. .................................. 92
Figura 29. Red de alimentación unidireccional multicapa. .............................................. 93
Figura 30. Redes recurrentes. ........................................................................................... 93
Figura 31. Diagrama de bloques de la GRNN. ............................................................... 102
Figura 32. Arquitectura de la red neuronal de regresión general (guía de usuario
Matlab). ........................................................................................................... 108
Figura 33. Análisis de Sensibilidad en la Temperatura posicionando la fuente de
ignición en el interior del recinto. ................................................................... 114
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� ������
�
Figura 34. Análisis de Sensibilidad en la Interfase posicionando la fuente de
ignición en el interior del recinto. ................................................................... 115
Figura 35. Análisis de Sensibilidad en la Temperatura Variando la Altura del
Recinto. ........................................................................................................... 116
Figura 36. Análisis de Sensibilidad en la Altura de la Interfase Variando la Altura
del Recinto. ..................................................................................................... 116
Figura 37. Análisis de Sensibilidad en la Temperatura Variando el Tamaño de la
Planta. .............................................................................................................. 117
Figura 38. Análisis de Sensibilidad en la Altura de la Interfase Variando el Tamaño
de la Planta. ..................................................................................................... 117
Figura 39. Análisis de Sensibilidad en la Temperatura Variando el HRRPUA. ............ 118
Figura 40. Análisis de Sensibilidad en la Altura de la Interfase Variando el
HRRPUA. ....................................................................................................... 118
Figura 41. Análisis de Sensibilidad en la Temperatura Variando la Temperatura
Ambiente. ........................................................................................................ 119
Figura 42. Análisis de Sensibilidad en la Altura de la Interfase Variando la
Temperatura Ambiente. .................................................................................. 119
Figura 43. Elementos empleados para la realización de ensayos en atrios a
diferentes alturas. ............................................................................................ 122
Figura 44. Sistema de fijación de un árbol de termopares construido mediante cable
de acero. .......................................................................................................... 122
Figura 45. Sellado de los cerramientos. .......................................................................... 123
Figura 46. Termopar tipo K empleado durante los ensayos. .......................................... 124
Figura 47. Localización de los árboles de termopares en planta (izquierda) y de los
termopares en cada uno de ellos (vista derecha en perfil). ............................. 125
Figura 48. Árbol de termopares construido mediante varilla rígida de acero. ............... 125
Figura 49. Árboles de termopares construidos mediante cable de acero y
preparados para su traslado al recinto de ensayo. ........................................... 125
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� �����
�
Figura 50. Vista de las células de carga TCA y del montaje de cuatro células de
carga en la estructura....................................................................................... 126
Figura 51. Equipo de adquisición de datos Agilent 34980A (izquierda) y módulo
de conexión de 40 entradas duales multiplexadas 34921A (derecha). ........... 126
Figura 52. Representación esquemática del ensayo de penacho con los diversos
instrumentales empleados. .............................................................................. 127
Figura 53. Velocidad de pérdida de masa del combustible registrada por las células
de carga durante el desarrollo. ........................................................................ 128
Figura 54. Cálculo de I1. ................................................................................................ 130
Figura 55. Datos de los arboles de termopares del ensayo de 2.2 m de altura. .............. 132
Figura 56. Datos de los arboles de termopares del ensayo de 1.8 m de altura. .............. 133
Figura 57. Temperatura de la Capa Caliente del Ensayo1. ............................................ 134
Figura 58. Altura Interfase Ensayo 1. ............................................................................. 134
Figura 59. Temperatura de la Capa Caliente del Ensayo2. ............................................ 135
Figura 60. Altura Interfase Ensayo 2. ............................................................................. 135
Figura 61. Parámetros de salida proporcionados por el modelo, modificado de............ 138
Figura 62. Comparativa de la altura de la capa caliente con la malla de 5 y 10 cm. ...... 139
Figura 63. Comparativa de la temperatura de la capa caliente con la malla de 5 y 10
cm. ................................................................................................................... 140
Figura 64. Error absoluto de la altura de la capa caliente con la malla de 5 y 10 cm. ... 140
Figura 65. Error absoluto de la temperatura de la capa caliente con la malla de 5 y
10 cm. .............................................................................................................. 141
Figura 66. Comparación de temperaturas de la capa caliente para los casos
expuestos. ........................................................................................................ 142
Figura 67. Comparación de la altura de la interfase para los casos expuestos. .............. 142
Figura 68. Temperatura de la Capa Caliente en función de la posición de la fuente. .... 143
Figura 69. Altura de la Capa Caliente en función de la posición de la fuente. .............. 144
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� ����
�
Figura 70. Ejemplo de simulación del entrenamiento con FDS. .................................... 144
Figura 71. Ficheros del modelo desarrollado. ................................................................ 151
Figura 72. Gráfica comparativa de la temperatura en la capa caliente, con FDS,
CFAST y el modelo de la red neuronal para el ejemplo 1. ............................. 154
Figura 73. Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 1. ................................................. 154
Figura 74. Gráfica comparativa de la temperatura en la capa caliente con FDS,
CFAST y el modelo de la red neuronal para el ejemplo 2. ............................. 155
Figura 75. Gráfica comparativa de la altura de la interfase con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 2. ................................................. 156
Figura 76. Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 3. ................................................. 157
Figura 77. Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 3. ................................................. 157
Figura 78. Gráfica comparativa de la temperatura en la capa caliente con FDS,
CFAST y el modelo de la red neuronal para el ejemplo 4. ............................. 158
Figura 79. Gráfica comparativa de la altura de la interfase con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 4. ................................................. 158
Figura 80. Gráfica comparativa de la temperatura en la capa caliente con FDS,
CFAST y el modelo de la red neuronal para el ejemplo 5. ............................. 159
Figura 81. Gráfica comparativa de la altura de la interfase con FDS, CFAST y el
modelo de la red neuronal para el ejemplo 4. ................................................. 160
Figura 82. Validación de la temperatura de la capa caliente de los modelos CFAST,
FDS y el modelo desarrollado mediante el empleo de redes neuronales
frente a el ensayo a escala real. Ensayo 1. ...................................................... 163
Figura 83. Validación de la altura de la interfase de los modelos CFAST, FDS y el
modelo desarrollado mediante el empleo de redes neuronales frente a el
ensayo a escala real. Ensayo 1. ....................................................................... 164
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������� ����������� �����
�
Figura 84. Validación de la temperatura de la capa caliente de los modelos CFAST,
FDS y el modelo desarrollado mediante el empleo de redes neuronales
frente al ensayo a escala real. Ensayo 2. ......................................................... 165
Figura 85. Validación de la altura de la interfase de los modelos CFAST, FDS y el
modelo desarrollado mediante el empleo de redes neuronales frente a el
ensayo a escala real. Ensayo 2. ....................................................................... 165
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ ���
�
CAPÍTULO 1
INTRODUCCIÓN
El fuego está presente en nuestra vida desde que los homo erectus empezaron a
emplearlo cuando lo obtenían de incendios producidos por causas naturales. El fuego se
empleo al principio para calentarse con las ascuas, lo que le permitió al ser humano
soportar el frío de las regiones templadas e incluso de las árticas, por lo que no tuvo que
limitar sus movimientos a un tipo restringido de clima. Gracias a las llamas, sus
actividades no quedaron restringidas sólo a la luz del sol y les permitió explorar el
interior de las cavernas. El fuego también fue una útil arma para ahuyentar a las fieras.
También se empleó para cocinar la comida. Posteriormente, fueron capaces de
producirlo eliminando así la dependencia de su obtención esporádica por medios
naturales. Más adelante en la historia se extendió su uso para el manejo y
transformación de los metales.
El fuego también ha estado presente en nuestros ritos, en el antiguo Egipto, la
llama era considerada símbolo de pureza y elemento purificador. En la mitología griega,
Prometeo es considerado amigo de los mortales por robar el fuego de los dioses y
dárselo a los humanos para su uso. En el imperio romano se creía que la diosa Vesta era
la diosa de la tierra y del fuego, y en el templo a ella dedicado ardía la llama eterna,
considerada por el pueblo romano como un símbolo íntimamente relacionado con la
fortuna de la ciudad y que se dice fue mantenida durante un millar de años. En la
Inquisición, las brujas eran quemadas en grandes hogueras, debido a la creencia del
poder purificador del fuego.
El fuego ha sido ampliamente utilizado durante la historia de la humanidad y
gracias a él somos lo que somos. Pero todo tiene dos caras, y el fuego no podía ser una
excepción. El fuego está presente en los grandes incendios forestales que asolan la flora
y la fauna de los bosques, grandes incendios y explosiones en edificios y demás
instalaciones creadas por el hombre donde además de una importante pérdida material
se producen pérdidas humanas.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ ���
�
Muchos grandes incendios han estado presentes marcando la historia de la
humanidad, asolado las ciudades y destruyendo los imperios.
El más famoso de todos los incendios de ciudades de la historia fue el ocurrido
en Roma durante el Imperio de Nerón durante el verano del año 64. En el cual se vio
prácticamente arrasado el centro de la poderosa Roma.
Otro incendio importante fue el gran incendio de Londres se 1666 que duró casi
tres días y en él se vieron afectadas 87 parroquias y 13.200 casas.
El gran incendio de Chicago, que en octubre de 1871 destruyó casi 6,5 km² de la
ciudad, provocó 300 víctimas mortales y dejó a más de 100.000 personas sin hogar.
Además, más de 17.000 edificios fueron destruidos y las propiedades dañadas se
estimaron en 200 millones de dólares. Las casas construidas totalmente de madera así
como algunas calles pavimentadas de madera no hicieron más que ayudar a propagar el
incendio.
En abril de 1906 la ciudad de San Francisco fue asolada por un terremoto de 7,8
grados en la escala de Richter. Pese a que numerosos edificios se desplomaron a causa
del temblor, los incendios provocados por las rupturas de las instalaciones de gas fueron
más devastadores.
No tan impresionante pero más cercano fue el incendio de Santander, en Febrero
de 1941 cuyos efectos se vieron amplificados por un fuerte viento de dirección sureste y
por una depresión atmosférica de gran intensidad. El fuego destruyó 37 calles de las
más antiguas de la ciudad que ocupaban 14 hectáreas, lo que supuso la desaparición de
400 edificios.
Todo esto ha derivado en la necesidad de entender y controlar el fuego. En este
sentido, la ciencia del Incendio ha transitado paulatinamente hacia las herramientas del
modelado computacional de incendios, con el fin de estudiar los incendios y poder
evitar las catástrofes que como hemos visto pueden llegar a ocasionar.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ ���
�
En los últimos años ha tenido lugar un amplio desarrollo del Modelado y
Simulación Computacional de Incendios y se ha intensificado su empleo para el estudio
de la Seguridad contra Incendios, investigación de Incendios, etc. Los dos principales
tipos de MSCI son los modelos de campo y los modelos de zona. El primero obtiene
mejores aproximaciones a la dinámica del incendio, mientras que el segundo requiere
mucho menor tiempo de cómputo.
Adicionalmente hay que destacar los grandes avances que también se han
realizado en los últimos años en el procesamiento de información, mediante el empleo
de las redes neuronales artificiales y que las ha convertido en una herramienta de gran
utilidad y con aplicación en campos muy diversos.
En el presente Proyecto de Fin de Carrera se pretende desarrollar un modelo
computacional de incendios mediante el empleo de las redes neuronales para ser
capaces de analizar las posibilidades de su utilización en los modelos computacionales
de incendios.
En este trabajo también se ha realizado una descripción de la Dinámica de los
Incendios y de dos de los modelos existentes más empleados, el modelo de zona
CFAST y el modelo de campo FDS, los cuales se han empleado para comprobar el
modelo desarrollado.
También se ha realizado un estudio del funcionamiento de las redes neuronales y
se han descrito brevemente diversos tipos de redes neuronales existentes y con mayor
detalle la red empleada en el modelo.
El objetivo final de este trabajo se centra en conseguir similares resultados que
en los modelos de campo, reduciendo el tiempo de cómputo necesario para realizar las
simulaciones al empleado en modelos de zona. En este caso se empleará una Red
Neuronal de Regresión General, y se realizará su entrenamiento con simulaciones
realizadas en el modelo de campo FDS. En trabajos posteriores a buen seguro, se
abordarán y evaluarán otros fenómenos, y diferentes tipos de Redes.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
���
�
CAPÍTULO 2
INTRODUCCIÓN A LA DINÁMICA DEL
INCENDIO EN RECINTOS CERRADOS
El análisis de la progresión de un incendio implica a más procesos que aquellos
procesos físicos que controlan el fuego mismo. Estos procesos, han de incluir elementos
asociados con el comportamiento humano, el de las estructuras y el de los materiales,
los cuales en algunos casos pueden llegar a ser más complejos que los asociados con el
fuego. Sin embargo, este análisis es el punto inevitable de partida de todo intento de
establecer las implicaciones de un incendio.
La dinámica del incendio describe la temática que implica la participación de
varias disciplinas, tales como, la transferencia de calor, la dinámica de fluidos, etc., y de
otras materias asociadas específicamente a la Ciencia del Incendio.
2.1. Fases del Crecimiento del Incendio
El incendio en el interior de recinto cerrado se ha venido estudiando de forma
específica a partir de los incendios tipo compartment fire, frente a otro tipo de
situaciones tal como los incendios en balsa (incendios de combustibles líquidos). El
término compartment fire se emplea para definir un incendio que ocurre confinado en
una habitación o recinto.
El incendio, en ausencia de un recinto es un proceso que tiende a ser estacionario
y en ese caso su análisis es relativamente simple. La presencia de un recinto que le
contenga genera las complicaciones típicas de un incendio en edificaciones.
Un incendio en un recinto cerrado puede desarrollarse en multitud de caminos
diferentes, dependiendo básicamente de las características del recinto, ventilación,
combustibles presentes, etc.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
���
�
Una visión global del desarrollo del incendio en recintos cerrados proporciona
frecuentemente la diferenciación de varias fases en el mismo. Estas fases pueden ser
presentadas en términos de diferentes variables, tales como, la evolución de la
temperatura, flujos de masa y diferencias de presión en las aperturas, etc. Las cinco
fases que tradicionalmente se emplean para analizar el desarrollo de un incendio son:
• Ignición.
• Crecimiento.
• Flashover.
• Incendio completamente desarrollado.
• Decaimiento.
�
Figura 1�Gráfica de las diferentes fases de desarrollo de un incendio. (Fuente: Enclusure Fire Dynamics.
Prof. Björn Karlsson y Prof. James Quintiere [5]).
�
La ignición puede ser considerada como un proceso que produce una reacción
exotérmica caracterizada por un incremento de temperatura superior al ambiental. La
ignición puede ocurrir por fuentes de calor o por una ignición espontánea del material
combustible, a través de la acumulación de calor en el mismo. El proceso de
combustión subsiguiente puede ocasionar una combustión con llama o latente sin llama
(smoldering).
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
��
�
Tras la ignición, el incendio crece y produce un incremento de energía, debido
fundamentalmente a la propagación de la llama. En las etapas incipientes del incendio
las condiciones de contorno del recinto prácticamente no afectan al incendio.
En esta etapa, la cantidad de oxígeno presente es en primera aproximación
infinita para las necesidades del incendio, por lo que se suele denominar esta etapa
como “incendio controlado por combustible” (fuel controlled). Junto a la emisión de
energía, en el incendio se producen una gran variedad de sólidos y gases, tanto tóxicos
como no tóxicos.
El incendio en esta fase puede crecer de forma rápida o lenta dependiendo del
tipo de combustión, de la naturaleza del combustible y la interacción del mismo con sus
alrededores. El incendio en esta etapa puede describirse en términos de calor emitido en
la combustión y de producción de gases de combustión. Así, un incendio latente puede
producir cantidades de gases tóxicos muy peligrosos mientras que la velocidad de
cesión de calor del incendio es relativamente baja, siendo la duración del incendio
durante un largo período de tiempo e incluso suprimirse antes de que hayan hecho
presencia otras etapas del desarrollo del incendio.
En el caso de la combustión con llama, el crecimiento del incendio puede
producirse rápidamente, debido a que el combustible sea suficientemente inflamable
para permitir una rápida propagación a través de su superficie o para producir la
ignición de otros materiales combustibles presentes y se disponga de suficiente oxígeno
para que se produzca ese rápido crecimiento. En esta etapa, los gases calientes de la
llama son rodeados por gases fríos del entorno, ascendiendo las masas menos densas
debido al efecto de flotabilidad. El flujo de flotabilidad, incluyendo las llamas, se
denomina penacho del incendio, véase figura 2.
La cantidad de aire es muy elevada en la fase inicial de crecimiento. Este aire
entra por los lados del penacho en cantidades que normalmente exceden por diez veces
el oxigeno necesario para la combustión. Esto hace que en las etapas iniciales de un
incendio la temperatura de los gases es muy baja.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
��
�
La estratificación genera dos zonas suficientemente diferenciadas, una de
temperatura alta cerca al techo y una de temperatura baja en la zona de ingreso del aire.
�
Figura 2 Esquema del penacho de un incendio en el que se puede observar la entrada de aire fresco.
(Fuente: Enclusure Fire Dynamics. Prof. Björn Karlsson y Prof. James Quintiere [5]).
Al generarse humo, y ascender a la zona superior del recinto, este va calentando
la capa superior la cual a su vez aumenta de volumen. Este aumento reduce las
dimensiones de la zona fría, reduciendo la cantidad de exceso de aire. Para el mismo
calor generado hay mucho menos aire para calentar.
Cuando el flujo del penacho incide en el techo, figura 3, los gases de desplazan
por él a través de un flujo circular (ceiling jet). La velocidad y temperatura de este flujo
es relevante ya que el conocimiento cuantitativo de estas variables permite estimar la
respuesta, por ejemplo, de los sistemas de detección y extinción automática de
incendios.
�
Figura 3 Ascenso inicial del penacho de humos.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
Este flujo en un instante determinado alcanzará las paredes del recinto y se verá
forzado a moverse hacia abajo en las paredes. Sin embargo, los gases en el flujo están
más calientes que el aire del ambiente, por lo que el flujo modificará su movimiento
hacia arriba debido a la flotabilidad, formándose, por tanto, una capa de gases calientes
en el techo.
�
Figura 4 Propagación del humo por el techo del recinto.
�
Figura 5 Propagación del humo por el techo y hacia la parte inferior del recinto.
En incendios en recintos cerrados se puede asumir que a efectos de la
temperatura de los gases, el compartimento puede dividirse en dos capas, una caliente
superior formada por una mezcla de productos de combustión y aire que entra en el
penacho, y otra fría inferior consistente en el aire de ambiente.
Aunque, en la realidad, las propiedades de los gases de cada capa varían, se
puede asumir que resultan uniformes en cada capa para cada instante de tiempo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
A medida que el penacho continua recogiendo aire de la capa fría y
transportándolo hacia el techo, la capa superior caliente crece en volumen y la interfase
entre capas desciende.
Debido a este descenso de la interfase y al aumento de la temperatura en la capa
superior, la transferencia de calor aumenta, siendo transmitido el calor por radiación y
convección desde la capa caliente superior al techo y paredes que están en contacto con
ella. Asimismo, se transmite calor al combustible origen del incendio, no sólo por la
llama, sino por la radiación de la capa caliente superior y los elementos de contorno del
recinto que están calientes, lo que produce un incremento de la velocidad de combustión
del mismo y el calentamiento de otros elementos combustibles presentes en el recinto.
�
Figura 6 Ignición de otros ítems del recinto.
Por tanto, el incendio puede continuar creciendo por el incremento de la
velocidad de combustión, debido a la propagación de llamas en el primer item
inflamado, o por la ignición de otros combustibles secundarios, ver Figura 6.
En esta situación la capa caliente superior incrementa su temperatura pudiendo
llegar a ser muy alta. Como resultado de la radiación de la capa caliente hacia otros
combustibles del recinto, puede producirse un estado en el que todos los combustibles
presentes en el recinto entren en ignición, causando un rápido incremento de la
velocidad de cesión de calor en el recinto.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
Esta rápida y repentina transición desde la fase de crecimiento del incendio hasta
que se desarrolla completamente se denomina flashover (Figura 7). Esta palabra se
emplea para definir este punto entre las dos fases del incendio en un recinto, pre-
flashover y post-flashover, resultando un término poco preciso, y en el que se pueden
encontrar diferentes variaciones en la definición del mismo en la literatura disponible.
Por tanto, más que definir el flashover como un mecanismo, puede decirse más bien que
es un fenómeno asociado a una inestabilidad térmica. Los criterios normalmente
empleados son que la temperatura en el compartimento alcance los 500-600ºC, que el
flujo de calor por radiación en el suelo del recinto sea de 15-20 kW/m2, o que aparezcan
llamas emergiendo de las aperturas del compartimento.
�
Figura 7 Ignición de todos los items del recinto.
Estos fenómenos no sólo son resultado de las características de las propiedades
de los materiales combustibles, sino que también participan aspectos tales como los
vinculados con la orientación del combustible, la geometría del recinto, las condiciones
de la capa superior, etc.
Una vez ocurrido el flashover, en la etapa de incendio completamente
desarrollado, todo el combustible del recinto se ve implicado en el incendio. Esta fase
puede durar largos períodos de tiempo si el incendio dispone de suficiente oxígeno y
combustible. Como consecuencia, en este período la energía liberada en el recinto es
muy grande y estará limitada normalmente a la disponibilidad de oxígeno (incendio
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
controlado por oxidante), aunque puede durante esta fase pasar de incendio controlado
por ventilación a controlado por combustible.
2.2 Velocidad de Cesión de Calor
La Velocidad de Cesión de Calor (Heat Release Rate, HRR) es la velocidad en la
que las reacciones de combustión producen calor, siendo la principal variable que define
la contribución de los materiales al crecimiento de un incendio en un recinto cerrado y
nos permite determinar el comportamiento del incendio en un determinado recinto.
La importancia de los valores de Velocidad de Cesión de Calor (HRR) como
indicador y unidad de medida para cuantificar el tamaño del incendio radica
principalmente en tres aspectos:
1. Es el motor que dirige el incendio.
2. La mayoría de otras variables del incendio están asociadas a la velocidad de
cesión de calor como por ejemplo la generación de humo, temperaturas,
velocidad de combustión, gases tóxicos, nivel de oxígeno presente, etc.
3. Un valor de velocidad de cesión de calor alto indica un gran peligro para la vida
humana.
El HRR controla una gran variedad de fenómenos vinculados al incendio en un
recinto, tales como, el flujo en el penacho del incendio, las temperaturas de los gases
calientes, la velocidad de descenso de la capa caliente superior de humos. A
continuación se expondrán las posibilidades que también ofrece este parámetro en la
caracterización de la combustión de un material.
Durante la combustión de un material, éste se quema sufriendo una pérdida de
masa. Este proceso suele venir definido por las variables velocidad de combustión y
velocidad de pérdida de masa, que se corresponden con la velocidad en la que la masa
del combustible se vaporiza y se quema. Se expresa como flujo de masa por unidad de
tiempo, típicamente en kg/s ó g/s, denotándose como m� .
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
En realidad sería más apropiado realizar una distinción entre la velocidad de
combustión y la velocidad de pérdida de masa del combustible quemado, ya que de todo
el combustible una parte serán inquemados. Debido a que para los materiales en
combustión en condiciones de aire ilimitado ambos términos son sinónimos, en
ocasiones suelen emplearse indistintamente. La energía para convertir una unidad de
masa del material combustible en gas viene dado por el parámetro denominado calor de
vaporización que se denota por vL , expresándose en unidades de kJ/kg.
La velocidad de cesión de calor es la cantidad de energía por unidad de tiempo
que se libera en la combustión del material, usualmente expresada en kW (kJ/s) y se
denota por �� . �� � �� � ���
2.3 Propagación de la Llama
La propagación de llama tiene suma importancia en el análisis de las
limitaciones de los modelos numéricos de incendios; ya que las dimensiones del
incendio en la etapa de propagación van a venir establecidas por este parámetro. Para
ello se ha tomado como base el libro “Principles of Fire Behavior” del Prof. Quintiere
[28].
El siguiente paso para el crecimiento del incendio después de que se produzca la
ignición en la mezcla combustible-gas es la propagación de la llama por la superficie, la
cual involucra la participación de combustibles líquidos o sólidos. Aunque la llama se
propaga también a través de la mezcla de gas, nos centraremos principalmente en la
propagación en las superficies.
La propagación de llama es el proceso por medio del cual el perímetro del
incendio crece, que además puede incluir el proceso de igniciones remotas si esos
procesos de ignición son continuos. Este término hace referencia a la extensión de la
región quemada y no a la extensión de la llama, es decir, a la región que volatiliza y
proporciona el combustible.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
� ��
�
De forma general se puede adoptar el concepto de propagación del incendio, el
cual es más general. La propagación del incendio se aplica al crecimiento de los
procesos de combustión incluyendo la propagación de llama por las superficies,
crecimiento de incendios latentes sin llama (smoldering growth), y la cola del incendio
en la propagación de llamas de premezcla.
En la propagación de llama, y en general en el crecimiento del incendio, son
muy importantes los efectos gravitacionales y los ocasionados por los diversos flujos.
Los flujos resultantes de la flotabilidad del incendio o el viento natural de la atmósfera
puede ayudar (wind-aided) o oponerse (opposed-flow) a la propagación de la llama. La
figura 8 representa estos modelos.
Detrás de la propagación del perímetro de pirólisis es probable que haya otro
perímetro, más allá del cual las llamas o la combustión ha cesado. La región entre estos
dos frentes define las llamas principales o la región de pirólisis.
La combustión de esta área de pirólisis y la velocidad de pirólisis están
relacionadas con la principal variable de riesgo en los incendios que se define como
velocidad de combustión y está directamente vinculada con las manifestaciones de la
temperatura, la visibilidad, la toxicidad, corrosividad, etc., del incendio.
Por esta razón, la velocidad de propagación de llama juega un papel importante
en la evaluación de situaciones de riesgo de incendio.
El proceso de propagación de llama, tanto si es ‘wind-aided’ como si es
‘opposed-flow’, puede describirse de una forma genérica. Tal y como se representa en
la figura 8, la velocidad de la propagación de llama está definida por una velocidad del
movimiento (rate of motion) para la posición xp. La posición xp representa la extensión
de la región de pirólisis o de vaporización que está subordinada a la velocidad de
combustión del incendio.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
�
Figura 8 Modelos de propagación de llama (Fuente: “Principles of Fire Behavior”, Prof. Quintiere
[28]).
El proceso de pirólisis está ocasionado por la transferencia de calor de las llamas
que avanzan a la superficie del espécimen. La cara más avanzada de la propagación de
llama, que es la región denotada por �f puede ser descrita como dos diferentes frentes: la
llama en la fase gas y la región de pirólisis en la fase condensada. La llama en la fase
gas puede ser medida desde etapas muy tempranas por un observador, pero la región de
pirólisis en la fase condensada es más difícil de medir.
2.4 Modelado y Simulación Computacional de Incendios
La importancia del Modelado y Simulación Computacional de Incendios (MSCI)
se debe a la necesidad de emplear computadoras a la hora de llevar a cabo los cálculos
matemáticos necesarios para la descripción de los fenómenos físico-químicos que tienen
lugar en incendio.
