Design of an intelligent fire protection system

Full Text

Введение

Необходимость раннего обнаружения и своевременного предотвращения развития пожара на судне определяет целесообразность использования новых технологий, позволяющих поддерживать требуемый уровень противопожарной безопасности. Недостатком существующих противопожарных систем (ПС) является применение пороговых датчиков, которые не позволяют создавать интеллектуальные системы на основе искусственных нейронных сетей (ИНС). Датчики, имеющие относительно узкую область охвата помещения и распределённые равномерно по помещению, не учитывают вероятность возгорания в огнеопасных зонах. Отсутствие видеокамер и специально настроенной видеоаналитики не позволяет быстро обнаружить возгорание во всём пространстве помещения. В процессе разработки ПС проводят натурные испытания, которые позволяют не только проверить правильность проектных решений, но и накопить статистику показаний измерительных приборов и датчиков для улучшения алгоритмов работы ПС. Для проведения натурных испытаний строят специальные стенды, которые, несмотря на большие затраты, не являются точной копией помещений, где будет развернута ПС. В результате натурных испытаний сложно получить большие наборы данных, необходимые для обучения ИНС, невозможно моделировать катастрофическое развитие пожара, охватывающего множество помещений и угрожающего жизни людей, невозможно решать задачу расчёта оптимальных путей их эвакуации.

Интеллектуальная ПС, основанная на онтологии, позволяет организовать инженерные знания в области проектирования ПС. Такая ПС создаётся на базе модельного проектирования путём построения модели для суперкомпьютера и выполнения численного моделирования вместо натурного эксперимента [1]. Применение ИНС позволяет распознавать тип источника возгорания, локализовать зоны очага пожара, прогнозировать развитие пожара в каждой точке помещения и повысить оперативность принятия решения в борьбе с пожаром на судне, правильно выбирать средства тушения и находить пути безопасной эвакуации.

1  Структура ПС

Современное судно включает помещения для экипажа и пассажиров, жилые и общественные помещения, зоны отдыха, технические и служебные помещения, складские помещения, помещения машинного отделения, рулевые и навигационные помещения. К техническим помещениям относится генераторы, системы вентиляции и кондиционирования воздуха. Технические и служебные помещения на судне имеют важное значения для нормальной эксплуатации судна. В машинном отделении располагается силовое оборудование судна, двигатели разного типа: дизельные, бензиновые, газотурбинные или электрические. Рулевые и навигационные помещения имеют большое значение для обеспечения безопасности и эффективности судовождения. В них расположены системы управления движением судна, навигационное оборудование, системы диагностики.

В процессе проектирования ПС необходимо учитывать материалы и геометрические размеры помещений, размещённое в них оборудование, вентиляцию, электрические сети, мебель и вероятное расположение горючих материалов.

ПС содержит датчики основных факторов пожара, в частности температуры, видимости, концентрации газов и дыма. Система видеонаблюдения выполняет функцию обнаружения возгорания в поле видимости. При фиксированном расположении датчиков их связь с центральным вычислительным блоком может быть проводной. При изменении условий возможного возникновения пожара в помещениях судна (размещение горючих материалов, выполнение ремонтных работ и др.) целесообразно использовать беспроводный интерфейс, позволяющий размещать датчики в новое, адекватное ситуации, положение. Укрупнённая онтологическая модель ПС показана на рисунке 1.

 

Рисунок 1 – Укрупнённая онтологическая модель противопожарной системы

 

В ПС может быть использован ряд датчиков для измерения температуры: термометры сопротивления; термопары; полупроводниковые датчики [2]. Датчики для измерения концентрации веществ в воздухе: термохимические, электрохимические и фотоколориметрические [3]. Датчики видимости предназначены для регистрации летучих продуктов процесса горения – мелких частиц копоти, гари [4]. Они способны обнаруживать появление летучих частиц реакции горения, так называемый серый и чёрный дым. Современные ПС используют одно- и многопараметрические датчики, извещатели и многопараметрические многокритеральные извещатели. Модель принятия решений в ПС показана на рисунке 2.

