CC BY
23
УДК 504.3.054
С. В. Новикова, Ю. А. Тунакова, А. Р. Шагидуллин, О. Н. Кузнецова
НЕЙРОСЕТЕВАЯ АДАПТАЦИЯ РАСЧЕТНЫХ ПРИЗЕМНЫХ КОНЦЕНТРАЦИЙ ПРИМЕСЕЙ
В ЗОНАХ ПРОМЫШЛЕННЫХ ЦЕНТРОВ, НЕ ОХВАЧЕННЫХ СИСТЕМАТИЧЕСКИМИ НАБЛЮДЕНИЯМИ
Ключевыеслова: расчетныеметодики, нейронныесети, адаптация.
Рассматривается методика и результаты применения искуственных нейронных сетей для уточнения расчитанных при помощи методики ОНД-86 значений концентраций примесей в атмосфере на примере четырех поллютантов. Доказывается эффективность предложенной методики.
Keywords: calculation methods, neural networks, adaptation.
The article discusses the methodology and results of the application of artificial neural networks to calculate more accurate using OND-86 values of the concentration of pollutants in the atmosphere by the example of the four pollutants. Weprovetheeffectivenessoftheproposedmethod.
Для увеличения объема мониторинговых данных с пространственно-временной
изменчивостью по уровню загрязнения атмосферного наиболее целесообразно применение методов расчетного мониторинга [1]. Для расчета по данным методикам используется специальное программное обеспечение - Унифицированная программа расчета загрязнения атмосферы (УПРЗА). На сегодняшний день разработано множество подобных программ: УПРЗА «ЭКО центр», УПРЗА «Эколог», ЭРА-УПРЗА, УПРЗА«Призма» и т.д.Не смотря на большое разнообразие, все они осуществляют расчет согласно методике ОНД-86 [2]. Однако сравнение расчетных по УПРЗА (использована УПРЗА «Эколог») и экспериментально измеренных концентраций примесей показывает
значительноерасхождение значений, даже превышающее 30% [3].
Для решения задачи повышения сходимости измеренных на автоматизированных постах наблюдений МЭПР концентраций примесей и расчетных концентраций, полученных с помощью УПРЗА «Эколог-город» использовались нейросетевые технологии [4]. Спроектированные искусственные нейронные сети, обученные на массиве значений концентраций примесей, измеренных ежедневно с 20 минутным осреднением за период 2012-2014 гг., позволяют учесть все скрытые зависимости между уровнями загрязнения приземного слоя атмосферы и факторами, его формирующими. Апробация методики проводилась на примере города Нижнекамска - крупнейшего промышленно-развитого центра с множественными стационарными источниками выбросов,
отличающимися по техногенным параметрам.
Проектирование и обучение нейросети для последующей адаптации
На первом этапе проектирования нейросети стоит вопрос выбора значимых предикторов. Поскольку ставилась задача адаптации расчетных с помощью УПРЗА «Эколог-город» концентраций
примесей, то в качестве предикторов использовались значения расчетных концентраций примесей и метеопараметры. Как рассматривалось в [5], исследование зависимостей между измеряемыми концентрациями примесей на автоматизированных постах и метеорологическими параметрами на территории г. Нижнекамска показало наличие тесных взаимосвязей с направлением ветра, скоростью ветра, температурой, давлением, влажностью воздуха. Поэтому именно эти метеопараметры были выбраны в качестве входов нейросети.
Была определена следующая общая структура корректирующей нейросети:
1. Парадигма - многослойный персептрон (выбрана как универсальный аппроксиматор регрессионной зависимости)
2. Количество скрытых слоев -1 (определено согласно теореме Колмогорова о структуре персептрона как универсального аппроксиматора)
3. Количество входных нейронов - 8
• Нейроны 1,2 - координаты точки расчета в абсолютных координатах в метрах,
• Нейрон 3 - температура воздуха,
• Нейрон 4 - атмосферное давление,
• Нейрон 5 - скорость ветра,
• Нейрон 6 - направление ветра,
• Нейрон 7 - влажность воздуха,
• Нейрон 8 - расчетное значение концентрации примеси, полученное согласно УПРЗА «Эколог-город».
Все входные параметры нормализованы функцией «гиперболический тангенс», ввиду разного масштаба исходных данных и вида активационной функции.
4. Количество нейронов в скрытом слое - 5, что определено методом редукции персептрона, согласно работе [6] с привлечением экспертных оценок);
5. Количество нейронов в выходном слое - 1 (значение концентрации примеси в приземном слое атмосферного воздуха). Выходное значение нормализуется функцией «гиперболический
тангенс» для приведения к единому масштабу с входными данными;
6. Активационная функция скрытого слоя -гиперболический тангенс (определено экспертным путем из соображений нелинейной зависимости параметров регрессии)
7. Активационная функция нейронов выходного слоя - линейная (определено экспертным путем в сочетании с нелинейностью активационной функции предыдущего слоя).
