CC BY
21
УДК 504.064.36
'Ю.А. Тунакова, 1С.В. Новикова, 2А.Р. Шагидуллин, 2Р.Р. Шагидуллин
'Казанский национальный исследовательский технический университет
им. А.Н Туполева, [email protected] 2Институт проблем экологии и недропользования АН РТ, [email protected]
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ РАСЧЕТА
КОНЦЕНТРАЦИЙ МИКРОЧАСТИЦ (РМ2.5 И РМ10) В АТОМСФЕРНОМ ВОЗДУХЕ НА ОСНОВЕ РЕЗУЛЬТАТОВ ИЗМЕРЕНИЯ СУММАРНОГО КОЛИЧЕСТВА ВЗВЕШЕННЫХ ЧАСТИЦ (НА ПРИМЕРЕ Г. КАЗАНИ)
Микрочастицы РМ2.5 и РМ10 в атмосферном воздухе представляют собой особую опасность для здоровья человека. При этом на сегодняшний день эти параметры часто отсутствуют в перечне компонентов, измеряемых на станциях контроля качества воздуха. В статье приводятся результаты проектирования искусственных нейронных сетей для расчета концентраций РМ2.5 и РМ10 на основе результатов измерения суммарного количества взвешенных частиц и набора метеопараметров.
Ключевые слова: расчетный мониторинг; загрязнение атмосферы; пыль; РМ2.5; РМ10; нейронная сеть.
Введение
В большинстве случаев значительную часть общего перечня примесей, попадающих в атмосферный воздух от техногенных источников, составляют твердые частицы. Согласно (Ведение..., 2017) в атмосферный воздух г. Казани ежегодно поступает 392 вещества, из которых 165 при нормальных условиях находятся в твердом состоянии. Суммарный валовый выброс твердых веществ в атмосферу составляет 2118.6 т/год, что в общей массе выбросов стационарных источников (согласно сводной базе данных параметров выбросов г. Казани) составляет 3% (рис. 1). При этом среди твердых компонентов встречаются чрезвычайно токсичные,
относящиеся к 1 классу опасности.
В силу способности преодолевать заградительные барьеры организма особую опасность среди взвешенных веществ представляют мелкоразмерные частицы. Мелкодисперсные частицы имеют различное происхождение, физико-химические характеристики и обозначаются в зависимости от размера:
- TSP (^tal Suspended Particles), включают все находящиеся в воздухе частицы, независимо от их размера;
- РМ10, частицы с аэродинамическим диаметром от 10 до 2.5 мкм, так называемая грубая фракция;
- РМ2.5, частицы с аэродинамическим
диаметром менее 2.5 мкм, так называемая мелкая фракция.
По данным Всемирной организации здравоохранения (ВОЗ), частицы РМ10 и РМ2.5 считаются опасными загрязняющими веществами, подлежащими систематическому контролю, наравне с оксидами азота, диоксидом серы, оксидом углерода, так как оказывают влияние на здоровье населения как при краткосрочном, так и при длительном эффекте воздействия. В настоящее время в Европе и США нормативы на TSP отменены (Acosta, 2011; Balakrishnan, 2011). Опасность мелкодисперсной фракции пыли заключается еще и в том, что вследствие малых размеров она может находиться в воздухе долгое время и переноситься на значительные
Рис. 1. Соотношение валовых выбросов стационарных источников г. Казани (основные газообразные загрязняющие вещества: оксиды азота, диоксид серы, оксид углерода)
расстояния, приводя к трансграничному загрязнению атмосферного воздуха (Ломтев, 2015; Информационный..., 2013).
Гигиенические нормативы для РМ2.5 и РМ10 в РФ были приняты в 2010 г. (Постановление Главного государственного санитарного врача РФ от 19.04.2010 №26). В таблице 1 показаны значения ПДК в атмосферном воздухе для РМ10 и РМ2.5 для РФ и стран Европейского Союза и США, а также критерии качества воздуха ВОЗ. Из неё следует, что нормативы, утвержденные в РФ, несколько мягче, чем требования ВОЗ.
Методические указания по проведению измерений мелкодисперсной пыли
(Организация., 2009) устанавливает правила проведения суточного отбора проб. В то же время, принятая в РФ система нормирования ориентирована на применение максимальных разовых ПДК, осредненных за 20-30 минутный интервал. При этом отбор проб за этот промежуток времени не обеспечивает достаточной массы пыли и мелкодисперсных частиц (РД 52.04.8302015). Кроме того, в настоящее время отсутствует практика учета выбросов мелкодисперсной пыли в проектной документации техногенных источников загрязнения атмосферного воздуха. Это во многом связано с отсутствием методического обеспечения проведения инвентаризации выбросов мелкодисперсной пыли (Методическое., 2012). Таким образом, развитие альтернативных методов расчета концентраций РМ в настоящее время имеет высокое значение.
