CC BY
12
УДК 504.3.054
Ю. А. Тунакова, Р. А. Шагидуллина, С. В. Новикова, В. С. Валиев
МЕТОДОЛОГИЯ РАЗРАБОТКИ СОПРЕДЕЛЬНЫХ НОРМАТИВОВ ДЛЯ ПРИОРИТЕТНЫХ ЗАГРЯЗНЯЮЩИХ ВЕЩЕСТВ
Ключевые слова: приоритетные загрязняющие вещества, нормирование, сопредельные среды.
Обосновывается оригинальная методология разработки нормативов сопредельности для приоритетных загрязняющих веществ. Приводятся результаты специальных исследований, проведенных для расчета нормативов сопредельности содержания металлов в объектах окружающей среды на территории г.Казани.
Key words: priority polluting substances, normative maintenance, adjacent environments.
The original methodology of development of specifications of adjacency for priority polluting substances is proved. Results of the special researches which have been lead for calculation of specifications of adjacency of the maintenance of metals in objects of an environment in territory of Kazan are resulted.
Действующая в нашей стране система санитарно-гигиенического нормирования охватывает все среды, различные пути поступления вредных веществ в организм. Учет комбинированного действия (одновременное или последовательное действие нескольких веществ, при одном и том же пути поступления) регламентируется лишь для атмосферного воздуха для веществ, обладающих эффектом суммации при их одновременном присутствии. А учет комплексного (поступления вредных веществ в организм различными путями и с различными средами - с воздухом, водой, пищей, через кожные покровы) и сочетанного воздействия всего многообразия физических, химических и биологических факторов окружающей среды не регламентируется в принципе. Разработка сочетанных нормативов в настоящее время не представляется возможной ввиду сложностей получения исходной информации по наборам факторов различной природы и создания масштабных банков данных.
Нами предлагается учесть сопредельное (дополнительное поступление из сопредельных сред) воздействие. Под сопредельностью сред мы понимаем динамическое неравновесное состояние системы, которое обусловлено потоками веществ на границах подсистем в пределах единой системы. Учет поступления загрязняющих веществ из сопредельных сред возможен за счет построения нейросе-тевых каскадных моделей. Это концептуальное допущение обосновывает и непосредственно подводит к идее «сопредельного нормирования» если ее разрабатывать с точки зрения системного подхода, как оценке риска неравновесного состояния системы.
Нами предлагается оценивать состояние компонентов окружающей среды на основе оценки буферной ёмкости сопредельной среды (снежного покрова). Для оценки буферной емкости сопредельной среды предлагается использовать вероятностный экологический риск, как наиболее адекватный интегральный показатель благополучия или неблагополучия среды. Нормативом сопредельности в данном случае является разность между предельным содержанием загрязняющего вещества, соответствующим границе высокого риска и его содержанием, соответствующим границе приемлемого риска.
Физический смысл норматива - максимально допустимое поступление загрязняющего вещества в среду сверх норматива, при котором сопредельная среда депонирования способна оставаться вне критического состояния (бифуркации).
Для расчета норматива сопредельности используется значение вероятностного риска для конкретной среды. Вероятностный экологический риск вычисляется как средневзвешенное нормированных содержаний загрязняющих веществ в среде с эмпирическим коэффициентом 1/5,05697918952499.
R
среды
N
= ^ х£-
x.
