Predicción del campo de temperaturas en un incendio de un edificio tipo atrio

A día de hoy existen tres formas principales de diseño de edificios protegidos frente a incendios: mediante simulación numérica, analíticamente o experimentalmente. Lo más utilizado son métodos numéricos validados experimentalmente, pero esta metodología tiene dos problemas: el coste de realizar experimentos a gran escala y el elevado tiempo de ejecución de las simulaciones. Por otro lado, las técnicas de predicción del desarrollo de un incendio no son demasiado precisas.

De estos dos problemas nace el interés de este trabajo de fin de grado. Los objetivos del proyecto son los siguientes: facilitar la metodología de diseño de métodos de prevención (i) y desarrollar una forma de predecir el comportamiento de la capa de humo (ii). Ambos objetivos son abordados mediante técnicas de machine learning.

El primer objetivo se consigue mediante la reducción del número de simulaciones necesarias a realizar y mediante la determinación de los sensores óptimos a instalar en estas. Por un lado, con la aplicación de la técnica de clustering y modelos de machine learning, la metodología aquí propuesta consigue predecir el campo de temperaturas de un incendio con una limitada selección de termopares localizados en las paredes. Además, los modelos desarrollados permiten conocer cómo va a evolucionar un incendio nuevo sabiendo lo que sucedió en un incendio pasado (de características similares). Los modelos creados son redes neuronales con una capa oculta y conectividad total entre las capas. Los resultados son satisfactorios: errores de predicción bajos y debidos al ruido, las tendencias se predicen con éxito.

Finalmente, se utilizan las temperaturas predichas en una vertical del atrio y los métodos Least-squares y N-percent para predecir el comportamiento del humo. Para esto, se desarrolla también un modelo de zona y se comparan los resultados. La conclusión es que la metodología predice con precisión la capa de humo.

Nowadays, the design of atria adequately protected against fires can be faced: with numerical methods, analytically or experimentally. The most common approach is the application of numerical methods validated experimentally. Nevertheless, this presents two issues: the high cost of carrying out the full-scale tests required, and the long computational times. In addition, the existing techniques to forecast fires are not precise enough.

This project is born with the interest to solve these problems. Therefore, the objectives are: simplifying the long and complex performance-based designs (i) and developing a method to accurately predict the smoke’s behavior in atrium (ii). Both are approached with the use of machine learning techniques.

The first of the goals is achieved through the reduction of the number of simulations to do, and the definition of the optimal locations of the thermocouples to install in future simulations. On the one hand, applying hierarchical clustering and machine learning models, the temperature field of an atrium fire is predicted with a limited selection of sensors located at the walls. On the other hand, the models built can tell how a new fire is going to develop based on data from a past fire (of similar characteristics). The models are neural networks with one hidden layer and full-connection between neurons. The prediction errors are very low and are due to the temperatures’ noisy character, the tendencies are well predicted.

Finally, the previously predicted temperatures in a diagonal of the atrium are used with the methods Least-squares and N-percent to estimate the smoke layer interface height. A zone model is implemented also, and the results are compared. The conclusion is: the herein proposed methodology predicts the smoke’s behavior with accuracy.