Учитывая недостаточность информации о содержании мелкодисперсной пыли в атмосферном воздухе, актуальными являются исследования их приблизительного соотношения с суммарной массой пыли всех фракций. Соотношение между фракциями РМ10 и РМ2.5 и суммарной пылью в разных городах различно (Рапопорт, 2012; Неменко, 2014; Май, 2012). Усреднение коэффициентов (0.26 для РМ2.5 и 0.55 для РМ10), предлагаемых для перевода
Таблица 1. Предельно допустимые концентрации РМ2.5 и РМ10
концентрации общей пыли в концентрацию РМ2.5 и РМ10, позволяет рассчитывать концентрации мелкодисперсных частиц лишь с большой долей приближения. Поэтому для оценки присутствия в атмосфере частиц РМ расчетные модели должны создаваться для каждого крупного промышленно развитого города отдельного.В отличие от газовых примесей РМ являются в основном сложной гетерогенной смесью многих компонентов, причем их распределение по размерам и химический состав значительно изменяются во времени и пространстве. Концентрации РМ определяется режимом выбросов из различных источников, химическим состоянием атмосферы и метеорологическими условиями и изучены значительно меньше по сравнению с газовыми примесями.
Результаты и их обсуждение
Критический обзор существующего международного опыта в области аэрозольного моделирования (Health., 2006; Health., 2007; Zender, 2003) позволяет рекомендовать для разработки модели методы нейросетевого моделирования. Учитывая сказанное выше, в рамках настоящего исследования была поставлена задача проектирования и обучения нейронных сетей для расчета концентраций мелкодисперсной пыли по значениям измеренных концентраций суммы взвешенных веществ. Измеряемая на постах контроля загрязнения атмосферы сумма взвешенных веществ является входом проектируемых нейронных сетей. Кроме суммы взвешенных веществ, в качестве входных параметров принимается набор метеоусловий, определяющих характер рассеивания примесей в атмосфере. Выходами нейросетей являются рассчитанные значения концентраций РМ10 и РМ2.5.
В зависимости от наличия или отсутствия взаимосвязи между значениями концентраций
РМ10
Параметр ПДК , мг/м3 ' у м.р.' ПДКсс, мг/м3
РФ РМ2.5 0,16 0.035
РМ10 0,3 0.06
ЕС РМ2.5 - -
РМ10 - 0.05
США РМ2.5 - 0.035
РМ10 - 0.15
ВОЗ РМ2.5 - 0.025
РМ10 - 0.05
и РМ2.5 в каждой точке могут рассматриваться математические модели различной структуры. Корреляционный анализ выявил крайне низкую степень такой связи (г=0.21). Говорить об отсутствии такой зависимости преждевременно, так как на основании корреляционного анализа можно сделать однозначный вывод лишь об отсутствии линейной зависимостями между этими двумя параметрами. На практике связь все же может существовать и носить сложный нелинейный характер. Это означает, что могут быть рассмотрены
0,010
два подхода: проектирование единои нейронной сети для расчета одновременно концентраций РМ10 и РМ2.5 или разных нейронных сетей для расчета отдельно концентраций РМ10 и РМ2.5. В первом случае предполагается наличие скрытой взаимосвязи между содержанием в атмосфере микрочастиц РМ10 и РМ2.5. Выходом модели является вектор значений (РМ10, РМ2/5)Т. Формально модель первого типа можно записать в виде формулы (1). Во втором случае связь между содержанием в атмосфере микрочастиц различных диаметров отсутствует. Модель можно записать двумя независимыми выражениями вида
(2)-(3):
0,008
о 0,004
- 1
и ¡АгНт I
т 1г 1 / 1.Й ЙГ1 ¡1 ,
1 1 'ЧУ ш '¡¿Г ж
ДО 1 1ТП
[ 11 .
1650
¡750 1850
Номер измерения
1950
2050
Р(Т, Н, Р, V, М, СТ5Р) = (РМ10, РМ2.5)Г (1) Рг(Г, Н, Р, V, М, СТ5Р) = РМ10 (2)
Р2(Т, Н, Р, V, М, СТ5Р) = РМ2.5 О)
где Т - температура, Н - влажность, Р -атмосферное давление, V - скорость ветра, N - направление ветра, СТ5Р - общее содержание пыли в атмосферном воздухе на уровне дыхания человека, РМ10 - содержание в атмосфере микрочастиц РМ10, РМ2.5 - содержание в атмосфере микрочастиц РМ2.5.
