CC BY
16
УДК 004.032.26
Б.Ф. Коньшин, В.С. Юсков
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРЕДУПРЕЖДЕНИЯ НАРУШЕНИЙ НОРМ ВЫБРОСОВ ВРЕДНЫХ ВЕЩЕСТВ С ПОМОЩЬЮ ПРОГНОЗИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ
Аннотация. Рассмотрена актуальность деятельности в области экологической безопасности. Описан механизм действий по обнаружению нарушений экологических норм по выбросам вредных веществ. Поставлена задача по повышению эффективности борьбы с превышением норм концентрации вредных веществ с помощью метода прогнозирования с использованием нейронной сети. Описана актуальность данной задачи. Представлен пример документов, содержащих входные данные, в том числе указаны необходимые для задачи. Приведены преимущества использования данного метода. Показана формула для проверки полученных данных на предмет эффективности работы метода. Приведены параметры, схема, настройка параметров обучения и структура выбранной нейронной сети. Рассмотрен один из вариантов интерпретации полученных данных. Дан вывод и оценка актуальности выполненной задачи.
Ключевые слова: экология, прогнозирование, экологические риски, нейронные сети, экологические нормы, вредные вещества, эффективность.
DOI: 10.25018/0236-1493-2019-01-0-105-111
Актуальность экологической безопасности, особенно в современном мире растет очень быстрыми темпами. Существует большое количество организаций, которые занимаются вопросами безопасности окружающей среды и предупреждения экологических рисков, в том числе — государственные и муниципальные. Разные виды деятельности в этом направлении способствуют привлечению внимания государства и граждан к экологической обстановке.
Существуют различные механизмы по выявлению превышения допустимых концентрации нежелательных веществ в окружающей среде, в том числе воздушном пространстве. В частности самыми распространенными являются замеры
воздушных слоев с помощью специальных приборов.
Поскольку на данный момент вся контрольно-надзорная деятельность осуществляется на базе обычного мониторинга, то соответственно, все нарушения фиксируются исключительно «по факту». Следовательно, меры по их предотвращению принимаются, только после фиксации нарушения [9].
По причине того, что в данной задаче предполагается прогнозировать нарушения норм выбросов, то деятельность в рамках задачи позволит выйти на новый уровень соблюдения международных норм по регулированию нарушений экологической безопасности. Это напрямую влияет на здоровье и безопасность граж-
ISSN 0236-1493. Горный информационно-аналитический бюллетень. 2019. № 1. С. 105-111. © Б.Ф. Коньшин, В.С. Юсков. 2019.
aimtmiMt hw« :w'
Рис. 1. Параметры документа, содержащего данные для анализа
Fig. 1. Parameters of a document containing data for the analysis
дан, а так же всей экосистемы города, в т.ч. флоры и фауны, жизненного цикла рек в черте города, а также безопасности почвы для жизни [8].
Таким образом, цель настоящей задачи заключается в разработке нового подхода, позволяющего повысить эффективность функционирования системы экологического мониторинга. Идея решения поставленной проблемы сводится к анализу параметров фактического состояния окружающей среды и разработке на его основе оперативного
прогноза по предотвращению нарушений норм экологической безопасности на базе использования современных методов искусственных нейросетевых технологий.
