CC BY
37
УДК 504.3.054
С. В. Новикова, Ю. А. Тунакова, А. Р. Шагидуллин,
О. Н. Кузнецова
ПРОЕКТИРОВАНИЕ И ОБУЧЕНИЕ НЕЙРОСЕТИ ДЛЯ РАСЧЕТА КОНЦЕНТРАЦИЙ МЕТАЛЛОВ, ПОСТУПАЮЩИХ ОТ ПЕРЕДВИЖНЫХ ИСТОЧНИКОВ ЗАГРЯЗНЕНИЯ, НА ПРИМЕРЕ Г. КАЗАНИ
Ключевые слова: автотранспорт, выбросы в атмосферу, загрязнение атмосферы, нейронная сеть.
На основе массива экспериментальных данных построена нейронная сеть для расчета загрязнения атмосферного воздуха металлами, которые содержатся в выбросах автотранспорта. Сравнение результатов расчетов, полученных с помощью обученной нейронной сети, с тестирующей выборкой демонстрирует значительное увеличение точности расчетов.
Key words: motor transport, atmospheric emissions, atmospheric pollution, neural network.
The neural network for the calculation of air pollution by metals contained in motor vehicle emissions was designed on the basis of experimental data. Comparison of the trained neural network calculation results with testing sample shows a significant increase in the accuracy of the calculations.
Введение
Как рассматривалось нами ранее, с выбросами автотранспорта в атмосферный воздух поступает до 300 различных соединений, в том числе и металлов, систематические наблюдения за содержанием которых в зоне действия автомагистралей не проводятся вообще или эпизодичны [1]. Поэтому представляется целесообразным использовать расчетные методы для оценки концентраций загрязняющих веществ, поступающих с выбросами передвижных источников загрязнения.
Поступление металлов от передвижных источников в приземный слой атмосферного воздуха, как рассматривалось нами ранее [2,3], зависит от ряда трудно формализуемых параметров: типа двигателя и топлива, режима работы и нагрузки, технического состояния автомобиля, топографии местности, объема перевозок, средней скорости и интенсивности движения транспортных средств, метеорологических и климатических условий и др. Использующиеся регламентированные расчетные схемы [4-6] не позволяют адекватно оценивать поступление металлов с выбросами автотранспорта [7].
Это можно объяснить неточностью измерений известных действующих факторов, наличием неизвестных, неучтенных в модели факторов, оказывающих, тем не менее, непосредственное влияние на эмиссию, а также невыясненным до конца характером их взаимосвязи при расчете эмиссий металлов. Однако, использование инновационных информационных технологий - нейронных сетей позволяет решить данную проблему, так как в подобных моделях можно автоматически учитывать как явные, так и скрытые зависимости между исходными данными. Обученная на массивах экспериментальных данных адекватно спроектированная нейронная сеть способна не только с высокой точностью рассчитывать концентрации загрязняющих веществ, поступающих от транспортных потоков, но и получать достоверные прогнозные значения концентраций при изменении интенсивности движения транспортных потоков [8].
Все искусственные нейронные сети, так же как мозг человека, состоят из большого числа связанных
между собой нейронов, которые можно считать упрощенной математической моделью биологических нейронов. Искусственный нейрон, так же как и биологический, состоит из «дендритов». Каждый входящий сигнал либо усиливается, либо тормозится. Для этого каждый сигнал х, умножается на так называемый синаптический вес м,, что моделирует синапсы биологического нейрона. После этого сигналы передаются в искусственное «тело» нейрона, где он обрабатывается в два этапа: сумматором и так называемой передаточной функцией /, и по выходящей дуге у (аналог аксона) передаются другим нейронам. Совокупность таких искусственных нейронов связывается в некую статичную структуру - нейронную сеть. Свойства сети будут определяться ее топологией, типом активационной функции и весами синапсов. За счет подбора весовых коэффициентов и смещения ответы нейронной сети могут принимать близкие к экспериментальным значения [9].
Для данной предметной области как нельзя лучше подходит сеть с топологией «многослойный пер-септрон», которая позволяет учитывать скрытые взаимосвязи между исходными и выходными данными за счет обучения нейросети на выборке экспериментальных данных [10].