Основным входом моделей (1-3) является общее содержание пыли в атмосферном воздухе. В качестве дополнительных входных параметров используются общедоступные данные о метеоусловиях в день проведения измерений содержания пыли в атмосфере.
Топология спроектированной сети типа (1) представлена ниже:
архитектура модели - многослойный персептрон;
количество нейронов во входном слое - 6 (Т,
Рис. 2. Расчет векторной модели (красная линия) в сравнении с экспериментальными данными (синяя линия) для фракции РМ10 (фрагмент для кортежей №№1-329)
Рис. 3. Расчет модели (1) (красная линия) в сравнении с экспериментальными данными
(синяя линия) для фракции РМ2.5 (фрагмент для кортежей №№1599-2077)
Н, Р, V, 13, Стар);
количество нейронов в выходном слое - 2 (РМ2.5, РМ10);
количество скрытых слоев - 1; количество нейронов в скрытом слое - 4; тип функции активации нейронов скрытого слоя - гиперболический тангенс;
тип функции активации нейронов выходного слоя - линейная с насыщением;
способ нормализации входного и выходного векторов - преобразование гиперболическим тангенсом.
В качестве алгоритма обучения сети в этом и в последующих случаях выбрано эластичное обратное распространение ошибки. Модель была обучена на 2328 кортежах экспериментальных данных, 100 из которых были выделены в качестве тестового множества, в течение 10000 эпох. Результаты обучения и верификации модели: ошибка обучения - 25%; ошибка тестирования - 28%; средняя ошибка расчета фракции РМ10 -0,0034 мг/м3 (38%);
средняя ошибка расчета фракции РМ2,5 -0,0001 мг/м3 (22%).
Графически результаты обучения
иллюстрируют рисунки 2 и 3.
Топология спроектированной сети типа (2): архитектура модели- многослойный персептрон;
количество нейронов во входном слое - 6 (Т, Н, Р, V, N Стар);
количество нейронов в выходном слое - 1 (РМ10);
количество скрытых слоев - 1; количество нейронов в скрытом слое - 4;
34
российский журннл ииой экологии
Рис. 4. Расчет модели (2) для фракции РМ10 (красная линия) в сравнении с экспериментальными данными (синяя линия) (фрагмент для кортежей №№693-1238)
тип функции активации нейронов скрытого слоя - гиперболический тангенс;
тип функции активации нейронов выходного слоя - линейная с насыщением;
способ нормализации входного и выходного векторов - расчет среднего отклонения.
Обучение модели проводилось способом, аналогичным описанному выше. Результаты обучения и верификации модели: ошибка обучения - 30%; ошибка тестирования - 33%; средняя ошибка расчета фракции РМ10 -0.0017 мг/м3 (22.9%).
Графически результаты обучения
иллюстрирует рисунок 4.
Топология спроектированной сети типа (3): архитектура модели - многослойный персептрон;
количество нейронов во входном слое - 6 (Т, Н, р V, N Стар);
количество нейронов в выходном слое - 1 (РМ2.5);
количество скрытых слоев - 1; количество нейронов в скрытом слое - 4; тип функции активации нейронов скрытого слоя - гиперболический тангенс;
тип функции активации нейронов выходного слоя - линейная с насыщением;
способ нормализации входного и выходного векторов - расчет среднего отклонения.
Обучение модели проводилось способом, аналогичным описанному выше. Результаты обучения и верификации модели: ошибка обучения - 15%; ошибка тестирования - 16%; средняя ошибка расчета фракции РМ2.5 -0,0008 мг/м3 (14.7%).
Графически результаты обучения
иллюстрирует рисунок 5.
Рис. 5. Расчет модели (3) для фракции РМ2,5 (красная линия) в сравнении с экспериментальными данными (синяя линия)
(фрагмент для кортежей №№754-1100)
Сопоставляя результаты проектирования моделей типа (1) и (2), (3), можно заключить следующее:
1. Учитывая, что точность моделей (2) и (3) выше чем у (1), можно предположить, что скрытая связь между содержанием мелкодисперсных фракций РМ10 и РМ2.5 в атмосферном воздухе отсутствует.
2. На основе предыдущего вывода для непосредственного практического использования для моделирования содержания в атмосфере мелкодисперсных фракций РМ10 и РМ2.5 следует использовать отдельные независимые модели (2) и (3).
3. Модель (2) позволяет рассчитывать содержание в общей пыли атмосферного воздуха мелкодисперсной фракции РМ10 с точностью порядка 23%.