Esta necesidad nace de la complejidad del fenómeno del incendio, del cual se
requieren conocimientos de mecánica de fluidos, transmisión de calor, termoquímica y
degradación de sólidos.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
����
�
Podemos definir el incendio como un proceso de combustión incontrolada de
sustancias de diversa naturaleza con diversos fenómenos asociados como la liberación
de energía térmica, la generación y propagación de los productos de combustión, la
interactuación con los detalles geométricos, etc. Con esta definición nos podemos ver la
complejidad de este fenómeno, cuyos procesos son tan variados y complejos que resulta
imposible modelarlo con los medios actuales. Esto hace que se requiera una
formulación clara y asequible de los objetivos que se persiguen con la simulación para
definir los aspectos del sistema que van a ser tomados en cuenta. Por ello habrá siempre
que llegar a un compromiso entre las posibilidades del sistema de cómputo y la
aproximación a la realidad.
Dentro de los MSCI podemos distinguir dos grandes tipos de modelos, los
modelos de zona y los modelos de campo, los cuales serán explicados en los capítulos 3
y 4.
2.4.1 Tipos de modelos
El modelo matemático de incendio es por tanto el conjunto de expresiones
matemáticas y/o lógicas que definen las características y comportamiento de un
incendio simulado [1].
Estos modelos matemáticos pueden ser de tres tipos:
• Estáticos o dinámicos
• Continuos o discretos
• Determinísticos o aleatorios
Como su propio nombre indica los modelos estáticos son invariables en el
tiempo, mientras que los dinámicos sí que consideran la variación temporal del estado
del sistema modelado.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
���
�
La mayoría de los sistemas modelados son dinámicos, ésto es debido a que en la
naturaleza y en la sociedad los sistemas predominantes son variables en el tiempo, por
lo que se emplean estos modelos matemáticos dinámicos. Los MSCI pertenecen a este
tipo de modelos. Los modelos estáticos pueden ser el modelo de una pieza, de una
construcción, dispositivo u objeto en el que el modelo no dependa de la variable tiempo.
Por otra parte, los modelos continuos consideran que las variables de estado del
sistema varían continuamente en función del tiempo de trabajo o actuación, mientras
que los modelos discretos consideran únicamente las acciones o eventos característicos
del sistema simulado, sin considerar su evolución, sino solo el momento de su
consumación.
Existen sistemas tanto continuos como discretos, sin embargo que los sistemas
discretos se pueden tratar matemáticamente como sistemas continuos y los sistemas
continuos como discretos. Los MSCI son mayormente continuos.
Los modelos determinísticos se caracterizan por no considerar los factores
aleatorios del sistema en el modelo, por el contrario, los modelos estocásticos sí que
tienen en cuenta estos factores aleatorios. Para ello se aplican los métodos de la teoría
de probabilidades, la estadística matemática y los métodos de Monte Carlo para la
realización y simulación de estos modelos.
Los MSCI son predominantemente dinámicos, continuos y deterministas.
2.2.2 Simulación computacional de incendios
La Simulación Computacional de Incendios es el desarrollo de un modelo
matemático de un incendio simulado en una computadora digital mediante el
correspondiente modelo computacional, su ejecución reiterada y el análisis de los
resultados.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������ � �� ����� ��� ���� ��������� ������������������
���
�
La simulación computacional de incendios se emplea como:
• Herramienta de análisis:
- Para predecir las consecuencias derivadas de un incendio en un
escenario concreto y existente.
- Para evaluar las causas, evolución, actuaciones o consecuencias de
un incendio.
Emplear de esta forma la simulación computacional permite
conocer cómo interactúan las diferentes variables que intervienen en
el fenómeno y determinar cuáles ejercen una mayor influencia
• Herramienta de diseño:
- Para estudiar la efectividad de las estrategias de control en un
incendio empleadas en un escenario proyectado pero físicamente
inexistente, total o parcialmente.
La simulación del incendio en estos casos permite dar respuesta a
la seguridad y el coste de las medidas adoptadas en escenarios
proyectados, totalmente nuevos o existentes que se pretendan
modificar.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
CAPITULO 3
MODELOS DE ZONA
3.1 Introducción
Un modelo de zona es una herramienta computacional para predecir el desarrollo
de un incendio dentro de un determinado recinto en el que este espacio es dividido en un
número limitado de volúmenes de control. Este recinto definido por el usuario, puede
variar en volumen, además pueden contener aberturas como puertas, ventanas, rejillas,
etc. o estar totalmente cerrado. Por otra parte el recinto total puede constar de varios
recintos para conseguir la distribución requerida. En las diversas aberturas pueden
simular un flujo de aire natural o forzado. [1]
A la hora de realizar los cálculos oportunos, los modelos de zona dividen el
recinto en pequeñas zonas uniformes, en las cuales se resuelven las leyes pertinentes de
conservación en forma de ecuaciones matemáticas describiendo las condiciones de
interés, y combinándose con otras pequeñas zonas para obtener un todo. Dentro de cada
uno de estos volúmenes de control el modelo asume uniformes sus diversas
propiedades. Es decir, el volumen de control tiene una temperatura, una densidad del
humo, una concentración del gas, etc.
En el caso de un recinto cerrado los modelos de zona dividen normalmente dicho
recinto en dos zonas distintas, una capa superior de humo caliente y una capa inferior de
aire más frío. Esto permite aproximaciones razonables del desarrollo de un incendio en
un recinto cerrado bajo muchas condiciones, debido a que la diferencia de temperatura
que existe entre las dos capas es muy superior a la diferencia que puede existir dentro de
la misma capa. Con esta aproximación se facilitan enormemente los cálculos a realizar
por el modelo, y por lo tanto, el tiempo de cómputo requerido.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
3.2 Principios Físicos de los Modelos de Zona
Como ya se ha dicho anteriormente, los modelos de zona consideran dos zonas
(la capa de gas caliente o superior y la fría o inferior) en las cuales se encargan de
predecir la variación de su estado con el tiempo mediante la resolución de las
ecuaciones de conservación de la masa, momento y energía con las condiciones de
contorno apropiadas para un pequeño número de zonas (volúmenes de control). Además
de estas se emplean cuatro ecuaciones adicionales que se explicarán más adelante.
A la hora de llevar a cabo el cálculo interno del modelo, cada modelo de zona
suele utilizar diferentes ecuaciones y procedimientos para resolverlas. Expondremos
seguidamente un conjunto de ecuaciones genéricas y un procedimiento para resolverlas,
aunque antes comenzaremos por unas ecuaciones adicionales que complementan a las
cuatro ecuaciones de conservación a la hora de definir las ocho propiedades (cuatro por
cada capa) que emplean los modelos de zona.
Las ocho variables que se deberán tener en cuenta en el modelo son las
siguientes: la presión, la masa, el volumen y la temperatura de la capa superior (u), y la
presión, la masa, el volumen y la temperatura de la capa inferior (i).
Dado que el volumen del recinto es limitado y conocido, la relación entre
volúmenes vendrá dada por:
� � � � ���
donde:
Vu – volumen de la capa superior [m3];
Vl – volumen de la capa inferior [m3];
V – volumen total del recinto [m3];
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
W – ancho del recinto [m];
L – largo del recinto [m];
H – alto del recinto [m].
La diferencia de presión entre el nivel del suelo y el techo viene dada por la
presión hidrostática para una columna de aire de la altura de la habitación, lo cual a
temperatura ambiente es alrededor de 12 Pa por metro de altura. Considerando que la
presión atmosférica es del orden de 100 000 Pa, podemos despreciar esta diferencia de
presiones, quedándonos:
�� � � � �
donde:
Pu – presión media en la capa superior [Pa];
Pl – presión media en la capa inferior [Pa];
P – presión de la habitación característica, por ejemplo a nivel del suelo [Pa].
El aumento de temperatura dentro del recinto lleva consigo un aumento de
presión, la relevancia de este aumento de presión la obtendremos basándonos en un
artículo de Zukoski [2].
Al calentar el aire y humo contenido en el recinto, por estar confinado en un
volumen fijo, la presión aumenta. Esto se puede entender fácilmente si suponemos un
gas ideal donde tenemos que la ecuación de los gases ideales es:
� � � � � � � �
Vemos que sí aumentamos la temperatura de un gas en un volumen constante
debe aumentar la presión del gas en el recinto.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
Esto ocurre cuando no haya una abertura que permita la salida de gases y por
tanto, evite un acusado aumento de la presión. Mediante la siguiente ecuación
desarrollada por Zukoski, podemos observar las presiones desarrolladas en un recinto
cerrado:
�� � ���� � � � �� ��������
donde:
P es la presión creada por el incendio [Pa];
Pa es la presión ambiente [Pa];
Q� es el calor añadido al gas por el incendio [kW];
t es el tiempo [s];
ρa es la densidad del aire [kg/m3];
cv es el calor específico a volumen constante del aire [kJ/kg K];
Ta es laTª ambiente [K].
Este análisis supone un proceso adiabático, un calor específico constante, un
comportamiento de gas como gas ideal, presiones hidráulicas despreciables, y velocidad
de adición de calor Q� constante.
En un ejemplo presentado por Zukoski sobre el aumento de la presión que tiene
lugar en un fuego pequeño que libera continuamente 100 kW en una habitación con un
volumen total de 28,5 m3. En diez segundos, la presión aumentará alrededor de 0,07
bares. Este incremento de presión podría ser suficiente para causar la rotura de una
ventana que podría ventilar, limitando el aumento de presión a una cantidad
despreciable.
Además hay que tener en cuenta que en la mayoría de los recintos disponen de
aberturas (puertas, ventanas, respiraderos, etc.) que permitirían la fuga de gas del recinto,
con lo que el aumento de presión seria despreciable.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� � ��
�
Teniendo en cuenta que la mezcla entre capas es mínima, la podemos despreciar,
entonces suponemos que la capa inferior consta de aire frío limpio y la presión a nivel
de suelo está próxima a la ambiente. La temperatura del aire aumenta ligeramente
debido a la transferencia de calor convectivo con el suelo y las secciones de la parte
inferior, calentadas a su vez por la radiación desde la llama, capa superior, secciones de
la pared superiores y techo.
Dadas estas condiciones se puede considerar al aire de la capa inferior como un
gas ideal, validando así la siguiente ecuación de estado:
� � � � � � � �
donde:
ml – masa acumulada en la capa inferior [kg]
Rl – constante de los gases para la mezcla en la capa inferior [J/kg⋅K];
Tl – temperatura de la capa inferior [K].
A efectos prácticos, el aire de la capa inferior se puede considerar seco,
ignorando la humedad.
Dado que la temperatura en la capa superior no suele superar los 1500 K y que la
presión a nivel del techo puede considerarse la presión atmosférica, podemos considerar
que la capa superior también se comporta como un gas ideal, por lo que:
�� � � � �� � �� � ��
donde:
mu – masa acumulada en la capa superior [kg];
Ru – constante de los gases para la mezcla en la capa superior [J/kg⋅K];
Tu – temperatura de la capa superior [K].
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
Ya se ha dicho que la capa inferior está compuesta por aire limpio, sin embargo,
en la capa superior podemos encontrar distintas proporciones de N2, O2, H2O, CO2 y CO,
respecto al aire en condiciones normales, además en ocasiones se pueden presentar
también HCl, HCN e hidrocarburos inquemados. Calculando la constante de los gases
ideales como:
�� � � �!"��!"#$%�&' �&'�&(�)"�&
donde :
Yu,i – fracción de masa de la capa superior de la especie i [kg/kg];
Ru,i – constante de los gases de la especie i [J/kg⋅K].
Esta constante de los gases ideales de la capa superior varía con el tiempo al
variar constantemente la composición del aire de dicha capa. El cálculo de Yu,i se
debería llevar a cabo resolviendo ecuaciones de conservación de la masa adicionales.
Pero para evitar esta tarea, se puede realizar la siguiente aproximación [3]. El aire
arrastrado hacia la llama suele ser entre 10 y 20 veces el requerido para la combustión
completa, además el penacho por encima de la llama arrastra a su vez aire, por lo que
este penacho está en su mayoría formado por aire arrastrado. Aunque esta aproximación
es válida para incendios de quemado libre, puede ser cuestionable para incendios
limitados por el oxígeno (típicos de recintos cerrados).
De esta aproximación obtenemos que el humo producido en los incendios se
comporta generalmente como aire caliente.
En cuanto a las ocho variables mencionadas anteriormente, es sumamente
importante llevar a cabo una buena selección, guiándonos por Forney [4] una buena
selección de variables primarias puede ser Tl y P en la capa inferior y Tu y Vu en la capa
superior.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
También se puede considerar la altura de la capa caliente, Zi, en lugar del
volumen de dicha capa. La relación entre ambas variables es la siguiente:
� � � � ���*"
donde:
Zi altura de la interfaz entre capas sobre el suelo [m].
3.3 Ecuaciones de Conservación
3.3.1 Introducción Las ecuaciones básicas empleadas en los modelos de zona son las ecuaciones de
conservación [5]. Estas ecuaciones de conservación se obtienen de las ecuaciones
fundamentales de transporte de masa y de energía tanto en la forma del volumen de
control aplicadas a las zonas, como en forma de ecuaciones diferenciales representando
las leyes de conservación integrándose sobre las zonas. No se empleará la conservación
del momento.
En un proceso de desarrollo del incendio en un recinto, en el cual se considera
una abertura en una pared (por ejemplo, una puerta o ventana), un modelo de zona
considera las zonas de control representadas en la figura 9.
�Figura 9 Volúmenes de Control seleccionados en el modelado de zona.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ���
�
Los gases calientes de la combustión, ascienden por un penacho y al llegar al
techo del recinto empiezan a distribuirse horizontalmente almacenándose en la parte
superior. Una vez llenado el área del techo del recinto los gases calientes comienzan a
descender hacia la parte inferior del recinto. Al alcanzar la abertura considerada salen
por ella una parte de los gases calientes pudiendo seguir disminuyendo la capa de los
gases calientes o puede alcanzarse un equilibrio entre los gases que salen por la abertura
y los gases que se van añadiendo a la capa caliente por el penacho.
El volumen con los gases calientes, incluyendo el penacho, constituyen el
llamado volumen de control 1, mientras que el resto de volumen del recinto da lugar al
volumen de control 2. Al aumentar el volumen de control 1 disminuye la altura de la
interfase. Dado que el volumen del penacho es relativamente pequeño en relación al
volumen del recinto, los modelos de zona no lo suelen considerar en los cálculos.
También se supone que la interfase inferior de la capa superior se mueve con el
volumen de control de forma que no se transfiere masa a través de su región
estratificada térmicamente. Estos dos factores pueden ser tenidos en cuenta
describiéndose como variables del sistema, pero no resulta sencillo ni posible en
algunos casos.
Como previamente se ha comentado, las condiciones en las zonas de gases
caliente y frío son consideradas uniformes, pudiendo cambiar con el tiempo. Por lo cual
se considera que la temperatura de los gases y la fracción de masa de la especie están
asociadas a cada una de las capas de gas homogéneas, la superior y la inferior.
Otras asunciones que realizan estos modelos con respecto a las leyes de
conservación, son:
1. El gas se trata como un gas ideal con un peso molecular constante y calores
específicos constantes, cp y cv.
2. El intercambio de masa en fronteras libres se debe a las diferencias de
presión o a los efectos de mezcla al atravesarlos. Causados generalmente
por convección o por procesos de arrastre.
3. La combustión es considerada una fuente de masa y energía.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ���
�
4. Se considera que el penacho alcanza instantáneamente al techo. No se tiene
en cuenta el tiempo requerido para llevar a cabo el transporte de masa
vertical u horizontalmente.
5. Sólo se considera a capacidad másica o calorífica de los elementos
estructurales del recinto, sin tener en cuenta el resto de los elementos
contenidos en el recinto.
6. La presión en el recinto es considerada uniforme en la ecuación de la
energía, pero las variaciones hidrostáticas cuentan para las diferencias de
presión en fronteras libres del recinto.
7. El flujo másico hacia el penacho del incendio se debe a un arrastre
turbulento. El arrastre es el proceso por el cual los gases circundantes fluyen
hacia el interior del penacho de incendio como resultado de la sustentación.
8. Los efectos de fricción del fluido en los límites sólidos se considerarán
despreciables.
3.3.2 Ecuación de conservación de la masa La conservación de la masa en una capa del recinto considerado cumple que la
velocidad de la variación de la masa acumulada en cada capa es igual al flujo de entrada
menos el flujo de salida en dicha capa.
La ecuación de conservación de la masa es la siguiente:
+,+-��,� ./.01 � 2
O, puesta en función de las densidades:
+�+-� � � �34 � 2
Esta ecuación nos muestra que la suma de la velocidad de variación de la masa
en un volumen (primer término de la ecuación) más las velocidades de los flujos de
masa entrantes y salientes en dicho volumen (flujos j) es cero.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
Un ejemplo de estos flujos actuantes en un sistema típico pueden ser el flujo
másico saliente a través de aberturas como pueden ser puertas o ventanas, la velocidad
de arrastre de masa hacia el penacho del incendio, o la velocidad de masa de
combustible gaseoso suministrado.
El principal mecanismo de flujo entre las capas inferior y superior es la
velocidad de arrastre de masa en el penacho del incendio, ver figura 8.
��� 5 �6501 �� 7 ��� � ���
siendo:
�� 7 el flujo másico que sale a través de la puerta.
�� � la velocidad de arrastre de masa hacia el penacho del incendio.
�� la velocidad de masa de combustible gaseoso suministrado.
3.3.3 Ecuación de conservación de las especies Siendo la fracción en masa de la especie i, " , si se aplica la ecuación de
conservación de la masa en un volumen de control para dicha especie i , obtenemos:
�8 "8� � � �� 5 � 9 "!5 � ": � ;"�� ��� "! $&&<501<�#=$�#
donde:
m es la masa de la capa. �� >��) es la velocidad de masa de combustible gaseoso suministrado. " es la fracción de masa de la especie i producida por la velocidad de masa de
combustible suministrado. �� "! $&& representa las pérdidas por la deposición superficial o colocación de las
partículas.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
La producción viene representada por ;"�� debido a que aunque en realidad la
producción está relacionada con �� >��) al disponer de los datos experimentales de �� ,
esta es la que se emplea.
3.3.4 Ecuación de conservación de la energía La ecuación de conservación de la energía es la siguiente:
88�? �@8AB �C �DE<8FAG � ��
siendo:
@ la energía interna.
h la entalpia.
Si se sustituye u por h-P/r en el primer término, si se asume un estado cuasi
estacionario para el volumen de control (dV/dt=0) y empleando la ecuación de estado
P= rRT, se tiene que:
�( 8�78� � 8�8� � �(��� 59�5 � �7: � �� >��)#��� � H� $&&<501
donde:
V es el volumen del volumen de control.
P es la presión global en el volumen de control. �� >��)# es la velocidad a la que el combustible reacciona.
�Heff es el calor efectivo de la combustión. H� $&& es la tasa de transferencia de calor perdida en las fronteras.
El primer término de la ecuación depende del cambio de la energía interna con el
volumen de control. Para simplificar el análisis de los incendios, este término se puede
eliminar si la temperatura varía lentamente con el tiempo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
El segundo término nos indica el porcentaje de trabajo realizado por la presión
según la capa de gas se expanda o contraiga debido al movimiento de la interfase de
estratificación térmica.
En el tercer término se tienen en cuenta las tasas de flujo de entalpía aplicándose
únicamente a las corrientes de flujo que entran en el volumen de control.
Los modelos de zona suelen asumir que todo el combustible disponible
reacciona siempre y cuando tenga disponibilidad de suficiente oxígeno. Una asunción es
considerar que el combustible reacciona siempre y cuando la concentración de oxígeno
en el volumen de control sea mayor a cero.
Siguiendo con esta consideración, siempre y cuando Yox > 0, la velocidad de
reacción del combustible será:
�� >��)# � I ��(velocidad másica neta de oxígeno suministrada)
siendo r el combustible estequiométrico para la velocidad másica de oxígeno.
El caso en que Yox = 0 en incendios en recintos cerrados se llama condición de
ventilación limitada. En este caso se produce una combustión incompleta lo cual suele
dar lugar a una mayor producción de gases como el monóxido de carbono y también
hollín.
3.4 Submodelos de Transporte de Masa
El mecanismo fundamental para el flujo de gas entre a capa superior y la capa
inferior de gases es por capas estratificadas de gas. Lamentablemente no hay consenso
entre los diferentes en modelos de zona existentes a la hora de estudiarlo, habiendo
encontrado Rockett [6] diferencias de hasta en un factor de dos en la altura de la
interfase de las capas caliente y fría, la velocidad de arrastre y la temperatura de la capa
caliente.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
Rockett ha demostrado que el efecto del modelo de arrastre es fundamental en la
predicción del desarrollo del incendio. Sin embargo, aun no existen modelos de arrastre
para paredes, esquinas o muebles.
3.4.1 Flujos de ventilación a través de aberturas en particiones verticales
En el estudio del desarrollo del incendio en los recintos cerrados, se suelen
considerar diversas aberturas como ventanas y puertas. Los flujos del incendio
inducidos a través de estas aberturas se suelen obtener mediante un modelo basado en la
distribución de temperatura de los gases en cada lado de la abertura.
Aplicando la ecuación de Bernoulli a lo largo de una línea de corriente en un
orificio, se obtiene la velocidad del flujo en el centro de la abertura.
E7 � JKD�9�� � �7:L�7
Donde se asume que la velocidad en el punto 1 es igual a cero.
�
Figura 10 Flujo a través de una abertura (Fuente: “Enclosure Fire Dynamics”, Björn Karlsson,
James G. Quintiere [5]).
Por otra parte la velocidad del flujo de masa es el siguiente.
�� � M%N ��7EOPQ8PRS
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
siendo � el ancho y P la altura por donde pasa el flujo, M% es un coeficiente de
flujo que depende generalmente del número de Reynolds.
Puede haber dos tipos de flujos en estas aberturas que se diferencian en la
distribución de presión, éstos son los flujos por convección natural y por convección
forzada. Por convección natural, la distribución de presiones se rige por la presión
estática con respecto del suelo. En cambio con la convección forzada se consigue una
presión mayor y más uniformemente distribuida.
�
Figura 11 Flujos a través de ventilaciones típicos (Fuente: “Enclosure Fire Dynamics”, Björn Karlsson,
James G. Quintiere [5]).
3.4.2 Flujos de ventilación a través de aberturas en particiones
horizontales
El flujo a través de una abertura horizontal se puede considerar de forma similar
a la partición vertical, suministrando la diferencia de presión. Si sólo hay una única
abertura hacia el compartimento de incendio a través de una partición horizontal, como
un techo, el flujo debe ser considerado oscilatorio o bidireccional.
3.4.3 Mezcla entre las capas La mezcla entre el fluido de la capa de gas superior y la inferior es debida al
efecto flotante del penacho del incendio. Aunque también esta mezcla puede tener lugar
por otros medios como la inyección de un flujo frío en la capa caliente, la mezcla
transversal debida a flujos de ventilación o debido a los flujos que tienen lugar en las
paredes.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� � ��
�
�
Figura 12 Fenómeno de mezcla de flujos secundaria. (1) Un penacho frío desciende desde la
capa superior hacia la capa inferior; (2) mezcla que atraviesa de una corriente de flujo en la abertura
que entra; (3) flujos en las paredes debidos a los efectos de flotabilidad local. (Fuente: “Enclosure Fire
Dynamics”, Björn Karlsson, James G. Quintiere [5]).
Todos estos flujos actuantes dificultan la obtención de la interfase entre la capa
caliente y la capa fría, ya que se reduce el grado de estratificación de la temperatura en
el recinto.
3.4.4 Efectos de flujos forzados
Los efectos de flujo de aire forzado en las condiciones del incendio y en la
propagación del humo debido a fuerzas mecánica o de viento natural siempre ha sido un
tema a analizar en los incendio de grandes edificios. Los efectos del viento y la
distribución de presión resultante alrededor de un edificio alto se han convertido en
elementos estándar en el diseño estructural, pero no se han estado empleando para
diseño de seguridad contra incendios.
Para conectar el sistema de ventilación mecánico en un edificio con un modelo
de dos zonas, se debe incluir las características presión-flujo completas del incendio en
ambas direcciones, para permitir la posibilidad de flujo por detrás de humo contra la
dirección del flujo de aire en los conductos.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� �������������� ����
�
3.5 Submodelos de Transferencia de Calor
3.5.1 Transferencia de calor convectivo hacia las superficies
A la hora de realizar el estudio de los incendios es fundamental conocer la
transferencia de calor que tiene lugar en el recinto a estudiar. En la ecuación
desarrollada alcanzada en el apartado 3.3.4 podemos encontrarnos con la velocidad de
cesión de calor perdida en las fronteras,H� $&&, la cual está compuesta por las pérdidas de
calor por convección y radiación hacia las superficies frontera de los volúmenes de
control de la capa. Esto incluye tanto la transferencia de calor de las capas de gas a sus
temperaturas, como la transferencia desde la llama.
Los efectos convectivos variarán entre el techo, las paredes, y el suelo, y
dependiendo de la naturaleza y posición del incendio.
Los datos de transferencia de calor por convección para las paredes y el suelo de
un compartimento o para habitaciones más allá del compartimento de incendio, no están
lo suficientemente estudiados. Por consiguiente, la mayoría de los modelos de zona
utilizan estimaciones para las correlaciones de convección natural.
3.5.2 Transferencia de calor por conducción La transferencia de calor por conducción estudia la transferencia de calor por las
superficies de contorno del recinto estudiado. Los modelos de zona sólo suelen
considerar la conducción en una dimensión.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
�
CAPITULO 4
MODELOS DE CAMPO
4.1 Introducción
En los últimos años ha tenido lugar un gran incremento de la potencia computacional,
a su vez también ha tenido lugar la maduración de los métodos de la Fluidodinámica
Computacional (CFD), los cuales han asentado las bases de los modelos computacionales de
campo que hoy en día conocemos.
Gracias a los modelos CFD se han podido describir geometrías más complejas a la
hora de realizar los estudios de los incendios y se han podido tener en cuenta una gran
variedad de fenómenos físicos propios de los incendios, como por ejemplo el efecto esquina.
A efectos del desarrollo del proyecto se ha seleccionado el modelo de campo FDS
(Fire Dynamics Simulator) desarrollado por el NIST (National Institute of Standards and
Technology) del Departamento de Comercio de los Estados Unidos [8]. Se ha empleado la
última versión 5 de dicho modelo.
Uno de los inconvenientes de los modelos de campo es que a pesar del ya comentado
incremento de la potencia computacional, la complejidad de las ecuaciones que rigen la
dinámica del incendio hace que el tiempo de cómputo requerido a la hora de realizar las
simulaciones sea demasiado elevado. Es importante conocer el proceso matemático de
obtención de las ecuaciones simplificadas mediante las ecuaciones generales de la dinámica
de los fluidos, así como algunos de los métodos numéricos de resolución utilizados.