 

Рисунок 2 – Модель принятия решений в ПС

 

Датчик однопараметрический - конструктивно обособленное устройство, которое содержит первичный измерительный преобразователь для выработки сигнала x_i,i = 1…I измерительной информации. В ПС используются I однопараметрических датчиков в координатах ξ_k, k = 1,…K [5]. Многопараметрический датчик имеет несколько измерительных преобразователей x₁, ξ_k, x₂, ξ_{k, …} x_м, ξ_k,  для выработки нескольких сигналов измерительной информации. Некоторые пожарные извещатели, в зависимости от конструкции, могут являться датчиками, передающими измеренные показания. Извещатели, в отличие от датчиков, не являются средствами измерения, поскольку применяют к результатам измерения пороговую обработку для получения логических значений и применения к ним логической функции $L_{i,k}\left({\widehat{x}}_i,{\xi }_k\right)$. Однопараметрические пожарные извещатели выполняют измерение фактора пожара, последующую пороговую обработку фактора и/или его производной и формируют логический сигнал $\mathcal{L}$ (L_i,k) по уровню опасного фактора и/или его производной.

Многопараметрические пожарные извещатели выполняют пороговую обработку нескольких сигналов многопараметрических датчиков, формируют логические значения для нескольких сигналов и/или их производных $L_k\left({\widehat{x}}_1,{\xi }_k, {\widehat{x}}_2,{\xi }_k, \dots ,{\widehat{x}}_M,{\xi }_k\right)$, и логические функции $\mathcal{L}$ (L_k), учитывающие несколько факторов пожара и/или их производных. В многокритериальных извещателях применяют сложные логические функции [6].

Недостатком существующих ПС является принятие решения о пожаре на основе функций двоичной логики, применённой к сигналам каждого извещателя.

Перспективным представляется подход, который основан на анализе совокупности показаний всех многопараметрических датчиков, расположенных в контролируемом помещении, и формирование решения, сигнализирующего о пожаре, на основе машинного обучения [7].

2  Модельно-ориентированное проектирование ПС

Для проектирования ПС необходимо либо провести множество натурных экспериментов в помещениях судна или разработать компьютерную модель помещений и динамическую модель развития пожара в них. В программе Fire Dynamic Simulator (FDS)¹ используется модель развития пожара путём решения уравнений Навье-Стокса для низкоскоростного теплового потока. Для создания модели помещения использована программа геометрического проектирования AutoCAD. Пример трёхмерной геометрической модели помещений корабля-музея «Аврора» показан на рисунке 3.

 

Рисунок 3 – Модель части помещений корабля-музея «Аврора»

 

Модель помещений должна быть дополнена описанием свойств материалов помещений, расположения вентиляции и свойств горючих материалов, которые могут находиться в помещении. Моделирование реального помещения имеет высокую вычислительную сложность, поэтому необходимо использовать высокопроизводительную вычислительную технику (в работе использовались ресурсы суперкомпьютерного центра СПбПУ).

В модели помещения выделяют зоны, внутри и на границах которых рассчитывают опасные факторы пожара по методу конечных разностей. Вычисление внутри каждой ячейки можно проводить на отдельном процессоре параллельно с вычислением внутри других ячеек. FDS поддерживает два стандарта для распараллеливания Open Multi-Processing (OpenMP) и Message Passing Interface (MPI) [8, 9]. Размер ячеек сетки выбирают исходя из минимального размера интересующих предметов в помещении. При увеличении размера сетки могут возникнуть ошибки и деформации предметов. Поэтому точность моделирования повышается при использовании неравномерной сетки, размеры элементов которой зависят от размеров объектов. В результате общее количество элементов сетки составляло 10–20 млн.

Проведено несколько расчётов с различным распределением ресурсов. При использовании OpenMP на одном узле сетевого кластера с одной расчётной сеткой за 48 часов было смоделировано около одной минуты пожара. При расчётах с помощью MPI на нескольких компьютерах сетевого кластера использовались неравномерные сетки. Расчётная область помещения была разделена на несколько сеток по числу доступных процессоров, каждой сетке присваивался собственный процесс. При задействованных четырёх узлах кластера за 48 часов расчётов было смоделировано четыре минуты пожара.

Программа визуализации Smokeview (SMV) позволяет получать визуализацию результатов моделирования [10].

3  Результаты экспериментов

В помещении учебно-тренировочного комплекса Гефест², представляющем дизельный отсек судна, были проведены четыре вида испытаний:

• интенсивное тление ветоши, смоченной органическим растворителем (время тления 810 с.);
• горение мусорной корзины при постепенном возрастании интенсивности горения до уровня значительного (время горения 320 с.);
• горение невысокой интенсивности ветоши, смоченной органическим растворителем (время горения 807 с.);
• интенсивное горение мебели, смоченной органическим растворителем (время горения 136 с.).

