CC BY
19
УДК 004.032.26+519.63:517.951
Васильев А.Н.1, Ложкин В.Н.2, Ложкина О.В.2, Тархов Д.А.1, Тимофеев В.Д.2
хСанкт-Петербургский политехнический университет Петра Великого, СПб., Россия 2Санкт-Петербургскии университет государственное противопожарнои службы МЧС, СПб., Россия
НЕЙРОСЕТЕВОЙ ПОДХОД В ИНФОРМАЦИОННОМ ПРОЦЕССЕ ПРОГНОЗИРОВАНИЯ ЗАГРЯЗНЕНИЯ ТОРФЯНЫМ ПОЖАРОМ ВОЗДУХА В
РАЙОНЕ АВТОМАГИСТРАЛИ
АННОТАЦИЯ
Диффузия угарного газа от торфяного пожара в окрестности автомагистрали представлена оригинальной нейросетевой моделью с гетерогенными дифференциальными данными. Разработаны методы уточнения модели по данным расчета и измерения концентраций оксида углерода в области распространения дымового облака. Численные решения задачи приводятся в форме нейросетевых аппроксимаций полей концентраций моделями Гаусса и приближённых нейросетевых решений дифференциальных уравнений с частными производными для диффузии легкой фракции. 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.
КЛЮЧЕВЫЕ СЛОВА
Автомагистраль; торфяной пожар; угарный газ; опасное загрязнение воздуха; транспортный коллапс; информационный процесс; нейросетевая модель.
Vasilyev A.N.1, Lozhkin V.N.2, Lozhkina O.V.2, Tarkhov D.A.1, Timofeev V.D.2
1 Peter the Great Saint-Petersburg Polytechnic University, St. Petersburg, Russia 2 St. Petersburg University of State Fire Service of EMERCOM of Russia, St. Petersburg, Russia
NEURAL NETWORK APPROACH IN INFORMATION PROCESS FOR PREDICTING HIGHWAY AREA AIR POLLUTION BY PEAT FIRE
ABSTRACT
The diffusion of carbon monoxide from a peat fire in the vicinity of the motorway is presented by the original neural network model with heterogeneous differential data. The methods of model refinement according to the calculation and measurement of carbon monoxide concentration in the smoke cloud area are elaborated. The numerical solutions of the problem are presented in the form of neural network approximations by Gauss models for concentration fields and neural network approximate solutions of partial differential equations for light fraction diffusion. The trained neural network can be used for prediction of an emergency when changing wind speed and direction and fire parameters. The method is recommended in the information processes monitoring the air environment quality.
KEYWORDS
Highway; peat fire; carbon monoxide; hazardous air pollution; traffic jams; information process; neural network model.
Введение. Актуальность проблемы
В обеспечении безопасности развития регионов России [1] особое внимание уделяется профилактике лесных, в частности, торфяных пожаров, на основе прогнозирования последствии их негативного воздеиствия. Горение торфа происходит под землеи без открытого огня при недостатке кислорода с обильным выделением угарного газа (СО). Если торфянои пожар развивается в окрестности автомагистрали, то смог затрудняет дыхание, уменьшает видимость, приводит к чрезвычаинои ситуации - транспортному коллапсу.
Мы исследовали возможность неиросетевого прогнозирования такой ситуации по гетерогенной расчетно-экспериментальнои информации о концентрациях СО. Задача решалась с использованием данных реального транспортного коллапса, наблюдавшегося с 26.10.15 г. по 07.01.16 г. в Иркутскои области РФ при горении торфа вблизи автомагистрали «Сибирь».
Большои интерес представляет разработка функциональных моделеи, позволяющих проводить сценарное моделирование возникновения подобных ситуации без повторного решения дифференциальных уравнении в частных производных для разных наборов входных параметров. В качестве таких моделеи использовались неиронные сети. Важнои особенностью неиросетевых моделеи является возможность их уточнения с использованием результатов наблюдении и численных расчетов при частных значениях параметров задачи - скорости и направления ветра, области пожара, интенсивности выделения СО и т.д.