Seguidamente se analizan, para el modelo FDS empleado en este trabajo, estos dos puntos de
suma importancia para entender cómo operan los modelos de campo.
Las ecuaciones generales de la dinámica de fluidos describen una gran variedad de
fenómenos físicos, muchos de los cuales no tienen nada en común con los incendios.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Mantener esta generalidad no tiene sentido ya que conlleva una enorme complejidad
de solución computacional sin aportar significativamente en la descripción de la dinámica del
incendio. Esto hace que las ecuaciones que describen el transporte de masa, momento y
energía en fluidos inducidos por incendios deben ser simplificadas para que puedan ser
eficientemente solucionadas para los escenarios que ofrecen interés práctico. Las
simplificaciones introducidas por Rehm y Baum [7] han sido ampliamente admitidas por la
comunidad de investigadores de esta materia. Estas ecuaciones simplificadas son conocidas
como las ecuaciones de combustión para “pequeños números de Mach” y describen el
movimiento de gases a baja velocidad provocado por la cesión de calor química y las fuerzas
de flotabilidad (ascendentes).
Seguidamente se describirán las ecuaciones simplificadas a partir de las ecuaciones
generales de la dinámica de fluidos. Con esto desarrollaremos las cinco ecuaciones
fundamentales empleadas por el modelo FDS desarrollado por el NIST.
4.2 Ecuación de Conservación de la Masa
La expresión fundamental de la ecuación de conservación de la masa es:
T�T� � U � �@VW � 2
donde:
� es la densidad.
el operador U � XVW � YZ[Y\ � YZ]Y^ � YZ_YR es la divergencia del campo vectorial � que da
como resultado un escalar. @VW es el vector de velocidades.
El primer término de esta ecuación representa la variación de la masa en el volumen
de control con respecto al tiempo, el segundo término representa tanto la masa que entra
como la que sale del volumen de control en cualquier dirección.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Se puede ver que la variación de la masa viene dada por lo que entra menos lo que
sale del volumen de control, por lo que su suma tiene que ser cero.
Si desarrollamos la divergencia tenemos que:
T�T� � TO�@QT` � TO�EQT; � TO�aQTP � T�T� � @ T�T` � � T@T` � E T�T; � � TET; � a T�TP � � TaTP � 2
Lo cual se puede escribir como:
T�T� � @Vb � U� � ��U � @Vb
siendo el resultado de la divergencia de un escalar un vector y el resultado del
producto escalar de dos vectores un escalar.
Figura 13 Interpretación de la ecuación de conservación de la masa. [1]
�
4.3 Ecuación de Conservación de las Especies La ecuación de conservación de las especies es:
T� T� � @VW � U� � �� U � @VW � U � �c U ��� ddd
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
donde:
es la fracción másica de la l -ésima especie. �� dddes la tasa de producción de la l – ésima especie por unidad de volumen. c es el coeficiente de difusión de la l –ésima especie frecuentemente con respecto al
nitrógeno.
Si la concentración de una especie varía a lo largo de un eje (por ejemplo x), se puede
aplicar la ley de Fick que dice que la densidad del flujo de moléculas (J), que es el número
efectivo de moléculas que atraviesa en la unidad de tiempo un área unitaria perpendicular a la
dirección en que tiene lugar la difusión, es proporcional al gradiente de la concentración:
e � �c T�T`
donde:
� es la cantidad de moléculas. c es el coeficiente de difusión, dependiente tanto de la especie como del medio en el
que se difunde.
A partir de la ecuación de conservación de las especies, se obtiene la ecuación de
conservación de la masa, debido a que:
� " � f''''g '''''��h� iii � 2''''g '''''��c U � 2
En la ecuación de conservación de las especies el término YjklY# expresa la variación de
la masa de la l –ésima especie en el volumen de control con respecto al tiempo.
@VW � U� � � U � @VW � U � � @VW nos muestra la masa de la l -ésima especie que sale o
entra del volumen de control, en cada instante y en todas las direcciones, por la acción del
flujo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
U � �c U representa a la entrada o salida másica de la l -ésima especie por difusión
hacia o desde el volumen de control.
Y � � iii equivale a la velocidad de producción o gasto de masa de la l – ésima especie
en el volumen de control.
4.4 Ecuación de Conservación del Momento
Esta ecuación de conservación del momento o de la cantidad de movimiento nace de
la 2ª ley de Newton en un fluido que nos dice que el producto de la masa por la aceleración es
igual a la suma de las fuerzas:
mW � � � nW
siendo la aceleración la derivada de la velocidad respecto del tiempo y sabiendo que el
producto de la masa por la velocidad es la cantidad de movimiento o momento.
mW � ToWT�
Para la obtención de la expresión fundamental de la ecuación de conservación del
momento se consideran los fluidos como fluidos newtonianos en los que las tensiones
tangenciales son linealmente proporcionales al gradiente de velocidad en la dirección
perpendicular al plano tangencial. Estos fluidos newtonianos son continuos por lo que no
tienen burbujas en su interior.
p � q 8E8`
donde:
p es la tensión tangencial ejercida por el fluido. q es la viscosidad del fluido. %�%\ es el gradiente de velocidad perpendicular a la dirección de la tensión tangencial.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
También es importante que las variables de interés como la presión, la velocidad, la
densidad, la temperatura, etc. sean diferenciables, por lo que el fluido no se puede encontrar
en fase de transición.
La forma más común de la expresión fundamental de la ecuación es:
TT� O�@VWQ � U � �@VW@VW � �Uo � �rWs � U � p"5
siendo:
YY# O�@VWQ la variación del momento con respecto al tiempo. U � �@VW@VW es la variación espacial del momento o variación motivada por el movimiento
del fluido. Uo representa la fuerza producida por las diferencias de presiones en el fluido. �rWs simboliza las fuerzas externas como la gravedad o las debidas al arrastre ejercido
por las gotas en el fluido. U � p"5 son las fuerzas provocadas por las tensiones tangenciales debidas a la
viscosidad del fluido. p"5es el tensor de tensiones o de esfuerzos, que representa la medida de la distribución
interna de las fuerzas por unidad de área dentro de un volumen de control del fluido
que provoca el efecto de rozamiento entre las capas del fluido y se manifiesta en el
fenómeno que conocemos como viscosidad y contribuye en parte a la turbulencia.
El empleo de estas ecuaciones en el cálculo realizado por los modelos de campo sería
muy costoso computacionalmente, por ello estos modelos utilizan simplificaciones.
La variación temporal del momento se puede anotar como:
TT� O�@4Q � � T@4T� � @4 T�T� � �� T@T� � @ T�T�� � tu � �� T@T� � @ T�T�� � vu � �� T@T� � @ T�T�� � w4
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Por su parte la variación espacial del momento se puede mostrar como:
U � �@4@4 � � TT` ! TT; ! TTP� � �@Ea� O@! E! aQ � � TT` ! TT; ! TTP�x�@y �@E �@a�E@ �Ey �Ea�a@ �aE �ayz �
� �T�@yT` � T�@ET; � T�@aTP � tu � �T�E@T` � T�EyT; � T�EaTP � vu � �T�a@T` � T�aET; � T�ayTP �w4 �
'� �K�@ T@T` � �@ TET; � �@ TaTP � @y T�T` � �E T@T; � @E T�T; � �a T@TP � @a T�TP� tu� �K�E TET; � �@ TET` � �E TaTP � Ey T�T; � �E T@T` � @E T�T` � �a TETP � Ea T�TP� vu� �K�a TaTP � �@ TaT` � �E TaT; � ay T�TP � �a T@T` � @a T�T` � �a TET; � Ea T�T;�w4
Si definimos la variable n4 como:
n4 � TT� O�@4Q � U � �@4@4 � n41 � n4y � On1\ � ny\Qtu � 9n1^ � ny^:vu � On1R � nyRQw4
Y agrupamos los términos de las dos últimas ecuaciones.
ny\ � �@ T@T` � @ �� T@T` � @ T�T`� � �E T@T; � @ �� TET; � E T�T;� � �a T@TP � @ �� TaTP � a T�TP� �
� � �@ T@T` � E T@T; � a T@TP� � @ �T�@T` � T�ET; � T�aTP �
Y tomando la ecuación inicial de la variación temporal del momento:
n1\ � � T@T� � @ T�T�
Sumándolas:
n1\ � ny\ � � �T@T� � @ T@T` � E T@T; � a T@TP� � @ �T�T� � T�@T` � T�ET; � T�aTP �
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� � ��
�
Siendo YjY# � Yj�Y\ � Yj�Y^ � Yj{YR � 2 la ecuación de conservación de la masa o ecuación
de continuidad del flujo. Nos queda:
n1\ � ny\ � � �T@T� � @ T@T` � E T@T; � a T@TP�
De donde podemos extrapolar a1y+a2y y a1z+a2z, sustituyendo u por v y por w
respectivamente.
Poniéndolo en forma vectorial queda:
n41 � �T@4T�
n4y � � �@ T@4T` � E T@4T; � a T@4TP� � �O@4 � UQ@4
Tras llevar a cabo el desarrollo de la variación del momento se llega a que el primer
término de la ecuación de conservación de momento puede ponerse como:
TT� O�@4Q � U � �@4@4 � � �T@4T� � O@4 � UQ@4�
Descomponiendo el vector de fuerzas externas rWs separando su componente
gravitacional de las demás fuerzas tenemos que �rWs � �LW � rW. Sustituyendo en la ecuación
fundamental las ecuaciones anteriores, obtenemos la ecuación:
� �T@VWT� � O@VW � UQ@VW� � Uo � �LW � rW � U � p"5
la cual es la forma simplificada de la ecuación del momento utilizada por el modelo
de campo FDS.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Para conseguir una mayor simplicidad del modelo, FDS considera fluidos con bajos
números de Mach, esto se puede considerar porque al ser las velocidades de los flujos en los
incendios de alrededor de 10 – 20 m/s, el número de Mach toma valores de 0.03 y 0.06. Por
otra parte no se puede considerar el fluido como incomprensible debido a la gran variabilidad
de la densidad y de la temperatura y la poca variabilidad de la presión. Esta poca variabilidad
de la presión es consecuente con los bajos números de Mach, que lo que hacen es filtrar las
ondas de choque (saltos de presión).
Según el modelo propuesto por Rehm y Baum [7],
o � oS � �|LP � o}
siendo:
oS la presión de fondo. �|LP la componente hidrostática de la presión. o} la perturbación de presión que induce el fluido.
Desarrollándola obtenemos:
Uo � �|Lu � Uo}
Sustituyéndola en la forma simplificada de la ecuación del momento utilizada por el
modelo FDS, restando �|Lu y dividiendo entre �:
T@4T� � O@4 � UQ@4 � Uo}� � f� ~O� � ��QLu � ru � U � p"5�
Para que la ecuación final sólo dependa de la perturbación de presión inducida por el
fluido (U(}j�), se realiza la siguiente operación: Uo}� � Uo}�� � Uo}�� � Uo}� � Uo}�� � �� f�� � f��Uo}
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Con lo que tenemos:
T@4T� � O@4 � UQ@4 � Uo}�� � �� f�� � f��Uo} � f� ~O� � ��QLu � ru � U � p"5�
Siendo O@4 � UQ@4 � U�����y � @4`a� , se obtiene:
T@4T� � U�@4�yK � @4 � a� � Uo}�| � �f� � f�|� Uo} � f� ~O� � �|QLu � ru � U � p"5�
Siendo la energía mecánica total del flujo, es decir la cinética más la potencial:
� � �@VW�yK � o}�|
Se puede interpretar la energía mecánica como equivalente a la presión del flujo,
siendo la energía cinética equivalente a la presión dinámica del flujo y la potencial a la
estática. Quedándonos la ecuación de la siguiente manera:
T@4T� � U� � @4 � a� � �f� � f�|� Uo} � f� ~O� � �|QLu � ru � U � p"5�
�1j � 1j�� Uo} se suele despreciar para mayor simplicidad, y en los casos en que no
podemos despreciarlo se trata de forma especial. La decisión de despreciarlo o aproximarlo
de manera especial, depende de su contribución relativa en la formación de la vorticidad del
fluido.
En la mayor parte de las simulaciones de incendios de grandes proporciones la llama
ocupa una mínima parte del espacio computacional. Esto hace que la llama no pueda ser
calculada correctamente por la rejilla numérica y la vorticidad generada en las regiones con
grandes desviaciones de la densidad no se representa directamente en este tipo de modelo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Por lo tanto, la ecuación de conservación del momento para la mayoría de los casos
nos queda como:
T@4T� � U� � @4 � a� � f� ~O� � �|QLu � ru � U � p"5�
4.5 Técnicas para el Tratamiento de la Turbulencia
En la dinámica del incendio los flujos de gases responden a un régimen turbulento,
debido, entre otras causas, a su carácter reactivo, su viscosidad y al crecimiento de los
números de Reynolds.
A la hora de realizar el cálculo computacional del proceso de la turbulencia en la
Fluidodinámica Computacional (CFD) se consideran básicamente tres modelos
computacionales de turbulencia, como son los Modelos de Simulación de Grandes Remolinos
(LES), los Modelos de Simulación Numérica Directa (DNS) y los Modelos Promediados de
Reynolds de las Ecuaciones de Navier-Stokes (RANS). [3]
4.5.1 Modelos matemáticos primarios de la turbulencia Conocemos a la turbulencia como el movimiento caótico o desordenado del fluido
con la presencia de remolinos. En contraposición si el fluido fuera laminar no tendrían lugar
estos remolinos.
La turbulencia nace de la relación entre las fuerzas de inercia y las fuerzas viscosas
del fluido, si las fuerzas viscosas no son lo suficientemente grandes en relación a las
inerciales, se formarán remolinos al no ser las fuerzas viscosas capaces de amortiguarlos, y
dando lugar a un fluido turbulento.
Estas características del movimiento de los fluidos son estudiadas mediante el número
de Reynolds (Re), el cual es un índice de la turbulencia del fluido.
�� � �@�q � @�E
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
siendo:
� la densidad del fluido. @ la velocidad del fluido. � el largo característico. q la viscosidad dinámica del fluido. E � �j la viscosidad cinemática del fluido.
Además de mostrar la relación entre las fuerzas inerciales y las viscosas, el número de
Reynolds también muestra la relación entre las máximas y las mínimas escalas longitudinales
o tamaños de remolinos.
�� � m"<�>)"� �&m�"&)$&�& � @�E
Figura 14 Diferentes escalas de remolinos en fluidos turbulentos [1].
4.5.2 Modelos computacionales de la turbulencia La diferencia fundamental entre los modelos computacionales de la turbulencia está
en la manera de calcular y modelar el movimiento de los remolinos para las diferentes
dimensiones.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Por un lado, los modelos RANS (Promediado de Reynolds de las Ecuaciones de
Navier-Stokes) no calculan el movimiento de los remolinos para ninguna dimensión, sino que
para modelarlos hacen un promedio de las variables de las ecuaciones de gobierno. En
cambio, los modelos LES (Simulación de Grandes Remolinos) calculan los parámetros de los
remolinos de mayor tamaño y simulan la influencia de los de menor tamaño en la variación
de los parámetros del fluido. Y por último, los modelos DNS (Simulación Numérica Directa)
realizan los cálculos de los valores de las variables de las ecuaciones de gobierno del fluido
para todos los tamaños de los remolinos.
En la siguiente figura se muestra el tratamiento que le dan los diferentes modelos al
movimiento turbulento. k es el espectro de la energía cinética de la turbulencia y ` que es el
número de onda, ` � y�� . Siendo `) el número de ondas a partir del cual los modelos LES
modelan los parámetros del fluido.
Figura 15 Espectro de la energía cinética de la turbulencia. (Fuente:“Theorical and numerical
combustion”[3]).
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
4.5.2.1 Modelo de turbulencia LES Como se dijo anteriormente el modelo LES se basa en un filtrado espacial de las
ecuaciones de gobierno del movimiento turbulento de grandes remolinos, haciendo un
filtrado de los pequeños. Y para estos más pequeños se asume un modelo que aproxime su
influencia en la variación general de los parámetros del flujo.
Las funciones empleadas para su filtrado matemático pueden ser de dependencia
espacial o frecuencial. Se suelen emplear dos funciones espaciales y una frecuencial de tipo
filtro de paso bajo. Con el filtrado conseguimos que todas las variables de las ecuaciones se
representen como suma de una componente de fondo (filtrada) y otra fluctuante.
Dependiendo tanto del método de filtrado empleado como de la forma de las
ecuaciones de cierre, el modelo LES consta de varios submodelos:
• El submodelo de Smagorinsky realiza un filtrado rectangular y modela los
pequeños remolinos realizando el cálculo aproximado de los coeficientes de
viscosidad, de conductividad térmica y de disipación, es el utilizado por FDS.
Algunas de las desventajas que presenta este submodelo es la utilización del
coeficiente empírico de Smagorinsky Cs para el cálculo de la viscosidad,
además el filtrado se realiza automáticamente mediante el empleo de un
mallado espacial rectangular para el cálculo de todas las ecuaciones con un
tamaño fijo de celdas, por lo que la exactitud de la solución depende de la
elección de las dimensiones de la celda. Además presenta baja exactitud en los
flujos laminares y en las cercanías a las paredes.
• El submodelo de similaridad de escala emplea un filtrado espacial, y aunque
no se suele emplear de forma independiente por su baja capacidad disipativa,
combinado con el submodelo de Smagorinsky reduce las inexactitudes
provocadas por la incertidumbre del coeficiente Cs.
• El submodelo dinámico de Germano emplea un filtrado espacial rectangular
fijo, y se basa como el anterior submodelo en el de Smagorinsky, pero emplea
un procedimiento automático para la determinación del coeficiente Cs.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
• Los submodelos de función estructural emplean el filtrado espectral y calculan
un coeficiente de viscosidad para las escalas subcéldicas basándose en una
función proporcional al gradiente de la energía cinética del fluido.
4.5.2.2 Modelo de turbulencia DNS Este es el modelo más exacto para el cálculo de la turbulencia y también esta
implementado en FDS. Su problema fundamental es que al trabajar con remolinos de pequeña
escala, necesita emplear un tamaño de celdas muy pequeño y eso está limitado por la potencia
computacional. Esto ocasiona que se deban realizar simplificaciones en las ecuaciones, en lo
relativo a:
• la formulación de las ecuaciones de gobierno (consideración del flujo
incompresible, de bajo número de Mach o compresible).
• la descripción de los procesos químicos.
• la elección de las condiciones iniciales y de contorno.
• el empleo de espacios bidimensionales en lugar de tridimensionales.
• la descripción de las pérdidas por radiación y convección.
• el empleo de algoritmos de cálculo numérico simplificados y otros.
4.5.2.3 Modelos de turbulencia RANS Los modelos de RANS promedian las ecuaciones del fluido; cada magnitud se
sustituye por la suma de su valor medio más una componente fluctuacional. Se pueden
emplear dos tipos de promediación la de Reynolds y la de Favre.
La dificultad con la que se enfrenta este modelo es la elección de las ecuaciones que
representen el tensor de tensiones τij que representa las tensiones turbulentas de Reynolds. Se
emplea la asunción propuesta por Boussinesq, por la cual:
p"5 � q# �KF"5 � K��"5OU � @}4Q�
F"5 � fK�T@}"T 5 � T@}5T`"�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
�"5 � �f'� � �2'� � ��
Para i, j=1,2,3… y µ t es el coeficiente de viscosidad dinámica.
Según el método utilizado para realizar el cálculo del coeficiente de viscosidad, se
pueden distinguir varios submodelos.
• El submodelo sin ecuaciones de Prandtl o modelo de longitud mezclada que
establece un enlace entre µ t y el gradiente de velocidad a través de una
expresión algebraica.
• El submodelo de una ecuación de Prandtl – Kolmogorov que incorpora una
ecuación de dependencia de µ t de la energía cinética al sistema de ecuaciones
de gobierno del fluido.
• El submodelo de dos ecuaciones, que incorpora dos ecuaciones de balance en
derivadas parciales que interrelacionan la energía cinética del fluido turbulento
y su velocidad de disipación al sistema de ecuaciones del fluido.
En la figura 16 se muestra una comparativa con la dependencia temporal de la
temperatura en un punto fijo del espacio computacional para los distintos modelos de
turbulencia.
Podemos observar una mejor aproximación a la temperatura en cada instante del
modelo DNS, mientras que RANS ofrece un valor promedio de la temperatura en el punto
fijo. La utilización de uno u otro modelo va a depender de la exactitud deseada, la potencia
computacional disponible, la cantidad y calidad de los datos iniciales para la simulación.
También podemos ver como el modelo LES aunque no llega a tanto detalle como el DNS se
aproxima bastante.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Figura 16 Dependencia temporal de la temperatura para distintos modelos de turbulencia. [9]
4.6 Ecuación de Conservación de la Energía
La ecuación de conservación de la energía nos dice que la velocidad de cambio de la
energía dentro de un elemento del fluido es igual al flujo neto de calor hacia y desde el
elemento más la velocidad del trabajo realizado sobre el elemento por las fuerzas corporales y
superficiales. Una forma de expresarla matemáticamente es:
TT� O�DQ � U � �D@4 � coc� � Hddd � U � H4> � U � wU� � U ��D O�cQ U
Los términos de la parte izquierda de la ecuación superior son una medida de la
energía en el volumen de control del fluido a través de la velocidad de cambio de la entalpía,
dependiente tanto del tiempo como del movimiento del propio fluido.
En cuanto a los términos de la derecha tenemos que la velocidad del trabajo de la
presión del fluido es �(�# , Hddd que es la velocidad de cesión de calor por unidad de volumen a
causa de las reacciones químicas, también está el flujo calórico radiativo U � H4> , el flujo
calórico conductivo es U � wU� y el flujo energético producido por la difusión de las especies
es U � � D O�cQ U .
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ��
�
En la ecuación anterior no se ha considerado la velocidad del trabajo realizado por las
fuerzas superficiales al ser pequeño en comparación con los demás términos. Para
considerarlo tendríamos que incorporar en la parte derecha de la ecuación:
� � p"5 � U@4
con:
p"5 � q# �KF"5 � K��"5OU � @4Q�
F"5 � fK�T@"T 5 � T@5T`"�
�"5 � �f'� � �2'� � �� delta de Kronecker
La ecuación de la velocidad del trabajo realizado por las fuerzas superficiales es
válida para flujos newtonianos, en los que la desviación del tensor de tensiones de su valor de
equilibrio es linealmente proporcional al gradiente de velocidad.
� � q �KF"5 � F"5 � K��"5OU � @4Qy� �
� q �K �T@T`�y � K�TET;�y � K�TaTP �y � �TET` � T@T;�y � �TaT; � TETP�y � �T@TP � TaT`�y� K� �T@T` � TET; � TaTP �y�
Aunque al ser el valor de la velocidad del trabajo realizado por las fuerzas
superficiales tan pequeño puede ser despreciado en la ecuación de conservación de la energía,
las expresiones anteriormente expuestas se emplean en otros cálculos del modelo. Como
puede ser la utilización de la expresión del tensor de tensiones en la ecuación de momentos
para representar la disipación de la energía cinética del flujo analizado.�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Los modelos del cálculo computacional utilizan distintas simplificaciones de la
ecuación de conservación de la energía. A continuación emplearemos las simplificaciones
realizadas por FDS para alcanzar la ecuación de conservación de energía simplificada.
Desarrollamos el término U � �D@4:
U � �D@4 � T�D@T` � T�DET; � T�DaTP � �D �T@T` � TET; � TaTP � � @ T�DT` � E T�DT; � a T�DTP� �DU � @4 � @4 � U�D � �DU � @4 � c�Dc� � T�DT�
Sustituyéndolo en la ecuación de conservación de la energía:
TT� O�DQ � �DU � @4 � c�Dc� � T�DT� � coc� � Hddd � U � H4> � U � wU� � U ��D O�cQ U
Despejamos la divergencia de la velocidad:
U � @4 � f�D �coc� � Hddd � U � H4> � U � wU� � U ��D O�cQ U � c�Dc� �
Para seguir con las simplificaciones, se va a emplear la ecuación general de los gases
ideales viene dada por:
o � ���� � ���� �
Siendo � la masa molar de la l-ésima especie. Si además, tenemos que el calor
específico a presión constante de la l-ésima especie es:
�(! � K � E K �� � � � � f ��
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
siendo:
E los grados de libertad internos de las moléculas de la l-ésima especie. � � )�!l)�!l � �l�y�l el coeficiente adiabático de la l-ésima especie.
��! el calor específico a volumen constante de la l-ésima especie.
Podemos poner la ecuación general de los gases como:
o � ���� � f� �(!
Si se suponen todas las moléculas de la mezcla como diatómicas (� � �), y por lo
tanto D � � D � �� �(! con hl=cp,lT, tenemos que:
o � � � f� ��(�
Lo cual lo derivamos quedándonos:
coc� � � � f� c�Dc�
En las ecuaciones de energía y de estado podemos sustituir la presión p por la presión
de fondo p0 ya que al tener el flujo números de Mach pequeños, las componentes hidrostática
y perturbadora por el fluido son relativamente pequeñas. Esto nos sirve para filtrar las ondas
sonoras que viajan a velocidades mayores a las que son características para los flujos en
escenarios de incendios.
coc� � coSc� � 8oS8�
c�Dc� � �� � f8oS8�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ��
�
Sustituyendo los desarrollos anteriores la divergencia de la velocidad empleada por el
modelo hidrodinámico de FDS.
U � @4 � f��(� �Hddd � U � H4> � U � wU� � U ��D O�cQ U � � � f��(� � foS�8oS8�
4.7 Ecuación de Estado y Ecuaciones Empleadas en FDS
La ecuación de estado empleada por FDS, como se expuso en el apartado anterior es
la siguiente:
o � ���� � ���� �
Las cinco ecuaciones simplificadas que principalmente emplea FDS para la resolución
del modelo son las siguientes:
T�T� � @VW � U� � ��U � @VW T� T� � @VW � U� � �� U � @VW � U � �c U �� � iii T@VWT� � U� � @VW � aVVW � f� ~O� � �|QLW � rW � U � p"5�
U � @4 � f��(� �Hddd � U � H4> � U � wU� � U ��D O�cQ U � � � f��(� � foS�8oS8�
oS � ���� �
Las derivadas espaciales contenidas en las ecuaciones son aproximadas con
diferencias finitas de segundo orden y las variables del flujo se computan temporalmente
usando un algoritmo explícito de tipo predictor-corrector también de segundo orden.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ��
�
4.8 Modelos de Combustión
Los modelos de combustión empleados por FDS están relacionados con el modelo de
turbulencia que se emplee en cada caso. Si se emplea el modelo LES, el esquema de
combustión empleado está basado en la fracción de mezcla, ya que el mallado utilizado en
estos casos no es suficientemente fino como para solucionar acertadamente los fenómenos de
difusión del combustible y el oxígeno. En cambio, cuando se emplea el DNS, se modela
directamente el proceso difusivo del combustible y el comburente mediante una reacción
química global de un paso y proporción finita, ya que en este caso el tamaño de malla es
suficientemente pequeño.
