Обработка результатов моделирования Fire Dynamics Simulator на Python (часть 3)
Введение
Здравствуйте меня зовут Роман, я занимаюсь обеспечение пожарной безопасности в зданиях и сооружениях более 15 лет, основной профиль моей деятельности — это моделирование развития пожара.
В основном моделирование развития пожара провожу в специализированном программном обеспечении Fire Dynamics Simulator (FDS), оно используется от Японии до США при обосновании отступлений требований пожарной безопасности.
При моделировании развития пожара очень много времени занимает обработка результатов моделирования. В цикле статей я хочу поделиться способами обработки данных, которые использую при работе.
Статья ориентирована на специалистов, которые уже используют FDS в работе. Подробности моделирования развития пожара с помощью FDS в данной статьи не будут рассматриваться.
Эта статья — третья из серии. Ссылка на первую статью
Эта статья — третья из серии. Ссылка на вторую статью
Простые графики мощности
Задача состоит в том, чтобы построить график, отображающий скорость выделения тепла (HRR) при различных количествах топлива и размерах вентиляционных отверстий в помещении одинаковой геометрии, используя данные.
Для первичной обработки данных я использую Jupyter Notebook. На примере него я буду рассказывать свои действия. Код в виде блокнота Jupyter Notebook’а и примеры данных будут лежать по ссылке.
Выполним следующие шаги:
-
Загрузите данные (CSV-файлы) : CSV-файлы можно найти по ссылкам: CLT_Room_Test_1 и CLT_Room_Test_2.
-
Чтение и построение графика значений HRR : Мы будем использовать библиотеки Python osдля numpy иpandasдоступа к местоположению файла и чтения CSV-файлов, matplotlibбудет использоваться для построения графика значений.
# Импорт необходимых библиотек import os import pandas as pd import numpy as np import matplotlib.pyplot as plt # Проверка файлов с экспериментальными данными folder_path=os.path.join(«data», «Fire_calorimetry») files = os.listdir(folder_path) print(files)
# Считывание экспериментальных данных for file in files: # Считывание данных определенного формата if file.endswith(‘.csv’): file_path = os.path.join(folder_path, file) # Чтение данных calorimeter_df = pd.read_csv(file_path,header=0) # Построение графиков plt.plot(calorimeter_df[‘Time (s)’], calorimeter_df[‘Heat Release Rate (kW)’], label=»_».join(file.split(‘.’)[0:-1])) # Метаданные графика plt.xlabel(«Время, с») plt.ylabel(«HRR, кВт») plt.legend() plt.grid() # Показать график plt.show()
Графики с аппроксимацией
Цель здесь — построить график, который показывает скорость выделения тепла (HRR) различными предметами мебели. Мы стремимся аппроксимировать экспериментальные данные моделью «t-квадрат» для расчетного пожара с коэффициентом распространения огня 0,19 кВт/с² и временем возгорания 90 секунд.
Значения для построения графика были извлечены из рисунка:
С помощью automeris.io и могут быть загружены в виде текстовых файлов для:
Выполним следующие шаги:
-
Загрузите txt‑файлы:
-
Sofa
-
Love seat
-
Single chair
-
-
Прочитайте файлы.
-
Определите функцию для расчета пожара.
-
Используйте функцию для описания расчетного коэффициента теплопередачи при пожаре.
-
Постройте кривые скорости выделения тепла (HRR).
Мы будем использовать те же библиотеки Python os, pandas, numpy и matplotlib.
# Проверка файлов с экспериментальными данными folder_path=os.path.join(«data», «Furniture_calorimetry») files = os.listdir(folder_path) print(files)
# Функция развития пожара def alpha_t_squared(time, alpha): HRR = alpha * np.square(time) return HRR# Расчетная мощность тепловыделения (HRR) при пожаре: # Создание временного ряда time_series = np.linspace(0,130) # Ультра быстрое развитие alpha=0.19 HRR = alpha_t_squared(time_series, alpha)# Считывание экспериментальных данных for file in files: # Считывание данных определенного формата. if file.endswith(‘.txt’): # Создание меток данных label = os.path.splitext(file )[0].split(‘_’)[-1] # Extract label from filename # Чтение данных. file_path = os.path.join(folder_path,file) furniture_df = pd.read_csv(file_path, header=0) if «Chair» in file: # Сдвиг ряды данных так, чтобы возрастающие участки совпали. time_shift = 60 else: time_shift = 0 # Построение графиков plt.plot(furniture_df[‘Time’] — time_shift, furniture_df[‘HRR’], label=label.capitalize()) # Постройте график результатов функции alpha_t_squared. virtual_ignition_time = 90 plt.plot(time_series + virtual_ignition_time, HRR, color=’k’, linestyle=’-.’, label=»Ultra fast») # Метаданные графика plt.xlabel(«Time / s») plt.ylabel(«Heat Release Rate / kW») plt.legend() plt.grid() # Показать график plt.show()
Выводы
В статье показано, как автоматически обрабатывать несколько наборов данных FDS, накладывать на них аналитическую кривую и учитывать временные сдвиги для разных объектов.
Теги:
- python
- FDS
- pandas
Хабы:
- Python
- Open source
- Визуализация данных