CC BY
7УДК 004.05+004.032.2
ОРГАНИЗАЦИЯ ИНФОРМАЦИОННОГО ПРОЦЕССА ЛОКАЛЬНОГО КОНТРОЛЯ ПОЛЛЮТАНТОВ АВТОТРАНСПОРТА С ЭЛЕМЕНТАМИ ЦИФРОВИЗАЦИИ
В.Н. Ложкин, доктор технических наук, профессор, заслуженный деятель науки Российской Федерации. Санкт-Петербургский университет ГПС МЧС России
Предложен оригинальный информационный процесс численного мониторинга эмиссии поллютантов автотранспорта на пересечении оживленных городских автомагистралей с контролем интенсивности потока цифровой камерой. Экспериментально-расчетным прогнозным исследованием по модели рассеяния поллютантов в зоне перекрестка при аномально неблагоприятных метеорологических факторах (полный штиль в сочетании с приземной инверсией температуры) показано, что превышение ПДКМр концентрации СО может достигать значения в 1,9 раза, NO2 - в 12,2 раза, СН - в 1,7 раза, сажи (частиц PM2,5) - в 5,4 раза.
Ключевые слова: информационный процесс, цифровизация, автотранспорт, перекресток, поллютанты, модель рассеяния
ORGANIZATION OF THE INFORMATION PROCESS OF LOCAL CONTROL OF MOTOR TRANSPORT POLLUTANTS WITH DIGITALIZATION ELEMENTS
V.N. Lozhkin. Saint-Petersburg university of State fire service of EMERCOM of Russia
An original information process is proposed for the numerical monitoring of the emission of pollutants from vehicles at the intersection of busy city highways with the control of the flow rate by a digital camera. Experimental and computational predictive research, according to the model of pollutants scattering in the intersection zone under abnormally unfavorable meteorological factors (complete calm combined with surface temperature inversion), showed that the excess of the MACma concentration of CO can reach 1,9 times, NO2 - 12,2 times, CH - 1,7 times, soot (PM2,5 particles) - 5,4 times.
Keywords: information process, digitalization, road transport, crossroads, pollutants, scattering model
Введение. Состояние проблемы
Применение в исследовательских целях цифровых камер (рис. 1) и многофункциональных систем [1] контроля движущихся в городском потоке транспортных средств (АТС) в интеграции с электронными процессорными инструментами искусственного интеллекта [1, 2] в едином информационном процессе мониторинга грузовых и пассажирских перевозок [3], дорожной и экологической безопасности [4] завоевывает все большее признание в информационных системах городского транспортного планирования и моделирования [5].
74
Рис. 1. Фильмирование движения АТС цифровой камерой на пересечении ул. Софийская и пр. Слава в Санкт-Петербурге, 25 июня 2021 г., 16.00-16.20
Вопросы обеспечения устойчивости жизнедеятельности в связи с наблюдаемыми проблемами глобальной энергетики, изменения климата и ухудшения здоровья городского населения должны решаться на междисциплинарной основе [6], прежде всего, путем экологической модернизации городской транспортной инфраструктуры и мониторинга ее состояния инструментально-расчетными методами [4, 7].
В статье предложен оригинальный информационный процесс численного мониторинга эмиссии поллютантов автотранспорта с элементами цифровизации информации об интенсивности транспортных потоков, апробированный в виртуальном исследовательском прогнозе ожидаемого загрязнения атмосферного воздуха в районе пересечения оживленных городских автомагистралей Санкт-Петербурга для вероятной чрезвычайной ситуации (ЧС) сочетания аномально-неблагоприятных метеорологических (штиль, приземная температурная инверсия) и транспортных (часы пик) факторов [4].
Методология информационного процесса: физические модели и расчетные уравнения
Силы экстренного реагирования МЧС России обязаны информировать население об аномальных метеорологических явлениях и порождаемых ими ЧС сверх нормативного загрязнения городской воздушной среды поллютантами автомобилей в периоды высокой транспортной нагрузки на улично-дорожной сети (УДС) [4]. Для осуществления превентивных мероприятий, предупреждающих и ослабляющих опасные для населения ЧС, необходима организация информационного процесса их прогнозирования.