Форма документа, полученная от подразделения Росгидромет по мониторингу и замеру выбросов в воздухе в районе предприятий специального профиля, связанных с повышенной опасностью, для извлечения входных данных задачи, представлена на данной экранной форме. Передача осуществляется с помо-
Вещестио Свинец Бенз(а) ПИрвН Хром Формальдегид Ачота диоксвд 1 [инк Пыль Аммиак Диоксид серь) Желе-jo Хлор ' ил'10 1 хлорид Этил-бепюл
Ед. fuM- M&/M* мг/м1 JftvW мкг/м* «л«' мг/м1 мг/М> J«vV/V ли/лг мг(4Г И-Л " Л.1'
1999 ад 74 2,11 0,0225 4,7 0.025 0,0750 0.330 0.020 0.0020 0,43 0,030 0,045 5,25
20011 0,0137 2,И 0,0212 5,0 0,024 0,0725 0,250 0,01(1 0,0060 0,79 0,030 0,040 10,00
2001 0,0100 3,99 0,0200 8.0 0,035 0,0700 0,270 0.010 0.0040 1,15 (1.014 0.040 3,00
2002 0,0200 2,77 0,0 НИ) 6,0 0,041 0,0600 0,295 0.0М 0.0050 1,5! 0,008 0,045 2,00
2003 0,0100 3,66 0,0000 8.0 0,042 0,0500 0,265 0,021 0,0040 2,01 0,006 (),049 6.00
2004 0,0200 4,07 0,0100 5,5 0,038 0,0800 0.202 0.019 0.0020 4,53 0.002 0.050 11,00
2005 0,0200 3,33 0,0200 11,3 0,048 0.0700 0,228 0,024 0.0030 2,7! 0,001 0.050 14,00
2006 0.0200 3,40 0,0200 4,3 0,051 0,0800 0,198 0,017 0,0050 4,04 0,000 0,057 12,00
2007 0.0200 4.40 0,0200 5,0 0,060 0,0800 0.184 0.024 0,0040 3,51 0.000 0,074 19,00
2008 0,0400 4,10 0,0300 6,5 0,078 0.0700 0,193 0,015 0,0046 3,55 0,000 0,050 10,00
2009 0,0700 4.80 0,0200 9,4 0,062 0,0700 0,173 0.017 0,0037 3,55 0,000 0,048 12,00
2010 0,1200 5,00 0,0200 14,1 0,045 0,1000 0,1 0,032 0,0020 7,38 0.000 0,035 18,00
2011 0,17«) 4,20 0.0200 19.5 0.440 0,1000! 0,236 0,044 0.0025 4,78 0,000 0,026 17,00
Рис. 2. Замеры выбросов по годам
Fig. 2. Measurement of emissions per years
1 K v / \2 Е = —— У у (vpeaq - упрогн N - lJ У* }
Рис. 3. Формула среднеквадратичной ошибки
Fig. 3. Standard error formula
щью внутренней сети Росгидромет, документ имеет индексы электронной библиотеки а также отмечается в отчете по деятельности подразделения Росгидромет по мониторингу и замеру выбросов.
Из данного документа необходимы таблицы с замерами выбросов, пример которой представлен в таблице на рис. 2, из нее извлекаются и формируются входные кодификаторы для обучения нейронной сети, которые описаны далее [2].
Существующие модели и методики прогнозирования распространения загрязняющих веществ предполагают наличие сложных систем аналитических уравнений, описывающих динамику распространения примеси. Процессы распространения загрязнений имеют случайный характер, плохо воспроизводимы и обладают различными свойствами, что затрудняет аналитическое описание [8]. Учет особенностей процесса загрязнения атмосферы в условиях неполных метеоданных и данных об источниках загрязнения может быть достигнут путем применения нейросетевых моделей, получивших широкое распространение в различных областях [7].
Основным достоинством нейронных сетей является способность к обучению на основе имеющейся оперативной выборки. Кроме того, обученные нейронные сети можно обучать в будущем, используя постоянно поступающие фактические данные о загрязнении и метеоусловиях.
Для реализации задачи был выбран существующий метод прогнозирования цифр выбросов с помощью каскадной нейросети с прямым распространением сигнала [1].
Для определения эффективности нейронной сети используется среднеквадратичная ошибка, со средними по количеству выходными переменными текущей нейронной сети [2]. Расчет основан на прогнозируемых и реальных значениях выборки по формуле, приведенной на рис. 3 [8], где уиреал — значение /-ой выходной переменной нейронной сети для ./-го обучающего или тестового примера; у..прогн — прогнозируемое значение /-ой выходной переменной нейронной сети для /-го обучающего или тестового примера; N — количество примеров в обучающей или тестовой выборке; К — количество выходных переменных нейронной
Рис. 4. Структура используемой нейросети
Fig. 4. Selected neural network structure
Ошибка мала
База данных — Выбор примера — Обучение ИИС Расчет ошибки Обученная ИНС
i
Подстройка
весов сети Ошибка велика
Рис. 5. Процесс обучения НС
Fig. 5. Neural network learning process
сети. Структура нейронной сети для прогнозирования распределения диоксида азота, включает данные входные параметры: U — скорость ветра, м/с; W — направление ветра , град.; T — температура воздуха , °С; Ср — концентрация загрязнителя, рассчитанная по программе «Эколог-город», мг/м; i, j — координаты точек; С — концентрация загрязнителя, рассчитанная по нейросетевой модели, мг/м3;
Структура каскадной сети с прямым распространением сигнала и обратным распространением ошибки приведна на рис. 4 [2].
