제9회 9th International Seminar on Fire and Explosion Hazards 는 St. Petersburg Polytechnic 대학과 Gefest 사 (St. Petersburg)가 주최하는 학회로 20 년이 넘는 역사 동안 화재 및 폭발 과학 및 공학 분야에서 중요한 국제 행사 중 하나이다. 화재 및 폭발 위험은 광범위한 산업 응용 및 환경에서의 고려되어야 할 중요 요소 중 하나이며 본 학회를 통하여 안전 최신 연구동향 및 기술을 접할 수 있다. 본 회의는 모스크바, 러시아 (1995, 1997), Lake Windermere, UK (2000), Londonderry, 영국 (2003), 에딘버러, 영국 (2007), 영국 리즈 (2010), 미국 프로비던스(2013), 중국 허페이 (2016)등에서 개최된 바 있다. 20 년이 넘는 기간 동안 해당 세미나는 화재 및 폭발 과학 및 공학 분야에서 중요한 국제 행사 중 하나로 성장하였다. 이 세미나에는 세계 유수의 대학, 연구 기관, 산업 및 보험 회사의 전문가들이 모여 학회가 진행되었다. 학회의 장소 및 일정은 아래와 같다.

본 학회에서 특이점은 에르미타주 국립박물관 (General Staff Building of the State Hermitag)에서 하루 동안 진행되었다는 점이다. 본 박물관은 세계 3대 박물관으로 꼽히고 있으며, 이 박물관의 전시물들은 예카테리나 2세가 1764년부터 수집한 미술품들로 약 300만 점이 전시되어 있다고 한다.
본 학회는 다음과 같은 소주제로 다수의 논문이 발표되었다.







다음의 사진들은 학회 동안에 진행되었던 여러 행사들에 대한 사진이다.
밴큇은 다음과 같이 성대하게 열렸다.

위험성을 평가하고, 조건을 이해하기 위해 적은 데이터를 사용하여, 최적화 방법을 개발하기 위해 화재에 대한 신속하고 충실도 높은 예측을 제공 할 필요가 있다. Machine Learning은 경영, 로봇 공학 및 이미지 분석에서 대용량 데이터를 기반으로 정확한 예측을 하는 데 사용 되는 한 가지 방법이다. 그러나 물리 기반 또는 과학 응용 프로그램을 지원하는 데 제한된 응용 프로그램이 있다. 이 논문은 저비용, 높은 정확도로 화재를 예측하기 위해 탐구되는 특정 기술에 대한 자세한 내용과 함께 Machine Learning에 대한 일반적인 개요를 제시한다 본논문에서 차원 네트워크 (dimension-order) 축소 모델 (reduced-order model)과 신경 네트워크를 이용한 심층 학습을 모두 사용하는 예시가 제공된다. CFD 결과와 비교했을 때, 이 초기 연구는 Machine Learning이 CFD 시뮬레이션보다 2~3배 빠른 예측을 제공 할 수 있음을 보여준다. Machine Learning의 정확도를 높이고, 이 모델을 더 일반적인 시나리오로 확장하려면 추가 작업이 필요하다.
머신러닝을 수행하기 위하여 다음과 같은 절차를 따라야한다.


Artificial Neural Networks (ANN) 또는 다중 Perceptron은 입력과 출력 간의 관계를 나타내기 위해 상호 연결된 노드 (Perceptron) 모음을 사용하는 모델 유형이다. 아래의 에 도시된 바와 같이, ANN은 입력 층, 일련의 숨겨진 층 및 출력 층으로 구성된다. 두 개 이상의 숨겨진 레이어가 있는 경우 이는 심층 학습으로 간주됩니다. 각 Perceptron은 다중 입력을 가져 와서 단일 출력을 생성합니다. (Fig. 3b 참조).

