HAL Id: hal-02063801
https://hal.archives-ouvertes.fr/hal-02063801
Submitted on 11 Mar 2019
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
B Patte-Rouland, B Betting, M Lebey, H Chafouk, F Caumont, M Steen, D Olivier
To cite this version:
B Patte-Rouland, B Betting, M Lebey, H Chafouk, F Caumont, et al.. Diagnostics intelligents et
communicants en temps réel pour la lutte contre les Feux de Compartiments. Congrès Lambda Mu
21, “ Maîtrise des risques et transformation numérique : opportunités et menaces ”, Oct 2018, Reims,
France. �hal-02063801�
Diagnostics intelligents et communicants en temps réel pour la lutte contre les Feux de Compartiments
Intelligent real-time diagnostics for fighting compartment fires using new communication means
B.Patte-Rouland
1 1,B.Betting
1, M .Lebey
2, H.Chafouk
3, F.Caumont
4, M.Steen
5, D.Olivier
2*Université Rouen Normandie, CORIA UMR 6614, 76801 Saint-Etienne du Rouvray
2
Université du Havre Normandie, LOMC CNRS UMR 6294 &
3 2*LITIS EA 4108, 76600 Le havre ESIGELEC, Laboratoire IRSEEM EA 4353, 76801 Saint-Etienne du Rouvray
4
SDIS 76, Service Départemental d’Incendie et de Secours, 76410 Tourville
5GROUPE LEADER, PME, 76930 Octeville-sur-Mer.
Résumé
Ce projet vise à améliorer l’efficacité de système de sécurité en optimisant l’interaction entre des composantes technologiques de type « capteurs » et l’intervention organisationnelle et humaine.
les objectifs sont de déterminer par une approche expérimentale et numérique les lois spécifiques qui régissent les phénomènes de feux de compartiment et dans une seconde phase, à partir de ces lois, de faire migrer les systèmes de sécurité passifs actuels vers des systèmes intelligents et communicants, optimisant et sécurisant l’intervention organisationnelle et humaine des urgentistes.
Summary
This project aims to improve the effectiveness of security systems by optimizing the interaction between technological components and organizational and human intervention. Objectives are to determine the specific laws governing indoor fire phenomena by means of experimental full-scale and numerical approaches, to get real-time information about the fire during operations. A second phase consists in a transformation of the usual passive-safety systems into intelligent and communicating systems, thereby optimizing and securing the human and organizational emergency response.
1.Introduction.
Lors des interventions des sapeurs-pompiers dans le cadre de feux de compartiments la problématique pour le Commandant des Opérations de Secours (COS) est le manque de données objectives sur la situation et les prises de décisions sont basées sur des observations et sur son expérience. Dans ce contexte, les objectifs sont donc d’offrir un outil de gestion du risque en temps réel, d’optimiser et de sécuriser l’intervention. Les besoins sont donc de donner la capacité de mesurer, de communiquer et d'interpréter les grandeurs qui caractérisent ces feux, de connaître la dynamique des feux avec une détection en temps réel des dangers qui peuvent apparaître et d’améliorer la sécurité et l'efficacité des sapeurs-pompiers dans le cadre de la logistique d’intervention.
2.Moyens expérimentaux de mesures
Un des objectifs principaux est l’obtention d’une importante base de données et la détermination de lois spécifiques régissant les feux de compartiments. Dans ce cadre des mesures expérimentales sont réalisées au sein d’une cellule de foyer principal de 40 m
3de volume (figure 1.) munie d’une matrice de
brûleurs propane (figure 2.) atteignant la puissance de 1 Mégawatt. Cette installation est un équipement dédié à l’ANR FIREDIAG installé sur le site SDIS76 de Tourville La Rivière. Des thermocouples, opacimétres et analyseurs de gaz implantés dans la cellule expérimentale donnent de précieuses informations sur les caractéristiques des fumées (température, composition…).
Figure 1. Cellule expérimentale de foyer principal
Figure 2. Matrice de brûleurs et point feu.
Communication 1D /6 page 1/8
On utilise également pour ces travaux, les techniques lasers de Vélocimétrie par Images de Particules grands champs permettant de déterminer les vitesses des écoulements de fumées (Betting & al, 2017), (You & al, 2010), notamment aux exutoires (figure 3.).
Figure 3. Diagnostics Laser PIV
En parallèle de ces mesures expérimentales, des simulations numériques ont été réalisées avec le logiciel Fire Dynamics Simulator (FDS). Tout d’abord, une étude de maillage a été effectuée afin d’optimiser le temps de calcul tout en obtenant des résultats fiables.