В информационном процессе прогнозирования санитарно-гигиенической опасности таких специфичных ЧС предлагается использовать отечественный информационный подход, основанный на разработанной с участием автора и внедренной в Санкт-Петербурге в 2019 г. методике [8], позволяющей цифровую информацию о структуре и интенсивности транспортных потоков преобразовывать расчетным путем в информацию ожидаемого превышения расчетных значений концентраций поллютантов, соответствующих им величин ПДКМР (время экспозиции 20 мин) на конкретном элементе городской УДС [4].
Модель основана на учете реального характера эксплуатации АТС в условиях городского движения на элементе УДС, включающем перекресток.
Он характеризуется тем, что условно первая часть АТС движется по разрешающему сигналу светофора, непрерывно разгоняясь и притормаживая, преодолевая исследуемый элемент УДС с некоторой средней скоростью, соответствующей сложившимся дорожным условиям. Условно вторая часть АТС, преодолевая тот же исследуемый элемент УДС, эксплуатируется согласно с методикой [8] на трех режимах:
- затормаживания по желтому сигналу светофора до полной остановки;
- ожидания разрешающего сигнала светофора (или ожидания проезда АТС, имеющих преимущества на движение). При этом двигатель внутреннего сгорания (ДВС) работает на холостых ходах без внешней нагрузки;
75
- разгона при покидании АТС перекрестка.
Массовую скорость поступления за 20-минутный период /-го поллютанта от потоков АТС, условно относимых к первой части М I г/с, в исследуемый воздушный бассейн, ограниченный длиной L, км [8] и стилизованный геометрической формой параллелепипеда (длиной I = , м; шириной b, м, определяемой расстоянием между прилегающими
к магистрали зданиями; высотой h, м, определяемой высотой прилегающих к магистрали зданий), вычисляется согласно методике [8] по выражению:
МЬ =— Y^Mk i-Gk-rVtr., 1 1200 K>1 " k,i'
где М£ i - коэффициент эмиссии /-го поллютанта к категории, г/км, берется из методики [8]; к - число категорий автомобилей: I - легковые автомобили; II - микроавтобусы и автофургоны с массой до 3,5 т; III - грузовые массой от 3,5 до 12 т; IV - грузовые массой свыше 12 т; V - автобусы массой свыше 3,5 т; G k - реальная максимальная интенсивность движения, то есть число АТС каждой из к категорий, преодолевающих элемент УДС, через некое модельно фиксированное (условное) сечение в оговоренный учетный интервал реального времени (по условию - соответствует часам «пик» в течение суток) по всем полосам движения; - корректирующий коэффициент, который учитывает среднюю
скорость передвижения потока АТС (км/ч) в выбранном направлении; определяется по методике [8].
Массовая скорость поступления /-го поллютанта за тот же 20-минутный период в тот же исследуемый воздушный бассейн от АТС, условно относимых ко второй части Мщ г/сек., вычисляется согласно методике [8] по выражению:
Mä,=£ «'K-Gk,.),
где P (мин) - интервал действия сигналов светофоров, запрещающих движение АТС (в том числе желтый сигнал); - количество циклов включения действия сигналов светофоров, запрещающих движение АТС за 20-минутный временной период; - число групп АТС, относимых ко второй части; Мщ (г/мин) - коэффициент эмиссии /-го поллютанта к категории АТС, относимых ко второй части АТС, согласно методике [8];
- количество АТС, относимых ко второй части и пребывающих в области перекрестка к завершению n-го цикла, запрещающего движение сигнала светофора.
Значения Мщ берутся из методики [8]. Они учитывают режимы эксплуатации на перекрестке двигателей АТС, относимых ко второй части АТС, а именно - торможение при подъезде к перекрестку при включении запрещающего движение сигнала светофора; холостые хода - при нахождении АТС в «очереди» перед светофором; разгон - при убытии АТС с перекрестка после включения разрешающего движение сигнала светофора.