입력은 다른 지각으로부터 가중 된 결과이거나 ANN(입력 계층)에 제공되며, 각 Perceptron에는 편향도 있다. 결과적으로 각 Perceptron은 입력과 바이어스를 출력과 관련시키는 선형 방정식을 형성한다. 시스템에 비선형 성을 추가하기 위해 시스템에 비선형 관계를 학습 할 수 있도록 활성화 함수가 출력에 적용된다. 일반적인 활성화 기능에는 스텝 Function, Sigmoid, tan(h), 정류 된 선형 유닛 또는 누설 정류 된 선형 유닛이 있다. 전체 네트워크를 합치면 일련의 선형 방정식이 됩니다. Machine Learning은 입력이 출력을 예측할 수 있도록 가중치 및 바이어스를 결정하는 데 사용됩니다. 연구자들은 데이터를 사용하는 Artificial Neural Network, ANN을 통한 접근법을 Wildland 화재 확산 [ 15 – 19 ], 폭풍 해일 [ 20 – 23 ], 홍수 침수 [ 24 – 26 ], 기후 모델링 [ 27 – 28 ], 원격 감지 [ 29 , 30 ] 및 발전 [ 31 , 32 ]에 성공적으로 적용하여 예측하였다.
본 연구에서 차원 조건 감소 기술을 사용하고 화재 조건의 공간적 분포를 예측하는 심층적 인 학습을 사용함을 보여주었다. 차원 감소 기법은 더 많은 수학적 개발을 필요로 하므로 더 즉각적인 사용을 방해 할 수 있다. Convolutional Neural Network를 기반으로 하는 깊은 학습은 공간 조건을 예측할 수 있는 능력이 뛰어난 것으로 입증되었다. 이산 및 전체 필드 데이터 입력을 기반으로 이를 수행하는 기본 아키텍처가 개발되었으며, 이러한 기본 아키텍처에 대한 추가 교육 및 수정을 통해 신경망은 예측 기능이 보다 빠르게 확장되고 사용하기 위해 배포될 수 있다. 이를 위하여서는 트레이닝의 양을 늘려야 하는 것이 필수적이다. 그러나 단순화 된 형상 데이터에서 생성 된 데이터는 보다 복잡한 시나리오를 예측하는 데 사용될 수 있다.

본 논문은 수소를 사용하는 산업 응용 분야의 안전 측면에 대한 최신 기술에 대하여 간략하게 설명한다 수소가 화학, 야금, 그리고 최근 우주 산업과 전자 분야에서 오랜 기간 동안 업계에서 사용되어 왔으며 에너지 분야에서 새롭게 관심이 집중되었으며 이에 따라 수소에의 화재와 폭발에 대하여 관심이 증복되고 있다. 수소 기술의 확산 정도는 대중이 수용할 수 있도록 수소의 안전성을 증명하는 것에 크게 의존한다. 이러한 연구로 재료의 취약성, 폭발 분위기 조성, 점화, 고압 제트 화재, 불안정한 연소, 배출 등이 연구가 되고 있다. 그러나 여전히 "수소 에너지 응용"의 대규모 개발 및 활용을 달성하기 위해서는 연구 및 기술 개발에서 많은 노력을 기울여야한다.
수소의 연소성은 일반 탄화연료의 5-10배이며 최소발화에너지는 5-10배 적으며 최대 연소속도는 5-10배정도 크다. 다른 말로 수소와 관련된 폭발이 보다 큰 영향이 기인될 수 있다라는 것이다.
누출유량의 예측이 위험 분석의 정확성과 밀접하게 관련된다. 수소가 가스일지라도 유량의 예측은 쉽지 않다. 편차가 10 MP이상일 때 이상적인 기체 상태 방정식으로부터 유의미한 오차가 발생한다.(Fig. 13)  Abel-Nobel 방정식은 특히 매우 높은 압력에서 정확하지 않으며 최대 10-20 %의 편차가 발생한다.

수소누출이 큰 점화 확률을 보이며 심지어 자발적으로 점화될 수 있다. 위험도 분석에서는 누출로 인해 폭발이나 화재가 자동으로 발생한다고 가정하고 진행한다.

임계 점화 온도가 대기압에서 400 ° C와 700 ° C 사이에 있다고 제안한다. (Fig. 13) 이 점화 메커니즘은 잘 알려져 있지 않으며, 특히 뜨거운 표면 위로 흐르는 대류 유동의 영향에 대한 정보가 적다. 지금까지 측정된 점화에 대한 최소 출력은 100mW이지만 이에 대한 보증은 없으며 이 값은 절대 최소값이다. (Fig. 13)

우주선 조건을 모사한 지상기반의 실험에서 고체 가연성 물질에 의해 생성 된 화염의 소멸은 2cm / s 이하의 cross유속에서 관찰되었다. 그러나 실제 궤도 비행에서 수행된 3 가지 실험에서는 매우 다른 화염 거동을 보였다. 첫째, 5-20 cm / s의 기류 속도에서 (이는 ISS 가압 격실 내부의 공기 순환특성 범위임) 지속적인 연소가 가능하다는 것이 관찰되었으며, 샘플 연소 강도는 지상 실험에서보다 미소 중력장에서 더 컸다. 미소 중력장에서 1-2 cm / s 아래의 기류 속도의 감소로 dull 화염이 발생하는데 이 화염은 화염모드에서 0.2-0.5 cm/s와 smoldering 모드에서의 0.2 m/s 미만의 임계속도에서 소멸된다.
고분자의 열분해시 독성 휘발성 물질의 생성은 승무원에게 극히 위험하며, ISS(Internal space station)의 밀폐 된 공간에서 독성 화학 종의 농도는 허용 가능한 임계 값을 크게 초과하는 수준까지 빠르게 증가한다. 승무원의 안전을 위해 개별 가스 마스크를 사용하거나 안전 지대를 제공 할 수 있다. 공간이 협소하므로 안전 영역을 만드는 것은 다소 어려울 수 있다.