Общая постановка и опыт решения подобных задач
Согласно [2] для торфяного пожара в окрестности автомагистрали следует учитывать мгновенные значения концентрации и скорости диффузии СО, а также пульсационные отклонения этих значении. Задача упрощается [3] с переходом к модели турбулентнои диффузии для средних значении концентрации по уравнению:
L(q) = * + И ^ + V ^ + * ^ -А К * -А к *- — К * + aq = Q, (1)
дt дх ду дz дх дх ду ду дz дz
где, х и у - координаты в горизонтальнои плоскости; z - координата по вертикали; t - время; и, V,
w - составляющие среднеи скорости перемещения СО, соответственно, по направлениям осеи
координат х, у, z; кх, ку, - составляющие коэффициента обмена; а - коэффициент,
учитывающии вероятным метаболизм СО в атмосфере. При «стилизации» торфяного пожара площадным источником расчет полеи концентрации СО можно свести к упрощеннои эмпирическои формуле, полученнои сотрудниками ГГО им А. И. Воеикова на основе многолетних исследовании и применяемои в деиствующем документе ОНД-86 [4]:
AMFmnц
М = Н^^аГ)173 ' (2]
где См - концентрация СО, г/м3; М - мощность источника загрязнения, г/с; ДТ - разность температур, 0С; F - безразмерныи коэффициент, учитывающии скорость метаболизма СО в атмосфере; А -коэффициент, зависящии от температурнои стратификации атмосферы, V1 - поток дыма, выделяемого торфяным пожаром с поверхности земли, м3/с; коэффициенты т и п выражаются интерполяционными формулами, приведенными в [4]; Н - высота формирования устоичивого облака смога, м; п - опытныи коэффициент [4].
Авторы имеют многолетнии положительныи опыт применения данного методического подхода при организации информационных процессов и систем мониторинга загрязнения воздушнои среды отработавшими газами автотранспорта [5, 6] и пожаров [7]. В то же время, данныи подход требует значительных материально-временных ресурсов и не позволяет компенсировать погрешности эксперимента. Для решения указанных проблем предлагается применить методы неиросетевого моделирования [8-14].
Постановка, уточнение и реализация решений задачи моделирования распространения СО торфяного пожара в окрестности автомагистрали на основе нейросетевого метода
Постановка задачи определяется качеством уточняемои информации об объекте моделирования в процессе неиросетевых обучающих итерации.
Первый пример постановки и реализации решения задачи моделирования.
При моделировании переноса облака смога торфяного пожара на значительные расстояния теряет значимость турбулентная диффузия. Кроме того, возможно огневое горение торфа с выбросом раскаленных газов [7]. Для учета этих физических явлении СПб политехническим университетом Петра Великого совместно с СПб университетом ГПС МЧС РФ в рамках гранта РФФИ № 14-01-00733А разработан оригинальным неиросетевои подход моделирования переноса СО на основе базиснои функции Гаусса.
Будем предполагать, что среднее сечение мигрирующего в окрестности автомагистрали облака смога от торфяного пожара подобно распределению Гаусса, имеющего форму колокола (рис. 1).
Рис. 1. Схема переноса СО по модели Гаусса для торфяного пожара: h - высота турбулентной диффузии; Н -
высота формирования облака смога
Согласно модели Гаусса, изменение концентрации СО в переносимом облаке смога подчиняется нормальному закону распределения:
Q ехр
( ( 2 2 2 Л ^
( х - х' - Ш ) (у - у' - vt) ( г - г ' - wt)
q(t, х, у, г) = -
1 2
V V
(аХ )2 t (.у )
2
—„ ) t
(-г )2 t
//
(л/Ш )
(3)
— — —
х у г
где х, у , г - координаты источника выброса СО; Q - мощность источника; (и,V, w) - компоненты скорости ветра; —х,—у,—г - средние квадратичные отклонения концентрации СО в момент времени t по осям ОХ, ОХ 02:
— = —
2 }Кх (г)йг, —у = 2 } Ку (г)йг , —2 = 2{К (г)йг ,
И-
(4)
0 0 0 где И - высота приземного слоя с активнои турбулентностью.