4.8.1 Modelo de combustión de fracción de mezcla El modelo de combustión de fracción de mezcla se basa en que aunque los procesos
de transporte convectivo y radiactivo a gran escala se puedan simular directamente, cuando
los procesos ocurren en distancias y a intervalos pequeños deben ser representados de forma
aproximada. El modelo asume que la combustión es controlada por la mezcla. Por lo cual
todas las especies de interés se pueden describir en términos de fracción de mezcla. La
fracción de mezcla es la proporción de material proveniente del flujo del combustible. La
“relación de estado” es la relación entre la fracción de masa de cada especie y la fracción de
mezcla. La relación de estado para la fracción de masa del oxígeno nos permite calcular la
velocidad local de consumo másico de este elemento. La forma de la relación de estado nos
conduce a un modelo de “llama laminar”, donde la llama es considerada una superficie
bidimensional empotrada en un espacio tridimensional. La velocidad local de cesión de calor
es calculada mediante la velocidad local de consumo de oxígeno en la superficie de la llama,
considerándolas directamente proporcionales independientemente del tipo de combustible
involucrado.
La forma general de la reacción de combustión es:
E� � m � ES � y ¡�E¢!" � �"
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
siendo:
F el combustible (fuel).
P los productos de la combustión. E" los coeficientes estequiométrico del combustible (F), el oxígeno (O) o el i-simo
producto de la combustión (P,i).
Por otra parte, las velocidades de consumo másico de combustible y oxidante están de
la siguiente forma relacionadas.
�� �dddE��� � �� £dddE£�£
siendo:
MF y MO son los pesos moleculares del combustible y del oxígeno.
La fracción de mezcla Z viene dada por:
* � ¤ � � O £ � £|Q¤ �¥ � £|
siendo:
¤ � �¦§¦�¨§¨ £| la fracción másica de oxígeno del ambiente inalterado. �¥ la fracción másica de combustible en el flujo de combustible.
Los valores de la fracción de mezcla están entre 0 y 1.
A continuación se demostrará que la ley de conservación se cumple para la fracción
de mezcla. Tenemos que las ecuaciones de conservación de la masa para el combustible y el
oxígeno son respectivamente: cO� �Qc� � U � �c©� ��� �ddd
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
cª�O S � S|Q«c� � U � �cO S � S|Q � �� Sddd
Donde YF es la fracción másica del combustible e Y0 es la fracción másica del oxígeno.
Multiplicando las ecuaciones anteriores por &&k¬k®� y por � 1&k¬k®� respectivamente, se
obtiene:
� cc� �¤ � � O S � S|Q¤ �¥ � S| � � U � �cU �¤ � � O S � S|Q¤ �¥ � S| � � ¤�� �ddd � ¤�� Sddd¤ �¥ � S|
Al asumirse la hipótesis de que la reacción que tiene lugar es rápida, por lo que las
reacciones en las que se consume el combustible y el oxígeno ocurren a tal velocidad que
ambos no pueden coexistir desapareciendo al entrar en contacto.
¤�� �ddd � ¤�� Sddd � 2 y ¤ � � S
Con esta consideración y con el desarrollo de Z en la ecuación anterior tenemos que la
ecuación de conservación de la fracción de mezcla:
�c*c� � U' � �cU*
Al haber considerado que el combustible y el oxígeno no pueden coexistir tenemos
que la fracción de mezcla es:
*O u! �Q � * � £|¤ �¥ � £| ¡ ¤ �¥ � £| � £|*
siendo Zf el valor estequeométrico de la fracción de mezcla. Por otra parte obtenemos
la relación entre la fracción másica de oxígeno y la fracción de mezcla.
*O¤ �¥ � £|Q � ¤ � � S � £| ¡ S � ¤ � � £| � *O¤ �¥ � £|Q
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Relacionando las dos ecuaciones anteriores obtenemos la relación de estado deseada:
SO*Q � ¯ £| �f � **� '''''* ° *2'''''''''''''''''''''''''''* ± * �
Considerando que la relación de estado para el combustible sólo existe si Z>Zf y que
en este caso Y0 es cero. Tenemos que la fracción de mezcla es:
* � ¤ � � £|¤ �¥ � £| ¡ � � ¤ �¥ � £|¤ * � £|¤
Con lo que obtenemos:
�O*Q � ¯ £|¤ � ** � f� '''''* ° *2'''''''''''''''''''''''''''* ± * �
La velocidad local de cesión de calor se puede deducir a partir de las ecuaciones de
conservación y la relación de estado del oxígeno. Nos ayudaremos de la ecuación de Huggett:
H� ddd � ��£�� £ddd
siendo ��£ la velocidad de cesión de calor por unidad de masa de oxígeno consumido.
La cual suele encontrarse en torno de 13100 kJ/kg.
Poniendo la ecuación de conservación del oxígeno como:
��� £ddd � U � �cU £ � �c £c�
Si consideramos la relación obtenida anteriormente de la fracción másica del oxígeno
en función de la fracción másica de la mezcla.
c £c� � � £|* c*c�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
y también:
8 £8* � � £|*
Estas dos últimas ecuaciones dan lugar a:
c £c� � 8 £8* c*c�
Teniendo en cuenta la ecuación anteriormente desarrollada de la velocidad de
consumo másico do oxígeno, y empleando el desarrollo anterior tenemos que:
��� £ddd � U � ��c 8 £8* U²� � 8 £8* U � �cU*
Como esta ecuación se ha obtenido partiendo de la hipótesis de que el oxígeno no
puede coexistir con el combustible, tenemos que:
³µ8 £8* � � £|* � �¶�¤�''¤�'* ° *8 £8* � 2''''''''''''''''''''''''''¤�'* ± * �
Esta velocidad de consumo másico sólo tiene validez en la superficie de llama, donde
Z=Zf , ya que si consideramos otro valor de Z, esta velocidad vale cero. Sin embargo, para
Z=Zf la función YO(Z) no es derivable, por lo que %k¦%· es indeterminado.
Si desarrollamos separadamente los dos términos de la ecuación de la velocidad de
consumo másico, esta nos queda:
��� £ddd � �cU�8 £8* � � U²
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
Si ahora consideramos un segmento diferencial de la superficie de llama, con un
espesor dl y un área dS. El valor de %k¦%· varía desde cero a un valor constante.
Figura 17 Gradiente de la fracción de oxígeno en la superficie de llama.
�
Calculando el gradiente tenemos que:
U �8 £8* � � ¸U �8 £8* �y � U�8 £8* �1¹ � �4 � �8 £8* º·»·¼ � �4
Que sustituyendo en la ecuación anterior nos da:
��� £ddd � �8 £8* º·»·¼ �cU² � �4
Sustituyendo esta ecuación en la ecuación de Huggett, ya podemos calcular la
velocidad de cesión de calor por unidad de área de la superficie de la llama.
H� ddd � ��£ �8 £8* º·»·¼ �cU² � �4
Esta fórmula es la empleada por el modelo de campo FDS. Inicialmente, se determina
la ubicación de la superficie de llama y se calcula la velocidad local de cesión de calor por
unidad de área mediante una discretización de esta fórmula. Finalmente, se distribuye la
energía calculada entre las celdas cortadas por la superficie de llama.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� � ��
�
De esta manera es como si la superficie de llama, de espesor idealmente infinitesimal
se esparciera en todo el volumen de las celdas correspondientes, con lo que se logra la
consistencia de este cálculo con relación a las restantes magnitudes físicas, que se asumen
uniformes en cada celda.
4.8.2 Reacción de velocidad limitada Como ya se comentó al emplear el modelo DNS se pueden modelar directamente los
procesos de difusión del combustible y del oxígeno. Por tanto, se puede implementar una
reacción química sencilla en un solo paso o algunas más complejas de más pasos.
4.9 Modelo de Radiación Térmica
Se utiliza la Ecuación de Transporte Radiativo (RTE) para medios absorbentes,
emisores y dispersores:
¤u � U½¾O u! ¤uQ � �ª¿O u! ÀQ � Á&O u! ÀQ«½O u! ¤uQ � ÂO u! ÀQ � Á&O u! ÀQÃÄ N �O¤u! ¤uiQ½¾O u! ¤uQ8ÅiÆ�
siendo:
À la longitud de onda. ½¾O u! ¤uQ la intensidad de radiación a la longitud de onda. ¤u es la dirección del vector de la intensidad de radiación. ¿O u! ÀQ el coeficiente de absorción en la dirección u para la longitud de onda. Á&O u! ÀQ es el coeficiente de dispersión para u 'Ç'À. ÂO u! ÀQ es un término correspondiente a la fuente emisiva.
La integral de la expresión anterior nos indica la radiación interior dispersada
proveniente de direcciones diferentes a ¤u . Si se estuviera en presencia de un gas no
dispersivola RTE queda:
¤u � U½¾O u! ¤uQ � ¿O u! ÀQª½ÈO uQ � ½¾O u! ¤uQ«
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
en la cual:
½ÈO uQ es el término de la fuente dado por la función de Planck.
En las simulaciones prácticas hay una dependencia espectral de la radiación, para su
resolución se divide el espectro de radiación en numerosas bandas y se utiliza una Ecuación
de Transporte Radiativo independiente para cada banda.
Mediante diversos experimentos numéricos realizados se ha llegado a la conclusión de
que usualmente seis bandas son suficientes. Sin embargo, incluso considerando un pequeño
número de bandas el coste computacional es elevado. Además en la mayor parte de los
escenarios de incendios a gran escala, el producto de combustión más importante en el
control de la radiación térmica del incendio y del humo es el hollín. Y como el hollín presenta
un espectro de radiación continuo, se puede asumir un comportamiento del gas como un
medio gris.
Por ello, la dependencia espectral concentrada en un solo coeficiente de absorción y el
término de la fuente de radiación puede ser expresada mediante la intensidad de radiación del
cuerpo negro:
½ÈO uQ � Á �O uQÆÄ
Si las llamas son ópticamente delgadas, la proporción de hollín con relación al
dióxido de carbono y el agua generada es pequeña, y asumir como modelo de radiación un
gas gris puede producir predicciones de la radiación más elevadas que las reales.
A la hora de realizar el cálculo de los coeficientes de absorción ¿/, FDS emplea el
modelo de banda estrecha RadCal [9] desarrollado por el NIST. Siendo los coeficientes de
absorción tabulados en función de su fracción de masa y de su temperatura al inicio de la
simulación. Después, durante la simulación se vuelven a obtener de valores tabulados
existentes.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
A la hora de realizar los cálculos de resoluciones espaciales limitadas hace falta
calcular Ib en las cercanías de la superficie de la llama de manera especial, ya que las
temperaturas están distribuidas por todo el volumen de las celdas y en consecuencia estas
temperaturas son mucho menores que las esperadas en una llama difusiva. Por todo esto, Ib se
debe modelar en las celdas atravesadas por la llama.
¿ÉÈ � ³Êʵ¿ËÌÆÍ '''''''''''''''''''''''''''''''''''ÎÏ'ÎÐ'ÎÑ-ÎÒÓÔÒ'+Î'ÐÕ'ÖÔÏÕ'+Î'ÐÐÕ,Õ×,ÕÑ�ØÙ Ú� dddÃÍ ! ¿ËÌÆÍ � '''''''ÎÏ'ÎÐ'ÓÏ-ÎÒÓÔÒ'+Î'ÐÕ'ÖÔÏÕ'+Î'ÐÐÕ,Õ×
�
siendo:
Ú� ddd la velocidad de cesión de calor por unidad de volumen. ØÙ la fracción de la energía emitida localmente como radiación térmica.
El término empírico de pérdida por radiación ØÙse introduce por la falta de exactitud a
la hora de estimar los coeficientes de absorción ¿ y la temperatura en incendios de gran
escala. Esto es debido a que a medida que el incendio aumenta sus dimensiones el término
global tiende a descender debido a la reabsorción neta de la radiación térmica producida por
el incremento del manto de humo.
Las condiciones de contorno para la intensidad de radiación que cede una pared
difusiva gris son las siguientes:
½{O Q � Û½Ü{ � f � ÛÄ N ½{O¤i�Qݤi� � �{4444Ý8Å&d� �<Þ4444»S
siendo:
'½{O¤i�Q la intensidad de radiación en la pared. Û la emisibilidad. ½Ü{ la intensidad del cuerpo negro en la pared.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Por otra parte, la pérdida radiativa de la ecuación de conservación de la energía se
expresa como:
�U � H4>O uQ � ¿O uQªßO uQ � ÃĽÜO uQ«
Con ßO uQ � à ½O u! ¤uQ8ÅÆ�
En la formula anterior podemos ver que la energía radiante ganada por la celda del
mallado es la diferencia entre la energía absorbida y la irradiada por ella.
4.10 Condiciones Térmicas de Contorno
Podemos diferenciar tres diferentes casos relacionados con la reacción de la superficie,
que nos definan las condiciones térmicas de contorno:
• La superficie se calienta y arde.
• La superficie arderá con parámetros de velocidad de combustión prescritos.
• La superficie no arderá.
4.10.1 Transferencia térmica convectiva a las paredes En el caso de la transferencia térmica convectiva a las paredes, los flujos térmicos
hacia o desde una superficie sólida consisten en ganancias o pérdidas debidas a la convección
y la radiación.
Su cálculo depende del modelo empleado en el estudio de las turbulencias, LES o
DNS. En el caso del DNS el flujo convectivo hacia una superficie sólida H�)dd es obtenido
directamente del gradiente de la temperatura del gas en el contorno de la superficie.
H�)dd � �w T�T�
donde:
n es la coordenada espacial que apunta hacia la superficie sólida.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ���
�
Si se emplea el modelo LES, el flujo térmico convectivo se obtiene combinando las
correlaciones convectivas natural y forzada.
H�)dd � D��
Con
D � �n` ¸M����16! w� 2á2�â��Æã�I16¹ donde:
�� es la diferencia entre las temperaturas de la pared y el gas (tomada esta última en
el centro de la celda contigua a la pared).
C es el coeficiente de convección natural que se asume igual a 1,52 para superficies
horizontales y 1,31 para verticales [10].
L es la longitud característica relacionada con las dimensiones del obstaculo.
k es la conductividad térmica del gas.
Re es el número de Reynolds
Pr es el número de Prandtl.
4.10.2 Combustibles termoplásticos En cuanto a los combustibles termoplásticos, hay que tener en cuenta si va a tener
lugar la pirólisis en la superficie del material, o si no va a tener lugar este proceso.
Cuando el material tiene una superficie térmicamente gruesa se emplea una ecuación
unidimensional de conducción térmica para la temperatura del material dependiente de la
dirección x que apunta al interior del sólido, siendo x=0 la superficie del mismo.
�&�& T�&T� � TT` �w& T�&T` �
�T�&T` O2! �Q � H�)dd � H�>dd ��� dd���
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
siendo:
�& la densidad dependiente de la temperatura. �& el calor específico. w& la conductividad térmica. H�)dd el flujo térmico convectivo en la superficie del material. H�>dd flujo térmico radiativo neto en la superficie del material. �� dd la velocidad de pérdida de masa. ��� el calor de vaporización.
La consideración de que la pirólisis tiene lugar en la superficie implica que el calor
requerido para la vaporización se extrae del flujo de energía incidente sobre el material.
Siendo la velocidad de la pirólisis aproximada mediante la fórmula de Arrhenius:
�� dd � ä�&�åæçs
siendo:
R la constante universal de los gases.
A la constante de proporcionalidad.
EA la energía de activación.
Por otra parte, cuando el material tiene una superficie térmicamente fina, se considera
que tiene una temperatura uniforme en todo su espesor, y, todo ello, estará afectado por las
ganancias y pérdidas provocadas por la convección, radiación y la pirólisis. En este caso, el
retardo térmico del material dependerá del producto de su densidad, su calor específico y su
espesor �. T�&T� � H�)dd � H�>dd ��� dd����&�&�
Los flujos convectivos y radiativos son sumados en las superficies delanteras y
traseras del material de superficie térmicamente fina.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
4.10.3 Combustibles líquidos
También tenemos los combustibles líquidos cuya velocidad de evaporación depende
de su temperatura y de la concentración de vapores del combustible sobre su superficie.
Alcanzándose el equilibrio cuando la presión de los vapores sobre la superficie del líquido es
igual a la presión de Clausus Clapeyron [11].
o)) � oS�`o ¸� D��� �f�& � f�Ü�¹
siendo:
D� el calor de vaporización. � el peso molecular del combustible. �& la temperatura superficial del combustible. �Ü la temperatura de ebullición.
Sin embargo, para simplificar los cálculos se trata al combustible como un sólido
térmicamente grueso.
4.10.4 Combustibles carbonizables
Por último también están los combustibles carbonizables, en los cuales la transmisión
de calor y la pirólisis se describen con un modelo unidimensional descrito en [7] y [8]. Este
modelo asume que la pirolisis tiene lugar en un frente infinitesimalmente delgado y tiene en
cuenta la conducción térmica en el interior del material, la vaporización de su humedad y la
degradación del material inicial en combustible gaseoso o carbón. Los gases volátiles son
instantáneamente transportados a la superficie del material. El balance energético se calcula
mediante:
��444 T�&T� � TT` w& T�&T` � T�&T� ~��(^> � MO� � �SQ� � T�èT� ª���� � cO� � �SQ«
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
siendo:
�& la densidad del sólido. �è la densidad de la humedad. ��(^> el calor de la pirolisis. ���� el calor de vaporización del agua. �S la temperatura ambiente.
T la temperatura del material.
El coeficiente C� jé®)�!é®4444444jêëìí)�!êëìí4444444444jé®jêëìí � �(!744444 El coeficiente D� �(!è44444 � �(!744444 ¤2 un subíndice que indica que se trata del material virgen.
char un subíndice que define al material como carbonizado.
g un subíndice que indica que es un parámetro de los productos gaseosos.
m un subíndice que se refiere a la humedad.
Las capacidades calóricas a presión constante con una barra en la parte superior son
sus valores promediados entre las temperaturas T y T0.
La condición de contorno en la superficie es:
�w& T�&T` O2! �Q � H�)dd � H�>dd
La energía requerida para provocar la pirólisis del combustible es extraída del interior
del material en el punto donde la pirólisis tiene lugar. La velocidad de la pirólisis se modela
mediante una reacción de Arrhenius simple de primer orden. La asunción de que la pirólisis
tiene lugar en un frente muy delgado viene dada para que con la selección de los coeficientes
necesarios para el cálculo de la pirolisis, ésta tenga lugar en rangos de temperatura cercanos a
la decidida de pirólisis. La velocidad en que se desplaza el frente hacia el interior del material
viene dado por:
E � �� dd�&S � �)î�>
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ������������ ��� ����
�
La complejidad a la hora de seleccionar las propiedades del material y sus coeficientes
de pirólisis hace que sean necesarias diversas asunciones como un frente fino de pirólisis, con
lo que se reduce la incertidumbre de los coeficientes de velocidad de la pirólisis.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� � ��
�
CAPÍTULO 5
MODELOS FDS Y CFAST
En el presente capítulo se pretende dar una descripción a nivel de usuario de los
dos modelos desarrollados por el Building and Fire Research Laboratory del National
Institute of Standards and Technology - NIST (USA) empleados en el presente Proyecto,
el modelo de zona CFAST y el modelo de campo FDS.
5.1 Modelo de Zona CFAST
CFAST son las siglas de Consolidated Model of Fire Growth and Smoke
Transport. CFAST es un modelo ampliamente aplicado en el mundo científico para el
estudio de los incendios y del humo producido, ya que ofrece una primera aproximación
de forma rápida.
CFAST es un software de libre distribución disponible en la página web del
NIST, dentro del apartado dedicado a modelos en la división de Building and Fire
Research Laboratory. Dispone de una guía de usuario [12] en la cual se explican más
detalladamente sus funciones y modo de empleo.
CFAST dispone de una interfaz usuario que facilita la creación de las
simulaciones deseadas, véase figura 18.
Este modelo se basa en los sistemas de ecuaciones diferenciales determinadas
mediante las ecuaciones de conservación de la masa, de conservación de la energía y de
la ecuación fundamental de los gases ideales. Al ser un modelo de zona las propiedades
calculadas como la presión, la temperatura y la altura de la capa de humos son
aproximadas para cada volumen de control mediante un valor medio.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ����
�
�
Figura 18 Interfaz del modelo CFAST.
Figura 19 Simulación realizada en CFAST en un recinto con una apertura inferior.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ����
�
Como la mayor parte de los modelos de zona, el modelo CFAST emplea once
variables físicas, siete que son constantes como la densidad, el volumen y la energía
interna de las capas caliente y fría más la presión del compartimento, y cuatro variables
diferenciales como la masa y la temperatura de la capa caliente y fría.
Las ecuaciones empleadas en este modelo son para las variables constantes:
�" � �"" '' 'ï" � ���"�" � � ��"�" � ð � ñ
Y para las cuatro variables:
8�8� � � � f OD�ð � D�ñQ 8�8� � f�� �O� � fQD�ñ � � 8�8��
8��8� � f�(�ññ �9D�ñ � �(�� ñ�ñ: � � 8�8��
8�ð8� � f�(�ðð �9D�ð � �(�� ð�ð: � ð 8�8��
Por supuesto, además de estas ecuaciones principales CFAST emplea varios
submodelos como el modelo del incendio, el modelo del penacho, el modelo de flujo a
través de las aberturas, el modelo del flujo por los pasillos, los modelos de transferencia
de calor y el modelo de flujos por el techo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ���
�
5.1.1 Modelo de Incendio
Se considera al incendio como una masa de combustible que cede calor a la
velocidad de pirólisis. La energía es cedida por el combustible y se crean los productos
de combustión mientras éste se quema. Se pueden considerar varios focos de incendio,
pero se tratan independientemente.
5.1.2 El Penacho
Formado sobre los productos que entran en combustión, provoca un intercambio
de masa y de entalpía entre la capa inferior y la capa superior.
5.1.3 Flujo a través de las Aperturas
Se diferencian los flujos a través de aperturas verticales, como a través de
puertas o ventanas, y los flujos a través de aperturas horizontales, como por ejemplo a
través de aireadores o escotillas.
5.1.4 Flujo por los Pasillos
En los modelos de zona suele asumirse que una vez que los gases calientes
entran en un compartimento, instantáneamente se genera una capa caliente en todo el
compartimento. Esta asunción no se cumple en grandes compartimentos y largos
pasillos donde el tiempo para llenar estos recintos es elevado.
5.1.5 Transferencia de Calor
CFAST emplea la transferencia de calor por radiación, convección y conducción
entre los gases presentes en ambas capas y las paredes, techo y suelo del recinto.
Las capas de gas intercambian energía por medio de transferencia de calor
convectiva y radiativa. La transferencia radiativa tiene lugar entre el foco del incendio,
las capas de gas y las superficies del compartimento. Esta transferencia es función de la
temperatura y la emitancia tanto de las capas de gas como de las superficies del
compartimento.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ���
�
5.1.6 Flujos por el Techo
Los flujos por el techo dirigidos por el incendio y la transferencia de calor
convectiva gas-techo pueden desempeñar un papel significativo en la propagación del
humo de un recinto a otro y en la respuesta de la detección que se encuentra instalada en
el techo. Se emplean un modelo y un algoritmo detallados por Cooper [13] para predecir
el coeficiente instantáneo de la transferencia de calor por convección de los gases del
penacho a la superficie del techo en el local origen del incendio.
5.2 Modelo de Campo FDS
FDS son las siglas de Fire Dynamics Simulator, y como el modelo CFAST está
desarrollado por el NIST. Este modelo es también uno de los más empleados para
realizar análisis del incendio.
El FDS también es un software de libre distribución, y dispone de una guía de
usuario del programa [8] en la cual se explica de forma extendida el manejo de los
parámetros de entrada básicos de FDS.
En este caso, se trata de un modelo basado en la dinámica de fluidos
computacional (Computacional Fluid Dynamics - CFD) que tiene como fin la
reproducción del fenómeno del incendio en recintos cerrados, para lo cual resuelve una
forma de las ecuaciones de Navier-Stokes adecuada para aplicaciones con bajo número
de Mach.
Las derivadas parciales de las ecuaciones de conservación de la masa, el
momento y la energía se aproximan en diferenciales finitos y la solución se ofrece en el
tiempo en una rejilla tridimensional rectilínea. La radiación se calcula en base a técnicas
de volúmenes finitos. Además, se emplean partículas lagrangianas para simular el
movimiento de los humos y de las gotas de los sprinklers.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ���
�
5.2.1 Características del modelo FDS El modelo FDS tiene como fines la resolución de problemas prácticos de la
ingeniería contra incendios y proporcionar una herramienta de estudio de los
fundamentos de la dinámica del incendio y la combustión.
FDS es capaz de modelizar diferentes fenómenos relacionados a la Ciencia y
Tecnología del Incendio como son el transporte de calor y combustión de productos por
causa de un incendio, la transferencia de calor por radiación y convección, la pirólisis de
la combustión de un material, el crecimiento del incendio y propagación de llamas, la
activación de sprinklers y detectores de humo y calor y la supresión del incendio por
sistemas de sprinklers y rociadores.
Entre los parámetros que podemos calcular mediante el empleo de FDS,
podemos destacar, la temperatura, densidad, presión, velocidad, composición química,
etc., dentro de cada rejilla del dominio computacional en cada discretización de tiempo.
En las superficies sólidas podemos obtener la temperatura, flujos de calor, velocidad de
combustión, velocidad de pérdida de material, y otros varios parámetros. Y en la fase
gas nos puede proporcionar parámetros como la temperatura de la fase gas, la velocidad
de los fluidos, la concentración de especies presente (vapor de agua, CO, CO2, N2), la
concentración de humos y estimación de visibilidad, la presión, la velocidad de cesión
de calor por unidad de volumen, la fracción de mezcla (ratio aire/combustible), la
densidad de los gases, etc.
La turbulencia puede ser tratada o por medio de la forma Smagorinsky de
Simulación de Grandes Remolinos (Large Eddy Simulation, LES) o mediante la
realización de una Simulación Directa Numérica (Direct Numerical Simulation, DNS) si
la rejilla numérica es lo suficientemente fina. LES es el modo de operación por defecto
en FDS. Ambos tipos de simulaciones fueron explicados ampliamente en el capítulo 4.
5.2.2 Limitaciones del modelo FDS El empleo del modelo FDS está limitado a aplicaciones de flujos de baja
velocidad con especial énfasis en el transporte de humos y calor derivado de un
incendio, por lo que no se debe emplear en el caso de explosiones y detonaciones que
tienen enfoques cercanos a la velocidad del sonido.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ��� ���
�
Otra limitación es que los detalles de los escenarios deben ajustarse a la rejilla de
la malla seleccionada, y por lo tanto, hay que llegar a una relación de compromiso entre
el grado de detalle que se desea representar y el tamaño de rejilla a emplear, ya que a
menor tamaño de rejilla, mayor tiempo de cómputo emplea el modelo.