화재를 진압하기 위해 러시아 ISS 부문에서 2 종류의 휴대용 소화기 ОКР-1과 ОСП-4를 사용할 수 있다. 두 소화기는 소화제에 의해 생성 된 거품을 사용하며, 불활성 희석제로 질소가 사용되며 거품은 화학적으로 중성이며 고체 표면에 쉽게 부착되며 쉽게 씻겨 나갈 수 있다. 이 소화기는 수직한 중력방향뿐만 아니라 임의의 중력방향에서 작동할 수 있다. 안전 지침에 따르면 최소한 2 명의 승무원 그룹이 화재 진압을 수행해야한다.
새로운 불연구조 재료와 고성능의 화재감지기와 승무원들을 위한 개인 방호장비, 소화기 및 화재후 발생하는 오염된 공기의 필터링 및 정화장치 개발 및 제작에 대한 추가 연구가 필요하다.

주로 공기 중 화재 현상스케일 모델링에 대해 논의되었지만 연기 거동을 위한 소금과 담수를 활용한 스케일 모델에 대한 간략한 논의도 제시되어 있다. 화재현상을 위한 무차원 그룹의 전체 집합에 대하여 설명하였으며 특정 화재 시나리오의 부분적 확장을 위한 스케일링 모델에 대하여도 제시가 되었다. 복도바닥에서의 화재전파는 다양한 특성을 간파 및 실규모에서의 검증을 위하여 활용되었다. 백화점 아트리움의 연기 거동은 축소모델링의 디자인 결함을 밝히기 위해 연구되었다. 수송 페리의 안전을 보장하기 위해 화재 테스트를 통과하기위한 워터미스트 시스템을 개발하려는 도전 과제는 체계적으로 스케일링 모델을 사용하여 수행되었으며 본격적으로 확인되었다. 스케일링 모델링은 가구가 딸린 침실에서 화재 성장을 조사하여 모델링의 한계를 극대화했지만 매우 유사한 전반적인 화재 성장의 설명을 보여줌으로써 약간의 성공을 거두었다. 다양한 무차원 매개 변수가 Fig. 17에 나와 있다. 스케일링모델링에서는 소수의 그룹 만 보존 할 수 있다. 선박 동역학의 스케일 모델링과 같이, 화재 스케일링에서 레이놀즈 수는 유지되지 않지만 화재 유동은 난류이므로 모델의 크기는 난기류를 확보 할 만큼 충분히 커야 하며 이것은 일반적으로 높이가 약 0.3m (1ft.)이다.

핵심 매개 변수는 Zukoski 수인 Π2 또는 Q *를 보존하는 것이다. 컴퓨터 모델링에서 종종 그렇듯이 이것은 실규모에서의 화재의 힘(보다 일반적으로 열방출율)이 필요하다. 화재 성장을 완벽하게 스케일하는 위하여 너무 많은 무차원 집단이 보존을 해야하기 때문에 이것은 불가능하다.
본 논문에서는 화재현상에서 다양한 스케일링 모델링에 대하여 언급하였다.

이 풀스케일의 복도 실험에 의해 제기된 많은 의문점은 화재 성장없이 동일한 복도 의 축소모형으로 검토되었으며, 축소모형에서 나무 침대 대신에 가스 버너를 사용했다 (Fig. 19).

- 아트리움에서의 연기 제어
아트리움 화재에 대한 축소 스케일링 방정식이 아래와 같다.

성장 및 정적 화재에 대하여 사용된 이 방정식들은 복사열전달이 무시되고 화재 초기의 화재거동과 연기 거동 검토가 연구목적이다. Π- 그룹은 그룹의 일부 조합과 함께 Fig. 17과 같다.  유동 시간은 root(l/g)과 같다.

