Дифференциально-нейросетевой подход в информационном процессе прогнозирования загрязнения воздуха автомагистрали торфяным пожаром Текст научной статьи по специальности «Компьютерные и информационные науки»

ДИФФЕРЕНЦИАЛЬНО-НЕЙРОСЕТЕВОЙ ПОДХОД В ИНФОРМАЦИОННОМ ПРОЦЕССЕ ПРОГНОЗИРОВАНИЯ ЗАГРЯЗНЕНИЯ ВОЗДУХА АВТОМАГИСТРАЛИ ТОРФЯНЫМ ПОЖАРОМ

В.Д. Тимофеев, адъюнкт, В.Н. Ложкин, профессор, д.т.н., О.В. Ложкина, доцент, к.х.н., Е.С. Кобелев, курсант, Санкт-Петербургский университет ГПС МЧС России,

г. Санкт-Петербург А.Н. Васильев, доцент, д.т.н., Д.А. Тархов, доцент, д.т.н., Политехнический университет Петра Великого,

г. Санкт-Петербург

В обеспечении безопасности развития регионов России [1] особое внимание уделяется профилактике лесных и торфяных пожаров. Мы исследовали возможность использования нейросетевого подхода в информационном процессе прогнозирования распространения облака смога от торфяного пожара вблизи автомагистрали по гетерогенной расчетно-экспериментальной информации о концентрациях СО. Задача решалась с использованием данных реального транспортного коллапса, наблюдавшегося с 26.10.15 г. по 07.01.16 г. в Иркутской области РФ при горении торфа вблизи автомагистрали Р 255 - «Сибирь».

Общая постановка и опыт решения подобных задач. Согласно фундаментальным представлениям атмосферной диффузии [2], для торфяного пожара, развивающегося в окрестности автомагистрали, следует учитывать мгновенные значения концентрации и скорости миграции СО, а также пульсационные отклонения этих значений. Задача упрощается с переходом к модели турбулентной диффузии для средних значений концентраций СО по уравнению:

да да да да д , да д , да д , да

— + и — + V— + ж — =— £х — + — к — + — £г — -ац

дХ дх ду дz дх х дх ду у ду д. 2 дz (1)

где, х и у - оси, расположенные в горизонтальной плоскости; * - ось по вертикали; Х - время; и, V, ж - составляющие средней скорости перемещения СО, соответственно, по направлению осей х, у, кх, ку, к.. - составляющие коэффициента обмена; - коэффициент, учитывающий вероятный метаболизм СО в атмосфере.

Данный подход широко использовался нами для численного моделирования загрязнения воздуха от автотранспорта [3, 4]. Здесь мы его развиваем приемами нейросетевого моделирования [5].

Постановка задачи численного моделирования процесса диффузии и результаты обработки информации нейросетевым методом.

Для решения конкретной задачи загрязнения воздуха торфяным пожаром в

окрестности автомагистрали уравнение (1) можно существенно упростить. В

установившемся режиме можно принять = 0. Вертикальные движения в

д1

атмосфере над однородной подстилающей поверхностью окажутся сравнительно малыми и могут не учитываться. Будем считать ось 02 направленной вверх, поэтому для тяжелых частиц, имеющих собственную скорость осаждения w (со знаком «-»), принимаем скорость равной этой скорости, а для лёгких фракций, не имеющих собственной скорости осаждения, примем w = 0. Допускаем, что средний турбулентный поток вещества у земной поверхности мал. Будем считать коэффициенты обмена постоянными. Таким образом предполагаем, что изменение концентрации СО удовлетворяет уравнению:

«^ + V ^ = + а, (2)

1 * ь (1*2 2 а' ()

где 2 - константа в месте торфяного пожара; вне пожара 2 = о; к -известный параметр; и, V - компоненты скорости ветра, соответствующие измерениям, известны. В качестве граничных условий используем стремление концентрации к нулю на бесконечности. Решение задачи упрощают следующие преобразования уравнения (2). Во-первых, можно перенести начало координат в центр торфяного пожара, который считаем площадным источником эмиссии СО круглой геометрической формы. Во-вторых, ось ОХ направляем по направлению ветра, что можно сделать поворотом координат. От параметра к можно избавиться масштабированием х и у. От параметра Q можно избавиться масштабированием плотности загрязнения. Реальные значения Q могут быть определены по данным измерений.

При этом остаются параметры - радиус пожара и скорость ветра и. В первом варианте программы они фиксированы и задаются вначале вместе с остальными данными. Их можно менять, повторно проводя обучение модели.

Решение (2) ищем в виде нейросетевой модели:

Я(х,у) = 2С ехр| -а{ (х - л:. )2 - Ь, (у - у. )2 |, (3)

параметры которой - а , Ь, С, X и Уг находятся с помощью минимизации ошибки:

дд( х), у)) д2 д( х), у)) д2 д( х), у)) 2

и--—-----—-----—-— Q(х., у )

дх дх2 ду2 ^ -, У-)

м

1=2

-=1

(4)

где |х), у) | - пробные точки в области, в которой строится решение,

перегенерируемые через 3-5 шагов минимизации 1, Q(х), у)) =) в области

пожара и 0 в остальных точках.

Приведены результаты вычислений для N=20, М=200, пожар стилизуется «кругом» радиуса 1, и =). Показаны расчетные изолинии уровня загрязнения СО по нейросетевой модели д(х, у) во всей области изменения переменных, в которой ищется решение (рис. 1), и в окрестности пожара(рис. 2).

Выводы и признательности

Диффузия угарного газа СО от торфяного пожара в окрестности автомагистрали представлена оригинальной дифференциально-нейросетевой моделью. Обученная нейронная сеть может быть применена для прогноза возникновения чрезвычайной ситуации при изменении скорости и направления ветра и параметров пожара. Метод рекомендуется использовать в информационных процессах мониторинга качества воздушной среды.

Исследование проведено при поддержке гранта РФФИ № 14-01-00733А.

Список использованной литературы

1. Пучков В.А. О долгосрочных перспективах развития системы МЧС России (МЧС-2030) / Доклад на заседании экспертного совета МЧС России 30.10.2012 г. [Эл. ресурс]: http://www.region-60.ru/novosti/zhizn/6556029/.

2. Берлянд М.Е., Генихович Е.Л., Оникул Р.И. Моделирование загрязнения атмосферы выбросами из низких и холодных источников. - Метеорология и гидрология. - 1990. - № 5. - С. 5-16.

3. Lozhkin V.N., Lozhkina O.V., Ushakov A.A. Using K-Theory in Geographic Information Investigations of Critical-Level Pollution of Atmosphere in the Vicinity of Motor Roads // World Applied Sciences Journal (Problems of Architecture and Construction). 2013. - V. 23. - pp. 1818-4952.

4. Сухоиванов А.Ю. Моделирование процессов переноса в атмосфере и воздействия на окружающую среду вредных продуктов горения, образующихся при пожаре: Дисс. ... канд. техн. наук. - СПб, 2001.

5. Vasilyev A.N., Tarkhov D.A. Mathematical Models of Complex Systems on the Basis of Articial Neural Networks. Nonlinear Phenomena in Complex Systems, vol.17 (2014), 3, pp. 327-335