Используя принцип суперпозиции, из (3) легко получить формулу для расчета концентрации СО от торфяного пожара непрерывного деиствия:
Q ехр
( ( 2 2 2А^
(х - Ш - х ') (у - - у') (г - - г ')
^ 1 / \2 1 / \2
q(t, х y, г) = |
V V
(—х )2 t
(—у )21
(—г )2 t
йх' йу'йг' (5)
(ТШ)
—х—у—,
Интегрирование в формуле (5) распространено на область О, занятую торфяным пожаром. Сложность возникает при вычислении интеграла. Аналитические методы приведут к громоздким формулам, а численные методы - потребуют большого времени счета. Для решения проблемы используем кубатурные формулы и заменяем интеграл конечнои суммои:
Q ехр
q(t, х, у, г; и, V, w) = ^ С
( (
1 2
V V
(х - ш - х )2 (у - ^ - у,. )2 (г - ^ - г)
, У\
(—х)2 t + (—у)2 t + (—г)2 t
//
¡=1 (Т2я7)
где С, - числовые коэффициенты, (х,,у,, г,) - узлы интегрирования, , = 1,2,...,N.
(6)
———
хуг
Легко видеть, что приближение (6) для концентрации q угарного газа (СО) можно
рассматривать как модель, которая соответствует искусственным неиронным сетям с радиальными базисными функциями в случае использования в качестве базиснои функции гауссиана [8]. Настроика весов сети - линеино и нелинеино входящих параметров С, и (х,, у,, г^) - осуществляется
на основе минимизации функционала ошибки, взятого, например, в дискретнои форме
— — — I2
■ = q(t,х},у,,;и,V,м>) - q] (Г,и,V,,
здесь |(х.,у],Z - множество точек в области О, где известны измеренные значения
концентрации (д;.) угарного газа.
]' ]=1
На рис. 2 совмещены измеренные и расчетные, полученные по формуле (2) с применением ГИС, значения концентрации СО в области автомагистрали. Эти данные затем были использованы в качестве массива исходнои гетерогеннои информации для обработки (аппроксимации) вышеописанным неиросетевым методом. На рис. 3 показана картина динамического развития загрязнения СО исследуемои территории при опасном направлении ветра в сторону автомагистрали (число неиронов N = 4).
300С
1000
0.20 0.30 0 40 0.50 0.60 0,7» 0.80 0.90 1 1.50 2 3 4 5 7.50
-2000
Рис. 2. Расчетный прогноз загрязнения угарным газом от торфяного пожара в окрестности федеральной трассы «Сибирь» для неблагоприятных метеоусловий с использованием программы «ЭКОЛОГ» (в долях ПДКмр)
Рис. 3. Линии уровня угарного смога при ветре в направлении трассы «Сибирь» построенные по нейросетевой модели
Второй пример постановки и реализации решения задачи моделирования.
Для решения конкретнои задачи торфяного пожара уравнение (1) можно существенно упростить. При изменении параметров задачи - скорости ветра, радиуса пожара и т.д., процесс будем считать квазистационарным, т.е. установление концентрации происходит намного быстрее
изменения указанных параметров. Таким образом, мы принимаем — = 0.
д
Будем считать ось z направленнои вверх, поэтому для тяжелых частиц, имеющих собственную скорость осаждения w (со знаком « - » ), - равнои этои скорости, а для легких фракции, не имеющих собственнои скорости осаждения, можем принять w = 0. Принимаем также, что среднии турбулентныи поток опасных веществ у земнои поверхности мал. Будем считать коэффициенты обмена постоянными. Таким образом, предполагаем, что концентрация легкои фракции (СО) удовлетворяет уравнению:
дq дq и — + V—-к
дх2 су2
= 0, (х, у) еО ,
(7)
дх ду
где Q - константа в месте торфяного пожара К ^О, вне пожара - Q = 0 ; к - известныи параметр, и, V - компоненты скорости ветра, соответствующие измерениям, известны. В качестве граничных условии используем стремление концентрации к нулю на бесконечности. Решение задачи
упрощают следующие преобразования уравнения (7).
