CC BY
31
Общая теория безопасности General security theory
УДК 614.8
Приложения общей теории безопасности к исследованию чрезвычайных ситуаций природного, техногенного и биолого-социального характера
ISSN 1996-8493
© Технологии гражданской безопасности, 2021
В.А. Акимов
Аннотация
Одной из основных научных проблем, решаемых ФГБУ ВНИИ ГОЧС (ФЦ) МЧС России в 2016-2021 годах, является проблема создания и совершенствования общей теории безопасности, научно-практических, методических и технологических основ создания и развития комплексной системы безопасности жизнедеятельности. За этот период созданы научные основы общей теории безопасности; определены объект, предмет, принципы и закономерности данной теории.
В статье показано использование научных основ общей теории безопасности к исследованию наиболее катастрофичных чрезвычайных ситуаций природного, техногенного и биолого-социального характера.
Ключевые слова: общая теория безопасности; исследование чрезвычайных ситуаций природного, техногенного и биолого-социального характера; наиболее катастрофичные чрезвычайные ситуации; методы статистической обработки данных, основанные на теореме Байеса; опасные гидрологические явления; опасные метеорологические явления; опасные геофизические явления; крупные природные пожары; радиационные и химические аварии; эпидемии.
General Safety Theory Applications to the Study of Natural, Man-Made and Biological-Social Emergencies
ISSN 1996-8493
© Civil Security Technology, 2021
V. Akimov
Abstract
One of the main scientific problems solved by the Federal State Budgetary Institution of the Emercom of Russia in 2016-2021 is the problem of creating and improving the general theory of safety, scientific, practical, methodological and technological foundations for the creation and development of an integrated life safety system. During this period, the scientific foundations of the general theory of security were created, the object, subject, principles and laws of this theory were determined.
This article shows the use of general safety theory scientific foundations in the study of the most catastrophic emergencies of natural, man-made and biological-social nature.
Key words: general safety theory; investigation of natural, man-made and biological-social emergencies; the most catastrophic emergencies; methods of statistical data processing based on Bayes' theorem; dangerous hydrological phenomena; dangerous meteorological phenomena; dangerous geophysical phenomena; large natural fires; radiation and chemical accidents; epidemics.
04.10.2021
Концепцией развития ФГБУ ВНИИ ГОЧС (ФЦ) МЧС России на 2016-2021 годы одной из основных научно-практических проблем, решаемых институтом, была определена проблема развития научных основ и методов обеспечения комплексной безопасности жизнедеятельности личности, общества и государства, в том числе: создание и совершенствование общей теории безопасности [1].
За этот период учеными института были созданы научные основы общей теории безопасности, определены объект, предмет, принципы и закономерности данной теории [2-4]. Исследованию чрезвычайных ситуаций (ЧС) природного и техногенного характера посвящены фундаментальные труды сотрудников РАН и МЧС России в рамках многотомной серии «Безопасность России. Правовые, социально-экономические и научно-технические аспекты» [5-8].
Анализ статистических данных о ЧС, произошедших с 2010 по 2019 год [9], позволил проранжировать ЧС природного и техногенного характера по степени их катастрофичности [10, 11].
Катастрофичность ЧС биолого-социального характера, произошедших на территории Российской Федерации в 2010-2019 годах, была значительно ниже катастрофичности ЧС природного и техногенного характера. 2020 год внес значительные изменения в статистику ЧС. В результате эпидемии распространения коронавирусной инфекции COVID-19 в Российской Федерации в 2020 году количество заражений составило 3 159 297, а число погибших — 57 019 человек, что значительно превышает катастрофичность от самой масштабной ЧС природного и техногенного характера за последние десять лет [12].
Учитывая катастрофичность землетрясений, радиационных и химических аварий в случае их реализации, целесообразно включить их в перечень наиболее катастрофичных ЧС на территории России.
Таким образом, по степени катастрофичности в Российской Федерации можно выделить следующие ЧС природного, техногенного и биолого-социального характера:
1) опасные гидрологические явления (наводнение, лавина);
2) опасные метеорологические явления (сильные снегопад и ветер);
3) опасные геофизические явления (землетрясение);
4) крупные природные пожары;
5) ДТП с тяжкими последствиями;
6) авиационные катастрофы;
7) взрывы в зданиях и сооружениях;
8) радиационные аварии;
9) химические аварии;
10) эпидемии.
Опасные гидрологические явления (наводнение,лавина)
Под «наводнением» понимается резкое повышение уровня воды в реке, водоеме, водохранилище, море (или его части), приводящее к затоплению значительных
участков суши и наносящее материальный ущерб [13]. Наводнения вызываются различными причинами. В гидрологии рассматриваются половодья и паводки, вызванные атмосферными осадками. Для большей части территории России характерно весеннее половодье, вызванное таянием снежного покрова, накопившегося в холодный зимний период.
Для значительной части территории РФ существенна угроза наводнений в результате заторных и зажор-ных явлений. Ледовым затором называется скопление крупно- и мелкобитого льда в руслах рек, стесняющее (уменьшающее) живое сечение реки и приводящее к повышению уровня воды на вышерасположенном участке и затоплению прилегающих территорий. Заторы образуются в период весеннего половодья при вскрытии рек. Опасное воздействие затора льда заключается как в затоплении территорий, так и создании ледовых нагрузок на здания и сооружения.