При проведении натурных экспериментов были использованы тепловые, газовые и дымовые пожарные извещатели. Тепловые извещатели срабатывали при условии, когда конвекционная тепловая энергия пожара увеличивалась и достигала порога. Газовые извещатели реагировали на CO, выделяющийся при тлении или горении материалов. Дымовые извещатели реагировали на продукты горения, изменяющие поглощение излучения в видимом диапазоне спектра.

По результатам экспериментов выполнено сравнение натурного эксперимента с результатами моделирования (см. рисунки 4 и 5).

 

Рисунок 4 – Тестовый очаг: хлопчатобумажная ветошь, смоченная органическим растворителем, в открытом металлическом ящике имитатора горения твёрдых предметов при включённой вентиляции: площадь ≤ 1,0 м2, дистанция ≤ 2,5 м, интенсивность – значительное тление; а) визуализация горения; б) температура; в) концентрация CO; г) концентрация дыма 

 

Применение теплового максимально-дифференциального пожарного извещателя комплекса «Касатка» АО «НПФ «Меридиан», сработавшего при температуре 26-27 °С, показано на рисунке 4б. Применение инкрементного извещателя тепла показано на рисунке 5б. Показания газового извещателя комплекса «Гамма-01 Ф» ООО «НПО пожарная автоматика» показаны на рисунках 4в и 5в. Показания оптико-электронного извещателя дыма комплекса «Гамма-01 Ф» ООО «НПО пожарная автоматика», контролирующего отражение и рассеивание частичками дыма оптического излучения, показаны на рисунках 4г и 5г.

 

Рисунок 5 – Тестовый очаг: тряпки, бытовой мусор, бумага, скомканная в пластмассовой корзине: площадь ≤ 1,0 м², дистанция ≤ 3,0 м, интенсивность – постепенный рост от малого до значительного горения. Время эксперимента 320 c. а) визуализация горения; б) температура; в) концентрация CO; г) концентрация дыма

 

Сопоставление натурного и вычислительного экспериментов показало их близкие результаты. Вместе с тем выявлены различия, обусловленные неточностью задания характеристик материалов горения, неточностью определения начала горения, случайными движениями воздушных потоков, влияющими на процесс горения в натурном эксперименте. Например, изменение концентрации дыма (рисунок 5г) в натурном эксперименте показало наличие выбросов в начале горения, вызванное случайными потоками воздуха, которое может приводить к ложным срабатываниям.

 

При натурных испытаниях невозможно воспроизвести пожар, охвативший помещение полностью, а также пожар, распространившийся на множество соседних помещений. Такая модель необходима, чтобы контролировать развитие пожара и находить пути эвакуации людей.

Интеллектуальные модули судовой ПС, использующие ИНС с супервизорным обучением, функционируют при больших наборах данных для обучения и валидации. Было выполнено моделирование на суперкомпьютере и получены наборы данных, характеризующие температуру, концентрацию CO и концентрацию дыма на множестве виртуальных датчиков, размещённых в помещении с интервалом 10 см [11].

4  Поиск оптимального расположения датчиков

Для решения этой задачи использован генетический алгоритм [12]. При этом факторами, определяющими оптимальное расположение датчиков, являются вероятность появления очага пожара в координатах [ξ_1, ξ₂]^T геометрические размеры помещения, наличие и тип горючих материалов, расположение вентиляции. Целевой функцией является время обнаружения возгорания по правилу Q(t).

На первом этапе в результате моделирования получены результаты измерения факторов пожара виртуальными датчиками, расположенными на верхней плоскости равномерно с интервалом 10×10 см.

На втором этапе определяют начальное положение каждого из N многопараметрических датчиков ξ_i =[ξ_1,i,ξ_2,i]^T, i = 1…N, которое выбирают случайно на сетке размером 10×10 см.

На третьем этапе циклически выполняют генерацию нового положения датчиков с координатами .

На четвёртом этапе выбирают целевую функцию Fire(t,S), характеризующую время обнаружения возгорания. Минимизация целевой функции $\mathcal{F}\left(x\right)=\underset{t}{\min }\left[Fire\left(t,\right)\right]$, где – множество показаний каждого датчика из N многопараметрических датчиков. Значение целевой функции определяется с использованием ИНС, функционирование которой характеризуется рекуррентными уравнениями: v_l = W_lu_l, u_l =φ_l(v_l-1), где v_l-1 - вектор входов l-го слоя ИНС, u_l - вектор выходов, W_l - матрица весов l-го слоя, φ_l ‑ активационная функция, которая действует покоординатно. В результате обработки сигналов датчиков, расположенных в координатах $\mathbf{\Xi }\left(\mathit{i}\right):={\left[{\zeta }_{\mathrm{1,}i},{\zeta }_{\mathrm{2,}i},\dots ,{\zeta }_{N,i}\right]}^T,$ выход ИНС v_L = f(u_L) фиксирует начало возгорания File(Ξ,t) =net(t,v_L) в момент времени t.