Проверка адекватности методики нейросетевой адаптации расчетного уровня концентраций загрязняющих веществ в атмосфере
С помощью программного комплекса УПРЗА «Эколог-город» в точках проведения экспериментальных измерений были рассчитаны наборы значений концентраций примесей, соответствующие наборам значимых
метеорологических параметров, зафиксированных при измерениях концентраций примесей на автоматизированных стационарных постах МЭПР. Из полученного набора значений определялись максимальные концентрации для каждой точки экспериментального отбора проб, на основе которых методом интерполяции определялось распределение концентраций примесей на всей территории города. Полученные распределения концентраций (в мг/м3) отображались в виде изолиний, нанесенных на карту, так называемых, полей концентраций примесей, что позволяет визуализировать сходимость экспериментальных и расчетных концентраций примесей после нейросетевой адаптации и показать повышение адекватности расчетов с использованием нейросетевых технологий.
Например, после адаптации нейронной сетью расчетные значения концентраций диоксида азота значительно приблизились к экспериментально измеренным значениям. Погрешность расчетов за счет нейросети сократилась более чем в десять раз: после нейросетевой адаптации максимальное превышение расчетных концентраций над экспериментально измеренными составило 1,8 раз, среднее - около 1,26 раза. Так же результаты экспериментов по нейросетевой адаптации расчетных с помощью УПРЗА «Эколог-город» концентраций оксида углерода показали увеличение точности расчетов до 3 раз, концентраций сероводорода - в среднем в 4 раза, бензола - в среднем в 10 раз, и т.д.
Применение нейросетевой адаптации для зон, не охваченных непосредственными наблюдениями
Нейросетевая адаптация концентраций диоксида азота
После проверки адекватности предложенной методики было произведено уточнение рассчитанных при помощи УПРЗА «Эколог-город» значений концентраций диоксида азота в точках жилой зоны г. Нижнекамска, не охваченных
непосредственными наблюдениями (123 точки города). Результаты адаптации продемонстрировали систематическое занижение уровня расчетных значений по отношению к скорректированным, что вызвано, вероятно, высокой степенью инверсии атмосферы, приводящей на практике к частичному рассеиванию примеси (рис. 1).
Рис. 1 - Сравнительные результаты нейросетевой адаптации рассчитанных (УПРЗА «Эколог-город») и скорректированных нейросетью значений концентраций диоксида азота
Результаты адаптации позволяют адекватно оценить состояние окружающей среды в расчетных точках как менее напряженное, нежели можно судить по результатам расчетов на основании исключительно методики ОНД-86. Согласно расчетам, практически во всех контрольных точках происходит превышение ПДК диоксида азота в среднем в 1.5 раза, тогда как после нейросетевой адаптации становится очевидным, что превышение ПДК не происходит ни в одной из расчетных точек.
Нейросетевая адаптация концентраций оксида углерода
В результате адаптации выяснилось, что рассчитанные по УПРЗА «Эколог-город» значения в среднем занижают адаптированные значения концентраций оксида углерода в атмосфере, хотя общий тренд зависимости концентрации от метеоусловий сохраняется. Также нейросетевая адаптация выявила более резкие колебания концентрации ЗВ по сравнению с расчетными, что очевидно связано с особенностями застройки в каждой контрольной точке (рис. 2).
* 1 !
, 1
и . I У !! •:
• г !-
• Р * I1' *\г 1. у • | .
' /ИЛ/1 1 Л I пТ • и! НИЛА«/'' V
.! 1 У лк
Рис. 2 - Сравнительные результаты нейросетевой адаптации рассчитанных (УПРЗА «Эколог-город») и скорректированных нейросетью значений концентраций оксида углерода
Полученные результаты позволяют сделать вывод о необходимости более тщательного контроля за уровнем загрязнения атмосферного воздуха в некоторых отдельных точках города, особенно в случае формирования НМУ.
Нейросетевая адаптация концентраций сероводорода
Обученная нейросетевая адаптационная модель применялась для коррекции рассчитанных значений концентраций сероводорода в точках жилой застройки г. Нижнекамска, не охваченных непосредственным мониторингом состояния атмосферного воздуха (123 точки). Результаты продемонстрировали значительное занижение расчетных значений по сравнению с адаптированными расчетными значениями, что вызвано, вероятно, особенностями плотной застройки жилых районов и сопровождающим ее застоем воздуха (рис. 4).
— ■ « ■ ■ и т
• I II - .