Экспериментально-расчетная часть
Для расчета поступления металлов с выбросами автотранспорта за основу были взяты результаты инвентаризации передвижных источников загрязнения в г. Казани, проводившейся в 2012-2014 гг. в рамках проведения сводных расчетов загрязнения атмосферы по заказу Министерства экологии и природных ресурсов Республики Татарстан. Наблюдения с целью определения состава и интенсивности транспортных потоков проводилось в часы пиковой транспортной нагрузки (с 8.00 до 10.00 и с 17.00 до 19.00 в рабочие дни) в течение 20 минут на каждом дорожном участке. Перечень обследованных участков дорожной сети города включал всего 266 улиц, поделенных на 573 участка. Таким образом, исследованиями нагруженности и состава транспортного потока были охвачены все основные автомагистрали г. Казани.
В процессе наблюдений фиксировалось количество проезжающих транспортных единиц с разделением на типы (легковые, автофургоны, микроавтобусы, автобусы, грузовые с различной полной массой). Полученные таким образом данные о составе и интенсивности транспортных потоков использовались для расчета концентраций металлов, поступающих в приземный слой атмосферного воздуха с выбросами автотранспорта.
В результате исследований была спроектирована нейронная сеть для расчета и прогнозирования концентрации металлов в зоне действия автомагистралей в зависимости от интенсивности транспортного потока следующей структуры:
• Количество слоев - 3;
• Тип активационной функции: сигмоидальная (гиперболический тангенс);
• Число нейронов в скрытом слое - 5;
• Порядок нелинейности нейронов скрытого и выходного слоев - 1.
Данная нейронная сеть была спроектирована и обучена при помощи нейропакета Excel Neural Package.
Массив экспериментальных данных для обучения нейросети был получен согласно РД 52.04.18689 (п.3.4.6 «косвенные методы исследования уровня загрязнения атмосферы») [11] по содержанию металлов в снежном покрове в зоне влияния автомагистралей на территории г. Казани. Обследование осуществлялось согласно рекомендациям [12].
Функционирование сети происходит в два этапа: обучение и собственно эксплуатация. На этапе обучения сформированная нейросеть должна «научиться» давать правильные результаты в качестве выходных сигналов (в данном случае - концентрации металлов) по заданным входным характеристикам (интенсивностям движения различных типов автотранспортных единиц).
Обучение заключается в подстройке синоптических весов. Для обучения сети типа многослойный персептрон используется метод «обучение с учителем». Для реализации метода необходимо располагать кортежами данных «вход-выход»: на каждый входной пример (набор значений интенсивностей) имеется требуемый ответ (концентрации загрязняющих веществ, полученные в результате экспериментальных замеров). Веса настраиваются таким образом, чтобы реальные выходы сети были как можно ближе к требуемым экспериментальным ответам. Процесс обучения заключается в последовательном предъявлении обучающих примеров (рис. 1).
При предъявлении обучающего примера на входе сеть выдает некоторый ответ, не обязательно верный. Известен и верный (желаемый) ответ. В зависимости от полученной разницы между верным и полученным ответом итеративно подстраиваются синапсы сети. Один и тот же пример можно предъявлять сети много раз. После многократного предъявления примеров веса сети стабилизируются и сеть дает нужные ответы на все (или почти на все) примеры из базы данных. В этом случае можно говорить о том, что сеть обучена.
Выбор обучающего примера
Расчет ответа нейросети
Расчет ошибки нейросети
т
Подстройка синаптических весов
С СЕТЬ ОБУЧЕНА
Рис. 1 - Процесс обучение многослойного персеп-трона
После этого готовую нейронную сеть можно эксплуатировать в реальных условиях. При изменении автотранспортного потока новые значения ин-тенсивностей движения подаются на входы сети. Так как сеть уже «обучена» правильно рассчитывать концентрации загрязняющих веществ, то на выходе она даст довольно верные прогнозируемые значения концентраций. В дальнейшем ее можно применять многократно с самыми различными входными значениями, и каждый раз результаты будут получены с высокой точностью. Искусственная сеть становится своеобразным «экспертом», который на основании собственного «опыта» может давать ответы на однотипные «вопросы».
При проверке адекватности результатов, полученных в результате работы спроектированной и обученной на массиве экспериментальных данных нейросети, рассогласование экспериментальных и расчетных данных составило в среднем 4%, что наглядно демонстрируется рис.2.
Вид сформированной и обученной сети типа «двухслойный персептрон» с семью входами показан на рис. 3.
При сравнении полученных расчетных значений (расчет по автомагистралям г. Казани) с тестирующей выборкой были получены следующие результаты:
1. Максимальная разница между расчетными и
экспериментальными значениями концентраций РЬ, Cd, Си, гп, составила 0.0007 мг/л.