Г>ах(х,) (1)
Здесь А - эмпирический коэффициент (максимальное отмеченное значение из всех полученных сумм приведенных отношений); N - количество учитываемых загрязняющих веществ в среде; х, - концентрация в среде /-того загрязняющего вещества. Полученное значение приведенного экологического риска необходимо соотнести со шкалой состояний среды, полученной методом квартилей:
• Низкий риск. Удовлетворительное состояние: Ясреды<Р0
• Средний риск. Напряженное состояние :ро<Ксреды,<Р1
• Повышенный риск. Кризисное состояние:
Р1<Ксреды, $>2
• Высокий риск. Критическое состояние:
Ксреды>Р2
В результате будет получена таблица значений экспериментальных данных, отражающих зависимость вероятностного экологического риска от концентраций загрязняющих веществ в среде:
R
среды
~ f (Х1 , X2'"XN )
(2)
где х/ - концентрация /-того загрязняющего вещества. Для определения норматива сопредельностизагряз-няющего вещества в среде необходимо решить обратную задачу: определение концентрации загрязняющего вещества, при котором достигается заданное граничное значение вероятностного экологического риска, соответствующее границе повышенного рискаР1:
среды
=Р1
(3)
Данная задача является нетривиальной: вероятностный экологический риск, как интегральный показатель состояния среды, учитывает одновременное поступление нескольких загрязняющих веществ, влияние которых в группе может усиливаться либо, наоборот, подавляться. Можно подобрать модель множественной регрессии, способную адекватно отражать зависимость вида (2), однако решение обратной задачи (3) относительно каждого отдельного параметра С, потребует введения (Ы-1 Дополнительного допущения и ограничений, что понизит точность расчетов в целом. Другим способом решения является построение отдельных парных регрессионных моделей вида:
Рсреды=91 :,(/' _ ЦУ) (4)
которые допускают относительно простое решение серии обратных задач:
среды
(/ _ Щ)
(5)
• Низкий риск (Яп). Удовлетворительное состояние: Кснег<0,0680
• Средний риск (Яз). Напряженное состояние: 0.0680<Кснег<0,106
• Повышенный риск (Яр). Кризисное состояние: 0.106<Кснег<0,155
• Высокий риск (Яу). Критическое состояние: Яснег>0,155.
Нейросетевая регрессионная модель для описания зависимости
(РЬ, Си, Сг, Zл, Мп, Ге, М)=д~1 ]реды >меет
следующую топологию:
• Количество входов - 1 (значение Кснег);
• Количество скрытых слоев - 1;
• Количество нейронов в скрытом слое -4;
• Функция активации нейронов скрытого слоя - гипертангенс;
• Количество выходных нейронов - 7 (значение концентрации металлов в снежном покрове);
• Функция активации выходного слоя - линейная.
среды Р1
Однако за счет исключения из соотношений (4) взаимных влияний загрязняющих веществ в группе, адекватность таких моделей вызывает сомнения.
Указанных недостатков лишен интеллектуальный универсальный аппроксиматор - искусственная нейронная сеть. Располагая таблично определенной функцией зависимости вероятностного риска от концентраций загрязняющих веществ в среде, легко построить нейронную сеть, отражающую обратную зависимость: в качестве входа рассматривается вероятностный экологический риск, а в качестве выходов - концентрации загрязняющих веществ. Полученная нейросетевая регрессионная модель не требует дополнительных преобразований для вычислений нормативных значений, легка в использовании, и учитывает совместное влияние нескольких загрязняющих веществ одновременно.
В качестве среды исследования был выбран снежный покров как среда накопления загрязняющих веществ, поступающих воздушным путем. Для определения вероятностного экологического риска были использованы измеренные нами концентрации металлов-предиктантов в снежном покрове. Максимальные значения предиктантов: РЬ-1195,46; Си-10325,0; Сг-5803,8; гп-19899,4; Мп-13894,5; Бе-75127,4; N1-10404,6.
Значения вероятностного экологического риска для металлов в снежном покрове рассчитаны согласно формуле (1). Полученные значения вероятностного экологического риска Кснег соотносятся со следующей шкалой, полученной методом квартилей:
Таблица 1 - Расчетные концентрации металлов и градации вероятностного риска
Рис. 1 - Топология нейросетевой регрессионной модели для определения концентрации группы металлов по значениям вероятностного экологического риска
Результаты моделирования значений концентраций металлов в зависимости от пороговых значений вероятностного риска показаны в табл. 1. Таким образом, для дальнейшего определения нормативов сопредельности можно принять следующие значения концентраций металлов в снежном покрове: Си_норм -414,34; гп_норм-2058,51; №_норм-259,27; Сг_норм-200,71; РЬ_норм-317,72; Бе_норм-5589,67; Мп_норм-561,89.
