Sporing og bekæmpelse af brande på jorden og udenfor

Maskiningeniør Michael Gollner og hans kandidatstuderende, Sriram Bharath Hariharan, fra University of California, Berkeley, rejste for nylig til NASA's John H. Glenn Research Center i Cleveland, Ohio. Der, de tabte brændende genstande i en dyb skakt og studerer, hvordan ildhvirvler dannes i mikrotyngdekraften. Glenn Center er vært for en Zero Gravity Research Facility, som omfatter et eksperimentelt faldtårn, der simulerer oplevelsen af ​​at være i rummet.

"Du får fem sekunders mikrotyngdekraft, " sagde Gollner. Forskerne tændte en lille paraffinvæge for at generere ildhvirvler og tabte den, studerer flammen hele vejen ned.

Eksperimenter som dette, præsenteret på det 73. årlige møde i American Physical Society's Division of Fluid Dynamics, kan hjælpe brandforskere med at besvare to slags spørgsmål. Først, de belyser måder, hvorpå ild kan brænde i fravær af tyngdekraft - og kan endda informere beskyttelsesforanstaltninger for astronauter. "Hvis noget brænder, det kan være en meget farlig situation i rummet, sagde Gollner. For det andet, det kan hjælpe forskere med bedre at forstå tyngdekraftens rolle i væksten og spredningen af ​​ødelæggende brande.

Ilden brændte anderledes uden tyngdekraft, sagde Gollner. Flammen var kortere - og bredere. "Vi så en reel opbremsning af forbrændingen, " sagde Gollner. "Vi så ikke de samme dramatiske hvirvler, som vi har med almindelig tyngdekraft."

Andre forskere, herunder et hold fra Los Alamos National Laboratory i New Mexico, introduceret nye udviklinger til en beregningsmæssig væskedynamikmodel, der kan inkorporere brændstoffer med varierende fugtindhold. Mange eksisterende miljømodeller gennemsnit fugten af ​​alle brændstoffer i et område, men den tilgang formår ikke at fange variationerne i naturen, sagde kemiingeniør Alexander Josephson, en postdoc-forsker, der studerer forudsigelse af naturbrande ved Los Alamos. Som resultat, disse modeller kan give unøjagtige forudsigelser i naturbrandadfærd, han sagde.

"Hvis du går gennem skoven, du ser træ her og græs der, og der er meget variation, " sagde Josephson. Tørt græs, våde mosser, og hængende lemmer har ikke det samme vandindhold og brænder på forskellige måder. En brand kan fordampe fugt fra vådt mos, for eksempel, samtidig tærer den på tørre lemmer. "Vi ønskede at undersøge, hvordan interaktionen mellem disse brændstoffer opstår, når ilden rejser igennem."

Los Alamos videnskabsmænd arbejdede på at forbedre deres model kaldet FIRETEC (udviklet af Rod Linn), samarbejder med forskere ved University of Alberta i Canada og Canadian Forest service. Deres nye udviklinger rummer variationer i fugtindhold og andre karakteristika ved de simulerede brændstoftyper. Forsker Ginny Marshall fra Canadian Forest Service begyndte for nylig at sammenligne sine simuleringer med virkelige data fra boreale skove i det nordlige Canada.

Under en session om reagerende flows, Matthew Bonanni, en kandidatstuderende i laboratoriet hos ingeniør Matthias Ihme ved Stanford University i Californien, beskrev en ny model for naturbrandspredning baseret på en maskinlæringsplatform. At forudsige hvor og hvornår brande vil brænde er en kompleks proces, siger Ihme, der er drevet af en kompleks blanding af miljøpåvirkninger.

Målet med Ihmes gruppe var at bygge et værktøj, der var både præcist og hurtigt, kan bruges til risikovurdering, tidlige varslingssystemer, og udformning af afbødningsstrategier. De byggede deres model på en specialiseret computerplatform kaldet TensorFlow, designet af forskere hos Google til at køre maskinlæringsapplikationer. Efterhånden som modellen træner på flere fysiske data, sagde Ihme, dets simuleringer af varmeakkumulering og brandspredningsdynamik forbedres - og bliver hurtigere.

Ihme sagde, at han er spændt på at se, hvad avancerede beregningsværktøjer bringer til forudsigelse af skovbrande. "Det plejede at være et meget empirisk forskningsområde, baseret på fysiske observationer, og vores samfund arbejder på mere grundlæggende problemer, " sagde han. Men ved at tilføje maskinlæring til værktøjskassen, han sagde, viser, hvordan algoritmer kan forbedre pålideligheden af ​​eksperimenter. "Dette er en rigtig spændende vej, " han sagde.