Очевидно, что суммарная интенсивность поступления /-го поллютанта в исследуемый воздушный бассейн на перекрестке за 20-минутный период от АТС, условно относимых к первой и второй частям транспортных потоков одновременно, должна вычисляться, согласно методике [8], по выражению:
м^М^ + МЩ..
76
Результаты апробации информационного процесса мониторинга чрезвычайно опасного загрязнения атмосферы поллютантами на пересечении оживленных автомагистралей
в часы пик
В качестве физического объекта апробации информационного процесса было взято, репрезентативное к тенденциям современного инфраструктурного обустройства систем мониторинга движения АТС на перекрестках крупнейших городов мира [1], пересечение автомагистралей пр. Славы и ул. Софийская (рис. 2) Санкт-Петербурга (Россия). Фото объекта натурных обследований перекрестка показано на рис. 3.
Рис. 2. Схематическое изображение размещения элементов цифровой видео фиксации (отмечены черным цветом) структуры и интенсивности движения АТС на перекрестке пр. Славы и ул. Софийской (в направлении к Южному шоссе)
Рис. 3. Фото объекта натурных обследований (ул. Софийская; этажность прилегающих зданий - 3-16 этажей;
ширина проезжей части (м) - 12; количество полос движения в каждом направлении - 4
Параметры структуры и интенсивности движения для ранее указанных категорий АТС определялись обработкой результатов натурных обследований (фильмирования) цифровой камерой (рис. 1) по методике [8]. Результаты натурных обследований структуры и интенсивности движущихся АТС представлены в полевом журнале, оформленном по методике [8] (табл. 1).
Таблица 1. Структура и интенсивность движения АТС на пересечении ул. Софийской и пр. Славы (Санкт-Петербург, 25 июня 2021 г., 16.00-16.20)
Дата Время Число автомобилей по категориям
легковые микроавтобусы и автофургоны до 3,5 т грузовые от 3,5 до 12 т грузовые свыше 12 т автобусы свыше 3,5 т средняя скорость движения потока, км/ч
легковые грузовые автобусы
25.05.21 16.0016.20 503 88 16 13 9 60 40 40
Расчеты загрязнения воздушной среды в исследуемом воздушном бассейне на перекрестке за 20-минутный период от АТС выполнялись в соответствии с методикой [8] для следующих поллютантов, поступающих в атмосферу с отработавшими газами двигателей АТС:
- оксид углерода (СО), код 0337;
- сумма оксидов азота NOx (в пересчете на диоксид азота), код 0301;
- углеводороды (СН);
- сажа, код 0328;
- диоксид серы ^О2), код 0330;
77
- формальдегид (СН2О), код 1325;
- бенз(а)пирен (С20Н12), код 0703.
С целью учёта метаболизма оксида азота в атмосфере и большей опасности диоксида азота, в сравнении с другими окислами азота отработавших газов, сумма окислов азота пересчитывалась на диоксид азота. В расчетах для бензиновых легковых автомобилей, автофургонов и микроавтобусов (группы I, II) применялась ПДКМР по бензину (код 2704); для грузовых автомобилей и автобусов (группы III, IV, V) - ориентировочно безопасный уровень воздействия (ОБУВ) по керосину (код 2732) [8].
Рассчитанные по разработанной методике значения интенсивности выбросов поллютантов М^ АТС на обследуемом перекрестке за 20-минутный период наблюдений представлены в табл. 2.
Таблица 2. Результаты расчета массовой скорости поступления поллютантов от АТС в атмосферу за 20-минутный период наблюдений
Интенсивность выброса поллютантов Мг/сек.