Си гп N1 Сг РЬ Бе Мп Я снег Граница
414 2058 259 200 3188 5589,6 562 0,07
594 346 676 317 355 849 671 0,11 Яр
983 4809 1329 457 315 11181 717 0,16 яу
Таким образом, для дальнейшего определения нормативов сопредельности можно принять
следующие значения концентраций металлов в снежном покрове: Си_норм -414,34; гп_норм-
2058,51; №_норм-259,27; Сг_норм-200,71; РЬ_норм-317,72; Бе_норм-5589,67; Мп_норм-561,89.
Для расчета норматива используется величина вероятностного экологического риска для среды, сопредельной со средой исследования и являющейся непосредственным накопителем загрязняющих веществ в долгосрочной перспективе.
Вероятностный экологический риск рассчитывается по содержанию загрязняющих веществ непосредственно в сопредельной среде. В дальнейшем полученный экологический риск должен использоваться для определения нормативов сопредельности в среде исследования. Для практической реализации данного подхода необходимо сгенерировать кортежи данных: «концентрации загрязняющих веществ в среде исследования - концентрации загрязняющих веществ в сопредельной среде-вероятностный экологический риск сопредельной среды» для обеспечения соответствия данных будущей модели регрессии «вероятностный экологический риск сопредельной среды - концентрации токсикантов в среде исследования».
Затем для каждого кортежа в качестве величины экологического риска принимается средневзвешенное значение нормированных содержаний загрязняющих веществ в сопредельной среде с эмпирическим коэффициентом 1/5,35186133559018.
У
О.
сопред
М
= ВхУ-
' I
(6)
Л тах (у] )
где В - эмпирический коэффициент; М - количество учитываемых загрязняющих веществ в сопредельной среде; у у - концентрация в сопредельной среде¡-того загрязняющего вещества: ¡=1,2...М.
Полученное значение приведенного риска необходимо соотнести со шкалой состояний сопредельной среды, полученной методом квартилей:
• Низкий риск. Удовлетворительное состояние: Qсоnред<q0
• Средний риск. Напряженное состояние: $о^сопред<$1
• Повышенный риск. Кризисное состояние:
ql<Qсопред <$2
• Высокий риск. Критическое состояние:
Qсопред>q2
Решение данной задачи предлагается осуществлять при помощи нейросетевой модели регрессии, обученной по известным кортежам данных:
: (7)
(к цУг-Ум)
У2-Ум) 1,*2.-*Л
В качестве топологии модели рекомендуется выбирать трехслойный персептрон с линейной функцией активации выходного слоя и гипертангенсом для скрытого слоя. Конкретный вид модели в этом случае может быть представлен как:
( ( N \ ^
22>к,
у. ..хм )=
к=\
И/
к]
-1
22>,|
+1
-1
(8)
где
• N - размерность входного вектора- равна количеству учитываемых токсикантов исследуемой среды;
• - количество нейронов в скрытом слое -подбирается эмпирически;
• М- количество нейронов в выходном слое -равно количеству учитываемых токсикантов для сопредельной среды;
• весовые коэффициенты скрытого
(первого) слоя / = 1, Л/ , к = 15 , определенные на этапе обучения;
• - весовые коэффициенты выходного
слоя у = 1, АУ, определенные на этапе обучения.
Решение задачи предлагается осуществлять аналогично задаче определения уровня концентрации загрязняющего вещества, при котором достигается заданное граничное значение вероятностного экологического риска, а именно при помощи нейро-сетевых моделей регрессии. Построив модель вида:
(Х1 , X2,■■■XN ) = ^(Рсопред) ,
(9)
Можно найти предельную ёмкость среды исследования по каждому отдельному загрязняющему веществу как значение концентрации, соответствующее границе высокого экологического риска сопредельной среды:
РГ'^Г'-сг уе&сопю^ъ :(10)
Конечная емкость сопредельной среды выше нормативной концентрации загрязняющего вещества в среде исследования. Данный результат говорит о возможности дополнительного ассимилирования загрязняющего вещества средой и наличии зоны возможного накопления, определяемой разностью буферной емкости и норматива. Состояние среды, соответствующее зоне накопления, можно определить как напряженное, переходное состояние между благополучием (концентрация загрязняющего вещества меньше нормативной) и неблагополучием (концентрация выше предельной буферной емкости), что проиллюстрировано на рис. 2.