На рис. 5 приведена схема обучения нейронной сети.
Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. Следует от-
метить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.
Каскадная нейронная сеть прямого распространения аналогична сети с прямым распространением сигнала и обратным распространением ошибки, но включает в себя соединение входных данных со слоем, выдающим результирующие значения.
Важный факт состоит в том, что в используемом программном пакете для реализации задачи — Deductor, при настройке сети после импорта данных, настройка весов сети требует минимального вмешательства ЛПР, так как при обработке статистической информации с явной тенденцией изменения данных, сеть намного быстрее выдает прогнозные значения, которые можно считать достаточно точными.
Рис. 6. Форма настройки обучения сети
Fig. 6. Setting of neural network learning
Концентрация загрязнителя, рассчитанная по нейросетевой модели | Су
Рис. 7. Нейронная сеть с параметрами
Fig. 7. Neural network with parameters
Ж
► .
. . J
Рис. 8. Нанесение прогнозных данных на карту
Fig. 8. Prediction data mapping
На рис. 7 приведена нейронная сеть с описанием всех ее параметров [2].
Пример визуализации прогноза с заданными параметрами приведен на рис. 8. Данная операция нужна для определения динамики распространения загрязнения, а также определения очага [2].
Тем самым, получив прогнозные цифры и нанеся их на карту местности вокруг предприятия (там же, где и были проведены замеры, соответственно), которое относится к предприятиям, представляющим экологический риск, возможно отслеживать ореол распространения и концентрацию веществ, представляющих опасность для экологической обстановки черты местности. Таким образом, применение нейронных сетей позволя-
ет построить прогностическую модель распределения загрязнителей в атмосферном воздухе при учете различных метеорологических условий и вклада промышленных предприятий в загрязнение воздушного бассейна города, что дает возможность своевременного реагирования и принятия управленческих решений.
Ключевой возможностью, которая предоставляется данной задачей, является своевременное реагирование на динамику повышения или же расширения границ выбросов вредных веществ, что по сути является одной из самых важных задач, определяющих деятельность департамента «Росгидромет» в области охраны здоровья граждан, а также окружающей среды.
СПИСОК ЛИТЕРАТУРЫ
1. Чижова В. И., Плуготаренко Н.К., Сосов П.А. Системный анализ и управление рисками для здоровья человека на основании данных автоматизированной системы мониторинга // Инженерный вестник Дона. — 2012. — № 4. — С. 1—4.
2. Савицкая Т. В., Дударов С. П., Егоров А. Ф., Левушкин А. С. Использование искусственных нейронных сетей для прогнозирования загрязнения атмосферного воздуха аварийными источниками при изменяющихся метеоусловиях // Экологические системы и приборы. —
2007. — № 10. — С. 67—72.
3. Степановских А.С. Экология. Учебник для вузов. — М.: ЮНИТИ-ДАНА, 2001. — 703 с.
4. Гредел Т. Е., Алленби Б. Р. Промышленная экология. — М.: Изд-во ЮНИТИ, 2004. — 430 с.
5. Денисов В. В., Курбатова А. С., Денисова И.А., Бондаренко В.Л., Грачев В.А., Гуте-нев В.А., Нагнибеда Б.А. Экология города. — М.: ИКЦ «Март», 2008. — 832 с.
6. Иванов Н., Фадин И. Инженерная экология и экологический менеджмент. — М.: Логос, 2003. — 528 с.
7. Мазуркин П. Статистическая экология: Учебное пособие. — Йошкар-Ола: МарГУ, 2004. — 308 с.
8. Тихомирова Н. П. Методы анализа и управления эколого-экономическими рисками: Учебное пособие. — М.: Изд-во ЮНИТИ, 2003. — 350 с.
9. Хотунцев Ю. Экология и экологическая безопасность: Учебное пособие. — М.: Академия, 2004. — 480 с.
10. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика, изд. 2-е, стер. — М.: Горячая линия—Телеком, 2002. — 382 с.
11. Тархов Д.А. Нейронные сети. Модели и алгоритмы. — М.: Книга 18. Радиотехника, 2005. — 256 c.
12. Куликов Е.И. Прикладной статистический анализ. 2-е изд., перераб. и доп. — М.: ГЛТ,
2008. — 464 с. ЕШ
КОРОТКО ОБ АВТОРАХ
Коньшин Борис Федорович1 — кандидат технических наук, доцент, e-mail: mineur@bk.ru, Юсков Виталий Сергеевич1 — студент, e-mail: v.yuskov@gmail.com, 1 НИТУ «МИСиС».
