Knowledge base: Warsaw University of Technology

Settings and your account

Back

A machine learning approach to prediction of gas mixture reactivity based on detonation pipe vibrations

Krzysztof Mikołaj Marcinkiewicz

Abstract

The aim of this paper is to make an approach of creation a machine learning system, that predicts what kind of gas has exploded in a pipe, based on measured pipe vibrations. This task may be divided into two parts: Performing an experiment to get necessary experimental data, and creating an algorithm that makes a prediction. For that purpose a series of experiments has been concluded in a laboratory located at a National Research Centre of Fire Protection. First, the basic principles of machine learning and signal processing are presented. Machine learning is the subfield of computer science that focuses on creating algorithms that can learn from provided data (training data) and perform predictions, either classification or regression, on the test data. Signal processing is a general statement for all activities performed on a signal data. In this particular work the emphasize is put on Fourier transform. Next, some basic information about combustion, explosibility and detonation has been introduced. The detonation process that may occur in normal piping usually starts from standard laminar flame deflargation. Therefore the literature overview starts from covering a laminar flame theory. Then the turbulent flame, transition from deflargation and detonation and detonation itself are described, with the particular focus on the process ongoing in pipes. After the thermodynamics introduction, some information about the pipe response to internal detonation and pressure load are provided. It is of most significance, since the sensors used in the experiment base on pipe vibrations. Finally, the experimental part is described. The experiment consisted of performing a series of hydrogen-air explosion in pipes, with various hydrogen concentration. The data is collected by three sensors: a piezoelectric sensor, a knock sensor, both measuring vibrations of pipe and a pressure sensor, measuring pressure. This data is then fed to a machine learning algorithm, that works as follows: first, measured data from a sensor is interpolated using b-spline interpolation. Then it transposes data from time domain to frequency domain using Fast Fourier Transform. This data is then merged into one data set (an array). The set is divided into training and scoring sets, using cross-validation techniques. Training sets are then used to feed classificator: SVM, SGD, naive Bayes, logistic regression, linear SVC, ada boost, perceptron. From this algorithm the prediction score of each classificator is derived and then arranged with each other. It appears, that the algorithms used in conjunction with piezoelectric sensor give the score averaging to 50%. The analysis of frequency spectrum is needless, since there is not enough features. The best classifiers are Perceptron, Naive Bayes and Support Vector Machine. Data from pressure sensor give much better results, with accuracy even up to 90%. Fourier transform boosts the accuracy of classifiers. The best one is logistic regression. Therefore prediction of gas mixture reactivity based on detonation pipe vibration is possible.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Krzysztof Mikołaj Marcinkiewicz (FPAE) Krzysztof Mikołaj Marcinkiewicz,, Faculty of Power and Aeronautical Engineering (FPAE)
Title in Polish
Podejście nauczania maszynowego do przewidywania reaktywności mieszaniny gazowej bazując na wibracji rury detonacyjnej
Supervisor
Mateusz Żbikowski (FPAE/IHE) Mateusz Żbikowski,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Certifying unit
Faculty of Power and Aeronautical Engineering (FPAE)
Affiliation unit
The Institute of Heat Engineering (FPAE/IHE)
Study subject / specialization
, Energetyka (Power Engineering)
Language
(en) English
Status
Finished
Defense Date
19-02-2016
Issue date (year)
2016
Pages
102
Internal identifier
MEL; PD-3552