Grâce à la puissance de calcul numérique du CRIANN (Centre Régional Informatique et d'Applications Numériques de Normandie), il nous a été possible de raffiner le maillage en optant pour des tailles de mailles de 5cm x 5cm x 5cm tout en conservant un temps de calcul raisonnable. Dans le cadre de cette étude, plusieurs configurations ont été testées (Grand volume, 1 exutoire ouvert ; Grand volume, 2 exutoires ouverts; Petit volume, 1 exutoire ouvert, petit volume fermé).
En lien étroit avec ce premier axe, le second objectif concerne la Recherche Opérationnelle Incendie (ROI) qui permet l’étude des incendies de compartiments en situation réelle d’intervention. Cette analyse est nécessaire pour définir des moyens de diagnostics en temps réel, destinés à la mise au point d’une aide aux décisions basée sur des données rationnelles. Elle bénéficie aussi dans ses principes des analyses faites pour d’autres types d’interventions dont l’organisation opérationnelle procède avec les mêmes principes de fond. Des activités de formation au sein d’une plateforme technique appelée vulcain sont menées par le SDIS 76
et sont accessibles aux membres des laboratoires de Recherche, facilitant ainsi les interactions dans le cadre de ces travaux.
Figure 4. Plate-forme formation Vulcain
Enfin le développement d’un outil d’aide à la décision de type démonstrateur est primordial (Alileche & al, 2016) (J. L. Jiménez Laredo &
al, 2017). L’outil interactif est prévu pour incorporer la modélisation des données reçues en sous divisant de manière récursive l’espace temporel en portions permettant d’optimiser le transfert des données et leur traitement. L’algorithme d’analyse peut alors accéder à ces données pour produire de l’information. Des travaux sont également menés pour répondre à la problématique de la localisation des capteurs défaillants (L. I.
Gliga &al, 2017).
Figure 5. Méthodologie de détection et de localisation des capteurs défaillants
Communication 1D /6 page 2/8
3. Principaux résultats
3.1 Acquisitions des données caractéristiques de l’incendie.
Plus d’une vingtaine de conditions expérimentales ont été réalisés dans la cellule expérimentale de foyer principal. En parallèle des simulations FDS sont développées pour ce dispositif. Il est rappelé la difficulté de simuler des configurations sous ventilées.
Les premiers résultats montrent une circulation d’air au niveau de l’exutoire et lorsque l’on augmente la puissance (200kW, 500 kW, 800kW), la flamme se déplace vers l’exutoire (Figure 6.). Les mesures instantanées montrent que les échanges d’air se font par « bouffées». Lors de certaines simulations en conditions de feu sous ventilé (petit volume exutoire ouvert et grand volume un exutoire ouvert), des phénomènes intermittents ont été observés. En effet, le feu n’ayant plus assez d’oxygène pour poursuivre son développement, le volume de fumées diminue, diminuant également la pression au sein de l’enceinte en feu, laissant ainsi la possibilité à l’air frais de rentrer dans le volume sinistré. L’apport d’oxygène ainsi engendré permet de relancer la combustion et donc, l’augmentation de pression.
Ce phénomène se reproduit jusqu’à épuisement du combustible (ici arrêt manuel du brûleur). Ce phénomène s’observe sur la figure 6.
Lorsque l’on moyenne les températures du caisson dans la configuration grand volume avec un exutoire ouvert, on observe que les gaz chauds sont au niveau de l’exutoire et plus du foyer (figure 7). Ce constat est expliqué par l’observation de l’apparition de flammes fantômes, flammes qui se décrochent du foyer initial pour brûler dans la pièce en fonction de l’apport d’oxygène présent. Ce type de flamme est physiquement possible mais reste cependant assez rare.
Le code de calcul utilisé (FDS) a tendance à surestimer l’apparition de ce type de flamme.
La comparaison avec les mesures expérimentales permet de vérifier ces observations.
Figure 6. Champs instantanés de températures obtenus
pour une puissance de 200kW, 500kW et 800kW.
Figure 7. Champs moyennés de températures obtenus
pour une puissance de 800kW.
Des comparaisons de profils expérimentaux et numériques de température sont présentées sur la figure 8. On note une excellente adéquation pour une puissance de 200kW, un léger décalage pour une puissance de 500 kW puis un fort décalage pour une puissance de 800kW au niveau de la première phase transitoire où le gradient de température est très important.
Communication 1D /6 page 3/8
Figure 8. Comparaison expérience- numérique des
températures pour une puissance de 200, 500 et 800kW.
Une étude du HRR (Heat Release Rate) a été réalisée pour observer les instabilités numériques en particulier pour la modélisation des conditions sous ventilées. On observe bien que pour une condition d’incendie en sous-ventilée (Puissance 800kW), le HRR présenté sur la figure 9 oscille autour de 700°c et montre qu’il est difficile d’utiliser la simulation numérique dans ces conditions.