• \ { \ 11; ;
" '1 ■ . (¡1 :•;;]
: *
Рис. 4 - Сравнительные результаты нейросетевой адаптации рассчитанных (УПРЗА «Эколог-город») и скорректированных нейросетью значений концентраций сероводорода
Полученные результаты говорят о необходимости дополнительных наблюдениях в данных точках города за содержанием указанной примеси. Данные расчетов согласно методике ОНД-86 не выявили превышения концентраций сероводорода над ПДК с.с., тогда как после нейросетевой адаптации по полученным данным превышение ПДК сероводорода происходит более чем в 70% случаев.
Нейросетевая адаптация концентраций бензола
Практическое применение обученной нейроной сети для адаптации расчетных данных методики ОНД-86 к корректированию концентраций бензола продемонстрировало значительное занижение расчетными значениями скорректированных уровней содержания бензола в атмосферном воздухе (рис. 3).
Результаты нейросетевой адаптации говорят о необходимости повышенного внимания к состоянию атмосферы в исследованных точках города. Данные расчетов согласно методике ОНД-86 не выявили превышения уровнем сероводорода
установленных ПДК, тогда как после нейросетевой адаптации по полученным данным превышение ПДК происходит в 20% случаев.
т |
• ; ?
\ \я "« Г ■ % ■ • !
" - г " 5 2~
Рис. 3 - Сравнительные результаты нейросетевой адаптации рассчитанных (УПРЗА «Эколог-город») и скорректированных нейросетью значений концентраций бензола
Практические результаты исследований
В результате серии проведенных расчетов по уточнению уровней концентраций загрязняющих веществ в атмосфере жилой зоны г. Нижнекамска получены следующие данные о точках города, в которых адаптированный нейросетевой расчет выявил превышение ПДК в 19 точках. В выявленных точках превышения ПДК необходимо провести дополнительные маршрутные наблюдения за качеством атмосферноо воздуха.
Выводы
Таким образом, нейросетевая адаптация концентраций и основных и специфических примесей показала значительное повышение точности результатов расчетов и достижение лучшей сходимости с данными экспериментальных измерений. Спроектированные и обученные нейросети использовались для расчета концентраций примесей в зонах, где не проводятся систематические наблюдения. В качестве точек расчета взяты точки местоположения детских садов, школ и объектов с повышенными требованиями к качеству атмосферного воздуха. Практическим результатом нейросетевой адаптации явилось выявление точек города, в которых прогнозируется превышение уровня ПДК одним или несколькими загрязняющими веществами, что позволит принять превентивные меры.
Литература
1. Тунакова Ю.А., Шагидуллина Р.А., Новикова С.В., Шмакова Ю.А., Гоголь Э.В., Галиева А.Т. Вестник Казанского технологического университета. Т. 16. №№ 2. С. 109-112.(2013)
2. ОНД-86 Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий. Общесоюзный нормативный документ / ГГО им. Воейкова. - Л., 1987. 64 с.
3. Тунакова Ю.А., Новикова С.В., Шагидуллина Р.А., Шагидуллин А.Р. Вестник Казанского технологического университета. Т. 17. № 5. С. 149-151.(2014)
4. Тунакова Ю.А., Новикова С.В. Шагидуллина Р.А., Шагидуллин А.Р. Вестник Казанского технологического университета., № 10. С. 155-158.(2013)
5. Тунакова Ю.А., Новикова С.В. Использование нейросетевых технологий для целей прогноза высокого уровня загрязнения атмосферного воздуха в городах. //
Безопасность жизнедеятельности. - М.: Новые технологии, 1, .21-28 (2011).
6. Новикова С.В., Тунакова Ю.А. Методика редукции многослойного персептрона (на примере экологического прогнозирования). - Ижевск, изд-во ИГТУ, Вестник Ижевского государственного технического
университета, №3 2010. 126-129
© С. В. Новикова - д.т.н., профессор кафедры Прикладной математики и информатики Казанского национального исследовательского технического университета им. А.Н. Туполева - КАИ, sweta72@bk.ru, Ю. А. Тунакова - д.х.н., профессор, заведующий кафедрой Общей химии и экологии Казанского национального исследовательского технического университета им. А.Н. Туполева - КАИ, juliaprof@mail.ru., А. Р. Шагидуллин - к. физ.-мат. н.. научный сотрудник Института проблем экологиии недропользования Академии наук Республики Татарстан, artur.shagidullin@tatar.ru, О. Н. Кузнецова - к.х.н., доцент кафедры 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. ANTupolev - KAI, sweta72@bk.ru, Y. A.- Tunakova the doctor of chemistry, professor, head of the department of General chemistry and ecology KNITU-KAI, juliaprof@mail.ru., A. R. Shagidullin - Phd, Researcher, Institute of Ecology and subsoil of the Academy of Sciences of the Republic of Tatarstanartur.shagidullin@tatar.ru, О. N. Kuznetsova - candidate of chemical Sciences. assistant Professor of plastics technology, KNRTU.