2. Минимальная разница между расчетными и экспериментальными значениями концентраций РЬ, Cd, Си, гп, составила 0.00001 мг/л.
Рис. 2 - Расхождение между ответами сети и экспериментальными данными
Рис. 3 - Топология нейронной сети для расчета концентраций металлов
В процентном выражении разница между расчетными и экспериментально полученными значениями концентраций металлов:
• РЬ: 0,001-0,1 %.
• Cd: 0,004-0,2 %.
• Си: 0,001-0,2 %.
• гп: 0,002-0,3 %.
Таким образом, достигнута точность расчетов при применении спроектированной и обученной нейросети на порядок выше точности, достигаемой используемыми регламентированными расчетными
методами. По результатам численных экспериментов в г. Казани можно рекомендовать использование разработанной нейросети как для последующих расчетов по автомагистралям г. Казани, так и для расчетов концентраций загрязняющих веществ, поступающих в приземный слой атмосферы в результате движения передвижных источников загрязнения после обучения по другим автомагистралям и в других городах.
Литература
2
3
4
5
6
Тунакова Ю.А., Новикова С.В., Мухаметшина Е.С. В сборнике докладов XV Всероссийской конференции «Химия и инженерная экология», 2014. С. 39-40. Шагидуллин А.Р., Тунакова Ю.А., Шагидуллин Р.Р., Кузнецова О.Н. Вестник Казанского технологического университета, 18, 8, 231-233 (2015). Шагидуллин А.Р., Шагидуллина Р.А., Тунакова Ю.А., Сизов А.Н., Шагидуллин Р.Р. В сборнике докладов XV Всероссийской конференции с международным участием «Химия и инженерная экология», 2015. С. 149-152. Рекомендации по учету требований по охране окружающей среды при проектировании автодорог и мостовых переходов, М., 1995. - 76с.; Методика определения выбросов автотранспорта для проведения сводных расчетов загрязнения атмосферы городов. СПб.: НИИ Атмосферы, 1999. 35 с.; Расчетная инструкция (методика) по инвентаризации выбросов загрязняющих веществ от автотранспортных средств на территории крупнейших городов. М.: ОАО «НИИАТ», 2008, Согласована письмом Ростехнадзо-ра№ 70К-46/853 от 07.12.2006 г.
7. Белов И.В., Беспалов М.С., Клочкова Л.В., Павлова Н.К, Сузан Д.В., Тишкин В.Ф. Математическое моделирование, 11, 7 (1999).
8. Новикова С.В., Мухаметшина Е.С.К., Тунакова Ю.А. В сборнике докладов XV Всероссийской конференции с международным участием «Химия и инженерная экология», 2015. С. 199-201.
9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского, Москва, Горячая линия - Телеком, 2006. 452 с.
10. Тунакова Ю.А., Новикова С.В., Шагидуллин А.Р. В сб. докладов XIV Всероссийской конференции «Химия и инженерная экология», 2014. С. 44-45.
11. Руководящий документ. Руководство по контролю загрязнения атмосферы. РД 52.04.186-89, Ленинград, Гидрометеоиздат, 1989. 696 с.
12. Методические рекомендации по геохимической оценке загрязнения территории города химическими элементами». Москва, Имэгрэ, 1982. 112 с.
© С. В. Новикова - д.т.н., проф. каф. прикладной математики и информатики КНИТУ им. А.Н. Туполева - КАИ, [email protected]; Ю. А. Тунакова - д.х.н., проф., зав. каф. общей химии и экологии КНИТУ им. А.Н. Туполева - КАИ, [email protected]; А. Р. Шагидуллин - к.ф.-м.н., ст. науч. сотр. лаб. прикладной экологии Института проблем экологии и недропользования АН РТ, [email protected]; О. Н. Кузнецова - к.х.н., доц. каф. технологии пластических масс КНИТУ.
© S. V. Novikova - doctor of technical science, professor of the department of Applied mathematics and informatics of Kazan National Research Technical University A.N. Tupolev - KAI, [email protected]; Y. A. Tunakova - doctor of chemistry, professor, head of the department of General chemistry and ecology of Kazan National Research Technical University A.N. Tupolev - KAI, [email protected].; A. R. Shagidullin - candidate of physical and mathematical sciences, researcher, laboratory of applied ecology of the Research Institute for Problems of Ecology and Mineral Wealth Use of Tatarstan Academy of Sciences, [email protected]; О. N. Kuznetsova - candidate of chemical Sciences. assistant Professor of plastics technology, Kazan national research technological University.