ТО NOx (в пересчете на NO2) Ш Сажа SO2 Формальдегид Бенз(а)пирен
0,999 0,509 0,174 0,084 0,223 10-2 0,942 10-3 0,656 10-6
Как ранее было отмечено, виртуальный прогноз ожидаемого загрязнения атмосферного воздуха проводится в пределах исследуемого локального воздушного бассейна в форме параллелепипеда, гипотетически «встраиваемого» в границы, прилегающих к ул. Софийской зданий с размерами: длина I = 2 50 м, ширина Ъ = 50 м, I = 2 50 м, Л = 1 0 м.
Допускаем, что в условиях вероятной для региона Санкт-Петербурга [4] локальной аномально-неблагоприятной метеорологической ситуации (АНМС - сочетание полного отсутствия ветровой нагрузки и приземной инверсии температуры) - процесс накапливания массы поллютантов в границах исследуемого локального воздушного бассейна будет происходить в течение 20 мин. (то есть, в интервале времени, соответствующем времени проведения натурного эксперимента); а в последующие 20 мин - масса поллютантов, будет сохраняться неизменной за счет компенсации притока поллютантов их оттоком конвективной диффузией за пределы исследуемого воздушного бассейна. Иными словами, допускаем процесс миграции поллютантов в районе перекрестка в период АНМУ квазистационарным, установившимся во времени.
Для таких специфичных (чрезвычайных) условий (АНМУ) становится возможным рассчитать ожидаемые значения аномальных концентраций поллютантов методами, изложенными в нормативном документе [7]. Результаты расчетов значений ожидаемых концентраций поллютантов в сравнении со значениями предельно допустимых максимальных разовых концентраций (в долях ПДКМР) или со значениями ориентировочно безопасного уровня воздействия (в долях ОБУВ), приведены в табл. 3.
Таблица 3. Результаты расчета вероятно ожидаемых при АНМУ значений концентраций поллютантов и их превышения предельно допустимых величин
Параметр Расчетные значения концентраций ( С) и превышения норм
ТО Шх (в пересчете на Ш2) Ш Сажа ^2.5) SO2 Формальдегид Бенз(а)пирен
С, мг/м3 9,590 4,886 1,670 0,806 0,021 0,904 10-2 6,298 • 10-6
ПДКмр (ОБУВ), мг/м3 5 0,4 1 0,15 0,5 0,035 0,15 • 10-3
ОБУТГРа3 1,9 12,2 1,7 5.4 0,042 0,3 0,041
78
Вывод. Анализ данных табл. 3 показывает, что наибольших превышений норм на концентрации полютантов в окрестности автомагистралей при АНМУ в часы пик транспортного движения в Санкт-Петербурге следует ожидать по NOx (до 12,2 раза); затем, по убыванию: сажа - PM25 (до 5,4 раза); CO (до 1,9 раза); летучие CH (до 1,7 раза); формальдегид (до 0,3 раза); SO2 (до 0,042 раза); бенз(а)пирен (до 0,041 раза).
Заключение. Предложенный информационный процесс численного прогнозирования эмиссии поллютантов автотранспорта на пересечениях оживленных городских автомагистралей с контролем структуры и интенсивности транспортного потока цифровой камерой рекомендуется к использованию в качестве рабочего интеллектуального продукта («инструмента») для действующей системы мониторинга ЧС, требующей превентивных мер аварийного реагирования.
Литература
1. VOCORD Интеллектуальные транспортные системы. URL: https://www.vocord.ru/ products/vocord-traffic/ (дата обращения: 25.05.2021).
2. Liu L., Ouyang W., Wang X. [et al.]. Deep Learning for Generic Object Detection: A Survey. Int J Comput Vis 128, 261-318 (2020). URL: https://doi.org/10.1007/s11263-019-01247-4 (дата обращения: 25.05.2021).
3. Christos Katrakazas, Mohammed Quddus, Wen-Hua Chen, Lipika Deka Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions // Transportation Research Part C 60 (2015) 416-442. doi: 10.1016/j.trc.2015.09.011.