На пятом этапе выполняют отбор расположений датчиков ${\mathbf{\Xi }}_{\mathrm{best}}\left(\mathit{i}\right): = Selection\left(\mathbf{\Xi }\mathit{\left(}\mathit{i}\mathit{\right)}\right)$, для которых время обнаружения возгорания минимально (селекция).

На шестом этапе выполняют небольшое направленное смещение датчиков на сетке путём смешивания координат отобранных датчиков по специальному алгоритму мутации и получают новый вектор $\mathbf{\Xi }\text{'}\left(\mathit{i}\right):={\left[\zeta {\text{'}}_{\mathrm{1,}i},\zeta {\text{'}}_{\mathrm{2,}i},\dots ,\zeta {\text{'}}_{N,i}\right]}^T$.

Затем выполняется модификация некоторых координат датчиков случайным образом и повторяются этапы алгоритма.

Новое положение датчиков $\mathbf{\Xi }\left(\mathit{i}\right):=Revenant\left(\mathbf{\Xi }\text{'}\left(\mathit{i}\right)\right)$ получают путём отбора лучшего из полученных.

Ниже показан псевдокод поиска оптимального расположения датчиков.

1. Чтение данных моделирования;
2. ${\text{ξ}}_i={\left[{\zeta }_{\mathrm{1,}i},{\zeta }_{\mathrm{2,}i}\right]}^T, i=1\dots N$, — начальное положение N датчиков;
   whilei < T, цикл генерации нового положения датчиков;
3. $\mathbf{\Xi }\left(\mathit{i}\right):={\left[{\zeta }_{\mathrm{1,}i},{\zeta }_{\mathrm{2,}i},\dots ,{\zeta }_{N,i}\right]}^T$ — координаты датчиков;
4. $Fire\left(\mathbf{\Xi },t\right)= net\left(t,v_L\right)$ — вычисление времени t обнаружения пожара;
5. ${\mathbf{\Xi }}_{\mathrm{best}}\left(\mathit{i}\right): = Selection\left(\mathbf{\Xi }\mathit{\left(}\mathit{i}\mathit{\right)}\right)$ — отбор лучших положений датчиков (индивидуумов);
6. $\text{Q}\left(t\right):=Variation\left({\Xi }_{\mathrm{best}}\left(\mathit{i}\right)\right)$ — смещение датчиков (скрещивание) и оценка целевой функции Q(t).
7. $\mathbf{\Xi }\text{'}\left(\mathit{i}\right):={\left[\zeta {\text{'}}_{\mathrm{1,}i},\zeta {\text{'}}_{\mathrm{2,}i},\dots ,\zeta {\text{'}}_{N,i}\right]}^T$ небольшое случайное смещение датчиков (мутация);
8.  $\mathbf{\Xi }\left(\mathit{i}\right):=Revenant\left(\mathbf{\Xi }\text{'}\left(\mathit{i}\right)\right)$ формирование нового положения датчиков (отбор);
   End while

5  Нейросетевые методы и алгоритмы судовой ПС

Система принятия решения о возгорании построена на основе рекуррентного персептрона, размерность входного слоя которого определяется количеством датчиков и количеством измеряемых ими параметров пожара. ИНС имеет два скрытых слоя с нелинейными активационными функциями и выходной слой с двумя нейронами и линейными функциями активации. Обучение ИНС выполнено методом обратного распространения ошибки Левенберга-Маркварда, который относится к группе псевдо-ньютоновских методов второго порядка [13].

5.1 Классификация по типу источника возгорания

Для решения этой задачи применены сиамские ИНС, структура которых показана на рисунке 6.