ISSN 0236-1493. Gornyy informatsionno-analiticheskiy byulleten'. 2019. No. 1, pp. 105-111.
Improvement of efficiency in violation control of harmful emission standards by means of prediction using artificial neural network
Kon'shin B.F.1, Candidate of Technical Sciences, Assistant Professor, e-mail: mineur@bk.ru, Yuskov V.S.1, Student, e-mail: v.yuskov@gmail.com, 1 National University of Science and Technology «MISiS», 119049, Moscow, Russia.
Abstract. The article focuses on urgency of activities in the area of ecological safety. The mechanism of detecting violations of ecological standards in harmful emission is described. The object is set to improve efficiency of toxic emission concentration control by means of prediction using neural networks. The current nature of the objective is justified. The documents with the required source data for reaching the set objective are presented. The advantages of this approach are described. The formula is given for checking the data in order that the proposed method is efficient. The parameters, scheme, setting if learning parameters and the structure of the selected neural network are presented. A variant of interpreting the obtained data is discussed. The conclusion on the relevance of the objective is drawn.
Key words: ecology, prediction, ecological risks, neural networks, environmental standards, harmful substances, efficiency.
DOI: 10.25018/0236-1493-2019-01-0-105-111
REFERENCES
1. Chizhova V. I., Plugotarenko N. K., Sosov P. A. Sistemnyy analiz i upravlenie riskami dlya zdorov'ya cheloveka na osnovanii dannykh avtomatizirovannoy sistemy monitoringa [System analysis and risk management for human health on the basis of automated monitoring system data], Inzhenernyy vestnik Dona. 2012, no 4, pp. 1-4. [In Russ].
2. Savitskaya T. V., Dudarov S. P., Egorov A. F., Levushkin A. S. Ispol'zovanie iskusstvennykh neyronnykh setey dlya prognozirovaniya zagryazneniya atmosfernogo vozdukha avariynymi istochnikami pri izmenyayush-chikhsya meteousloviyakh [The use of artificial neural networks to predict air pollution by emergency sources under changing weather conditions], Ekologicheskie sistemy i pribory. 2007, no 10, pp. 67—72. [In Russ].
3. Stepanovskikh A. S. Ekologiya. Uchebnik dlya vuzov [Ecology. Textbook for high schools], Moscow, YUNITI-DANA, 2001, 703 p.
4. Gredel T. E., Allenbi B. R. Promyshlennaya ekologiya [Industrial ecology], Moscow, Izd-vo YUNITI, 2004, 430 p.
5. Denisov V. V., Kurbatova A. S., Denisova I. A., Bondarenko V. L., Grachev V. A., Gutenev V. A., Nagnibe-da B. A. Ekologiya goroda [City ecology], Moscow, IKTS «Mart», 2008, 832 p.
6. Ivanov N., Fadin I. Inzhenernaya ekologiya i ekologicheskiy menedzhment [Engineering ecology and environmental management], Moscow, Logos, 2003, 528 p.
7. Mazurkin P. Statisticheskaya ekologiya: Uchebnoe posobie [Statistical ecology: Educational aid], Yosh-kar-Ola, MarGU, 2004, 308 p.
8. Tikhomirova N. P. Metody analiza i upravleniya ekologo-ekonomicheskimi riskami: Uchebnoe posobie [Methods of analysis and management of environmental and economic risks: Educational aid], Moscow, Izd-vo YUNITI, 2003, 350 p.
9. Khotuntsev Yu. Ekologiya i ekologicheskaya bezopasnost': Uchebnoe posobie [Ecology and environmental safety: Educational aid], Moscow, Akademiya, 2004, 480 p.
10. Kruglov V. V., Borisov V. V. Iskusstvennye neyronnye seti. Teoriya i praktika, izd. 2-e [Artificial neural network. Theory and practice, 2nd edition], Moscow, Goryachaya liniya—Telekom, 2002, 382 p.
11. Tarkhov D. A. Neyronnye seti. Modeli i algoritmy [Neural network. Models and algorithms], Moscow, Kniga 18. Radiotekhnika, 2005, 256 p.
12. Kulikov E. I. Prikladnoy statisticheskiy analiz. 2-e izd. [Applied statistical analysis, 2nd edition], Moscow, GLT, 2008, 464 p.
A