4. Lozhkin V., Gavkalyk B., Lozhkina O., Evtukov S., Ginzburg G. Monitoring of extreme air pollution on ring roads with PM2,5 soot particles considering their chemical composition (case study of Saint Petersburg) // Transportation Research Procedia. 2020. V. 50. Pp. 381-388.
5. Транспортное планирование и моделирование: сб. трудов V Междунар. науч.-практ. онлайн-конф. 16-17 апреля 2020 г. СПб.: Изд.-полиграф. компания «Коста», 2020. 184 с.
6. Arpad Horvath Convergence, accelerated: introducing Environmental Research: Infrastructure and Sustainability // Environ. Res.: Infrastruct. Sustain. 1 (2021).
7. Методы расчетов рассеивания выбросов вредных (загрязняющих) веществ в атмосферном воздухе (утв. приказом Минприроды России от 6 июня 2017 г. № 273; зарег. в Минюсте Рос. Федерации 10 авг. 2017 г., рег. № 47734). URL: http://docs.cntd.ru/document/456074826 (дата обращения: 24.08.2021).
8. Методика определения выбросов вредных (загрязняющих) веществ в атмосферный воздух от автотранспортных потоков, движущихся по автомагистралям Санкт-Петербурга (утв. распоряжением Комитета по природопользованию, охране окружающей среды и обеспечению экологической безопасности от 29 янв. 2019 г. № 33 -р). URL: https://www.gov.spb.ru/static/writable/ckeditor/uploads/2018/08/29...pdf (дата обращения: 24.08.2021).
References
1. VOCORD Intellektual'nye transportnye sistemy. URL: https://www.vocord.ru/ products/vocord-traffic/ (data obrashcheniya: 25.05.2021).
2. Liu L., Ouyang W., Wang X. [et al.]. Deep Learning for Generic Object Detection: A Survey. Int J Comput Vis 128, 261-318 (2020). URL: https://doi.org/10.1007/s11263-019-01247-4 (data obrashcheniya: 25.05.2021).
3. Christos Katrakazas, Mohammed Quddus, Wen-Hua Chen, Lipika Deka Real-time motion planning methods for autonomous on-road driving: State-of-the-art and future research directions // Transportation Research Part C 60 (2015) 416-442. doi: 10.1016/j.trc.2015.09.011.
4. Lozhkin V., Gavkalyk B., Lozhkina O., Evtukov S., Ginzburg G. Monitoring of extreme air pollution on ring roads with PM2,5 soot particles considering their chemical composition (case study of Saint Petersburg) // Transportation Research Procedia. 2020. V. 50. Pp. 381-388.
79
5. Transportnoe planirovanie i modelirovanie: sb. trudov V Mezhdunar. nauch.-prakt. onlajn-konf. 16-17 aprelya 2020 g. SPb.: Izd.-poligraf. kompaniya «Kosta», 2020. 184 s.
6. Arpad Horvath Convergence, accelerated: introducing Environmental Research: Infrastructure and Sustainability // Environ. Res.: Infrastruct. Sustain. 1 (2021).
7. Metody raschetov rasseivaniya vybrosov vrednyh (zagryaznyayushchih) veshchestv v atmosfernom vozduhe (utv. prikazom Minprirody Rossii ot 6 iyunya 2017 g. № 273; zareg. v Minyuste Ros. Federacii 10 avg. 2017 g., reg. № 47734). URL: http://docs.cntd.ru/document/456074826 (data obrashcheniya: 24.08.2021).
8. Metodika opredeleniya vybrosov vrednyh (zagryaznyayushchih) veshchestv v atmosfernyj vozduh ot avtotransportnyh potokov, dvizhushchihsya po avtomagistralyam Sankt-Peterburga (utv. rasporyazheniem Komiteta po prirodopol'zovaniyu, ohrane okruzhayushchej sredy i obespecheniyu ekologicheskoj bezopasnosti ot 29 yanv. 2019 g. № 33-r). URL: https://www.gov.spb.ru/static/writable/ckeditor/uploads/2018/08/29...pdf (data obrashcheniya: 24.08.2021).
80