Generalmente FDS emplea el modelo de combustión de fracción de mezcla. Este
modelo asume que la combustión está controlada por la mezcla, y que la reacción del
combustible y el oxígeno es instantánea. Para lugares grandes y bien ventilados es una
buena aproximación, sin embargo si un incendio se encuentra en un compartimento
poco ventilado o si el agente extintor es agua nebulizada o CO2, el combustible y el
oxígeno se mezclarán pero no se quemarán.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
CAPITULO 6
REDES NEURONALES
6.1 Introducción
Desde los inicios de los tiempo el hombre ha sacado provecho de la naturaleza
que le rodea, utilizándola inicialmente (refugiándose en cuevas, utilizando el fuego,
etc.) y posteriormente manejándola e imitándola (creando casas, produciendo fuego al
instante, etc). En estos tiempos en los que vivimos en los que nuestra vida gira en torno
a las nuevas tecnologías, y este afán por imitar a la naturaleza, nos ha llevado al intento
de crear ordenadores capaces de aprender de la experiencia como hacemos los seres
humanos.
Las redes neuronales artificiales nacen del deseo de la obtención de un sistema
de procesamiento de información que imite al cerebro humano. Este último tiene un
funcionamiento paralelo y no lineal, no pudiéndose por lo tanto representarse mediante
los modelos lineales convencionales. Además, es propenso a almacenar información
experimental para su posterior uso. Teniendo también la capacidad de aprender de la
experiencia, y de reconocer patrones e imágenes.
Las redes neuronales artificiales consisten en unidades de procesamiento que:
• intercambian datos e información.
• son capaces de mejorar su respuesta mediante un entrenamiento
optimizando así su funcionamiento.
• son capaces de realizar complejas tareas de reconocimiento de diversos
patrones y estimación de parámetros.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
Además debido a su procesamiento en paralelo se consiguen bajos tiempos de
computo. También tienen la capacidad de generalizar y son adaptables ya que tienen la
capacidad de adaptar sus pesos sinápticos a cambios en las condiciones de contorno que
lo rodean. Esto conlleva que no necesiten de algoritmos para resolver los problemas, ya
que se adaptan al mismo generando su propia distribución de pesos mediante el
aprendizaje.
6.2 Similitud con el Sistema Nervioso de los Animales
Las neuronas biológicas son un tipo de células del sistema nervioso cuya
principal característica es la excitabilidad eléctrica de su membrana plasmática. Están
especializadas en la recepción de estímulos y conducción del impulso nervioso entre
ellas o con otros tipos celulares y está formada por el soma, el axón, las dendritas y las
sinapsis.
El soma también conocido como núcleo de la célula es el cuerpo de la neurona,
en la cual se realizan casi todas las funciones lógicas.
El axón es una fibra nerviosa que está conectada directamente con el núcleo y
que sirve como canal de salida. Para permitir su conexión con un gran número de
neuronas el axón está muy ramificado.
Las dendritas son un grupo de fibras muy ramificadas y de forma irregular que
conectándose al núcleo dan lugar a las entradas de información a la neurona. Se estiman
entre 103 y 104 el número de dendritas que permiten a la neurona recibir información de
un gran número de neuronas.
Las sinapsis son los contactos entre los axones y las dendritas para cada una de
las neuronas. Pueden cambiar la polaridad de los potenciales provenientes de de otras
neuronas lo que da lugar a una naturaleza excitadora o inhibidora de la sinapsis.
Se considera que son estas conexiones sinápticas las que permiten el
almacenamiento de la información.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
�
Figura 20 Partes de una neurona, modificado de Neural Network a Comprehensive Foundation [14].
Las similitudes directas entre la actividad sináptica y su analogía con las redes
neuronales artificiales son las siguientes fundamentalmente:
1. Las señales que llegan a la sinapsis son las entradas a la neurona.
2. Dichas señales son ponderadas mediante el peso sináptico, asociado a la
sinapsis correspondiente.
3. Las señales pueden excitar (peso positivo) o inhibir (peso negativo) a la
neurona.
4. El efecto es la suma de las entradas ponderadas.
5. Si la suma es igual o mayor que el umbral de la neurona, entonces la
neurona se activa.
6. Cada neurona se activa o no se activa.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
6.3 Características de las Redes Neuronales Artificiales
Haykin en su libro “Neural Networks. A Comprehensive Foundation” [14]
considera que las redes neuronales artificiales tienen las siguientes propiedades:
1. Las neuronas de las redes neuronales artificiales pueden ser tanto lineales
como no lineales, lo que las hace francamente útiles para el estudio de
sistemas con respuestas no lineales.
2. En las redes neuronales tiene lugar un aprendizaje supervisado, el cual
consiste en la introducción de una única señal de entrada con la salida
correspondiente, con ésto la red modifica los pesos sinápticos para ajustar
la respuesta de la red a la respuesta requerida. Este entrenamiento se
repite con muchos ejemplos, y así consigue una mejor aproximación al
fenómeno estudiado. Con esto la red construye internamente un mapa de
entada-salida para el sistema.
3. Las redes neuronales no son estáticas, son capaces de adaptar sus pesos
sinápticos a los cambios que se produzcan en el fenómeno estudiado.
Estas se pueden diseñar para modificar los pesos sinápticos en tiempo
real y conseguir de este modo una mejor respuesta.
4. En lo relativo a la clasificación de patrones, se puede diseñar la red para
que además de seleccionar el patrón, nos indique el nivel de confianza de
dicha selección. De modo que se puedan evitar posibles errores en
patrones ambiguos.
5. Al estar la red neuronal íntimamente interconectada, su actividad global
afecta a todas y cada una de las neuronas que componen la red. De esta
forma, la red trata de forma natural la información contextual.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
6. Las redes neuronales tienen un buen comportamiento ante los fallos. Esto
es debido a que si una neurona está dañada, aunque se ve afectada la
calidad para llamar a patrones guardados, el daño tiene que estar muy
extendido para que empeoren todas las respuestas de la red.
7. La naturaleza paralela de la red neuronal hace que sea rápida para el
cálculo de ciertas tareas. Esto la hace capaz de implementar usando la
integración en escala muy grande (VLSI).
8. Otra característica de las redes neuronales es que gozan de una gran
uniformidad tanto en lo relativo al análisis como al diseño. Todas las
redes neuronales están formadas por neuronas. Esta uniformidad permite
generalizar teorías o algoritmos en diferentes aplicaciones de las redes.
También permite la creación de redes por módulos.
6.4 La Estructura de la Neurona
La estructura básica de las redes neuronales consiste en una serie de unidades de
procesamiento interconectados entre sí en paralelo. A cada una de estas unidades de
procesamiento, se las conoce como neuronas o nodos. Cada una de estas neuronas
puede constar de varias entradas pero de una única salida. El uso de muchas de estas
neuronas conectadas entre sí las proporcionan un poder de procesamiento que por sí
solas no podrían alcanzar. Se pueden identificar tres elementos básicos en el modelo
neuronal:
1. Las conexiones, cada una de las cuales tienen un peso propio (el peso
sináptico, wkj), el cual variará mediante el entrenamiento para adaptarse a
la salida deseada. Es aquí donde se une la señal de entrada (xj) con la
neurona k, siendo la señal de entrada multiplicada por el peso sináptico.
2. El sumador de las señales de entrada, que como su propio nombre indica
suma todas las señales de entrada variadas ya por los pesos sinápticos
que le llegan a la neurona.
3. Y por último la función de activación, que se encarga de limitar la
amplitud de la salida.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
�
Figura 21 Estructura de una neurona.
�
Las redes neuronales se conforman poniendo las neuronas en diversas capas y
conectando las salidas de una capa a la entrada de la siguiente.
Figura 22. Unión de las capas de una red neuronal.
�
A los nodos o neuronas que no tienen conexiones de entrada se les denomina
nodos de entrada y se encuentran en la capa de entrada, a los que no tienen conexiones
en la salida se les denomina nodos de salida y se sitúan en la capa de salida, siendo el
resto los denominados nodos ocultos que se encuentran en las capas ocultas.
Matemáticamente una neurona se puede representar como:
nò ��aò5 � 5 donde:
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
n es la salida del sumatorio de las señales de entrada modificadas.
wkj son los pesos sinápticos de la neurona los cuales se van adaptando para
mejorar la salida mediante el entrenamiento.
xj es el valor de las señales de entrada.
Obteniéndose la salida de cada neurona como:
¤nó�8n � rOn � ôQ donde:
f() es la función de activación de la neurona.
� es el valor umbral que permite generar actividad si a supera su valor.
Se pueden usar muchos tipos de funciones de activación, a continuación se
muestran algunas de las principales [15].
La función sigmoidal asimétrica o logística es la más empleada, y es sigmoidal y
estrictamente creciente con valores de c >0
rOnQ � ff � �)��
�
Figura 23 Curva de la función sigmoidal asimétrica
Los valores de salida obtenidos con la función sigmoidal asimétrica están
comprendidos dentro del rango que va del 0 al 1. Variando la pendiente de la función de
activación con la constante de escala c.
La función sigmoidal simétrica o tangente hiperbólica,
-20 -15 -10 -5 0 5 10 15 200
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
rOnQ � �)�� � �)���)�� � �)��'
�
Figura 24 Curva de la función sigmoidal simétrica con c=0.5.
�
"�#����������� �������� $�������������%�����������������������&��'&(�
�
Threshold, siendo c una constante >0:
rOnQ � õ f'¤�'n ö f�2'¤�'n ° 2�n'onIn'ª2!f÷�«�
�
Figura 25 Curva de la función de Threshold con c=0.1.
�
La función de Threshold proporciona una salida lineal entre 0 y 1.
La distribución exponencial, nos proporciona mediante una curva exponencial,
luna salida entre 0 y 1.
-20 -15 -10 -5 0 5 10 15 20-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25 30 35 40 450
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
rOnQ � ,ÕÑ'O2'! f � �)��Q
�
Figura 26 Curva de la función de distribución exponencial con c=0.5.
�
Proporción polinómica, con c>0 y n>1, rOnQ � ,ÕÑ'O2'! n<� � n<Q
�
Figura 27 Curva de la proporción polinómica con c=0.5 y n=2.
En este caso, la salida siempre nos da 1 salvo en un punto en concreto que nos
da 0.
6.5 Arquitectura de la Neurona
Es importante a la hora de desarrollar la red neuronal, tener en cuenta la
arquitectura de la misma. La arquitectura viene definida por los pesos sinápticos, el
número de capas y la conexión entre los distintos elementos que forman la red neuronal.
Se pueden considerar fundamentalmente tres distintas arquitecturas la red de
alimentación unidireccional con una sola capa (Single-Layer Feedforward Network), la
-20 -15 -10 -5 0 5 10 15 200
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-20 -15 -10 -5 0 5 10 15 200
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
red de alimentación unidireccional multicapa (Multilayer Feedfoward Network) y las
redes recurrentes [14].
La red de alimentación unidireccional con una sola capa consta realmente de dos
capas, la capa de las entradas y la de las salidas, pero recibe el nombre de una sola capa
porque en la capa de las entradas no se realiza ningún cálculo. Es unidireccional porque
las entradas de la capa de las salidas son las salidas de la capa de las entradas.
�
Figura 28 Red de alimentación unidireccional con una sola capa.
�
En la red de alimentación unidireccional multicapa, entre las capas de entrada y
de salida descritas en el modelo anterior, se considera una o varias capas ocultas, que
están constituidas por los nodos o neuronas ocultas previamente mencionadas. Estas
capas ocultas se encargan de conectar y operar la entrada externa con la salida de la red
neuronal, consiguiendo unos mejores resultados cuantas más capas ocultas se utilicen.
Cada capa tiene como entradas las salidas provenientes de la capa anterior, y sus salidas
serán las entradas de la capa posterior. Si todos los nodos de una capa están conectados
con todos los nodos de la capa adyacente, se denominan redes completamente
conectadas. Si no todos los nodos se conectan entre si decimos que son redes
parcialmente conectadas.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
�
Figura 29 Red de alimentación unidireccional multicapa.
La red recurrente se distingue de la unidireccional en que tiene al menos una
realimentación. Esto quiere decir que la entrada de los nodos no tiene que ser la salida
de un nodo de la capa previa, sino que puede ser de alguna capa posterior e incluso de la
misma capa.
�
Figura 30 Redes recurrentes.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
6.6 Entrenamiento de la Red
Lo que hace especiales a las redes neuronales respecto de otros sistemas de
procesamiento es su capacidad de aprender y mejorar mediante el entrenamiento. Hay
diversos tipos de algoritmos de entrenamiento para el diseño de la red neuronal. Las
diferencias fundamentales entre estos algoritmos de entrenamiento son el modo en que
son ajustados los pesos sinápticos y la manera en la que la red formada por el conjunto
de neuronas interconectadas se relaciona con el entorno.
Simon Haykin [14] define el entrenamiento como:
“El entrenamiento es un proceso por el cual los parámetros libres de una red
neuronal son adaptados a través de un proceso de estimulación por el ambiente
que contiene a la red. El tipo de entrenamiento está determinado por la manera
en que tienen lugar los cambios que sufre el parámetro”
A la hora de realizar el aprendizaje hay reglas o algoritmos básicos de
entrenamiento, como son el entrenamiento por error-corrección, el entrenamiento
basado en la memoria, el entrenamiento de Hebbian y el entrenamiento competitivo. A
continuación de se hará una pequeña descripción de cada una de estas reglas.
En el aprendizaje de error correctivo primero se obtiene la salida tras pasar las
entradas del entrenamiento por las capas ocultas y la capa de salida, habiendo
considerando los pesos iniciales. Una vez obtenida la salida se compara con el valor
deseado de salida, obteniéndose el error de la red. Este error se obtiene como la
diferencia entre las dos salidas. Este error es el que va a permitir y gobernar el
entrenamiento mediante la variación de los pesos sinápticos, hasta que este error sea
mínimo. El ajuste realizado en los pesos es proporcional al producto de la señal de error
y la señal de entrada en cuestión. Este es un entrenamiento supervisado.
En el aprendizaje basado en la memoria se almacenan en memoria todos los
datos históricos ya procesados del entrenamiento, almacenándolos por sus entradas y
sus salidas. Los nuevos patrones serán procesados según su aproximación a un patrón
ya almacenado en memoria.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
El aprendizaje de Hebbian es el más antiguo y otorga una gran importancia a la
relación entre las neuronas, de manera que si dos neuronas que están conectadas son
activadas simultáneamente, se incrementa la fuerza de esa conexión, mientras que si las
neuronas se activan alternativamente se vuelve más débil, o incluso eliminándose. La
conexión de Hebbian es, por lo tanto, una conexión dependiente del tiempo, con un
carácter local y con un fuerte mecanismo interactivo que incrementa la eficacia de las
conexiones en función de la relación entre la actividad pre sináptica y post sináptica.
En el aprendizaje competitivo las neuronas de la salida de la red compiten entre
sí para volverse activas. Solo la neurona de salida ganadora se vuelve activa a la vez.
Por otra parte, se pueden clasificar también por tres diferentes tipos de
aprendizaje: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje
reforzado.
En el aprendizaje supervisado se muestran los patrones de entrada a la red y la
salida que se desea obtener para esos patrones y se emplea una fórmula matemática de
minimización del error que ajuste los pesos para dar la salida más cercana posible a la
salida deseada. Un desglose del modus operandi de este tipo de aprendizaje es el
siguiente:
• Se eligen los valores de los pesos sinápticos de forma aleatoria.
• Con el patrón de entrada elegido y los pesos sinápticos elegidos
anteriormente, la red calcula la salida. Se calcula seguidamente el error entre
la salida de la red y la salida deseada, un cálculo muy común suele ser
mediante el empleo del error cuadrático medio. Conocido este error se
ajustan los pesos sinápticos usando la regla de aprendizaje deseada y así
disminuir el error.
• Se comprueba si el error dado por la red está dentro de los límites de
aceptación o si por el contrario es demasiado grande, en su caso se vuelve al
paso anterior.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
Por otra parte, el aprendizaje no supervisado no necesita los patrones de salida
deseados para llevar a cabo su aprendizaje. Este tipo de aprendizaje clasifica los
patrones en categorías de patrones parecidos, dando la misma salida a los patrones que
considera similares. La similitud de los patrones se dictará a partir de alguna función de
error. La red compara el patrón entrante con los ya almacenados por la red y lo
almacena en la categoría adecuada. Una aplicación de este tipo de aprendizaje es el
reconocimiento de patrones, como pueden ser caras o huellas.
Dentro de este tipo de aprendizaje podemos distinguir el aprendizaje por
componentes principales y el aprendizaje competitivo.
El aprendizaje por componentes principales, como su nombre indica, halla las
características principales de los patrones de entrada.
El aprendizaje competitivo hace que distintas neuronas “compitan” entre sí para
representar a un patrón de entrada. La que consiga que sus pesos se asemejen más al
patrón de entrada será la seleccionada. Una vez seleccionada la ganadora se refuerzan
sus conexiones y se debilitan las de las neuronas perdedoras.
Por último, tenemos el aprendizaje reforzado, éste es parecido al aprendizaje
supervisado, sólo que el supervisor verifica si la respuesta obtenida se acerca o no a la
deseada. Esto lo hace reforzando positivamente los pesos sinápticos con los que se
obtengan buenos resultados y penalizando los que obtienen malos resultados.
6.7 Tipos de Redes Neuronales
En este apartado, se explicarán brevemente los tipos de redes neuronales
artificiales más conocidos y utilizados en la actualidad.
6.7.1 El Perceptrón Simple El perceptrón es una red de alimentación directa. Fue desarrollado por F.
Rosenblatt [29] hacia final de la década de los cincuenta, basándose en la regla de
aprendizaje de Hebb y de los modelos de neuronas biológicas de McCulloch y Pitts [30].
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ���
�
La operación realizada en un perceptrón simple de n neuronas de entrada y m
neuronas de salida es la siguiente:
;" � r x�a"5 5 � ô"<501 z
siendo i=1:m.
Las neuronas de entrada son discretas y la función de activación empleada es de
tipo escalón.
El perceptrón simple es un clasificador, capaz de ser entrenado y determinar
automáticamente los pesos sinápticos que clasifican al conjunto de patrones a partir de
una serie de ejemplos.
6.7.2 La Red de Hopfield
La red de Hopfield es una red monocapa, autoasociativa no lineal que fue
desarrollada por Hopfield en 1982. La red de Hopfield toma valores bipolares {-1,1},
pudiendo también tomar valores binarios {0,1}.
Al ejecutarse un patrón en esta red, se envía un patrón en la red y se actualizan
continuamente las neuronas hasta que se estabilizan los estados de las neuronas a un
patrón memorizado.
Pasos que sigue:
1. Se establece el patrón de entrada en la capa de entrada.
2. Se actualizan las neuronas de la capa de procesamiento.
3. Si han cambiado el estado de la red o hemos realizada ya el número máximo
de iteraciones, se detiene el paso.
4. En caso contrario, volvemos al paso 2 y siguientes.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
6.7.3 El Perceptrón Multicapa Este tipo de red es como el perceptrón simple pero se le han añadido capas, con
lo que es capaz de clasificar conjuntos que no son linealmente independientes, lo cual
no podía con una sola capa.
6.7.4 Red Competitiva Las redes de aprendizaje competitivo se diferencian de las otras redes neuronales
en que en las anteriores redes las neuronas colaboran entre ellas en la representación de
los patrones, mientras que, en este tipo de redes cada neurona compite con las otras
neuronas para representar los patrones. Utilizan por lo tanto el aprendizaje competitivo
explicado en apartados anteriores.
Pasos que sigue la red:
1. Inicializamos los pesos sinápticos a valores aleatorios y pequeños (cercanos
a cero).
2. Se establece el patrón de entrada en la capa de entrada.
3. Se hace que las neuronas de la capa de salida actualicen sus salidas con los
valores de la capa de entrada.
4. Se halla la neurona ganadora que es la que mejor aproximación ha realizado.
5. Se solicita que aprendan las sinapsis que llegan a la neurona ganadora.
6.7.5 Redes Neuronales ART1 Estas redes están basadas en la teoría de resonancia adaptativa y se emplean para
la clasificación de patrones de manera no supervisada.
6.7.6 Mapas de Kohonen. Redes Neuronales Autorganizativas También es una red no supervisada, sólo que en este caso las neuronas que
representan patrones parecidos aparecen juntas en la salida. Las redes de kohonen son
redes bicapas, la capa de entrada de sensores y la capa de salida que realiza el cálculo.
Para que las neuronas puedan ser comparadas con la posición de otras neuronas de la
red, se le asocia una regla de vecindad. Estando las neuronas conectadas todas entre sí.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������!�������� ��
�
6.7.7 Red Neuronal de Regresión General La red neuronal de regresión general es una red de tipo probabilístico, las cuales
constan de un entrenamiento en un solo paso y pueden ser implementadas directamente
en la arquitectura de la red neuronal [17]. Este tipo de red que fue empleada en los
trabajos, se desarrolla de forma más detallada en el siguiente capítulo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
CAPÍTULO 7
RED NEURONAL DE REGRESIÓN
GENERAL
7.1 Introducción
En el presente capítulo se explicará el tipo de red neuronal seleccionada para
llevar a cabo el desarrollo del modelo. Se ha decidido utilizar la red neuronal de
regresión general (“general regression neural network”, GRNN) por las dos siguientes
razones:
• La red neuronal de regresión general no necesita la predicción de los
nodos ni de las capas a emplear.
• Tiene una estructura sencilla, y es de fácil y rápido entrenamiento.
Así mismo, se tiene la referencia de la utilización por el Dr. Eric W.M. Lee y el
Dr. Richard K.K. Yuen en su estudio “A novel artificial neural network fire model for
prediction of thermal interface location in single compartment fire” [16]. En el cual
emplea una red neuronal de regresión general para predecir la interfase térmica en un
recinto en un compartimento.
Este tipo de red se entrena fácilmente en un único paso, y puede entrenarse
nuevamente tan pronto como se dispongan de nuevos datos para su entrenamiento.
Adicionalmente la red neuronal de regresión general es capaz de capturar el
comportamiento de los sistemas no lineales. Incluso con escasos datos en un espacio
multidimensional de medición, el algoritmo proporciona una transición suave de un
valor observado a otro.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
Si las variables a estimar son los valores futuros, entonces el procedimiento es
predictor. En cambio, si las variables a estimar relacionan las variables de salida con las
de entrada, el procedimiento se puede usar para modelar el proceso o sistema.
Una limitación que tiene este tipo de red es la poca capacidad de extrapolación
fuera del rango de datos utilizados en el entrenamiento.
�
Figura 31 Diagrama de bloques de la GRNN. [17]
�
7.2 Fundamentos Matemáticos
La regresión de una variable dependiente, Y, en una variable independiente, X,
es el cálculo del valor más probable de Y para cada valor de X basado en un número
finito de datos de entrenamiento de X y los valores que tiene asociados de Y. Estas
variables X e Y pueden ser vectores. En sistemas de identificación, la variable
dependiente, Y, es la salida del sistema y la variable independiente, X, es la variable de
entrada. Normalmente es necesaria la asunción de una serie de parámetros desconocidos,
ai, para la implementación de la identificación del sistema.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
Estos parámetros tomarán un valor tal que permitan un mejor ajuste a los datos
observados. Esta red neuronal es paralela, lo que la permite aprender y estimar los
valores de Y para cada nuevo valor de X en un corto periodo de tiempo.
Suponiendo que f(x,y) representa la función de densidad de probabilidad del
conjunto permanente del vector variable x y de la variable escalar y. Permitiendo a X ser
un determinado valor medio de la variable aleatoria x. La regresión de y sobre X es:
ïª;�Ø« � à ;rOØ! ;Q8;��à rOØ! ;Q8;��
Si no se conoce la función de densidad, ésta se debe de estimar con una muestra
de observaciones de los valores de x e y. Para una estimación no paramétrica de la
función de densidad se usa la clase de estimadores propuestos por Parzen [31]. Estos
estimadores son una buena elección para la estimación de la función de densidad si se
asume que esta función de densidad es continua y que las primeras derivadas parciales
evaluadas para cualquier x son pequeñas. El estimador de la probabilidad røOØ! Q se
basa en los valores de muestra Xi e Yi de las variables aleatorias x e y.
røOØ! Q � fOKÄQOj�1Q÷yÁO(�1Q � f���`o ù� 9Ø � Ø":sOØ � Ø"QKÁy ú<"01 � �`o �� O � "QyKÁy �
siendo:
n el número de observaciones de la muestra. � la dimensión del vector x.
La interpretación física de la estimación de la probabilidad es que se asigna la
probabilidad de una muestra de anchura Á para cada muestra Xi y Yi, y la suma de las
probabilidades de esas muestras es la probabilidad estimada.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
Si sustituimos esta función de probabilidad estimada en la ecuación que nos da
la regresión de y sobre X, ésta queda:
ûOØQ � � �`o ù� 9Ø � Ø":sOØ � Ø"QKÁy ú à ;'�`o ¸� O; � "QyKÁy ¹ 8;||<"01� �`o ¸� OØ � Ø"QsOØ � Ø"QKÁy ¹ à '�`o ¸� O; � "QyKÁy ¹ 8;||<"01
Realizando las operaciones indicadas, obtenemos:
ûOØQ � � "�`o ��c"yKÁy �<"01� �`o ��c"yKÁy �<"01
siendo Di la distancia entre el ejemplo del entrenamiento y el punto de
predicción.
c"y � OØ � Ø"Q
Esta distancia ofrece idea de cómo de bien cada muestra de entrenamiento puede
representar la posición de la predicción, X. Si esta distancia Di entre el ejemplo del
entrenamiento y el punto a predecir es pequeña, entonces la exponencial de la ecuación
anterior se hace grande. Si la distancia es cero, la exponencial vale 1 y ésto hace que
este valor de entrenamiento contribuya mucho. Mientras que si la distancia Di es grande,
la exponencial tendrá un valor bajo y por lo tanto el valor de entrenamiento tendrá poca
contribución en la predicción.
En la red neuronal de regresión general se utiliza como función de densidad de
probabilidad la distribución normal. Cada ejemplo de entrenamiento, Xi se utiliza como
la media de la distribución normal.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �� ��
�
Parzen [31] y Cacoullos [32] han demostrado que los estimadores de densidad
de la forma de røOØ! Q , usados en las ecuaciones anteriores, son estimadores
consistentes para toda función de densidad continua, siempre que Á � ÁO�Qsea una
función decreciente de n tal que:
ÐÓ,<¡|ÁO�Q � 2 ''';''' ÐÓ,<¡|�Á(O�Q � ü
La estimación ûOØQ nos muestra la media ponderada de todos los valores
observados, Yi, donde cada valor observado es ponderado exponencialmente de acuerdo
con su distancia Euclidea X.
La desviación estándar o parámetro de suavidad es el parámetro �. Podemos ver
que a mayor �, mayor es el rango de los valores de entrenamiento que influyen en el
cálculo, mientras que si � es pequeño, este rango se vuelve más restrictivo. Por eso,
cuando � se hace grande, ûOØQ toma el valor de las medias de muestreo observadas Yi,
y si � tiende a cero, ûOØQ toma el valor del Yi asociado a la observación más cercana a
X. Si � toma un valor intermedio, se toman todos los valores de Yi, teniendo más peso
los cercanos a X.