4. Модель (3) позволяет рассчитывать содержание в общей пыли атмосферного воздуха мелкодисперсной фракции РМ2.5 с точностью порядка 15%.
Точность расчетов моделей можно повысить с использованием дополнительных релевантных входных параметров. В качестве такого параметра может быть предложен коэффициент химического превращения (трансформации) в атмосфере оксида азота в диоксид азота, характеризующего способность атмосферы к самоочищению. Чем больше коэффициент трансформации, тем больше химическая активность атмосферы. Так как мелкодисперсные фракции, представляя собой аэрозоли, способны принимать участие в химических реакциях в атмосфере, коэффициент трансформации очевидно влияет на их содержание в воздухе.
С учетом указанных выше рассуждений для расчета мелкодисперсных фракций РМ10 и РМ2.5 были построены две независимые нейросетевые
О
160 200 240 280
Номер измерения
Рис. 6. Результаты расчета модели для фракции РМ10 (красная линия) в сравнении с реальными данными (синяя линия) (фрагмент для кортежей №№142-307)
модели с входными параметрами T H, P, v, N С^ а также коэффициент трансформации атмосферы на уровне дыхания человека.
Архитектура нейросетевой модели расчета фракции РМ10 с учетом коэффициента трансформации - многослойный персептрон; количество нейронов во входном слое - 7; количество нейронов в выходном слое - 1; количество скрытых слоев - 1; количество нейронов в скрытом слое - 5; тип функции активации нейронов скрытого слоя - гиперболический тангенс;
тип функции активации нейронов выходного слоя - линейная с насыщением;
способ нормализации входного и выходного векторов - приведение к единичному интервалу.
Обучение модели проводилось по алгоритму эластичного распространения (модификация алгоритма обратного распространения) на 604 кортежах экспериментальных данных, 30 из которых были выделены в качестве тестового множества, в течение 10000 эпох. Результаты обучения и верификации модели: ошибка обучения - 12%; ошибка тестирования - 24%; средняя ошибка расчета фракции РМ10 - 0.001 мг/м3 (14.6%).
Графически результаты обучения
иллюстрирует рисунок 6.
Заметим, что предыдущая нейросетевая модель без учета влияния коэффициента трансформации в качестве меры химической активности атмосферы позволяла достичь 77.1% точности (ошибка 22.9%), тогда как модель с учетом химических превращений в атмосфере показала точность 85.4% (ошибка 14.6%). Таким образом, использование коэффициента трансформации позволило повысить точность вычисления фракции РМ10 более чем в 1.5 раза.
п
идаГТ" "11
и *** «
/т ' ШуМАШ
285 335 385 435 485
Номер измерения
Рис. 7. Результаты расчета модели для фракции РМ2,5 (красная линия) в сравнении с реальными данными (синяя линия) (фрагмент для кортежей №№235-492)
Нейросетевая модель расчета фракции РМ2.5 с учетом коэффициента трансформации:
архитектура модели- многослойный персептрон;
количество нейронов во входном слое - 7; количество нейронов в выходном слое - 1; количество скрытых слоев - 1; количество нейронов в скрытом слое - 4; тип функции активации нейронов скрытого слоя - гиперболический тангенс;
тип функции активации нейронов выходного слоя - линейная с насыщением;
способ нормализации входного и выходного векторов - приведение к единичному интервалу.
Обучение модели проводилось по алгоритму эластичного распространения на 613 кортежах экспериментальных данных, 30 из которых были выделены в качестве тестового множества, в течение 10000 эпох. Результаты обучения и верификации модели: ошибка обучения - 7%; ошибка тестирования - 15%; средняя ошибка расчета фракции РМ2.5 -0.0004 мг/м3 (7.1%).
Графически результаты обучения
иллюстрирует рисунок 7.
В сравнении с нейросетевой моделью для расчета мелкодисперсной фракции РМ2.5 без учета влияния коэффициента трансформации было получено увеличение точности более чем в два раза (ошибка 14.7% и 7.1% соответственно).
Выводы
Нейросетевое моделирование позволяет с достаточно высокой точностью рассчитывать значения концентраций РМ10 и РМ2.5 по измеренным концентрациям суммы взвешенных веществ. Вместе с концентрацией общей пыли в качестве входных параметров целесообразно
российский журннл ииой экологии
использовать метеоусловия (температура, влажность, атмосферное давление, скорость ветра,направление ветра), а также коэффициент трансформации оксидов азота, отражающий способность атмосферы к самоочищению.
