CC BY
38локально и дистанционно передавать оперативную обстановку с места пожара или чрезвычайной ситуации, что позволяет сократить время принятия решений с выбором решающего направления и потребности дополнительных сил и средств тушения лесных пожаров.
Список литературы
1. Лесной план Министерства лесного хозяйства, охраны окружающей среды и природопользования Самарской области. [Электронный ресурс]. Режим доступа: http://www.priroda.samregion.ru/forestry_sector/forest_plan/ (дата обращения: 07.12.2018).
ОБЗОР МЕТОДОВ ДЛЯ ПОСТРОЕНИЯ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ГОРОДСКОЙ ВОЗДУШНОЙ СРЕДЫ Аульбеков А.Е.
Аульбеков Аскар Ерболович - магистрант, кафедра информационных технологий,
Восточно-Казахстанский государственный технический университет им. Д.Серикбаева, г. Усть-Каменогорск, Республика Казахстан
Аннотация: в статье описывается сравнительный обзор применения различных методов для анализа данных загрязненности окружающей среды. Применение подхода решения задач анализа данных поможет заблаговременно выявить неблагоприятные метеорологические условия и позволит определить необходимые мероприятия для оперативного реагирования.
Ключевые слова: выбросы загрязняющих веществ, анализ данных, прогнозирование.
Одной из самых основных проблем современности является загрязнение атмосферного воздуха, то есть привнесение в воздух или образования в нем физических агентов, химических веществ или организмов, неблагоприятно воздействующих на среду жизни. Это является одним из основных факторов антропогенного воздействия на окружающую среду. Особенно в крупных и промышленных городах, где наблюдается повышенная концентрация загрязняющих веществ, необходимо быстро принимать решения в случаях повышения концентрации веществ.
Решение задач анализа данных, таких как составление прогноза, анализ за определенные временные промежутки, даст возможность оценить уровень воздействия на окружающую среду. Применение такого подхода поможет заблаговременно выявить неблагоприятные метеорологические условия и позволит определить необходимые мероприятия для оперативного реагирования. Для выполнения контроля мониторинга состояния воздушной среды можно применить различные методы анализа загрязнений.
Целью данной работы является обзор методов для процесса анализа выбросов, учитывающего различные допущения и характер распространения веществ в окружающей среде.
В данной работе был определен набор данных, которые планируется использовать последующего анализа. Метеорологические данные: скорость ветра, направление ветра, температура, влажность, давление, количество осадков, интенсивность осадков.
Учитываются значения содержания 8 веществ (мг/м3) с нескольких станций системы мониторинга атмосферного воздуха г. Усть-Каменогорск в период с 2013 по 2018 год.
Для определения будущего значения необходимо определить зависит ли целевая переменная от других. Для этого необходимо определить множественный коэффициент корреляции, так как коэффициент корреляции определяет зависимость определяет зависимость между двумя переменным.
Вычисление значения множественного коэффициента корреляции осуществлялось на языке Python с использованием библиотек pandas, statsmodels, sklearn. С помощью обычного метода наименьших квадратов (Ordinary least squares) была создана модель зависимости будущего значения от других параметров. В результате было получено значение коэффициента детерминации R2=0.968, который показывает насколько данные соответствуют линии регрессии и рассматривается как универсальная мера зависимости одной случайной величины от множества других. Но высокие значения коэффициента детерминации не свидетельствуют о наличии причинно-следственной зависимости между переменными, так как наличие предыдущего значения в зависимых переменных показывает такую же динамику. Необходимо использовать дополнительные критерии для всестороннего анализа модели.
Одним из подходов, используемых для выполнения прогнозов, является регрессионный анализ. Для выполнения многомерной линейной регрессии были параметры предыдущего значения предыдущего измерения, направление и скорость ветра, температура, влажность и географическое положение точки, где производился замер. В результате применения библиотеки statsmodels мы получили высокое значение коэффициента детерминации - 0.938, означающее, что 93.8% дисперсии объясняется этой моделью. При выполнении анализа в библиотеке sklearn было получено значение 0.815 коэффициента детерминации.
Модели авторегрессии, в частности ARIMA, одни из наиболее распространенных методов анализа и прогнозирования временным рядов. Эти модели определяют зависимость последующего значения от предыдущего. Зависимость в этом случае предполагается линейная, т.е. прогноз представляет собой сумму предыдущих значений с некоторыми коэффициентами. Для выполнения анализа при помощи ARIMA мы должны определить параметры, которые подсчитывают сезонность, тенденцию и шум в наборах данных. При исследовании было выполнено краткосрочного прогноза с помощью различных моделей, где не учитывались дополнительные параметры кроме значения загрязненности оксида углерода. В результате была построена авторегрессионная модель со среднеквадратическим отклонением 0.33, что является удовлетворительным результатом. Необходимо провести дополнительную регулирование параметров модели ARIMA для корректного определения коэффициентов модели и тем самым получения прогноза.
Методы нейросетевого моделирования в данный момент являются одними из наиболее перспективных. Одним из важных преимуществ искусственных является способность к обучению на основе текущей выборки, также это один из немногих подходов, который используем временные зависимости между образцами.
Для данного исследования были выбраны данные показаний оксида углерода с одного датчика. Данные, которые содержат тип вещества и координаты датчика, производящий измерение, являются категориальными данными и потребуется дальнейшее преобразование данных для их использования.