Figure 9. HER pour une puissance de 200, 500 et
800kW.
3.2 Recherche Opérationnelle Incendie.
Au sein de la plate-forme de formation
« Vulcain » et en moins de deux ans, ont été réalisés 10 essais par points feu avant mise en service, 5 stages « Formateurs » de 3 jours pour prise en main de l’animation des points feu sur l’outil en 2015, 5 stages "
Formateurs " de 2 jours maintien des acquis avec apport de connaissances théoriques fait par le laboratoire CORIA en 2016 et 2017 et également 60 stages effectués en 2015, 130 Journées de brûlage effectuées en 2016 et également en 2017. Les objectifs et le déroulé des formations concernent les techniques de lances, d’engagement, de progressions, de reconnaissance d’extinction, de sauvetages, d’établissement des moyens en eau. Chaque formation se fait en fumée chaude et feu réel.
D’autre part, une interaction directe et régulière entre les instructeurs du SDIS et les scientifiques impliqués dans ces travaux de Recherche s’est engagée afin que chacun comprenne les problématiques de l’autre.
L’immersion au sein de laboratoire UMR 6614 CORIA pour les instructeurs a été réalisée.
Les échanges ont concerné :
- la propagation en flamme verticale, - la toxicité des suies,
- les écoulements de fumées les transferts thermiques dans le caisson dédié à l’ANR FIREDIAG.
Les personnels du laboratoire impliqués dans l’ANR FIREDIAG ont bénéficié d’une formation concernant le port ARI, la visualisation des phénomènes thermiques, la compréhension du système feu et des contraintes physiologiques.
Cette approche est très importante car il est nécessaire de connaître la réalité du terrain.
Cette réalité comprend la connaissance même de ce qu'est un feu de compartiments
Communication 1D /6 page 4/8
et la connaissance des méthodes d'intervention qui sont actuellement mises en œuvre. De cette manière grâce à la complémentarité de compétences, une analyse plus approfondie peut être menée afin de mettre en évidence les manques et les besoins dans ce type de situation en matière d'aide aux décisions opérationnelles en temps réel.
3.3 Acquisitions des données en temps réels.
L’outil interactif incorpore la modélisation des données reçues en sous divisant de manière récursive l’espace temporel en portions permettant d’optimiser le transfert des données et leur traitement. L’algorithme d’analyse peut alors accéder à ces données pour produire de l’information.
L’architecture est composée de trois parties (figure 10.) : (1) une base de données de type NoSQL permettant de stocker des données sous forme de documents dans une structure classique de tables relationnelles.
Ceci permet de réduire la quantité de transactions avec la base de données, et par conséquent de réduire le temps entre l’acquisition des données et la diffusion d’informations ; (2) Le service permet de recueillir les données des capteurs, d’alimenter la base de données, et d’analyser ces données. Son fonctionnement dépend d’un scénario à définir qui contiendra les informations nécessaires telles que les algorithmes à utiliser pour l’analyse, les informations liées aux adresses et positions des différents capteurs ; (3) Le client, quant à lui, permet à l’utilisateur final de contrôler le service et d’obtenir les informations produites. L’utilisateur choisit un scénario qu’il peut affiner en fonction du contexte de l’intervention, puis l’envoie au service afin de lancer la collecte des données et donc la réception d’informations. Le client présente les informations reçues de manière concise.
Figure 10. Architecture.
L’architecture technique répond à différents besoins :
1. La centralisation de la captation des données provenant de sources hétérogènes (capteurs / données vocales)
2. La chaîne de traitement de ces informations doit être fiable et tolérante aux pannes (coupure dans la transmission d’informations),
3. L’architecture doit permettre d’intégrer différents types de matériels, à la fois pour la captation des données mais aussi pour la visualisation (mobile, tablette, station de travail),
4. La visualisation de l’état de différentes sources d‘informations en temps réels (ex capteurs de température, CO, CO2 ...), 5. La visualisation dans le temps de l’évolution des différentes sources d’informations (tableau de bord analytique).
Elle se décompose en 3 parties (figure 11.) : 1. Get : Capter les données et les transmettre (Arduino / rapsberry pi …..) 2. Process : Traiter l'information (MQTT serveur / Base de données / Serveur web) 3. View : Visualiser les données (Application web).
Figure 11. Architecture technique.
En parallèle, plusieurs étapes ont été développées pour répondre à la problématique de la détection des incendies ainsi que de la localisation des capteurs défaillants :
- Acquisition des données, où la méthodologie est basée sur la collecte des informations par le biais de capteurs sans fil, tous reliés à un système de collecte de données afin d'optimiser la répartition des informations fournies par ces capteurs. Un démonstrateur en laboratoire a été mis en place pour tester les capacités de la solution tout en respectant certains critères de sécurité de la transmission à distance.