이 논문의 목적은 스페인 철도 제조사인 CAF는 연기 추출 시스템을 기반으로 개발한 철도차량에서의 화재관리에 대한 혁신적인 대안을 분석하는 것이다. 화재 컴퓨터 모델링의 예측성능을 평가하기 위해 새로운 CAF 통근자 단위의 여러 가지 실제 실험이 설계되었다. 새로운 연기 배출 시스템은 배기 팬에 의해 승객 영역에서 화재가 발생했을 때 발생하는 연기를 추출하여 후방 하단의 신선한 외부 공기가 들어가도록 허용하도록 설계되어 있으며, 이 모든 공기는 차량의 몸체 끝 부분을 통하여 공급되며 다른 차량으로 연기가 전파되는 것을 막도록 설계되었다.

호주 표준 AS 4391에 따라 기차 장치에서 본격적인 화재 테스트가 수행되었다. 화원으로는 140 kW의 화재가 사용되었으며 연기는 스모크 생성기에 의하여 발생되었으며, 측정 지점에는 6 개의 열전쌍 트리, 10 개의 가스 유속 프로브 및 2 개의 GoPro HD 비디오 카메라 (가시성 평가용)를 활용하였다. 가시도가 바닥 위의 1.7 m 높이에서 모든 시험 중 30 m 이상이고 온도가 30 ºC 미만 이었기 때문에 보행성 기준으로 시스템 성능이 성공적이었다. 실험 결과를 사용하여 계산 모델의 유효성을 검사했습니다. 계산 모델 결과는 테스트와 비교하여 정확한 결과를 보였다.

리튬 이온 (Li-ion) 배터리의 주요 특징은 높은 에너지 및 전력 밀도이며, 이 저장 기술은 휴대용 전자 제품, 전동 공구 및 하이브리드/풀 전기 자동차에 적합하다. 또한, 고장으로 이어지는 상황에서 리튬 이온 배터리 셀은 열 폭주 (thermal runaway)라고 불리는 과정을 거쳐 수많은 화재 사고를 일으킬 수 있다. 열 폭주는 베터리 셀내의 온도가 급격하게 상승하는 것으로 가연성 가스의 방출이 동반된다. 이 가연성 가스는 배터리의 고온으로 인해 쉽게 점화되어 화재가 발생할 수 있다. 또한, 배터리로부터 배출 될 때 이들 가스의 연소는 또 다른 안전 문제를 야기한다 : 가스 자체의 축적 및 폭발 가능성. 열 폭주는 유해 가스 및 증기 방출뿐만 아니라 파편 돌출과 같은 기계적 영향을 일으킬 수 있다. 본 연구는 단일 리튬 이온 전지에서 수행 된 화재 테스트 결과에 대하여 검토되었다. 시험 베터리로는 리튬 니켈 망간 Panasonic의 코발트 산화물 전지를 사용하였다. 시험은 콘칼로리미터를 사용하였으며, 셀의 충전 상태와 콘히터의 방사열유속을 변경시켜가면서 수행하였다.

점화 및 연소 특성을 평가하기 위해 점화 시간, 질량 손실, 열 방출 속도 및 표면 셀 온도를 측정하고 기록했다. 시험 도중에 방출 된 휘발성 유기 화합물을 광이온화 검출기로 측정했습니다. 적절한 화재 예방 및 방호 조치가 아직 개발되지 않았기 때문에이 논문은 구조 팀의 안전한 지침과 절차를 개발하기 위해 하이브리드/풀 전기 자동차 용 배터리 시스템의 리튬 이온 셀에 열과용 조건이 미치는 영향을 검토되었다.

리튬 이온 배터리의 에너지 밀도와 용량이 증가함에 따라 열 폭발은 무시할 수 없는 중요한 문제이다. 본 연구에서는 다양한 충전 상태 (SOC)와 사이클링 시간을 가진 상업용 18650 리튬 이온 배터리 중 하나에 대하여 확장 볼륨 가속 열량계 (EV-ARC)에서 램프 가열 방법으로 열 폭발 위험을 평가하였다.
 

일부 열 특성 파라미터인 셀 표면 온도, 온도 상승률, 캐니스터 내압 및 평균 캐니스터 온도가 선택되었으며 분석되었다. 열 폭발이 발생할 때 SOC의 증가에 따라 배터리의 최대 표면 온도와 최대 캐니스터 내부 압력이 증가 함을 보여주었다.

열 폭발 중 다른 SOC 하에서 배터리로부터 방출되는 열 에너지는 배터리 및 캐니스터 표면의 초기 및 최대 온도를 사용하여 계산된다. 완전 충전 된 새 배터리는 폭발로 전환 될 수있는 열 폭발시 61.7kJ 에너지를 방출 할 수 있는데 이는 5.57g의 TNT와 맞먹는 규모이다. 새로운 배터리와 비교할 때 노화된 배터리는 열 폭발을 일으키기 쉽고 열 폭발 위험이 증가한다.