Благополучие с ^ норм
Зона / накопления п пред Неблагополучие
Рис. 2 - Среда с зоной накопления
Предельная емкость сопредельной среды равна, либо ниже норматива для среды исследования. В этом случае сопредельная среда не ассимилирует загрязняющее вещество. Зона накопления отсутствует,
среда переходит из состояния благополучия в состояние неблагополучия скачкообразно (бифуркация), что проиллюстрировано на рис. 3. В качестве порога перехода необходимо принять минимальное значение концентрации загрязняющего вещества.
Благополучие
Неблагополучие
С Ш1П {Спред, Сщпм }
Рис. 3 - Среда без зоны накопления
В качестве среды исследования был выбран снежный покров как среда накопления загрязняющих веществ, поступающих аэрогенным путем. В качестве сопредельной среды для снежного покрова была выбрана почва, как депонирующая среда, аккумулирующая загрязняющих веществ. В качестве загрязняющих веществ, содержащихся в снежном покрове, рассматривались металлы (РЬ , Си, Сг, гп, Мп, Бе, N1). В качестве соответствующих объектов накопления в сопредельной среде (почве) были исследованы концентрации данных металлов в почве и произрастающих на этой же территории растениях, что позволило повысить адекватность и степень аг-регативности рассчитанного вероятностного риска для сопредельной среды. После определения соответствующих друг другу кортежей данных «металл в снеге-металл в почве и растениях» была спроектирована нейронная сеть следующей топологии:
• Количество входных нейронов - 7 (концентрации металлов в снежном покрове). Для обработки пропущенных данных применим алгоритм «замена средним».
• Кол-во скрытых слоев - 1,
• Кол-во нейронов в скрытом слое - 12, функция активации нейронов- гиперболический тангенс.
• Количество выходных нейронов -15: содержание меди в почве (мг/кг); содержание цинка в почве (мг/кг); содержание никеля в почве (мг/кг); содержание хрома в почве (мг/кг); содержание свинца в почве (мг/кг); содержание кадмия в почве
(мг/кг); содержание кобальта в почве (мг/кг); содержание меди в растениях (мг/кг); содержание цинка в растениях (мг/кг); содержание никеля в растениях (мг/кг); содержание хрома в растени-ях(мг/кг); содержание свинца в растениях(мг/кг); содержание кадмия в растениях (мг/кг); содержание железа в растениях (мг/кг); содержание марганца в растениях (мг/кг).
Функция активации выходного слоя - линейная. Рассчитанные нейросетью концентрации металлов в почвенном покрове: Сипочв-35,410; 2ппочв-113,370; N1^-52,410; СгПоЧВ-54,610; РЬпочв-12,330; С^-0,280; Сопочв-3,440.
Рассчитанные нейросетью концентрации металлов в растительном покрове: Сираст-14,200; №раст-5,000;
Сграст-15,000; гпраст-135,680;
С^раст-°, 110; РЬраст-
32,130; Бераст-33,180; Мпраст-4,750. Для полученных данных рассчитан вероятностный риск для сопредельной среды согласно формуле (6). Полученные значения вероятностного риска Яснег соотносятся со следующей шкалой, полученной методом квартилей:
• Низкий риск. Удовлетворительное состояние: Ясопред<0,244
• Средний риск. Напряженное состояние: 0,244<КСопред<0,296
• Повышенный риск. Кризисное состояние: 0,296<Ксопред<0,367
• Высокий риск. Критическое состояние:
Ясопред>0,367
Из полученных данных сформированы наборы соответствия для моделирования регрессионной модели вида (4):
(РЬ , Си, Сг, 1п, Мп, Ев, N1) _ £(Ясопред)
и построена нейросетевая модель регрессии следующей топологии:
• Количество входов - 1 (значение Ясо„ред).