на бесконечности. Решение Во-первых, можно перенести начало
координат в центр торфяного пожара, который считаем площадным источником эмиссии СО круглой геометрическои формы (кругом К). Во-вторых, ось ОХ направляем по направлению ветра, что можно сделать поворотом координат. От параметра k можно избавиться масштабированием х и у. От параметра Q можно избавиться масштабированием плотности загрязнения. Реальные значения Q могут быть определены по данным измерении.
При этом остаются параметры - радиус области пожара и скорость ветра и. В первом варианте постановки они фиксированы и задаются вначале с остальными данными. Их можно менять, повторно проводя обучение модели.
Решение (7) ищем в виде неиросетевои модели
N , ч
ч(х у) = 2 с ехР| -а, (х - х )2- ь, (у - у )2 (, (8)
параметры которои - а,, Ь., С, и у, - находятся с помощью минимизации функционала ошибки
•А =1
}=1
дЧ(£, Л, ) ) д2д{^ л,)
дх
дх2
ду2
- Q(Zi )
(9)
где - множество пробных точек в области, в которои строится решение; это множество
перегенерируется через 3-5 шагов минимизации ; Q(%j) = 1 в области пожара К и Q(%j) = 0 в остальных точках О \ К .
Приведем результаты вычислении для значении N = 20 , М = 200, область пожара
предполагается кругом К радиуса 1, и = 1 (рис. 4).
Рис. 4. Линии уровня выхода нейросетевой модели д( х, у) во всей области изменения переменных, в которой ищется решение (слева) и в окрестности пожара (справа)
Кроме того, для целеи сценарного моделирования были построены параметрические модели, в которых скорость ветра и входила в число входных параметров (второи вариант постановки). При этом приближенное решение искалось в виде гетерогеннои неиросетевои функции
N (Г 1}
д(хУуи) = 2С ехР| -а (х- х)2 -Ь, (у -у, )2 }(и -и)],
(10)
параметры которои - а,,Ь,,с ,,Л,,х ^у, и и, - находятся с помощью минимизации функционала ошибки
• 2 =2
-=1
И,
л,,И,) дЛ,И,) д2ч(ё,Л,,И,)
дх
дх2
ду2
- Q(Z, )
(11)
где пробные точки
(\М
Л., И.)} .=1
периодически перегенерируются.
Соответствующие графики похожи на графики, представленные выше на рис. 4. Полученная параметрическая модель позволяет прогнозировать изменение уровня загрязнении при изменении силы ветра.
Данные модели легко уточняются при наличии измерении концентрации в некотором наборе точек. При этом в функционал ошибки (9) или (11) добавляется дополнительное слагаемое, равное сумме квадратов разностеи измеренных значении и выходов неироннои сети. Аналогичным образом учитываются данные численных расчетов с помощью стандартных методов или пакетов для частных наборов параметров.
Выводы
Смог (дым с угарным газом) от торфяного пожара способен приводить к чрезвычаинои ситуации - транспортному коллапсу с большим экономическим ущербом. В качестве инструмента прогнозирования такои ситуации предлагается использовать самообучаемые математические модели, построенные на основе оригинального неиросетевого подхода. Разработаны и протестированы методы построения неиросетевои модели диффузии СО по расчетно-экспериментальным данным на примере транспортного коллапса, наблюдавшегося с 26.10.15 г. по 07.01.16 г. в Иркутскои области России при горении торфа вблизи автомагистрали федерального значения Р-255 «Сибирь». Для построения неиросетевых моделеи использовались гетерогенные данные: уравнения атмосфернои диффузии веществ в виде дифференциальных уравнении в частных производных; данные расчета на основе функции Гаусса распределения концентрации СО в облаке смога торфяного пожара; данные непосредственных измерении концентрации СО на автомагистрали в зоне деиствия чрезвычаинои ситуации государственными метеорологическими службами. Разработанные методы рекомендуется применять в системах контроля качества и прогноза состояния воздушнои среды для анализа, прогноза и предотвращения подобных чрезвычаиных ситуации.