 

Рисунок 6 – Сиамские ИНС для определения типа источника возгорания: а) структура сиамской ИНС; б) коллектив сиамских ИНС

 

Рассмотрены источники возгорания нескольких классов: горение кабеля (класс Е), бумаги (класс А1), бытовых отходов (класс А2), бензина (класс В1), спиртосодержащих веществ (класс В2). Классы источников возгорания различались по показаниям датчиков температуры, концентрации СО и дыма. На вход каждой ИНС поступают текущие и предыдущие показания датчиков, поскольку важное значение имеет динамика изменения показаний датчиков. Каждая сиамская ИНС сигнализирует о конкретном типе возгорания [14, 15].

На вход каждой сети поступают векторы x₁ и x₂ которые содержат показания датчиков при отсутствии возгорания и показания датчиков при наличии возгорания данного класса. ИНС основана на оценке расстояния, которое можно рассматривать как меру похожести между измеренными значениями факторов пожара определённого типа. Для вычисления похожести используют две нейронные сети с одинаковыми весами W для двух входных векторов G_w(x₁) и G_w(x₂).

Количество входных параметров зависит от K датчиков в помещении, количества числа последовательных показаний T, снимаемых с датчиков x_i = x_i(t), x(t-1),…,x_i(t - T), и количества нейронов N_Input входного слоя сиамских ИНС n = KTN_Input. Скрытые слои содержат 8 и 5 нейронов. В результате моделирования была получена оценка вероятности правильного обнаружения i -го типа возгорания $\widehat{P}\left(i\right)=\frac{1}{M_i}\sum _{j=1}^J\left(\frac{m_i}{M_i}\right)$ , где m_i – число успешных обнаружений, M_i- число компьютерных экспериментов, которая составила 0.88-0.98 и средняя вероятность правильных обнаружений для пяти типов возгорания $\widehat{P}=\frac{1}{N_i}\sum _{i=1}^I\widehat{P}\left(i\right)$, где N_i – число типов возгораний, N_i = 5 которая составила 0.94.

5.2 Определение зоны очага пожара

В ряде случаев важно определить место расположения очага возгорания для локального применения автоматизированного средства тушения в зоне очага пожара (классы A1, A2, B1). Для локализации очага пожара были использованы ИНС, имеющие структуру, показанную на рисунке 6. Имея одинаковую структуру, сиамские ИНС обучены решению другой задачи. В частности, для обучения были использованы данные, полученные в результате моделирования, дополненные данными эксперимента, взятыми на временных интервалах начала горения. В натурных и компьютерных экспериментах были использованы источники горения: дизельное топливо, электрический кабель, дерево (бук), гептан, хлопчатобумажная ткань. Расположение источников возгорания в помещении площадью 7×5 м представлено на рисунке 7.

 

Рисунок 7 – Результаты локализации очагов возгорания в помещении судна: а) помещение судна с обозначенными очагами пожара и многопараметрическими датчиками; б) проекция помещения с указанием очагов возгорания (крестики) и результатами их локализации (пунктирные овалы)

 

Виртуальные многопараметрические датчики расположены на сетке 10×10 см. Три виртуальных датчика моделируют реальные датчики класса «Барк М-Э эксперт», использованные в натурных испытаниях. Входными данными являются показания виртуальных датчиков (температура, концентрация CO и концентрация дыма) в течение пяти секунд после начала возгорания и оптимальные координаты датчиков, полученные на предыдущем этапе (см. раздел 4). На выходе ИНС обучена представлять координаты источников возгорания ξ₁ и ξ₂. Многократное моделирование первых пяти секунд возгорания в пяти положениях очага позволило получить области возгорания. Геометрия помещения, расположение многопараметрических датчиков и очагов пожара показаны на рисунке 7.

Компьютерное моделирование проведено в двух вариантах: при равномерном расположении трёх многопараметрических датчиков и при оптимальном расположении (см. раздел 5.1). Характеристикой правильности локализации источника возгорания является дисперсия ошибки локализации, которая определяется по формуле:

 ${\sigma }_j^2=$ $\frac{{\displaystyle {{\sum }_{k=1}^K}_{k,j}-{\mathrm{\xi }}_{\mathrm{0,}j}}}{K}$, (2)

где ξ_0,j – действительное положение источника возгорания в j – ом эксперименте j = 1,…5, ξ_k,j, – результат определения положения источника возгорания при k – ом повторении j – ого эксперимента k = 1,..7.

Моделирование показало, что при оптимальном расположении датчиков дисперсия зоны локализации уменьшилась приблизительно в 2 раза.