• Количество скрытых слоев - 1.
• Количество нейронов в скрытом слое -5.
• Функция активации нейронов скрытого слоя - гипертангенс.
• Количество выходных нейронов - 7 (значение концентрации в снеге РЬ, Си, Сг, гп, Мп, Бе, N1).
Результаты моделирования значений концентраций металлов в зависимости от пороговых значений вероятностного риска (табл.2).
Таблица 2 - Расчетные концентрации металлов в зависимости от градации вероятностного риска
Си гп N1 Сг РЬ Бе Мп Я сопред Граница
261,7 1674,8 145,7 179,3 247,4 5160, 500 0,24
327,80 1936 254 151 254 4993 472 0,29 Яр
595 2215 298 166 2897 4890 463 0,367 яу
В качестве предельной буферной емкости снега по исследуемым металлам можно принять значения концентраций: Си_пред-595,30; гп_пред-
2215,52; №_пред-298,22; Сг_пред-166,55; РЬ_пред-285,96; Бе_пред-4890,32; Мп_пред-463,60.
Сопоставление предельных и нормативных концентраций металлов в снеге (твердая фракция)
выявил, что снег имеет буферную емкость (зоны накопления) для меди (емкость зоны накопления 180,96 мг/кг - от 414,34 мг/кг до 595,3 мг/кг), цинка (емкость зоны накопления 157,0 мг/кг - от 2058,5 мг/кг до 2215,5 мг/кг) и никеля(емкость зоны накопления 38,95 мг/кг - от 259,3 мг/кг до 298,2 мг/кг). Для хрома, свинца, железа и марганца снег не обладает буферной емкостью, при этом в качестве нормативной концентрации металлов рекомендуется принять их предельные концентрации в снеге С_пред: ССг = 166,5 мг/кг; СРЬ=285,9 мг/кг; СРе=4890,3 мг/кг и СМп=463,6 мг/кг.
Таким образом, модель оценки нормативов сопредельности демонстрирует гибкость, чувствительность к конкретным условиям оценки, эффективность, выражаемую высокой агрегирующей способностью интегрального показателя взятого за основу - вероятностного риска. Немаловажно и то обстоятельство, что предлагаемый подход легко может быть использован систе-
мами принятия решений, так как обладает четкой структурированностью.
Эти обстоятельства делают нашу методологию оптимальной как в процессе нормирования в целом, так и на самом сложном его этапе: на звене перевода аналитических параметров в управляющие.
Литература
1. Тунакова Ю.А. Шагидуллина Р.А., Новикова С.В., Валиев В.С. Вестник технологического университета, 16, 11, 259-263 (2013).
2. Тунакова Ю.А. Шагидуллина Р.А., Новикова С.В., Валиев В.С. Вестник технологического университета, 16, 14, 231-233 (2013).
3. Тунакова Ю.А. Шагидуллина Р.А., Новикова С.В., Валиев В.С. Вестник технологического университета, 16, 23, 147-151(2013).
4. Тунакова Ю.А. Шагидуллина Р.А., Новикова С.В., Валиев В.С. Вестник технологического университета, 16, 20, 276-279 (2013).
© Ю. А. Тунакова - д-р хим. наук, проф. каф. технологии полимерных материалов КНИГУ, ]иНарго1"@та11.га; Р. А. Шагидуллина - канд. хим. наук, нач. отдела нормирования воздействия на окружающую среду Мин-ва экологии и природных ресурсов РТ, ]иНарго1"@та11.га; С. В. Новикова - канд. техн. наук, доц. каф. прикладной математики и информатики КНИГУ им. А.Н. Туполева-КАИ, 8%еа72@ Ьк.ги; В. С. Валиев - науч. сотр. лаб. биогеохимии Института проблем экологии и недропользования АН РТ.