Работа поддержана Российским фондом фундаментальных исследований (гранты №14-01-00660 и №14-01-00733).
Литература
1. Пучков В.А. О долгосрочных перспективах развития системы МЧС России (МЧС-2030)/ Доклад на заседании экспертного совета МЧС России 30.10.2012 г. [Электронный ресурс]: http://www.region-60.ru/novosti/zhizn/6556029/.
2. Берлянд М.Е. Современные проблемы атмосферной диффузии и загрязнения атмосферы, Л.: Гидрометеоиздат, 1975. - 448с.
3. 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.
4. Общесоюзный нормативный документ «Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий». - Л.: Гидрометеоиздат, 1987. - 93с.
5. 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.
6. Lozhkina O.V., Lozhkin V.N. Estimation of road transport related air pollution in Saint Petersburg using European and Russian calculation models / Journal Contents lists available at Science Direct «Transportation Research Part D», № 36, 2015. - p. 178-189, journal homepage: www.elsevier.com/ locate/t.
7. Сухоиванов А.Ю. Моделирование процессов переноса в атмосфере и воздействия на окружающую среду вредных продуктов горения, образующихся при пожаре: Диссертация на соискание ученой степени к-та техн. наук. - СПб, 2001.
8. Васильев А.Н., Тархов Д.А. Нейросетевое моделирование. Принципы. Алгоритмы. Приложения. - СПб.: Изд-во СПбГПУ, 2009. - 528с.
9. Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical solution of mathematical physics problems. I: Simple problems// Optical Memory and Neural Networks (Information Optics). - 2005. - V. 14. - pp. 59-72.
10. Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical solution of mathematical physics problems. II: Complicated and nonstandard problems// Optical Memory and Neural Networks (Information Optics). - 2005. - V. 14. - pp. 97-122.
11. Vasilyev A.N., Tarkhov D.A. Mathematical Models of Complex Systems on the Basis of Artificial Neural Networks. Nonlinear Phenomena in Complex Systems, vol.17 (2014), 3, pp. 327-335.
12. Kainov N.U., Tarkhov D.A., Shemyakina T.A. Application of neural network modeling to identification and prediction in ecology data analysis for metallurgy and welding industry. Nonlinear Phenomena in Complex Systems, vol. 17 (2014), 1, pp. 57-63.
13. Gorbachenko V.I., Lazovskaya T.V., Tarkhov D.A., Vasilyev A.N., Zhukov M.V. Neural Network Technique in Some Inverse Problems of Mathematical Physics// Springer International Publishing Switzerland 2016 L. Cheng et al. (Eds.): ISNN 2016, LNCS 9719, pp. 310-316, 2016.
14. Shemyakina T.A., Tarkhov D.A., Vasilyev A.N. Neural Network Technique for Processes Modeling in Porous Catalyst and Chemical Reactor// Springer International Publishing Switzerland 2016 L. Cheng et al. (Eds.): ISNN 2016, LNCS 9719, pp. 547-554, 2016.
References
1. Puchkov V.A. O dolgosrochnykh perspektivakh razvitiya sistemy MChS Rossii (MChS-2030)/ Doklad na zasedanii ekspertnogo soveta MChS Rossii 30.10.2012 g. [Elektronnyy resurs]: http://www.region-60.ru/novosti/zhizn/6556029/.
2. Berlyand M.E. Sovremennye problemy atmosfernoy diffuzii i zagryazneniya atmosfery, L.: Gidrometeoizdat, 1975. - 448s.
3. Berlyand M.E., Genikhovich E.L., Onikul R.I. Modelirovanie zagryazneniya atmosfery vybrosami iz nizkikh i kholodnykh istochnikov. - Meteorologiya i gidrologiya. - 1990. - № 5. - S. 5-16.