Условием правильной локализации k-той зоны возгорания в j-ом испытании является ξ_k,j - ξ_k,0 ≤ θ, где θ – характеристика допустимого размера зоны. Оценки вероятности правильной локализации k-го очага возгорания определяются по формуле $\widehat{P}\left(k\right)=\frac{1}{M_k}\sum _{j=1}^J\frac{m_{j,k}}{M_k}$, где m_k – число правильных результатов обнаружения в k-той зоне, при выполнении M_k экспериментов; и оценка средней вероятности правильной локализации K зон возгорания $\widehat{P}=\frac{1}{K}\sum _{i=1}^K\widehat{P}\left(k\right)$. В проведённом эксперименте вероятность правильной локализации зоны возгорания составила 92%.

Таким образом, применение генетического алгоритма при расстановке датчиков позволяет сократить время обнаружения пожара и повысить достоверность локализации зоны возгорания.

Заключение

Предлагаемый нейросетевой метод формирует извещение на основе совокупности показаний всех многопараметрических датчиков, расположенных в контролируемом помещении. В отличие от существующих методов извещения о возгорании на основе логических функций расширяется круг решаемых задач. Коллектив нейронных сетей позволяет найти оптимальное расположение многопараметрических датчиков, определить тип горящего материала, обнаружить возгорание на ранних этапах, а также локализовать зону возгорания.

Большие объёмы данных, необходимые для обучения ИНС ПС, могут быть получены путём компьютерного моделирования. Этот подход позволит решить ряд новых задач: прогнозирование развития пожара, адаптивное подавление мешающих факторов (нормальный нагрев помещения, изменение газового состава, появление пыли), построение динамической карты распределения опасных факторов и поиск оптимального пути эвакуации людей [15]. Динамические карты распространения пожара во времени представляют распределение основных факторов пожара, температуры, концентрации вредных газов и дыма в пространствах помещений судна.

Показано применение способа получения информации для обучения ИНС ПС путём создания верифицированной модели конкретного фрагмента предметной области на основе использования решения задач по прецеденту [16].

Принципиальным вопросом в проектирования судовой ПС является исследование помещений судна, учёт наличия вентиляции, размещения опасных предметов геометрии помещений. Результатом является подробная геометрическая 3D модель судна, включающая указания на физико-химические свойства материалов.

При проектировании ПС важным является сочетание натурных испытаний и компьютерного моделирования. Натурные испытания возможны для отдельных помещений, в то время как для моделирования доступны все помещения судна. Ограничением является сложность модели и производительность вычислений.

Онтологический подход предполагает применение широкого класса моделей ПС, к которым относятся, в частности, генетический алгоритм оптимизации расположения датчиков, ИНС с супервизорным обучением для классификации состояний объекта и для аппроксимации зависимостей опасных факторов пожара.

 

¹ FDS - это инструмент для моделирования пожара, разработанный Национальным институтом стандартов и технологий (National Institute of Standards and Technology – NIST).  https://mst.su/fds/.

² УТК - ПВ.1 "ГЕФЕСТ" Учебно-тренировочный комплекс для подготовки экипажей кораблей и судов к действиям в аварийных ситуациях. https://www.aqua-servis.com/?page_id=77.

About the authors

Galina F. Malykhina

Peter the Great St. Petersburg Polytechnic University (SPbPU)

Author for correspondence.
Email: malyhina_gf@spbstu.ru
ORCID iD: 0000-0002-1026-8727
SPIN-code: 6511-9450
Scopus Author ID: 56413033100
ResearcherId: O-2269-2016

Dr. Sci. (Tech.), Professor at Higher School of Computer Science and Information Systems, Institute of Computer Science and Information Systems

Russian Federation, St. Petersburg

Polina S. Zhirakova

Peter the Great St. Petersburg Polytechnic University (SpbPU)

Email: zhirakova.ps@edu_spbstu.ru
SPIN-code: 5148-5610

First-year Master's student in Cyberphysical Systems and Technologies at the Higher School of Cyberphysical Systems and Control, Institute of Cybersecurity and Computer Science, Higher School of Cyberphysical Systems and Control

Russian Federation, St. Petersburg

Alexey V. Militsyn

Peter the Great St. Petersburg Polytechnic University (SpbPU)

Email: militsyn_av@spbstu.ru
ORCID iD: 0000-0001-9931-0129
SPIN-code: 3351-0411
Scopus Author ID: 57194215918
ResearcherId: HZL-6530-2023

Senior Lecturer at the Higher School of Cyberphysical Systems Management, , Institute of Cybersecurity and Computer Science

Russian Federation, St. Petersburg

References

Supplementary files