После нормализации данных, в качестве входных данных использовались предыдущее значение концентрации вещества, температура, скорость и направление ветра, влажность и давление, выходные - следующее значения концентрации вещества.
Для прогнозирования использовалась сеть long short-term memory (LSTM), которая хорошо приспособлена к обучению на задачах классификации, обработки и
прогнозирования временных рядов в случаях, когда временные периоды между событиями имеют различные разрывы.
Была определена LSTM-модель с 50 нейронами в скрытом слое и 1 выходным нейроном в выходном слое для прогнозирования загрязненности. Для определения эффективности исследуемой нейронной сети использовалась средняя абсолютная ошибка как функция потерь и adaptive moment estimation (adam) как метод оптимизации нейронной сети.
Для обучения модели было выполнено около 10000 эпох с 11000 итерациями, использую алгоритм обучения обратного распространения ошибки. На графике рисунка 1 показаны значения ошибок обучения и ошибку на обучающих данных.
012 -
0.L0-0.08 -а об -
0.04 ■
0.02 -
Рис. 1. Величина ошибки во время обучения сети
После обучения модели было проведено прогнозирование на тестовом наборе данных с последующей оценкой ошибки модели, как среднеквадратичную ошибку, 0.199.
Результаты моделирования показали, что использование выбранных методов позволяет достичь удовлетворительных результатов. Применение нейронных сетей позволяет построить наиболее точную прогностическую модель загрязнённости в атмосферном воздухе, что обеспечит составление прогнозов для своевременного реагирования и принятий необходимых решений.
Список литературы
1. Jason Brownlee. Multivariate Time Series Forecasting with LSTMs in Keras. [Электронный ресурс]. // 2017. Режим доступа: http://machinelearningmastery.com/ (дата обращения: 05.10.2018).
2. Плуготаренко Н.К., Варнавский А.Н. Применение нейронных сетей для построения модели прогнозирования состояния городской среды // Инженерный вестник Дона, 2012.
3. Чучуева И.А. Модели прогнозирования временных рядов, диссертация, канд. тех. наук // Московский государственный технический университет им. Н.Э. Баумана. Москва, 2012.
4. Аверин Е.Г., Федяев О.И. Анализ временных рядов показателей загрязнения атмосферного воздуха // Донецкий национальный технический университет, 2005.
5. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. 406 с.
6. Потылицына Е.Н., Липинский Л.В., Сугак Е.В. Использование искусственных нейронных сетей для решения прикладных экологических задач // Современные проблемы науки и образования. - 2013. - № 4.; URL: http://www.science-education.ru/ru/article/view?id=9779 (дата обращения: 02.10.2018).
7. Жумадилова М.Б., Жумадилова Ж.Б. Возможности использования информационных технологий в создании модели системы мониторинга // ЗНАНИЕ. ПОНИМАНИЕ. УМЕНИЕ 2014. -№1., 335-344 с. (дата обращения: 04.10.2018).
ТЕХНОЛОГИЯ ПОЛУЧЕНИЯ УТЕПЛИТЕЛЯ НА ОСНОВЕ ГРИБНОГО МИЦЕЛИЯ Голуб Н.Д.1, Сафончик Д.И.2
1 Голуб Наталья Дмитриевна - студент, 2Сафончик Дмитрий Иосифович - кандидат технических наук, доцент, заведующий кафедрой; кафедра строительного производства, Гродненский государственный университет им. Янки Купалы, г. Гродно, Республика Беларусь
Аннотация: в статье приведена информация о теплоизоляционном материале, в котором в качестве связующего использованы растительные компоненты - грибные мицелии. Материал относится к экологически безопасным, его отличительной особенностью является стабильность теплотехнических показателей и относительная простота изготовления. Материал не горюч.
В основу разработки положена идея американских студентов политехнического института Ренселлера (Эбен Байер и Гэвин Макинтайр), которые первыми предложили отказаться от традиционных вяжущих и использовать грибной мицелий при изготовлении теплоизоляционных материалов.
В статье описана принципиальная технология изготовления теплоизоляционного материала, в котором также как и в американской разработке, в качестве вяжущего использован мицелий грибов, но при этом описанная технология основана на собственных разработанных составах.
Ключевые слова: теплоизоляционные материалы, экологическая безопасность, споры грибов, технология, образец.
УДК 691.12
Анализ теплоизоляционных материалов показал, что их реальная номенклатура достаточно мала.
Наиболее распространенным теплоизоляционным материалом является минеральная вата, объем которой на рынке составляет около 60% от общего объема продаваемых утеплителей. Но при увлажнении всего на 2% у материала значительно повышается теплопроводность (на 8-10%). Сквозь волокнистую структуру может проникать ветер. Это влияет на область применения, долговечность материала и создает необходимость в дополнительной защите. Производство минеральной ваты сопровождается высокими энергетическими затратами (599-700 кДж/кг) и выбросами в окружающую среду пыли, золы и химических связующих (фенол, формальдегид), что говорит об экологической опасности этого вида утеплителя.
Еще одним распространенным теплоизоляционным материалом является пенополистирол, который представляет собой твердый плитный материал. Объем его выпуска составляет около 20% от общего числа теплоизоляционных материалов.