4. Obshchesoyuznyy normativnyy dokument «Metodika rascheta kontsentratsiy v atmosfernom vozdukhe vrednykh veshchestv, soderzhashchikhsya v vybrosakh predpriyatiy». - L.: Gidrometeoizdat, 1987. - 93s.
5. 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.
6. Lozhkina O.V., Lozhkin V.N. Estimation of road transport related air pollution in Saint Petersburg using European and Russian calculation models / Journal Contents lists available at Science Direct «Transportation Research Part D», № 36, 2015. - p. 178-189, journal homepage: www.elsevier.com/ locate/t.
7. Sukhoivanov A.Yu. Modelirovanie protsessov perenosa v atmosfere i vozdeystviya na okruzhayushchuyu sredu vrednykh produktov goreniya, obrazuyushchikhsya pri pozhare: Dissertatsiya na soiskanie uchenoy stepeni k-ta tekhn. nauk. - SPb, 2001.
8. Vasil'ev A.N., Tarkhov D.A. Neirosetevoe modelirovanie. Printsipy. Algoritmy. Prilozheniya. - SPb.: Izd-vo SPbGPU, 2009. -528s.
9. Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical solution of mathematical physics problems. I: Simple problems// Optical Memory and Neural Networks (Information Optics). - 2005. - V. 14. - pp. 59-72.
10. Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical solution of mathematical physics problems. II: Complicated and nonstandard problems// Optical Memory and Neural Networks (Information Optics). - 2005. - V. 14. - pp. 97-122.
11. Vasilyev A.N., Tarkhov D.A. Mathematical Models of Complex Systems on the Basis of Artificial Neural Networks. Nonlinear Phenomena in Complex Systems, vol.17 (2014), 3, pp. 327-335.
12. Kainov N.U., Tarkhov D.A., Shemyakina T.A. Application of neural network modeling to identification and prediction in ecology data analysis for metallurgy and welding industry. Nonlinear Phenomena in Complex Systems, vol. 17 (2014), 1, pp. 57-63.
13. Gorbachenko V.I., Lazovskaya T.V., Tarkhov D.A., Vasilyev A.N., Zhukov M.V. Neural Network Technique in Some Inverse Problems of Mathematical Physics// Springer International Publishing Switzerland 2016 L. Cheng et al. (Eds.): ISNN 2016, LNCS 9719, pp. 310-316, 2016.
14. Shemyakina T.A., Tarkhov D.A., Vasilyev A.N. Neural Network Technique for Processes Modeling in Porous Catalyst and Chemical Reactor// Springer International Publishing Switzerland 2016 L. Cheng et al. (Eds.): ISNN 2016, LNCS 9719, pp. 547-554, 2016.
Поступила: 1.10.2016
Об авторах:
Васильев Александр Николаевич, профессор кафедры «Высшая математика» Санкт-Петербургского политехнического университета Петра Великого, доктор технических наук, a.n.vasilyev@gmail.com;
Ложкин Владимир Николаевич, профессор кафедры пожарной, аварийно-спасательной техники и автомобильного хозяйства Санкт-Петербургского университета государственной противопожарной службы МЧС России, заслуженный деятель науки РФ, доктор технических наук, vnlojkin@yandex.ru;
Ложкина Ольга Владимировна, доцент кафедры физико-химических основ процессов горения и тушения Санкт-Петербургского университета государственной противопожарной службы МЧС России, кандидат химических наук, оlojkina@yandex.ru;
Тархов Дмитрий Альбертович, профессор кафедры «Высшая математика» Санкт-Петербургского политехнического университета Петра Великого, доктор технических наук, dtarkhov@gmail.com;
Тимофеев Владимир Дмитриевич, заместитель начальника 1 курса инженерно-технического факультета Санкт-Петербургского университета государственной противопожарной службы МЧС России, инженер, адъюнкт, timofeev-v-d@yandex.ru.