- Restitution multi-plateforme, pour laquelle la solution retenue parmi les trois solutions étudiées, tient compte des contraintes permettant aux professionnels du feu d'avoir accès à l'information en temps réel et depuis n'importe quel endroit. Une telle mobilité requiert un certain nombre de prérequis,
Communication 1D /6 page 5/8
notamment concernant l'hébergement de la solution.
- Sécurisation de la solution, où le problème de la sécurité des systèmes communicants a été pris en compte : une telle solution ne pouvait être accessible par tous, d'où la nécessité de mettre en place plusieurs moyens d'améliorer à la fois la sécurité des données et des utilisateurs.
- Modélisation, avec collecte des mesures de température lors des essais sur le site du SDIS76 en collaboration avec, le laboratoire partenaire du projet, LOMC. Les fichiers de données récupérés ont été transformés dans l'univers de MATLAB. Un modèle paramétrique de la famille ARMA (Auto- Regressive and Moving Average) a été développé pour une analyse des séries temporelles. L'identification des paramètres du modèle choisi a permis de le valider avec les données réelles en se basant sur une validation à partir du critère de la blancheur des résidus.
Ce modèle a pour but de répondre à deux objectifs :
- Faire une prédiction de l'évolution des feux sur un horizon mobile de prédiction, la durée de cet horizon sera validé sur un cas réel, - Réaliser plusieurs méthodes à base de modèle ou d'analyse statistique, pour la détection des capteurs défaillants. C'est cet objectif qui est développé dans la suite des travaux de recherche en collaboration avec les partenaires.
La détection d'incendie représente une étape cruciale dans la prévention et la protection des populations. L'objectif de cette étude est d'améliorer d'une façon précise cette détection, en s'appuyant sur des techniques de diagnostic à partir :
- des séries chronologiques par la méthode DCS (Dynamic Cum Sum) ou celle de Page- Hinkley en utilisant la moyenne et la variance sur des fenêtres glissantes,
- du modèle paramétrique validé dans l'étape précédente, en utilisant la méthode de l'espace de parité basée sur la génération des résidus.
Dans cette seconde phase de l'étude, il a été développé d'autres algorithmes capables de détecter un changement abrupt dans les signaux fournis par les capteurs de température en vue de détecter des incendies.
Les fichiers de mesures ont été fournis par les Chercheurs du CORIA et du LOMC. Ces algorithmes ont été appliqués en temps réel sur un banc d'essais développé au laboratoire.
La détection de défaillances est une partie indispensable du système.
Nous avons simulé, à partir des données acquises sur la plateforme du SDIS76, le déclenchement d’un incendie et de l’explosion du feu. Le résultat de cette simulation est présenté par les figures 12 et 13.
Figure 12. Quatre capteurs simulés, le capteur 2 est défaillant
Figure 13. Explosion déclenchée à partir de 600 °C
Une méthodologie de détection de défauts des capteurs de température et la détection de l’incendie à partir des capteurs installés dans un compartiment confiné ou semi- confiné a été développée. La procédure employée est représentée en plusieurs étapes:
le bruit a été rejeté par un filtre Butterworth de 1er ordre,
le processus stochastique a été modélisé à l'aide d'un système adaptatif-robuste,
les sorties des modèles ont été utilisées pour vérifier les données réelles des capteurs défaillants,
les incendies ont été détectés en utilisant les méthodes PHT (
(Page Hinkley Test), DCS
(Dynamique Cumulative Sum)
et GLR
(Generalised Likelihood Ratio)
.
Fig. 12. Procédure de détection d'incendie des capteurs défaillants
DataFiltering
Sensor Fault Detectio n
Fire Detectio n
Modeling
&
Prediction
Explosio Detection n Model
outputs
Predicted outputs Data
Acquistion
User Notification
Communication 1D /6 page 6/8
Une étude comparative des principales méthodes de détection a été réalisée (table 1.)
Méthode Avantages Inconvénient
PHT (Page Hinkley Test)
-Méthode simple -Facile à configurer -Fiable
-Temps de réponse très lent
-Très faible précision de l’instant du feu DCS (Dynamiqu
e Cumulative Sum)
-Temps de réponse plus rapide
-Méthode précise
-Méthode complexe -Difficile à configurer -ne peut pas détecter les dérives lentes
GLR (Generalise d Likelihood Ratio)
-Méthode très précise -Peut détecter les dérives lentes
-Méthode très complexe -Calcul relativement lourd