Точность нейросети, построенной для расчета концентраций РМ10 с учетом коэффициента трансформации, составила 85.4%. Точность аналогичной нейросети для расчета РМ2.5 -92.9%.
Список литературы
1. Ведение системы расчетного мониторинга за состоянием атмосферного воздуха для выявления источников загрязнения, деятельность которых является причиной повышенной загазованности атмосферного воздуха в г. Казани. Отчет по государственному контракту № 17 МЭ-15с от 30.06.2017. Казань: ИПЭН АН РТ, 2017. 351 с.
2. Информационный бюллетень «Воздействие взвешенных частиц на здоровье. Значение для разработки политики в странах Восточной Европы, Кавказа и Центральной Азии». Европейское региональное бюро Всемирной организации здравоохранения. ВОЗ, 2013. 20 с.
3. Ломтев А.Ю., Мозжухина Н.А., Карелин А.О., Мель-цер А.В., Еремин Г.Б., Никонов В.А. Методические вопросы контроля РМ частиц в селитебной зоне и на границе сани-тарно-защитной зоны // Материалы пленума научного совета РФ по экологии человека и гигиене окружающей среды «Методологические проблемы изучения, оценки и регламентирования химического загрязнения окружающей среды и его влияние на здоровье населения». М., 2015. С. 238-240.
4. Май И.В., Макс А.А., Загороднов С.Ю., Чигвинцев В.М. Методические подходы к учёту скорости оседания различных пылевых фракций для задач оценки экспозиции населения мелкодисперсными частицами // Известия Самарского научного центра РАН. 2012. Т. 14, №5(3). С. 792-795.
5. Методическое пособие по расчету, нормированию и контролю выбросов загрязняющих веществ в атмосферный воздух (дополненное и переработанное). СПб: ОАО «НИИ Атмосфера», 2012. 224 с.
6. Неменко Б.А., Илиясова А.Д., Сыздыков Д.М. Методы определения взвешенных аэрозолей в атмосферном воздухе // Вестник КазНМУ. 2014. № 2(2). С. 488-490.
7. Организация мониторинга загрязнения атмосферного воздуха мелкодисперсными частицами: Методические указания. М.: Федеральный центр гигиены и эпидемиологии Роспотребнадзора, 2009. 5 с.
8. Рапопорт О.А., Копылов И.Д., Рудой Г.Н. К вопросу о
нормировании выбросов мелкодисперсных частиц // Экологический вестник России. 2012. № 4. С. 56-61.
9. РД 52.04.830-2015. Массовая концентрация взвешенных частиц РМ10 и РМ2.5 в атмосферном воздухе. Методика измерений гравиметрическим методом. СПб: ГГО им. А.И. Воейкова, 2015. 41 с.
10. Acosta J.A., Faz A., Kalbitz K., Jansen B., Martinez-Martinez S. Heavy metal concentrations in particle size fractions from street dust of Murcia (Spain) as the basis for risk assessment // J. Environ. Monit. 2011. V. 13. Р. 3087-3096.
11. Balakrishnan K., Ganguli B., Ghosh S., Sankar S., Thanasekaraan V., Rayudu V.N, Caussy H. Part 1. Short-term effects of air pollution on mortality: results from a time-series analysis in Chennai, India // Res. Rep. Health. Eff. Inst. 2011. V. 157. Р. 7-44.
12. Health risk of particulate matter from long-range trans-boundary air pollution-Joint WHO/UNECE Convention Task Force on the Health Aspects of Air Pollution. World Health Organisation. European Centre for Environment and Health, 2006. 100р.
13. Health relevance of particulate matter from various sources. World Health Organization. European Centre for Environment and Health, 2007. 21 р.
14. Zender C., Bian H., Newman D., Mineral Dust Entrain-mentand Deposition (DEAD) model: Description and 1990s dust climatology // J. Geophys. Res. 2003. V. 108. Р. 4416-4437.
Y.A. Tunakova, S.V. Novikova, A.R. Shagidul-lin, R.R. Shagidullin. Artificial neural networks for calculation of microparticle concentrations (PM2.5 and PM10) in atmospheric air based on the results of measurement of the total amount of suspended particles (on the example of Kazan).
Presence of microparticles PM2.5 and PM10 in atmospheric air is dangerous for human health. At the same time, concentrations of these particles are often not found in the list of components measured at air quality control stations. The results of designing artificial neural networks for the calculation of PM2.5 and PM10 concentrations are presented in the article-based on the results of measuring the total number of suspended particles and a set of meteorological parameters.
Keywords: computational monitoring; air pollution; dust; PM2.5; PM10, neural network.