Un método de calcular el parámetro �, es el “método de resistencia” (holdout
method) el cual consiste en que para un valor particular de �, se elimina un ejemplo del
entrenamiento y con los demás se construye la red, y se estima la Y del ejemplo
eliminado. Se repite la misma operación para el resto de los ejemplos del entrenamiento
calculándose el error cometido. Entonces el proceso de reducción del conjunto de
muestras de entrenamiento y la predicción del valor de estas muestras se repite para
muchos valores diferentes de �. Y el � del que la suma de las diferencias de cuadrados
sea la menor es el � que será usado para las predicciones. Este proceso no tiene
restricciones, sin embargo, no siempre se obtienen los resultados deseados.
Una forma interesante de poner el estimador, desde el punto de vista de la
simplicidad computacional, es:
ûOØQ � � "�`o ��M"Á �<"01� �`o ��M"Á �<"01
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
siendo:
M" ��ÝØ5 � Ø5"Ý(501
A esta medida frecuentemente se la llama Distancia de Manhattan.
En los casos en los que se dispone de un bajo número de observaciones de (X,
Y) es deseable el empleo en la ecuación del estimador de todos los datos obtenidos. Sin
embargo, en otros problemas el número de observaciones obtenidas puede ser tan
grande que no sea práctico asignar una neurona a cada ejemplo. Para evitar esto último,
se han desarrollado distintas técnicas de agrupamiento para representar un grupo de
muestras en una única neurona, la cual mide la distancia entre los vectores de entrada y
el centro del grupo. De este modo se puede reducir el tamaño de los datos de
entrenamiento usando las muestras más representativas. Reescribimos el estimador
como:
ûOØQ � � ä" '�`o ��c"yKÁy �<"01� Â"'�`o ��c"yKÁy �<"01
con:
�ä"OwQ � ä"Ow � fQ � 5Â"OwQ � Â"Ow � fQ � f �
Donde m<n es el número de grupos, ä"OwQ y Â"OwQ son los valores de los
coeficientes de los grupos i tras k observaciones. Siendo ä"OwQ la suma de los valores de
Y y Â"OwQ el número de muestras asignadas a el grupo i.
Para llevar a cabo el método de las agrupaciones se establece un único radio de
influencia, r, el cual nos va a dar la máxima distancia a la que se puede encontrar una
muestra X del centro del grupo Xi. El centro del primer grupo se establece al comenzar
con el primer punto (X, Y) estableciéndole en este X.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ �����
�
En las futuras muestras se mirará que la distancia ÝØ � ýþÝsea menor que la
distancia r, convirtiéndose en un nuevo centro de un grupo en caso de ser mayor que
esta distancia.
Como los coeficientes A y B pueden ser determinados mediante ecuaciones
recursivas, es fácil añadir las ecuaciones olvidadas. Esto es deseable si la red está siendo
usada para modelar un sistema con características variables. Podemos calcular los
coeficientes como:
õä"OwQ � p � fp ä"Ow � fQ � fp 5Â"OwQ � p � fp Â"Ow � fQ � fp�
si la nueva muestra está asignada a el grupo i, o:
õä"OwQ � p � fp ä"Ow � fQÂ"OwQ � p � fp Â"Ow � fQ�
si la nueva muestra está asignada a un grupo diferente del i.
p es la constante de tiempo de una función de decrecimiento exponencial. Si
considerásemos que todos los coeficientes son atenuados por el factor �1� , la ecuación
del estimador permanecería invariable. Sin embargo, la nueva información de las
muestras tendrá influencia en el área local alrededor de su centro de grupo asignado.
7.3 GRNN en Matlab
A este modelo de red neuronal le hemos añadido una serie de programas
desarrollados mediante el empleo de Matlab, que tienen la función de seleccionar los
valores de entrenamiento de la red neuronal dentro de un amplio rango de datos de
entrenamiento seleccionado en función de cada caso particular, de modo que tiene lugar
una compresión de todos los datos del entrenamiento en un grupo más pequeño de datos
representativos.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ ����
�
Esta selección de los datos de entrenamiento utilizados tiene como ventajas una
mayor velocidad de cómputo a la hora de obtener la salida y la eliminación del ruido de
esta.
Para el desarrollo de la red neuronal se ha empleado la herramienta Matlab, y
más concretamente de su Neural Network Toolbox™ 6, en la cual está implementada la
función denominada newgrnn que se encarga de generar esta red. Esta función recibe
directamente como entradas todos los datos de entrenamiento, creando con ellos la red
neuronal deseada, ésto hace que resulte fácil de entrenar, pero a su vez es una limitación
ya que si el número de datos de entrenamiento es muy elevado puede ralentizar la
operación de procesado de los datos.
La red neuronal de regresión general empleada por Matlab consta de una capa de
base radial y de una capa lineal especial. Esta arquitectura la podemos ver en la figura
29.
Figura 32 Arquitectura de la red neuronal de regresión general (guía de usuario Matlab).
donde:
R es el nº de elementos en el vector de entrada.
Q es el nº de neuronas en la capa 1.
Q es el nº de neuronas en la capa 2.
Q es el nº de pares de entrada/salida.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����!������������������������ ����
�
La primera capa tiene tantas neuronas como vectores de entradas/salidas
introducidos por el usuario. Esta primera capa de la red opera como la red de base radial
“newrbe”.
Cada entrada ponderada de la neurona es la distancia entre el vector de entrada y
su vector de pesos. Cada neurona de entrada a la red es el producto de su entrada
ponderada con su polarización (bias).
Cada neurona de salida es la entrada de la red pasada por la capa de base radial.
Si el vector de pesos de la neurona es igual al vector de entrada adaptado, su entrada
ponderada será 0 y su salida será 1.
La segunda capa también tiene muchas neuronas como vectores de entrada y
salida. Suponiendo que tenemos un vector de entrada p que sea cercano a pi, uno de los
vectores de entrada entre los pares del vector de entrada/objetivo es usado en el diseño
de los pesos de la capa 1. Si la propagación es pequeña la función de base radial tiene
mucha pendiente, por lo que la neurona con el vector de peso cercano a la entrada
tendrá una producción mucho mayor que otras neuronas. La red tiende a responder con
el vector de salida del entrenamiento asociado al vector de entrada de diseño más
cercano.
Cuando la propagación se hace mayor, la función de base radial se vuelve más
suave y varias neuronas pueden responder a un vector de entrada. La red actúa entonces
como si estuviera tomando una media ponderada entre los vectores de la salida del
entrenamiento. Los vectores de salida seleccionados se corresponderían con los vectores
de entrada del entrenamiento más cercanos al vector de entrada deseado. Cuando se
propaga se vuelve más grande y más neuronas contribuyen a la media, haciendo a la red
aun más suave.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
CAPITULO 8
CONDICIONES DE CONTORNO DEL
RECINTO
A efectos de los trabajos, se definió un recinto que a modo de caso canónico
pudiera ser de utilidad para estudiar la capacidad predictiva y prestaciones del modelo
desarrollado.
En este capítulo se mostrará el criterio seguido en la selección tanto del rango de
las dimensiones del recinto a estudiar como de los demás parámetros a considerar en la
entrada del modelo, así como de las salidas que se obtendrán del modelo.
8.1 Parámetros de Entrada
Las dimensiones del recinto han sido consideradas entre 2.5 y 5 metros de ancho
y largo por entre 1.6 y 2.5 metros de altura, de forma que se trata de un recinto cerrado
sencillos y estándar.
Las potencias de la fuente de ignición están definidas por la velocidad de cesión
de calor (HRR) y el rango entre los cuales toma valores es 9 y 40 kW (por unidad de
área 225 y 1000 kW/m2).
También es importante la posición de la fuente de ignición en el recinto. Se han
considerado 3 posiciones distintas, la configuración esquina, la posición pegada a una
pared y en un punto intermedio del recinto que provocan diferentes condiciones de
ventilación del penacho de la fuente de ignición. Las diferencias entre estas diversas
posiciones de la fuente, no se pueden obtener mediante los modelos de zona. Esto es
debido a que al considerar sólo dos zonas en el recinto no tiene en cuenta la posición de
la fuente en la zona inferior, ni su interactuación con los elementos que lo rodean, como
la pared.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
La temperatura ambiente está comprendida entre 19 y 22ºC, la cual es una
temperatura normalizada en recintos cerrados objeto de ensayos [32].
8.2 Parámetros de Salida
Los parámetros definidos como salida y para los diversos modelos son la
temperatura de la capa caliente de humos y la altura de la interfase térmica ya que son
dos parámetros fundamentales a la hora de llevar a cabo un estudio sobre el
comportamiento del fuego en un recinto debido a que nos ofrecen los indicadores más
críticos de cara a determinar el nivel de sostenibilidad para la vida humana. A efectos
del presente trabajo no se desarrollan las manifestaciones generadas por la toxicidad de
los humos, que a bien seguro podrán ser objeto de futuras actuaciones. Así, se abordará
a los efectos térmicos en los que la bibliografía se centra para estudios similares.
Los humos generados por la combustión incompleta de los materiales que
alimentan al incendio, se encuentran a una elevada temperatura, lo que hace que posean
una menor densidad que el aire y por flotabilidad asciendan hasta que el techo del
recinto les detiene. Durante el ascenso, los humos tienen una elevada temperatura y van
calentando al aire circundante el cual al calentarse pasa a formar parte de la capa
caliente de humos y ascienden aumentando la anchura de dicha capa.
Como se ha comentado, a medida que se va desarrollando el incendio en un
recinto cerrado, los humos acumulados en la parte superior requieren de un mayor
volumen para su expansión, lo que provoca que el espesor de la capa caliente de humos
aumente, por lo que hace descender la altura de la interfase térmica entre la capa
caliente de los humos del incendio y la capa fría del aire en las zonas inferiores.
Este descenso de la capa caliente hace que nuevos elementos contenidos en el
recinto puedan llegar a arder si alcanzan su temperatura de ignición. También es
importante resaltar que este descenso de la capa afectará a los ocupantes del recinto,
poniendo en riesgo su seguridad y dificultando las tareas de evacuación, rescate y
extinción del incendio.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
Durante el desarrollo del incendio, los humos se propagan con rapidez,
provocando una disminución del nivel de visibilidad, un incremento de la temperatura y
una elevada concentración de gases tóxicos que cuya inhalación puede ocasionar
incluso la muerte. Siendo la muerte por asfixia el 80% de las muertes acaecidas en los
incendios en recintos cerrados. [19]
También fue fundamental en la elección de estos dos parámetros de salida el
hecho de que modelos de zona en general, y CFAST en particular, prácticamente sólo
recojan estas dos variables como salida.
8.3 Análisis de Sensibilidad
Se ha realizado un estudio inicial de la sensibilidad del sistema estudiado en
relación a cada una de las variables consideradas en el modelo, para ver su grado de
influencia en la temperatura de la capa caliente de humos y en la altura de la interfase.
Las simulaciones se han realizado mediante el empleo del modelo de campo
FDS. Las entradas empleadas para el análisis de sensibilidad vienen recogidas en la
tabla 1.
PARÁMETROS TEMPERATURA
FUENTE DE
SIMULACIÓN AMBIENTE HRRPUA ANCHO LARGO ALTURA IGNICIÓN
BASE 19 310 2.5 2.5 1.8 Pared
FUENTE DE IGNICIÓN
EN EL INTERIOR 19 310 2.5 2.5 1.8 Interior
FUENTE DE IGNICIÓN
EN UNA ESQUINA 19 310 2.5 2.5 1.8 Esquina
MAYOR ALTURA 19 310 2.5 2.5 2.5 Pared
TAMAÑO PLANTA
INTERMEDIO 19 310 2.5 4.3 1.8 Pared
MAYOR HRRPUA 19 900 2.5 2.5 1.8 Pared
TAMAÑO PLANTA
MAYOR 19 310 4.3 4.3 1.8 Pared
TEMPERATURA
AMBIENTE MAYOR 22 310 2.5 2.5 1.8 Pared
Tabla 1 Parámetros de entrada de los ejemplos empleados en el análisis de sensibilidad.
Con las simulaciones realizadas, se grafica cada variación de las entradas frente
a la simulación base, comparando los parámetros de salida considerados en el modelo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
8.3.1 Análisis de sensibilidad de la posición de la fuente de ignición
En las figuras 33 y 34 podemos observar la dependencia de la temperatura de la
capa caliente y de la altura de la interfase frente a la variación de la posición de la fuente
de ignición dentro del recinto.
Podemos ver como si la fuente de ignición está situada en el interior del recinto
se obtiene una mayor temperatura de capa caliente. La diferencia absoluta de la posición
interior respecto de la posición esquina, que es en la que menor temperatura se alcanza,
está entorno a los 6 ºC, y a unos 3 ºC respecto de la temperatura en la configuración
pared.
Esta diferencia de temperaturas se debe a que la configuración con la fuente de
ignición en el interior del recinto permite llegar mayor cantidad de oxígeno a dicha
fuente. Si se hubieran considerado elementos reaccionantes en el interior del recinto
como cortinas, alfombras, etc., en la configuración esquina aunque se dispone de menor
entrada de oxígeno en el penacho, pudiera haber producido la participación de esos
elementos combustibles. La configuración esquina es más exigente en términos de
transmisión de calor por convección y radiación.
�
Figura 33 Análisis de Sensibilidad en la Temperatura posicionando la fuente de ignición en el interior
del recinto.
)
&)
*)
+)
,)
-)
.)
/)
) &)) *)) +)) ,))
Tem
pera
tura
Cap
a C
alie
nte
(ºC
)
Tiempo (s)
Temperatura Capa Caliente 1 y 2
Temperatura Fuente Interior
Temperatura Fuente EsquinaTemperatura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �� ��
�
�
�
Figura 34 Análisis de Sensibilidad en la Interfase posicionando la fuente de ignición en el interior del
recinto.
�
8.3.2 Análisis de sensibilidad de la altura del recinto
Si tenemos en consideración la altura del recinto, podemos observar en las
figuras 35 y 36 que como era previsible a mayor altura mayor es la altura de la interfase
inicialmente, y menor es la temperatura de la capa caliente alcanzada en el recinto.
El que se alcance una menor temperatura es debido, por una parte a que el
aumento de la altura implica un aumento del volumen del recinto, y por lo tanto un
mayor volumen inicial de aire frío a calentar. Por otra parte, al haber una mayor altura el
penacho tarda más en llegar al techo del recinto, lo que se traduce en una mayor pérdida
de calor en el ascenso, al estar más tiempo en contacto con el aire circúndate, lo cual
implica a su vez una menor temperatura en la capa caliente.
En el caso de contar el recinto con más elementos combustibles al alcanzarse
una menor temperatura, algunos de estos elementos no entrarían en ignición por lo que
se obtendría aun mayor diferencia de temperatura
))(*)(,)(.)(0&
&(*&(,&(.&(0*
) &)) *)) +)) ,))
Altu
ra In
terf
ase
(m)
Tiempo (s)
Altura Interfase 1 y 2
Altura Fuente Interior
Altura Fuente Esquina
Altura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
�
Figura 35 Análisis de Sensibilidad en la Temperatura Variando la Altura del Recinto.
�
�
Figura 36 Análisis de Sensibilidad en la Altura de la Interfase Variando la Altura del Recinto.
8.3.3 Análisis de sensibilidad del tamaño de la planta del recinto
Cuando se varía el tamaño de la planta del recinto, lo que estamos haciendo es
variar el volumen del recinto, por lo que al aumentar dicho volumen lo que obtenemos
es una disminución de la temperatura de la capa caliente (ver Figura 37). Por otra parte
podemos observar en la Figura 38 que a mayor área de la planta del recinto se obtiene
una altura de la interfase de capas.
)
&)
*)
+)
,)
-)
.)
/)
) &)) *)) +)) ,))
Tem
pera
tura
Cap
a C
alie
nte
(ºC
)
Tiempo (s)
Temperatura Capa Caliente 3
Temperatura Altura Mayor
Temperatura Base
)
)(-
&
&(-
*
*(-
+
) &)) *)) +)) ,))
Altu
ra In
terf
ase
(m)
Tiempo (s)
Altura Interfase 3
Altura Altura Mayor
Altura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� �����
�
�
Figura 37 Análisis de Sensibilidad en la Temperatura Variando el Tamaño de la Planta.
�
�
Figura 38 Análisis de Sensibilidad en la Altura de la Interfase Variando el Tamaño de la Planta.
8.3.4 Análisis de sensibilidad del HRRPUA
También podemos observar en las Figuras 39 y 40, la variación de la
temperatura de la capa caliente y de la altura de la interfase al variar la velocidad de
cesión de calor. Como era previsible, vemos que con una mayor velocidad de cesión de
calor por unidad de área se alcanza una mayor temperatura. Esto es debido a que el
HRR nos indica la velocidad con la que un elemento libera energía en un incendio.
)
&)
*)
+)
,)
-)
.)
/)
) &)) *)) +)) ,))
Tem
pera
tura
Cap
a C
alie
nte
(ºC
)
Tiempo (s)
Temperatura Capa Caliente 4
Temperatura Tamaño Planta Intermedio
Temperatura Tamaño Planta Mayor
Temperatura Base
))(*)(,)(.)(0&
&(*&(,&(.&(0*
) &)) *)) +)) ,))
Altu
ra In
terf
ase
(m)
Tiempo (s)
Altura Interfase 4
Altura Tamaño Planta Intermedio
Altura Tamaño Planta Mayor
Altura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� ����
�
Vemos la importancia de este parámetro en que tanto la temperatura, como la
generación de humo, entre otros, son directamente proporcionales a esta velocidad.
�
Figura 39 Análisis de Sensibilidad en la Temperatura Variando el HRRPUA.
�
�
Figura 40 Análisis de Sensibilidad en la Altura de la Interfase Variando el HRRPUA.
8.3.5 Análisis de sensibilidad de la temperatura ambiente
Por último, vemos que si variamos la temperatura ambiente en el recinto se
produce un aumento de la temperatura de la capa caliente del orden de los mismos
grados en los que se aumentó la temperatura del recinto.
)
*)
,)
.)
0)
&))
&*)
) &)) *)) +)) ,))
Tem
pera
tura
Cap
a C
alie
nte
(ºC
)
Tiempo (s)
Temperatura Capa Caliente 5
Temperatura HRRPUA Mayor
Temperatura Base
))(*)(,)(.)(0&
&(*&(,&(.&(0*
) &)) *)) +)) ,))
Altu
ra In
terf
ase
(m)
Tiempo (s)
Altura Interfase 5
Altura HRRPUA Mayor
Altura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
����������������������������������� ����
�
�
Figura 41 Análisis de Sensibilidad en la Temperatura Variando la Temperatura Ambiente.
�
Figura 42 Análisis de Sensibilidad en la Altura de la Interfase Variando la Temperatura Ambiente.
Hemos podido observar que todas las variables consideradas como parámetros
de entrada del modelo tienen una influencia en los dos parámetros de salida,
especialmente en la temperatura de la capa caliente. En la altura de la interfase de las
capas caliente y fría no se percibe tanta diferencia al ser un recinto cerrado en el cual la
altura de interfase al final del ensayo varía como máximo 10 cm. El único caso en el que
se nota una gran diferencia en la altura es al modificar el tamaño de la planta del recinto,
en este caso, cuando tenemos el recinto con menores dimensiones de planta, se alcanza
antes la altura de equilibrio de la interfase.
)
&)
*)
+)
,)
-)
.)
/)
) &)) *)) +)) ,))
Tem
pera
tura
Cap
a C
alie
nte
(ºC
)
Tiempo (s)
Temperatura Capa Caliente 7
Temperatura a Temperatura Ambiente Mayor
Temperatura Base
))(*)(,)(.)(0&
&(*&(,&(.&(0*
) &)) *)) +)) ,))
Altu
ra In
terf
ase
(m)
Tiempo (s)
Altura Interfase 7
Altura a Temperatura Ambiente Mayor
Altura Base
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
CAPITULO 9
ENSAYO DE FUEGO A ESCALA REAL
9.1 Características Geométricas de los Escenarios Considerados y
Determinación de las Fuentes de Ignición �
El recinto objeto de los experimentos tiene las dimensiones en planta de 3 m x 3
m y alturas libres hasta la cubierta de 1.8 m, 2 m, 2.2 m, 2.4 m y 2.7 m. respectivamente,
lo que posibilita analizar la influencia de la geometría de los espacios, en especial de la
altura, y determinar la posición de la interfase térmica de los humos analíticamente.
Las velocidades de cesión de calor a escala real consideradas son 9, 20 y 40 kW
constantes en el tiempo.
9.2 Montaje del Recinto
A efectos del trabajo, se aprovechó el escenario de incendio desarrollado para el
Proyecto de Investigación del Grupo GIDAI sobre el Modelado Físico del Movimiento
de Humos en Caso de Incendio en Atrios, financiado por el Ministerio de Vivienda en la
convocatoria para la Concesión de Proyectos de Investigación Científica y Desarrollo e
Innovación Tecnológica en Materia de Sostenibilidad, Innovación y Calidad de la
Edificación y la Vivienda y la Promoción de las Tecnologías de Información y
Comunicación en el Sector (Orden VIV/2710/2007) [18], en el que se analizan mediante
técnicas de semejanza dimensional las condiciones del movimiento de los humos en
atrios.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
Para la construcción del recinto fue empleada una estructura metálica como
bastidor soporte de la estructura. Así mismo, se emplearon unos soportes metálicos para
poder elevar la estructura a la hora de modificar las alturas del recinto según los
escenarios seleccionados. Elevando en otras ocasiones la fuente de ignición mediante
bloques de madera para simular un escenario de menor altura.
�
Figura 43 Elementos empleados para la realización de ensayos en atrios a diferentes alturas.
Un árbol de termopares diseñado mediante el empleo de una varilla de acero fue
instalado sobre la fuente de ignición, para la obtención de las temperaturas del penacho.
Los arboles de termopares restantes fueron colocados en las cercanías de las paredes.
�
Figura 44 Sistema de fijación de un árbol de termopares construido mediante cable de acero.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
El número de termopares instalados en cada árbol era dependiente de la altura
del recinto y se dispusieron desde el suelo hasta la cubierta del mismo.
A la hora de realizar los cerramientos del modelo a escala se emplearon paneles
pladur sujetos al bastidor de la estructura mediante un cable de acero de pequeño
diámetro.
El sellado de dichos cerramientos se llevo a cabo con cintas metálicas en los las
zonas donde se debía soportar mucha carga térmica y convencional en los demás casos.
�
Figura 45 Sellado de los cerramientos.
9.3 Instrumentos de Medida
En este apartado se explican, brevemente, los instrumentos de medida
empleados para la realización de los ensayos y algunas de sus características más
importantes.
9.3.1 Instrumental para la medición de la Temperatura La medición de la temperatura es esencial en el ensayo y tiene como propósito
calcular la interfase térmica de los humos y la obtención de los valores alcanzados de la
capa caliente.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
A la hora de seleccionar los termopares se examinaron los distintos tipos
existentes. Podemos encontrar del tipo K (Níquel-Cromo/Níquel-Aluminio) o los tipos
G (Tungsteno/Tungsteno-26%Renio) y D (Tungsteno-3%Renio/Tungsteno-25%Renio)
capaces de aguantar hasta 2320ºC. Al ser la temperatura alcanzada mucho menor que
esos 2320ºC los termopares escogidos fueron sondas termopar tipo K de la firma TC
(Referencia 12-K-10000-118-1.5-2I-3P2L-1MTR C40KX) con aislamiento de fibra
mineral y vaina de acero inoxidable para el registro de temperaturas en un rango entre -
200 ºC y 1250 ºC, con un tiempo de respuesta de centésimas de segundo y un diámetro
de vaina de 1.5 mm, de forma que son manejables y resistentes.
�
Figura 46 Termopar tipo K empleado durante los ensayos.
�
El cable de termopar empleado C40-KX tiene aislamiento de fibra de vidrio y es
capaz de soportar 540ºC y el C76-KX con doble aislamiento de fibra de vidrio es capaz
de soportar temperaturas de 800ºC. Se seleccionó uno u otro dependiendo de las
condiciones en el punto donde se deba localizar.
En lo referente a la disposición de los termopares durante el ensayo, estos fueron
dispuestos en diferentes árboles de termopares ubicados en distintas zonas del interior
del recinto como se muestra en la figura 47, donde los puntos indican .en la figura
izquierda la posición de los árboles y en la figura derecha la posición de los termopares.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �� ��
�
Figura 47 Localización de los árboles de termopares en planta (izquierda) y de los termopares en cada
uno de ellos (vista derecha en perfil).
Fueron empleados dos tipos de arboles de termopares diferentes, unos formados
por cables de acero con tensores en sus extremos y otros mediante varilla rígida.
�
Figura 48 Árbol de termopares construido mediante varilla rígida de acero.
�
Figura 49 Árboles de termopares construidos mediante cable de acero y preparados para su traslado al
recinto de ensayo.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
9.3.2 Instrumental para la medición de la Pérdida de Masa Las células de carga empleadas en el ensayo a escala deben ser capaces por una
parte de disponer de la precisión suficiente para detectar pérdidas de gramos de
combustible durante el incendio en el ensayo, por otra parte debe ser capaz de trabajar
en el rango de temperaturas alcanzadas durante los ensayos. Cumpliendo con estos
requisitos se escogió la célula de carga de modelo TCA de 10 kg.
�
Figura 50 Vista de las células de carga TCA y del montaje de cuatro células de carga en la estructura.
9.3.3 Instrumental para el Registro de Datos El sistema de adquisición de datos a utilizar será el Agilent 34980A, equipado
con los módulos 34921A de 40 canales de entrada multiplexada, para la conexión de los
termopares y demás instrumentos de medida (Figura51). La conexión de estos
dispositivos a los módulos del adquisidor se detalla en el “Procedimiento Operativo de
Montaje”. El equipo se configurará usando el software BenchLink Data Logger.
�
Figura 51 Equipo de adquisición de datos Agilent 34980A (izquierda) y módulo de conexión de 40
entradas duales multiplexadas 34921A (derecha).
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
�
Figura 52 Representación esquemática del ensayo de penacho con los diversos instrumentales
empleados.
9.4 Determinación de la Interfase Térmica de los Humos del Incendio
9.4.1 Obtención de la Velocidad de Cesión de Calor del Combustible La velocidad de cesión de calor del incendio no suele proporcionarse entre las
propiedades fundamentales de los combustibles. Esto hace que sea necesario calcular
este parámetro, bien mediante la realización de ensayos a escala real, o bien
extrapolando los resultados obtenidos mediante ensayos a escala, o recurrir a
bibliografías existentes.
El método experimental empleado para el cálculo experimental de la velocidad
de cesión de calor consiste en la medición de la velocidad de pérdida de masa del
combustible durante el incendio. Esto se hace mediante células de carga que midan la
disminución de la pérdida de masa del combustible durante el incendio.
Conociendo esta pérdida de masa y conociendo el calor de combustión efectivo
del combustible se puede obtener la velocidad de cesión de calor del combustible.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� ����
�
�� � �� ��)!�
donde:
�� : velocidad de cesión de calor (kW). �� : velocidad de pérdida de masa del combustible (kg/s). ��)!� : calor de combustión efectivo (kJ/kg).