Reviewers
Andrzej Teodorczyk (FPAE/IHE) Andrzej Teodorczyk,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE) Mateusz Żbikowski (FPAE/IHE) Mateusz Żbikowski,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Keywords in Polish
eksplozja, detonacja, nauczanie maszynowe, wodór, przewidywanie, odpowiedź rur, Transformacja Fouriera, klasyfikacja, reaktywność gazów
Keywords in English
explosion, detonation, machine learning, hydrogen, prediction, tubes response, Fourier Transform, classification, gas reactivity
Abstract in Polish
Celem tej pracy jest próba podejścia do problemu rozpoznania rodzaju gazu, który zdetonował w rurze, wykorzystując uczenia maszynowego na podstawie danych eksperymentalnych wibracji rury detonacyjnej. Zadanie to można podzielić na dwie części: wykonanie doświadczenia w celu zdobycia wymaganych danych, oraz stworzenie algorytmu wykonującego klasyfikacje. W tym celu przeprowadzono serię eksperymentów w Narodowym Centrum Naukowo-Badawczym Ochrony Przeciwpożarowej. Praca rozpoczyna się od wprowadzenia podstawowych informacji na temat analizy sygnałów oraz nauczania maszynowego. Nauczanie maszynowe jest to dział informatyki zajmujący się tworzeniem algorytmów, które uczą się z dostarczonych danych (training data), a następnie przewidują wynik na podstawie innych danych (scoring data), czy to w postaci klasyfikacji, czy regresji. Analiza sygnałów jest to ogólne pojęcie określające przetwarzanie sygnałów - strumienia danych. W tej pracy szczególny nacisk został położony na transformatę Fouriera. Następnie omówione są podstawowe informacje na temat spalania, wybuchowości oraz detonacji. Proces detonacji, w szczególności w rurach, zazwyczaj zainicjowany jest zwykłym laminarnym spalaniem. Dlatego też jest to pierwszy temat poruszany w przeglądzie literatury. Następnie omówiona jest pokrótce teoria spalania turbulentnego, przejście z deflargacji do detonacji, oraz detonacja sama w sobie, ze szczególnym naciskiem na procesy zachodzące w rurach. Po wstępie termodynamicznym przedstawione zostały informacje na temat strukturalnej odpowiedzi rur na wewnętrzną detonację oraz obciążenie ciśnieniem. Zagadnienie to jest istotne o tyle, o ile dane wprowadzane do programu klasyfikującego są danymi drgania rury detonacyjnej. W końcu opisana została część doświadczalna. Eksperyment polegał na przeprowadzeniu serii detonacji mieszaniny wodorowo-powietrznej o różnych stężeniach wewnątrz rury detonacyjnej. Dane są następnie zbierane z trzech sensorów: piezoelektrycznego, spalania stukowego oraz zwykłego czujnika mierzącego ciśnienie. Te dane są następnie dostarczane do algorytmu nauczania maszynowego. Działa on w sposób następujący: przetwarza wpierw dostarczone dane za pomocą interpolacji splajnami. Następnie transponuje je z domeny czasu na domenę częstotliwości, korzystając z szybkiej transformaty Furiera (Fast Fourier Transform). Te dane następnie dzieli, korzystając z tak zwanych metod "cross-validation" na dane treningowe i testowe. Dane treningowe następnie zasilają klasyfikatory: SVM, SGD, naive Bayes, regresji logicznej, linowego SVC, ada boost oraz perceptron. Algorytm następnie wylicza wynik (jakość przewidywania) poszczególnych klasyfikatorów, korzystająć z zestawu danych testowych. Algorytmy używające danych z czujników piezoelektrycznych mają celność w okolicach 50%, przy czym najlepsze są Perceptron, Naive Bayes oraz Support Vector Machnie. Analiza spektrum częstotliwości jest niepotrzebna, ponieważ dane te mają za małą rozdzielczość. Pomiary z czujników ciśnienia zapewniają za to celność rzędu 90%, przy czym najskuteczniejszy jest algorytm regresji logicznej. Na tej podstawie można więc stwierdzić, że przewidywanie reaktywności mieszanin gazowych bazując na wibracji rury detonacyjnej jest możliwe.
File
  • File: 1
    1027110.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 9187

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUTbda48e3cd36b42429adfb62cab17ebb2/
URN
urn:pw-repo:WUTbda48e3cd36b42429adfb62cab17ebb2

Confirmation
Are you sure?
Report incorrect data on this page