Siendo el calor de combustión efectivo del queroseno 43200 kJ/kg y habiendo
obtenido la gráfica que representa la velocidad de la pérdida de masa, mediante los
resultados obtenidos con las células de carga.
Figura 53 Velocidad de pérdida de masa del combustible registrada por las células de carga durante el
desarrollo.
�
Obteniendo la recta entre los 200 y los 370 segundos que es el tramo desde que
se inicia hasta que se apaga.
m = -0.2212t + 9948.8
Siendo la pendiente 0.2212 gr/s la velocidad de pérdida de masa del combustible.
Tenemos que la velocidad de cesión de calor es:
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� ����
�
�� � 2áKKfK � Ã�K22 � �á��w�
Valor aproximado a los 9kW deseados.
9.4.2 Obtención de la Interfase Térmica de los Humos durante el
Ensayo a Escala La obtención de la interfase térmica de los humos o altura de la capa caliente se
realiza a partir de las mediciones obtenidas mediante los termopares instalados en el
recinto del ensayo con los que se obtienen las temperaturas a distintas alturas del recinto.
Para obtener la altura de la interfase a partir de estos datos se emplea el método
utilizado por el modelo FDS [8], el cual a su vez se basa en el desarrollado por M. L.
Janssens y H. C. Tran [27].
Considerando la función T(z) que define la temperatura como función de la
altura sobre el suelo z, donde z=0 si estamos a nivel del suelo y z=H en el techo. Siendo
Tu la temperatura en la capa caliente y Tl la temperatura en la capa fría que en nuestro
caso es la temperatura más baja medida en el ensayo y zint la altura de la interfase
deseada, tenemos que:
O� � P"<#Q�� � P"<#� � N �OPQ8P�S � ½1
O� � P"<#Q f�� � P"<# f� � N f�OPQ 8P�S � ½y
De donde se despeja zint:
P"<# � � O½1½y � �yQ½1 � ½y� y � K� �
Primeramente se obtiene el valor medio de la temperatura del ensayo obtenida
mediante los termopares para cada altura, con estas temperaturas y sus alturas se
calculan I1 e I2 a través de las integrales, calculando el sumatorio de áreas y el sumatorio
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
de la altura entre su temperatura. Con I1 e I2 se calcula zint y finalmente se obtiene Tu
despejando:
�� � O½1 � P"<#� QO� � P"<#Q
�
Figura 54 Cálculo de I1.
Siendo por tanto:
I1=S1+ S2+ S3+ S4+ S5+ S6
9.4.3 Datos de salida de los Termopares
En este apartado se mostrarán en diversas figuras las salidas de cada árbol de
termopar siendo los termopares TC6 los situados en la zona superior del árbol y los TC1
los dispuestos en la parte inferior. Los arboles de termopares nombrados de 1 a 8 son los
situados por el recinto cercanos a la pared y el árbol de termopar sobre la fuente de
ignición es de ese modo llamado.
Los datos de salida de los arboles de termopares en el ensayo de 2.2 m de altura
vienen dados en las siguientes gráficas.
�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
�
�
�
�
20
25
30
35
40
45
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 1 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 20
25
30
35
40
45
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 2 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
20
25
30
35
40
45
50
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 3 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 20
25
30
35
40
45
50
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 41
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
20
25
30
35
40
45
50
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 51
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
20
25
30
35
40
45
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 6 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
20
25
30
35
40
45
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 71
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC620
25
30
35
40
45
50
0 500 1000 1500 2000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 81
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
�
Figura 55 Datos de los arboles de termopares del ensayo de 2.2 m de altura.
Los datos de salida de los arboles de termopares en el ensayo de 1.8 m de altura
se muestran en las siguientes gráficas.
� �
� ��
� ��
20
40
60
80
100
120
140
0 200 400 600 800 1000 1200 1400 1600 1800
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol fuente de ignición 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 1 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 20253035404550
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 21
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 3 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 4 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 5 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol 6 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
� �
�
Figura 56 Datos de los arboles de termopares del ensayo de 1.8 m de altura.
Podemos observar en ambos casos que los termopares situados en la parte
superior de los arboles de termopares alcanzan una mayor temperatura salvo en el caso
del árbol de termopar situado sobre la fuente de ignición que nos da la temperatura del
penacho y por tanto da mayores temperaturas a menor altura.
9.5 Resultados de los Ensayos
Para la validación de los resultados del modelo de basado en redes neuronales
desarrollado se van a tomar dos de los ensayos a escala reducida, con los valores de
entrada mostrados en la tabla nº2.
ENSAYO Tª Ambiente HRRPUA LARGO ANCHO ALTO X FUEGO Y FUEGO
1 20 225 3 3 1.8 1.5 1.5
2 20 225 3 3 2.2 1.5 1.5
Tabla 2 Datos de entrada de los ensayos empleados para la validación del modelo.
En los cuales vemos que modificamos únicamente la altura del recinto.
2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol de Termopar 7 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6 2025303540455055
0 500 1000
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol de Termopar 8 1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
0
50
100
150
200
250
0 200 400 600 800 1000 1200
Tem
pera
tura
s (º
C)
Tiempo (s)
Arbol de Termopar sobre fuente de ignición1
2
3
4
5
6
TC1
TC2
TC3
TC4
TC5
TC6
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �����
�
Mediante los datos de temperatura obtenidos con los arboles de termopares
(véase apartado 9.4.3) y con el método explicado en el apartado 9.4.2, se obtienen la
temperatura de la capa caliente y la altura de la interfase de las capas.
�
Figura 57 Temperatura de la Capa Caliente del Ensayo1.
�
Figura 58 Altura Interfase Ensayo 1.
Podemos observar como la temperatura de la capa caliente alcanza un máximo a
los 150 segundos del ensayo a escala y luego comienza a disminuir. Por otra parte
vemos como la altura de la interfase disminuye rápidamente en los instantes iniciales y a
partir de los 100 segundos aproximadamente disminuye muy lentamente hasta alcanzar
los 20 cm aproximadamente.
10
20
30
40
50
60
70
0 50 100 150 200 250
Tcc(
ºC)
Tiempo(seg.)
Temperatura Capa Caliente Ensayo 1
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 50 100 150 200 250
H(m
)
Tiempo(seg.)
Altura Interfase Ensayo 1
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
1���������������1�������� �� ��
�
�
Figura 59 Temperatura de la Capa Caliente del Ensayo2.
�
�
Figura 60 Altura Interfase Ensayo 2.
En el ensayo 2, en el cual la altura del recinto es mayor, vemos como la
temperatura máxima que se alcanza es menor que en el ensayo 1 y se produce más tarde.
Esto es debido al mayor volumen del recinto que debe ser calentado por la fuente de
ignición. La altura de la capa de humos tiene un comportamiento similar al ensayo 1.
0
5
10
15
20
25
30
35
40
45
0 50 100 150 200 250 300
Tcc(
ºC)
Tiempo(seg.)
Temperatura Capa Caliente Ensayo 2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 50 100 150 200 250 300
H(m
)
Tiempo(seg.)
Altura Interfase Ensayo 2
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
CAPITULO 10
SIMULACIONES PARA EL
ENTRENAMIENTO
Una parte fundamental del modelo para la obtención de buenos resultados con la
red neuronal es tener una buena base de datos con entrenamientos que permitan
aprender a la red neuronal. La obtención de los datos del entrenamiento que
posteriormente fueron utilizados por la red neuronal se lleva a cabo mediante el empleo
del modelo de campo FDS anteriormente comentado. La elección de un modelo de
campo para realizar el entrenamiento viene dado por la dificultad y coste, tanto
económico como de tiempo, de realizar los suficientes ensayos reales a escala reducida
como para poder entrenar la red. Los modelos de campo nos permiten obtener una
buena aproximación a la realidad.
Para llevar a cabo las simulaciones necesarias para obtener un amplio número de
datos de entrenamiento se han empleado diversas funciones realizadas con Matlab para
automatizar estas simulaciones, y de esta manera, optimizar el tiempo empleado en el
lanzamiento de las simulaciones.
10.1 Rangos de Entrenamiento
Los parámetros de entrada seleccionados como variables del modelo, por ser
considerados los más significativos en el recinto cerrado en el que se va a estudiar el
incendio analizado, son las dimensiones del recinto que contendrá al incendio (largo,
ancho y alto), la fuente de ignición definida por su posición en el recinto y por su
velocidad de cesión de calor por unidad de área (HRRPUA), y la temperatura ambiente
en el recinto, un total de seis variables explicadas en el capítulo 8.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ ����
�
En la Tabla 3 se muestran los rangos utilizados en los parámetros de entrada. Se
considerará un recinto cerrado en el cual se considerarán unas pequeñas aberturas en la
parte inferior del recinto para evitar el aumento de presión en su interior.
Valor
mínimo
Valor
máximo
Temperatura Ambiente (ºC) 19 22
HRRPUA (kW/m2) 225 1000
Largo recinto (m) 2.5 5.2
Ancho recinto (m) 2.5 5.2
Alto recinto (m) 1.6 2.5
Posición de la
fuente de ignición Pared/Esquina/interior
Tabla 3.Rango de Parámetros de Entrada del Entrenamiento.
En lo que respecta a la posición de la fuente de ignición se van a considerar tres
casos únicamente la posición esquina, la posición pared y la posición en un punto
interior del recinto sin estar pegado a la pared.
Como salidas se obtendrá la temperatura de la capa caliente y de la altura de la
interfase de separación capa caliente-capa fría (véase Figura 3). Se tomarán valores de
estos parámetros cada 10 s y la simulación total constará de 400 s, por lo que se
obtendrán un total de 40 salidas para cada uno de los dos parámetros.
Figura 61. Parámetros de salida proporcionados por el modelo, modificado de [1].
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ ����
�
10.2 Modelo FDS Empleado para el Entrenamiento
10.2.1 Tamaño de malla
A la hora de realizar el modelo base de los ficheros de entrada del FDS, se tuvo
que elegir el tamaño de malla o celda utilizado. La importancia de la elección está en
que a menor tamaño de malla mejor es la aproximación del modelo a la realidad, pero
también mayor es el tiempo de cómputo requerido por el modelo. Esto origina que deba
lograrse una relación de compromiso entre la calidad de los resultados y el coste
computacional deseados.
Para la selección del tamaño de malla, se consideraron dos simulaciones una con
un tamaño de 10cm y otra con un tamaño de 5cm. La comparativa de los resultados
obtenidos con los dos tamaños se muestra en las gráficas de comparación 61 y 62.
�
Figura 62. Comparativa de la altura de la capa caliente con la malla de 5 y 10 cm.
Se observa como mediante ambos modelos se obtienen curvas muy similares.
0
0.5
1
1.5
2
2.5
0 25 50 85 110 135 160 185 210 235 260 285
h cc
Tiempo
Comparativa Altura Capa Caliente
5CM
10CM
cm
cm
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
�
Figura 63. Comparativa de la temperatura de la capa caliente con la malla de 5 y 10 cm.
�
En las Figuras 64 y 65 se muestran los errores absolutos entre ambas
simulaciones y podemos observar que en la altura de la capa caliente hay un error
máximo de 40 cm durante solamente 5 s y después los errores no pasan de los 10 cm y a
partir de los 110 s disminuyen aun más. En lo que respecta a la temperatura de la capa
caliente, el error máximo alcanzado son 3 ºC, y en el instante final, se puede observar
como las temperaturas de ambos modelos se estabilizan a esa distancia máxima.
�
Figura 64. Error absoluto de la altura de la capa caliente con la malla de 5 y 10 cm.
0
5
10
15
20
25
30
35
40
45
50
0 25 50 85 110 135 160 185 210 235 260 285
T cc
Tiempo
Comparativa Temperatura Capa Caliente
5cm
10cm
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0 15 30 45 70 85 100 115 130 145 160 175 190 205 220 235 250 265 280 295
Var
iaci
ón d
e la
Altu
ra (
m)
Tiempo (seg.)
Error absoluto de la Altura de la Capa Caliente
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
�
Figura 65. Error absoluto de la temperatura de la capa caliente con la malla de 5 y 10 cm.
Se comprueba que los resultados obtenidos no muestran grandes diferencias. Por
otra parte, si se comparan los tiempos de cómputo requeridos por ambas simulaciones,
el de la malla de 5 cm tardó 5.5 horas (20000 s) y el de 10 cm 18 minutos (1080 s).
Dada la diferencia sustancial de tiempos de cómputo requeridos, aproximadamente 20
veces menor la de 10 cm de malla, y la obtención de resultados similares en ambos
casos, se decidió emplear el modelo con este tamaño de malla.
10.2.2 Posición de la fuente de ignición
En este apartado se estudia la sensibilidad del modelo FDS a la hora de realizar
los cálculos de los parámetros de salida que vamos a emplear, si tenemos en cuenta un
posicionamiento de la fuente de ignición en diversos puntos del interior del recinto.
El modelo creado en FDS para este estudio tiene una velocidad de cesión de
calor por unidad de área de 750 kW/m2, es decir, 30 kW de velocidad de cesión de calor.
Se considera una temperatura ambiente de 22 ºC, las dimensiones de su planta son 3x3
m y se ha considerado una altura de 2 m. Las posiciones de la fuente de ignición
consideradas vienen reflejadas en la tabla 4.
-4
-3
-2
-1
0
1
2
3
4
0 15 30 45 70 85 100 115 130 145 160 175 190 205 220 235 250 265 280 295
Var
iaci
ón d
e Te
mpe
ratu
ra (
ºC)
Tiempo (seg.)
Error absoluto de la Temperatura de la Capa Caliente
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
EJEMPLO X (m) Y (m)
C1 2 2
C2 1.1 1.1
C3 1.1 2.6
Tabla 4 Posición de la fuente de ignición para los tres casos considerados.
A continuación se muestran las gráficas con las comparaciones de los resultados
de las distintas simulaciones.
�
Figura 66. Comparación de temperaturas de la capa caliente para los casos expuestos.
�
�
Figura 67. Comparación de la altura de la interfase para los casos expuestos.
0
10
20
30
40
50
60
0 50 100 150 200 250 300 350 400
Tem
pera
tura
cap
a ca
lient
e ºC
Tiempo (s)
Comparación de Temperaturas en puntos interiores
c1 t
c2 t
c3 t
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300 350 400
Altu
ra (
m)
Tiempo (s)
Comparación de Alturas en puntos interiores
c1 h
c2 h
c3 h
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
Se puede observar como tanto las temperaturas de la capa caliente como la altura
de la interfase apenas varía entre los tres casos. Esto indica que a la hora de realizar los
cálculos oportunos, FDS no considera la posición de la fuente de ignición para el
cálculo de estos parámetros. Sin embargo, esta afirmación no debe llevar a la conclusión
de que considere como los modelos de zona únicamente dos zonas diferenciadas, ya que
la temperatura en cada punto del espacio sí que varía de un caso a otro.
Estas consideraciones sugieren la selección siempre un único punto a la hora de
situar el punto interior en el recinto.
Otro aspecto importante a la hora de definir la simulación y el empleo del
modelo FDS en la fase del entrenamiento es la consideración de este modelo de los
efecto esquina o pared. En contraposición de los modelos de zona como CFAST, FDS si
tiene en consideración estos efectos, para comprobar como varían las salidas de su
modelo en función de estos parámetros se realizaron simulaciones variando únicamente
la posición de la fuente de ignición. Podemos observar en las Figuras 68 y 69 la
variación de los parámetros de salida en función de la posición de la fuente de ignición,
observando que con la fuente en la configuración esquina se alcanza una menor
temperatura como ya se había explicado anteriormente en el capítulo 7.
�
Figura 68. Temperatura de la Capa Caliente en función de la posición de la fuente.
0
10
20
30
40
50
60
70
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (seg.)
Temperatura Capa Caliente en Función de la Posición de la Fuente
tpared ºC
tinterior ºC
tesquina
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
�
Figura 69. Altura de la Capa Caliente en función de la posición de la fuente.
�
Con estas apreciaciones se realizaron las simulaciones para el entrenamiento. Un
ejemplo de las más de 4500 simulaciones realizadas para el entrenamiento es el
mostrado en la imagen de la Figura 70.
Figura 70. Ejemplo de simulación del entrenamiento con FDS.
�
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0 50 100 150 200 250 300 350 400
Hcc
(m)
Tiempo (seg.)
Altura Capa Caliente en Función de la Posición de la Fuente
hpared m
hinterior m
hesquina
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �� ��
�
10.3 FDS Genérico
En este apartado se explicará brevemente el proceso de creación del archivo de
FDS genérico empleado para llevar a cabo las simulaciones necesarias para los datos de
entrenamiento.
Inicialmente se le indica el nombre del título y el nombre del ensayo con el que
se van a obtener los resultados.
&HEAD CHID='Test_n' TITLE='trainer'/
Donde n será el número de simulación. Seguidamente se procede a definir la
malla, la cual se va a ajustar al tamaño de recinto para minimizar el tiempo de cómputo
requerido. Como se dijo anteriormente este tamaño va a ser 10 cm. Con XB definimos
el tamaño de la malla en metros y con IJK el número de celdas contenidas en la malla.
&MESH IJK=32 32 24 XB=0 3.2 0 3.2 0 2.4 /
Una vez definida la malla se debe definir el tiempo total de la simulación y
opcionalmente el intervalo de toma de datos para la salida.
&TIME T_END=400 /
&DUMP DT_DEVC=10.00/
A continuación se define la fuente de ignición, para lo que le introducimos el
nombre y la velocidad de cesión de calor por unidad de área (HRRPUA). También
definimos la temperatura ambiente deseada (TMPA) y la reacción de combustión que
tiene lugar (REAC).
&SURF ID='fuente ignicion' RGB=204,0,0 HRRPUA = 500 /
&MISC TMPA=19 /
&REAC ID='kerosene' C=14.00 H=30.00 O=0 N=0 X_O2_LL=0
HEAT_OF_COMBUSTION=4.3124000E004 CO_YIELD=0.0120 SOOT_YIELD=0.0420 /
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
Posteriormente, se definen los “devices”; éstos nos sirven para la obtención de
los parámetros de salida deseados. En este caso, como se desea obtener la altura y la
temperatura de la capa caliente, los “devices” serán de tipo “layer” y se colocarán cuatro
separados, y de las mediciones obtenidas se calculará una media, la cual se considerará
como parámetro de salida. Estos layers funcionan a modo de árboles de termopares, ya
que se definen como una línea vertical y va midiendo la temperatura en todas las alturas
y con esos datos realiza los cálculos oportunos.
&DEVC ID='LAYER 1->HEIGHT' QUANTITY='LAYER HEIGHT' XB=2.3 2.3 2.3 2.3
0.1 2.3 /
&DEVC ID='LAYER 1->UTEMP' QUANTITY='UPPER TEMPERATURE' XB=2.3 2.3 2.3
2.3 0.1 2.3 /
&DEVC ID='LAYER 2->HEIGHT' QUANTITY='LAYER HEIGHT' XB=2.3 2.3 0.8 0.8
0.1 2.3 /
&DEVC ID='LAYER 2->UTEMP' QUANTITY='UPPER TEMPERATURE' XB=2.3 2.3 0.8
0.8 0.1 2.3 /
&DEVC ID='LAYER 3->HEIGHT' QUANTITY='LAYER HEIGHT' XB=0.8 0.8 0.8 0.8
0.1 2.3 /
&DEVC ID='LAYER 3->UTEMP' QUANTITY='UPPER TEMPERATURE' XB=0.8 0.8 0.8
0.8 0.1 2.3 /
&DEVC ID='LAYER 4->HEIGHT' QUANTITY='LAYER HEIGHT' XB=0.8 0.8 2.3 2.3
0.1 2.3 /
&DEVC ID='LAYER 4->UTEMP' QUANTITY='UPPER TEMPERATURE' XB=0.8 0.8 2.3
2.3 0.1 2.3 /
Una vez definidos los elementos de medida se pasa a definir las obstrucciones
como pueden ser el suelo, las paredes, el techo y la fuente de ignición. Con XB se
define su posición y tamaño y con SURF_ID se define el material de la superficie,
considerando todos como materiales inertes salvo la cara superior de la fuente de
ignición que se considera la superficie de fuente de ignición definida anteriormente y
que será la única en reaccionar ante el incendio.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��� ��������������1����� ������ �����
�
&OBST XB=0.1 3.1 0.1 3.1 0 0.1 SURF_ID='INERT'/Suelo
&OBST XB=0 3.1 0 3.2 2.3 2.4 SURF_ID='INERT'/Techo
&OBST XB=0 0.1 0 3.1 0 2.3 SURF_ID='INERT'/Pared Izquierda
&OBST XB=0 3.1 3.1 3.2 0 2.3 SURF_ID='INERT'/Pared Fondo
&OBST XB=3.1 3.2 0 3.2 0 2.4 SURF_ID='INERT'/Pared derecha
&OBST XB=0.1 3.1 0 0.1 0 2.3 SURF_ID='INERT'/ Pared Frente
&OBST XB=1.5 1.7 1.5 1.7 0.1 0.2 SURF_IDS='fuente ignicion' 'INERT'
'INERT' /Obstrucción
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� ����
�
CAPITULO 11
MODELO DESARROLLADO
11.1 Introducción
Como se ha comentado anteriormente el modelo desarrollado tiene la función de
ver la validez del empleo de las redes neuronales artificiales en la fluidodinámica
computacional del incendio en recintos cerrados, comprobando si ofrece un buen ajuste
a la dinámica del incendio.
Para ello se ha utilizado una red neuronal del tipo regresión general explicada en
el capítulo 7, la cual se ha desarrollado mediante el empleo de Matlab. El modelo
desarrollado recibe como entradas las dimensiones del recinto que contendrá al incendio
(largo, ancho y alto), la fuente de ignición definida por su posición en el recinto y por su
velocidad de cesión de calor por unidad de área (HRRPUA) y la temperatura ambiente
en el recinto.
Se ha desarrollado una sencilla interfaz para proporcionar una mayor facilidad a
la hora de introducir los parámetros de entrada y de ejecutar las simulaciones.
Como salida del modelo dará un archivo con los datos de entrada (entradai), otro
con la temperatura de la capa caliente (Tcci) y otro con la altura de la interfase de capas
(hi).
11.2 Funciones Desarrolladas
Antes de empezar a explicar las funciones desarrolladas, observamos en la figura
74 la carpeta test, la cual contiene todos los resultados de los entrenamientos
desarrollados con FDS, y el .txt que contiene los valores de entrada de cada una de las
muestras de los entrenamientos mencionados.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
Las funciones desarrolladas en Matlab para la realización del modelo se pueden
observar en la Figura 71, su programación se recoge en el Anexo1 y son las siguientes:
La primera función que utiliza el modelo es leerfile como su nombre indica lee
el archivo file.txt para que sus datos puedan ser empleados por Matlab a través de las
demás funciones.
Después se emplea normalizacion_datos. A esta función le llegan los parámetros
de entrada deseados por el usuario y se encarga de seleccionar para cada uno de estos
parámetros de entrada el valor de entrada de los datos del entrenamiento realizados más
cercano para cada parámetro, salvo para la posición del fuego que solo son relevantes
tres posiciones (posición esquina, en una pared o por el resto del recinto, como ya se ha
comentado anteriormente) por lo que en el caso de la posición de la fuente de ignición
se le asignará un valor para cada una de estas tres posiciones.
Después se ejecuta la función buscar_entrada que recoge la entrada dada por el
usuario, ejecuta las dos funciones anteriores y selecciona un rango de entradas rodeando
los parámetros dados por el usuario. Para esto se pueden distinguir tres grupos de
muestras de entrenamientos, las cuales tienen valores de HRRPUA alternativos. De
cada uno de estos grupos de muestras, se selecciona un valor de HRRPUA, con un
rango de valores de las demás variables, y al unir los tres grupos tenemos rangos en
todos los parámetros de entrada.
Seguidamente se utiliza la función denominada valores_entrenamiento, la cual
selecciona los resultados del entrenamiento realizado en FDS para las entradas definidas
con la función buscar_entrada. Estos valores de entrenamiento se sitúan en una carpeta
llamada test. Con esto ya tenemos seleccionados los datos referentes al entrenamiento
de la red neuronal, por lo que se procede a su creación.
Por último viene la función redgrnn en la cual se crean dos redes neuronales una
para cada parámetro de salida. Las redes se crean mediante la función desarrollada por
Matlab newgrnn (ver Anexo 2) con los valores de entrada obtenidos con las funciones
anteriores. Esta función a su vez emplea la función network, que es la función básica, a
partir de la cual Matlab desarrolla todas sus redes neuronales.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
En esta misma función, después de haber creado la red neuronal y haber
obtenido los resultados, se crean los archivos de salida que vimos anteriormente, un .txt
para registrar la entrada introducida al modelo y dos archivos Excel con dos columnas
cada uno, el tiempo y la temperatura de la capa caliente de humos, y el tiempo y la
altura de la interfase de las capas caliente y fría.
�
Figura 71 Ficheros del modelo desarrollado.
�
En esta figura 71 se muestran todos los ficheros requeridos por el modelo para
su correcto funcionamiento, siendo todos ellos fundamentales a la hora de ejecutarse.
Estos archivos tienen un peso total de 36 MB.
Para facilitar el proceso de entrada y obtención de datos de la red se ha
procedido a la creación de una Interfaz Gráfica de Usuario (GUI) con Matlab en la que
el usuario introduzca los parámetros de entrada deseados y un valor numérico con el que
se almacenan en formato Excel los parámetros de salida y en .txt las entradas elegidas.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
11.3 Comprobación de los Resultados de Modelo Frente a FDS y
CFAST
En este apartado comprobarán los resultados frente a distintos modelos
existentes, y finalmente la validación del modelo frente a los ensayos a escala reducida.
Los resultados obtenidos con el modelo desarrollado mediante el empleo de
redes neuronales artificiales se revisan frente a los obtenidos por los modelos CFAST y
FDS para los mismos parámetros de entrada. Con ello, se pretende comprobar su
validez para el modelado de la dinámica computacional del incendio en recintos
cerrados en comparación con los distintos tipos de modelos existentes. La principal
ventaja del modelo desarrollado residirá en tratar de alcanzar resultados similares a los
modelos CFD con requerimientos mínimos de coste computacional. Estas prestaciones
permitirán ofrecer resultados para la gestión de emergencia de incendios en tiempo real.
11.3.1 Datos de entrada en los ejemplos
A la hora de seleccionar los datos de las entradas para los ejemplos a tener en
cuenta en la comprobación de los resultados del modelo, se optó por un caso en el que
la velocidad de cesión de calor está en el borde de los datos considerados en el
entrenamiento, otros tres que consideran únicamente la variación de la posición de la
fuente de ignición y por último, un quinto caso de aplicación que está formado por datos
de entrada de valores intermedios a los datos de entrenamiento. Se consideran los
siguientes ejemplos con los parámetros de entrada que se muestran en la Tabla 5:
EJEMPLO Tª Ambiente HRRPUA LARGO ANCHO ALTO X FUEGO Y FUEGO
1 19 225 5 4.2 2.6 2 2
2 19 375 2.7 2.7 2 0 1
3 19 375 2.7 2.7 2 1.5 1.5
4 19 375 2.7 2.7 2 0 0
5 20 662 3 3.4 2 1 1.2
Tabla 5 Parámetros de entrada de ejemplos.
�
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
11.3.2 Comparación de los resultados
En este apartado se muestran los resultados comparativos de la temperatura de la
capa caliente y de la altura de la interfase para los distintos ejemplos, analizando los
modelos FDS, CFAST y el modelo basado en redes neuronales desarrollado.
En verde se representadan las curvas obtenidas con CFAST, en rojo las
obtenidas con FDS, y finalmente en azul las obtenidas mediante el modelo desarrollado
basado en las redes neuronales.
11.3.2.1 Ejemplo de aplicación 1 Se puede observar el comportamiento del incendio en un recinto cerrado con la
fuente de ignición situada en un punto interior del recinto con las características
descritas en el apartado anterior.
Se observa como, en el caso de la temperatura de la capa caliente, partiendo de
una temperatura ambiente de 19 ºC, se produce un calentamiento hasta alcanzar
aproximadamente los 35 ºC en el modelo de FDS y en el modelo basado en la red
neuronal, mientras que se obtienen 40 ºC en el modelo desarrollado con CFAST.
También podemos comprobar que en los instantes iniciales las curvas de la
temperatura de la capa caliente en el modelo FDS y en el modelo desarrollado, tienen un
pequeño pico que hace que durante unos segundos disminuya la temperatura. Este
suceso no tiene lugar en un incendio en un recinto cerrado sino que viene dado por
alguna pequeña inestabilidad numérica en el modelo FDS en los instantes iniciales, y al
haber estado el modelo desarrollado entrenado con éste, también ha imitado esta
pequeña variación.
En los tres modelos se obtiene la misma forma de la curva, aumentando la
temperatura más rápidamente (curva de temperatura con mayor pendiente) y con el
transcurso del incendio se disminuye gradualmente hasta que en el modelo FDS y en el
modelo desarrollado se estabiliza en determinado valor de temperatura.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
�
�
Figura 72 Gráfica comparativa de la temperatura en la capa caliente, con FDS, CFAST y el modelo de la
red neuronal para el ejemplo 1.
�
�
Figura 73 Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 1.
�
Por otra parte si nos fijamos en la Figura 73, que muestra la comparación entre
la altura de la interfase entre las capas de gases caliente y frío, se observa que también
empieza con mucha pendiente, en este caso a disminuir la altura, reduciéndose la
pendiente con el tiempo hasta acercarse a la horizontabilidad.
0
5
10
15
20
25
30
35
40
45
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente Ejemplo 1
Red neuronal
FDS
CFAST
0
0.5
1
1.5
2
2.5
3
0 50 100 150 200 250 300 350 400
H (m
)
Tiempo(s)
Altura Interfase Ejemplo 1
Red NeuronalFDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ��
�
Se puede observar que el modelo FDS y el modelo desarrollado en apenas 40 s.
disminuyen significativamente la altura de la interfase, siguiendo después un descenso
más lento, mientras que el modelo CFAST realiza la disminución de la altura de la
interfase más lentamente alcanzándose al final una menor altura. Esto se debe a que el
modelo de zona recoge en este parámetro una indicación de la primera indicación de
humos.
11.3.2.2 Ejemplo de aplicación 2, 3 y 4 Los ejemplos del 2 al 4 se muestran en un mismo apartado ya que se han
seleccionado para estudiar cómo se comportan los distintos modelos ante la variación de
la posición de la fuente de ignición en el interior del recinto, siendo las demás variables
idénticas.
El ejemplo 2 considera a la fuente de ignición posicionada en la pared, el
ejemplo 3 en un punto cualquiera del interior del recinto, y por último, en el ejemplo
cuatro la fuente se sitúa en configuración esquina
.
�
Figura 74 Gráfica comparativa de la temperatura en la capa caliente con FDS, CFAST y el modelo de la
red neuronal para el ejemplo 2.
0
10
20
30
40
50
60
70
80
90
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente Ejemplo 2
Red neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
�
Figura 75 Gráfica comparativa de la altura de la interfase con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 2.
En el ejemplo 2 con la fuente en una pared se comprueba como el modelo FDS
alcanza una temperatura de capa caliente de 59ºC a los 400 s, el modelo de la red
neuronal se le aproxima alcanzando los 57ºC y el modelo de CFAST llega hasta los
84ºC. Tal como en el ejemplo 1, el modelo CFAST aumenta más rápidamente la
temperatura de la capa caliente en el recinto y no se llega a estabilizar, sino que sigue
aumentando levemente a los 400 s. Por otra parte, los modelos FDS y el desarrollado a
alrededor de los 170 s ya han alcanzado su máxima temperatura y se mantienen a esa
temperatura hasta el final.
En cuanto a la altura de la interfase podemos observar en todos los ejemplos que
tienen el mismo comportamiento hasta aproximadamente los 50 s. temperatura a la que
el FDS y la red se estabilizan manteniendo constante la pendiente, mientras que el
modelo CFAST alcanza el equilibrio cuando el recinto se ha llenado de humo casi por
completo.
En el ejemplo 3, el modelo de FDS alcanza una temperatura de 63ºC al final del
ensayo, en el de la red neuronal 60ºC y en el modelo CFAST son 84ºC. Vemos cómo en
este caso aumenta ligeramente la temperatura en el modelo de FDS y en el desarrollado,
mientras que el modelo de CFAST mantiene la misma temperatura.
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300 350 400
H (m
)
Tiempo (s)
Altura Interfase Ejemplo 2
Red Neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ���
�
�
Figura 76 Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 3.
�
Figura 77 Gráfica comparativa de la altura de la interfase, con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 3.
�
También observamos que la altura de la interfase sigue siendo de unos 59 mm.,
en el modelo de CFAST. En cambio, en los otros modelos esta altura ha pasado de valer
283mm. con la fuente de ignición pegada a la pared a valer 256 mm. con la fuente en un
punto interior del recinto.
Vemos que la diferencia obtenida entre el modelo de FDS y el desarrollado es
escasamente de 27 mm. alcanzándose una menor altura con la fuente pegada a la pared.
0
10
20
30
40
50
60
70
80
90
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente Ejemplo 3
Red neuronal
FDS
CFAST
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300 350 400
H (m
)
Tiempo (s)
Altura Interfase Ejemplo 3
Red Neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ��
�
�
Figura 78 Gráfica comparativa de la temperatura en la capa caliente con FDS, CFAST y el modelo de la
red neuronal para el ejemplo 4.
�
Figura 79 Gráfica comparativa de la altura de la interfase con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 4.
Este ejemplo 4 muestra la fuente posicionada en la esquina del recinto. Se
muestra la Figura 78, que la temperatura de la capa caliente de humos alcanzada en el
modelo FDS es de 56ºC, en el modelo de redes neuronales es de 53ºC y en el modelo de
CFAST es 84ºC.
0
10
20
30
40
50
60
70
80
90
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente Ejemplo 4
Red neuronal
FDS
CFAST
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300 350 400
H (m
)
Tiempo (s)
Altura Interfase Ejemplo 4
Red Neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� � ��
�
Comparándolo con los casos anteriores, vemos que en el modelo de FDS y en el
desarrollado mediante el empleo de redes neuronales la temperatura de la capa caliente
obtenida en el instante t= 400 s es menor en este caso, mientras que en el modelo
CFAST sigue mostrando resultados similares que en los casos anteriores.
En cuanto a la altura de la interfase, en el modelo de CFAST ha variado menos
de un milímetro, por lo que podemos considerar que es una variación despreciable,
mientras que en los otros modelos ha aumentado hasta los 320 mm.
Con los resultados obtenidos de la comparación de los diferentes modelos
empleados, hemos podido observar que en el modelo CFAST no se tiene en cuenta el
efecto esquina mientras que los modelos FDS y el de la red neuronal sí que lo tienen en
cuenta. Esto se debe a las simplificaciones que se llevan a cabo en los modelos de zona.
11.3.2.3 Ejemplo de aplicación 5 Por último, se comparan los modelos en el ejemplo 5, donde se han considerado
parámetros de entrada intermedios. Las formas de las curvas, tanto de la altura de la
interfase como de la temperatura de la capa caliente, generas por el modelo de campo
FDS y por el modelo de la red neuronal siguen siendo idénticas. En cambio, en este
caso en particular vemos como en la temperatura de la capa caliente del modelo CFAST
además de distanciarse ampliamente en los valores finales de temperatura, varía también
su forma.
�
Figura 80 Gráfica comparativa de la temperatura en la capa caliente con FDS, CFAST y el modelo de la
red neuronal para el ejemplo 5.
0
20
40
60
80
100
120
0 50 100 150 200 250 300 350 400
Tcc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente Ejemplo 5
Red Neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �����
�
�
�
Figura 81 Gráfica comparativa de la altura de la interfase con FDS, CFAST y el modelo de la red
neuronal para el ejemplo 4.
11.3.3 Errores frente al modelo FDS
En este apartado, se muestran los errores absolutos y relativos del modelo
desarrollado mediante el empleo de redes neuronales y del modelo de zona CFAST,
tomando como referencia el modelo de campo FDS ya que a priori es el que mejor
aproximación debería realizar de la realidad.
Los errores relativos nos sirven para comparar la magnitud de los parámetros de
salida obtenidos mediante el porcentaje de variación de los mismos, mientras que los
errores absolutos nos permiten ver la diferencia de los parámetros de salida en sus
unidades correspondientes.
Se puede observar, que los errores cometidos por el modelo desarrollado
mediante el empleo de la red neuronal de regresión general con respecto a los datos
obtenidos con FDS dentro de los parámetros de entrenamiento son mucho menores que
los cometidos por el modelo de zona CFAST.
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300 350 400
H (m
)
Tiempo(s)
Altura Interfase Ejemplo 5
Red Neuronal
FDS
CFAST
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �����
�
ERROR RELATIVO
Ej. 1 Ej. 2 Ej. 3 Ej. 4 Ej.5
PROMEDIO Red Neuronal 2.48% 1.27% 0.60% 5.23% 7.75%
CFAST 15.57% 32.03% 25.56% 36.20% 37.61%
Tª CAPA ERROR Red Neuronal 8.76% 4.97% 2.00% 6.54% 12.55%
CALIENTE MÁXIMO CFAST 37.84% 46.40% 41.24% 50.88% 54.32%
ERROR Red Neuronal 0.00% 0.00% 0.00% 0.00% 0.00%
MÍNIMO CFAST 0.00% 0.00% 0.00% 0.00% 0.00%
PROMEDIO Red Neuronal 7.22% 2.69% 2.52% 9.45% 7.73%
CFAST 25.18% 60.29% 57.42% 62.68% 65.38%
ALTURA ERROR Red Neuronal 10.77% 6.30% 13.47% 12.96% 10.73%
INTERFASE MÁXIMO CFAST 106.76% 79.98% 78.80% 82.10% 93.65%
ERROR Red Neuronal 3.16% 0.16% 0.17% 6.30% 1.85%
MÍNIMO CFAST 0.01% 0.01% 0.01% 0.01% 0.01%
Tabla 6 Errores relativos del modelo desarrollado empleando la red neuronal y de CFAST con respecto
a FDS.
�
ERROR ABSOLUTO
Ej. 1 Ej. 2 Ej. 3 Ej. 4 Ej.5
PROMEDIO Red Neuronal 0.72 0.58 0.32 2.82 5.13
CFAST 4.56 17.45 14.67 19.25 25.49
Tª CAPA ERROR Red Neuronal 1.71 1.78 0.80 3.51 7.20
CALIENTE MÁXIMO CFAST 7.20 25.57 22.59 28.32 39.92
ERROR Red Neuronal 0.00 0.00 0.00 0.00 0.00
MÍNIMO CFAST 0.00 0.00 0.00 0.00 0.00
PROMEDIO Red Neuronal 0.05 0.01 0.01 0.04 0.03
CFAST 0.15 0.19 0.16 0.22 0.19
ALTURA ERROR Red Neuronal 0.26 0.13 0.13 0.13 0.19
INTERFASE MÁXIMO CFAST 0.75 0.32 0.37 0.43 0.33
ERROR Red Neuronal 0.01 0.00 0.00 0.02 0.01
MÍNIMO CFAST 0.00 0.00 0.00 0.00 0.00
Tabla 7 Errores relativos del modelo desarrollado empleando la red neuronal y de CFAST con respecto
a FDS.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �����
�
11.3.4 Tiempo de cómputo requerido
A la hora de evaluar un modelo frente a otro el parámetro más importante es la
aproximación de los modelos evaluados a la dinámica del incendio. Sin embargo, hay
más parámetros que pueden y deben evaluarse como por ejemplo el tiempo de cómputo
requerido por el modelo para realizar la simulación.
El tiempo de cómputo depende del tipo de simulación, en este apartado damos
un valor que aproxima el tiempo calculado por los tres modelos en la simulación del
recinto estudiado.
El modelo que más tarda es el modelo de campo FDS, el cual para cada
simulación requiere alrededor de 90 minutos, después viene el modelo desarrollado
mediante redes neuronales que requiere de unos 20 s y el más rápido es el modelo de
zona CFAST que requiere alrededor de 10 s en realizar la simulación.
11.3.5 Memoria requerida
Así mismo, otro factor a tener en cuenta es la memoria requerida por los
resultados obtenidos por el modelo, los ficheros de salida obtenidos con FDS tienen un
peso de entre 13 y 20 MB, los ficheros de salida obtenidos con el modelo de la red
neuronal ocupan un tamaño de 38 KB, y los ficheros de salida del CFAST ocupan 111
KB.
11.4 Validación de Resultados
En el anterior apartado vimos como se comparaba el modelo desarrollado
mediante el empleo de redes neuronales frente al modelo de zona CFAST y al modelo
de campo FDS. En el presente apartado se llevará a cabo su validación, para ello se ha
comparado el modelo de red neuronal y el CFAST con los ensayos reales explicados en
el capítulo 9.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �����
�
Con esta comparación frente a un incendio real, podremos observar el ajuste que
lleva a cabo la red neuronal a la dinámica del incendio.
11.4.1 Variables de entrada consideradas
A efectos de la comparación de los resultados, se trabaja con los resultados de
los dos ensayos realizados, cuyas entradas se muestran en la Tabla 8.
ENSAYO Tª Ambiente HRRPUA LARGO ANCHO ALTO X FUEGO Y FUEGO
1 20 225 3 3 1.8 1.5 1.5
2 20 225 3 3 2.2 1.5 1.5
Tabla 8 Valores de los parámetros de entrada de los ensayos realizados.
En este caso, la fuente de ignición alcanza los 225kW/m2 considerados en el
HRRPUA, que se corresponden a:
��� � KK�w��y � 2á2Ã�y � �'w�
11.4.2 Gráficas de los resultados
11.4.2.1 Ensayo 1 Los resultados de la temperatura de la capa caliente de humos y de la interfase
de las capas caliente y fría de humos del Ensayo 1, se recogen en las Figuras 82 y 83
respectivamente.
�
Figura 82 Validación de la temperatura de la capa caliente de los modelos CFAST, FDS y el modelo
desarrollado mediante el empleo de redes neuronales frente a el ensayo a escala real. Ensayo 1.
0
10
20
30
40
50
60
70
80
-10 40 90 140 190 240
T cc
(ºC
)
Tiempo (s)
Temperatura Capa Caliente
Tcc
CFAST
FDS
Red Neuronal
Ensayo
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �����
�
Se observa como la temperatura de la capa caliente de humos obtenida por la red
neuronal y por el modelo FDS se aproxima a la obtenida en el ensayo a escala real,
diferenciándose en los instantes finales donde la fuente de ignición del ensayo de fuego
a escala real pierde potencia debido a la propia fase de decaimiento, mientras que en los
dos modelos anteriores permanece prácticamente estable. Por otro lado, se comprueba
como el modelo CFAST se aleja bastante del valor obtenido por el ensayo a escala, en
una diferencia de más de 25ºC.
En cuanto a la altura de la interfase, se observa como en este caso es el modelo
CFAST el que consigue un mejor ajuste a los datos proporcionados por el ensayo a
escala real, sin embargo, los resultados de los otros modelos no se alejan demasiado.
�
Figura 83 Validación de la altura de la interfase de los modelos CFAST, FDS y el modelo desarrollado
mediante el empleo de redes neuronales frente al ensayo a escala real. Ensayo 1.
11.4.2.2 Ensayo 2
En el ensayo 2 se ha variado la altura del recinto a escala, pasando de 1.8 m a 2.2
m.
Se observa que el comportamiento es similar al caso anterior, donde el modelo
FDS y el modelo de la red neuronal se aproximan mejor con la temperatura de la capa
caliente como parámetro de salida, mientras que el modelo de zona CFAST se ajusta
mejor en la altura de la interfase.
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
-10 40 90 140 190 240
Altu
ra (
m)
Tiempo (s)
Altura Interfase
Zcc
CFAST
FDS
Red Neuronal
Ensayo
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
� ��������������� �� ��
�
�
Figura 84 Validación de la temperatura de la capa caliente de los modelos CFAST, FDS y el modelo
desarrollado mediante el empleo de redes neuronales frente al ensayo a escala real. Ensayo 2.
�
�
Figura 85 Validación de la altura de la interfase de los modelos CFAST, FDS y el modelo desarrollado
mediante el empleo de redes neuronales frente al ensayo a escala real. Ensayo 2.
�
�
0
10
20
30
40
50
60
70
0 50 100 150 200 250 300
T cc(
ºC)
Tiempo(s)
Temperatura Capa Caliente
Tcc
CFAST
FDS
Red Neuronal
Ensayo
0
0.5
1
1.5
2
2.5
0 50 100 150 200 250 300
H(m
)
Tiempo(s)
Altura Interfase
Zcc
CFAST
FDS
Red Neuronal
Ensayo
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� �����
�
CAPÍTULO 12
CONCLUSIONES
El presente trabajo ha realizado una revisión de los dos principales tipos de
modelos computacionales de incendios, el modelo de zona y el modelo de campo. Este
estudio se ha particularizado para dos de los modelos más ampliamente empleados que
son, el modelo de zona CFAST y el modelo de campo FDS, analizando los principios de
gobierno de los mismos.
Así mismo, se recogieron los diferentes enfoques relativos al empleo de técnicas
de redes neuronales. A partir de esta revisión se desarrolló un modelo completo para el
caso de aplicación en un recinto cerrado de dimensiones estándar.
Se ha realizado un análisis de sensibilidad con el que se muestra la mayor o
menor influencia de las variables de entrada al modelo, con respecto de los parámetros
de salida deseados.
Este modelo fue entrenado a partir de los resultados ofrecidos por el modelo
FDS. Los resultados del modelo fueron verificados frente al modelo FDS y frente al
modelo CFAST. Y finalmente, fue validado frente a ensayos a escala real.
Los resultados del trabajo han demostrado la viabilidad del empleo de redes
neuronales para calcular las manifestaciones del incendio en recintos cerrados. El
empleo de redes neuronales artificiales puede obtener un buen ajuste a la dinámica del
incendio para escenarios en los que disponga de suficientes datos para su entrenamiento.
Como se ha podido comprobar, que en el modelado de la temperatura de la capa
caliente y de la altura de la interfase el modelo de campo FDS es mucho más completo
que el modelo de zona CFAST, por lo que es más interesante el empleo de FDS siempre
que lo permitan las circunstancias, ya que tiene como inconveniente el alto coste
computacional que hace que el tiempo de simulación de FDS sea enormemente mayor
que el empleado por CFAST.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
������������� ����
�
Gracias al entrenamiento de la red neuronal mediante 4640 simulaciones
realizadas con FDS, esta es capaz de ajustarse, en el recinto considerado, al
comportamiento del modelo de campo, y además, el tiempo de cómputo requerido por
la red neuronal es del orden del requerido por los modelos de zona. Siendo este aspecto
una ventaja significativa frente a los modelos de campo que requieren un elevado
tiempo de cómputo, de forma particular a efectos de resultados que puedan ofrecer
información de un evento de incendio en tiempo real, tales como las situaciones del
personal de intervención y salvamento.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��#������� �����
�
REFERENCIAS
[1] Alvear, D., Capote J., Lázaro, M., Rein, G., Torero J. L., Abreu, O. “Modelado
y Simulación Computacional de Incendios en la Edificación”. Ediciones Díaz de Santos. 2007.
[2] E.E. Zukoski. “Development of a Stratified Ceiling Layr in the Early Stages of a Colosed-room fire”. Journal of Fire and Materials 7:54-62. 1978.
[3] C.L. Beyler. “Fire Plumes and Ceiling Jets”. Fire Safety Journal, 11:53-75. 1986.
[4] G.P. Forney. “Analyzing and Exploiting Numerical Characteristics of Zone Fire Models”. Fire Science & Technology, 14:49-60. 1994.
[5] B. Karlsson, J. Quintiere. “Enclosure Fire Dynamics”. CRC Press. 1999.
[6] Rockett, J.A., “Using the Harvard/NIST Mark VI Fire Simulation,” NISTIR 4464, National Institute of Standards and Technology, November 1990.
[7] R.G. Rehm, H.R. Baum. “The Equations of Motion for Thermally Driven, Buoyant Flows”. Journal of Research of the NBS, 83:297 – 308, 1978.
[8] Kevin McGrattan, Simo Hostikka, Jason Floyd “Fire Dynamics Simulator (Version 5) – Technical Reference Guide”. National Institute of Standards and Technology (NIST). September 2009.
[9] W. Grosshandler. “RadCal: A Narrow Band Model for Radiation Calculations in a Combustion Environment”. NIST Technical Note TN 1402. Maryland. 1993.
[10] J.P. Holman. “Heat Transfer”. 5th edition. McGraw-Hill, New York, 1989.
[11] K. Prasad, C. Li, K. Kailasanath, C. Ndubizu, R. Ananth, P.A. Tatem. “Numerical modelling of methanol liquid pool fires”. Combustion Theory and Modelling, 3:743–768. 1999.
[12] R.D. Peacock, W.W. Jones, P.A. Reneke, G.P. Forney, “CFAST – Consolidated Model of Fire Growth and Smoke Transport (Version 6) – Technical Reference Guide”, National Institute of Standards and Technology, NIST Special Publication 1026, April 2009.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��#������� �����
�
[13] L.Y. Cooper, “Fire-Plume-Generated Ceiling Jet Characteristics and Convective Heat Transfer to Ceiling and Wall Surfaces in a Two-Layer Zone-Type Fire Environment”, National Institute of Standards and Technology, NISTIR 4705 1991.
[14] Haykin, S. “Neural Network, A Comprehensive Foundation”. Pearson Prentice Hall. 1999.
[15] Hritsev, R.M. “The ANN Book”. GNU Public License. 1998.
[16] Lee, E. W. M., Yuen, R. K.K., Lo, S.M., Lam, K.C., Yeoh, G.H. “A novel artificial neural network fire model for prediction of thermal interface location in single compartment fire”. Fire Safety Journal 39. 2004.
[17] Donald F. Specht , “A General Regression Neural Network”, IEEE transactions on neural networks. vol. 2 . no. 6. november 1991.
[18] Espina, P. “Método para la determinación de la interfase térmica de los humos del incendio en atrios basado en el modelado a escala de Froude”. Tesis Doctoral. Universidad de Cantabria. 2009.
[19] Gad, S. C., Anderson, R.C. “Combustion Toxicology”. CRC Press, Boca Raton FL 1990.
[20] “Código Técnico de la Edificación (CTE). Documento Básico SI – Seguridad en caso de Incendio”. Ministerio de Vivienda, 2008.
[21] “UNE 23585:2004. Sistemas de Control de Temperaturas y Evacuación de Humos (SCTEH). Requisitos y Métodos de Cálculo y Diseño para Proyectar un Sistema de Control de Temperatura y de Evacuación de Humos en caso de Incendio”. 2004.
[22] Gritch, T.; Eason, B. “Building envelope design guide”. Whole Building Design Guide (WBDG). 2007.
[23] Morgan, H. P., Ghosh, B. K., Garrad, G., Pamlitschka, R., De Smedt, J, C. and Schoonbaert, L. R. “Design methodologies for smoke and heat exhaust ventilation”. BRE Report 368, 1999.
[24] BS9999 “Code of Practice for Fire Safety in the Design, Management and Use of Buildings”. British Standard. ISBN 978 0 580 57920. 2008.
[25] Tsujimoto, M., Takenouchi, T., Ueara, S. “A scaling law of smoke movement in atrium”, 11th Joint Panel Meeting of the UJNR Panel of Fire Research and Safety. Gaithersburg, Md. National Institute of Standards and Technology. 1990.
�
Trabajo Fin de Carrera
“Desarrollo de un Modelo Computacional de Incendios Mediante el empleo de Redes Neuronales”
David Lázaro Urrutia – Ingeniero Industrial E.T.S de Ing. Industriales y de Telecom. – UNIVERSIDAD DE CANTABRIA� ��
�
��#������� �����
�
[26] Quintiere, J.G., McCaffrey, B.J. and Kashiwagi, T. “Combustion Science and Technology” 18, pp. 1-19. 1978.
[27] Janssens, M., Tran, H.C. “Data reduction of room tests for zone model validation“. Journal of Fire Sciences. Vol. 10, No. 6. 1992.
[28] J. G. Quintiere. “Principles of Fire Behavior”. Thomson Delmar Learning. 1997.
[29] Rosenblatt, F. “Principles of Neurodynamics Perceptrons and the Theory of Brain Mechanisms”, Spartan Books, Washington DC. 1962.
[30] McCulloch, W. S. and Pitts, W. H. “A logical calculus of the ideas immanent in nervous activity”. Bulletin of Mathematical Biophysics, 5:115-133, 1943.
[31] E. Parzen, ”On estimation of a probability density function and mode,’’ Ann. Math. Statist., vol. 33, pp. 1065-1076, 1962.
[32] T. Cacoullos, “Estimation of a multivariate density,” Ann. Inst. Starisr.Muth, (Tokyo), vol. 18, no. 2, pp. 179-189, 1966.
[33] ASTM E603-07 Standard Guide for Room Fire Experiments ASTM International. 2007.
[34] D. Drysdale. “An introduction to Fire Dynamics”. John Wiley & Sons Ltd. Interscience Communications. 1987.
[35] Kevin McGrattan, Simo Hostikka, Jason Floyd “Fire Dynamics Simulator (Version 5) – User’s Guide”. National Institute of Standards and Technology (NIST). September 2009.
[36] R.D. Peacock, W.W. Jones, P.A. Reneke, G.P. Forney, “CFAST – Consolidated Model of Fire Growth and Smoke Transport (Version 6) – User’s Guide”, National Institute of Standards and Technology, NIST Special Publication 1041, December 2008.
[37] Alvear, D., Capote J., Lázaro, M., Espina, P., “Fire Computer Modeling” Universidad de Cantabria, GIDAI, 2007.