Зажор льда — сходное с затором льда явление, представляющее собой скопление шуги в русле реки, сопровождающееся забивкой некоторой части ее живого сечения и связанным с этим повышением уровня воды выше образовавшегося скопления.
Заблаговременное прогнозирование места и максимального подъема уровня воды от затора позволяет значительно уменьшить убытки от этих явлений путем принятия соответствующих мер по подготовке к борьбе с ними. В общем случае заторов нельзя избежать, их можно лишь несколько ослабить или переместить на другое место.
Прогнозирование стока основано на построении двух моделей, одна из которых моделирует речной поток в реальном времени, а другая прогнозирует, как сток и высота поверхности воды будут меняться в будущем. Эти две имитационные модели проиллюстрированы на рис. 1.
В оперативной части системы моделирования с полевых станций поступают непрерывные данные о граничных условиях (англ. ЬоиМагу-соМШоМа1а), что позволяет рассчитать нестационарный поток с течением времени и сгенерировать карту рельефа поверхности ступени до настоящего времени (см. рис. 1Ь).
На рис. представлен принцип прогностического моделирования нестационарного потока. Моделирование прогноза начинается в режиме реального времени. Далее производится экстраполяция граничных данных в будущее. Очевидно, что качество моделирования прогноза зависит от точности, с которой могут быть спроецированы данные о граничных условиях. Несмотря на то, что рассчитанные результаты для этой области имеют место в будущем времени, согласно принципу метода характеристик они зависят только от исходных значений на текущее время. Поэтому на ранней стадии моделирования прогнозируемый профиль поверхности вдоль канала в основном состоит из части, не подверженной будущему воздействию, с двумя небольшими частями (см. рис. 1с), на которые незначительно влияет фактор неопределенности в будущем. Если экстраполированные граничные значения можно предсказать с высокой уверенностью (см. рис. Ы), то мы можем
Рис. 1. Разработка прогноза стадий реки с течением времени для одного участка (при условии отсутствия рукавов, стоков или нерегулярной геометрии, которые могли бы вызвать резкие изменения или перерывы в стоке)
добавить к прогнозу область высокой вероятности точности прогноза.
Описанная модель позволяет получить достаточно надежный прогноз на несколько часов вперед. Для увеличения времени прогнозирования было разработано несколько специальных методик, в основном с применением методов стохастического моделирования. Например, для верхнего течения, где влияние приливов обычно отсутствует, разрабатывается модель дождевого стока, которая соотносит скорость выпадения осадков на возвышенностях со скоростью изменения уровня реки в пограничной точке русла. Для нижнего течения реки разрабатывается модель тайфуна — дождевого стока; в этом случае ключевые параметры о приближающемся тайфуне, такие как: расположение его центра, радиус и максимальная скорость ветра вблизи центра, соотносятся с параметрами ожидаемых осадков на возвышенностях. Данные о приливах могут быть расширены с помощью стохастической модели штормового нагона, если ожидается, что штормовой нагон будет значительным, в результате чего будут получены композитные данные о граничных стадиях. При использовании этих методов время прогнозирования может быть увеличено до 24 часов [14].
Из большого числа существующих в мире математических моделей формирования стока и динамики русло-пойменных потоков, наиболее распространенной в отечественной практике является модель ЭКОМАГ [15].
Для удобства проведения расчетов в ИВП РАН разработана компьютерная технология Информационно-моделирующего комплекса ИМК ЭКОМАГ. Комплекс включает расчетный модуль физико-математической модели ЭКОМАГ и средства информационной и технологической поддержки работы этого модуля: тематические цифровые электронные карты; технологию автоматизированного разбиения водосборной площади на элементарные водосборы и схематизации речной
сети; базы данных характеристик подстилающей поверхности; базы данных гидрометеорологической и водохозяйственной информации; средства управления базами данных и геоинформационной обработки пространственной информации и управляющую оболочку. Имеющиеся в ИМК информационные ресурсы по объему и пространственному покрытию территории России достаточны для построения региональных гидрологических моделей и проведения расчетов для любых крупных речных бассейнов России.
Опасные метеорологические явления (сильные снегопад и ветер)
За последние десятилетия мировое метеорологическое сообщество достигло значительных успехов в развитии технологий численного прогноза погоды. Сегодня, например, прогнозы на трое суток для приземного давления настолько же успешны, как прогнозы на сутки 20 лет назад. Тем не менее, полностью избавиться от ошибок в прогнозах погоды невозможно. Причин тому несколько [16].
1) Неполнота и неточность наших знаний о текущем состоянии атмосферы. Чтобы прогнозировать погоду, надо прежде всего знать, что происходит в атмосфере сейчас, в начальный момент времени. Данные гидрометеорологических наблюдений—«сырье» для расчета прогноза погоды. Чтобы подготовить прогноз на пару дней вперед, надо иметь данные о фактической погоде на территории с масштабами нескольких тысяч километров. А прогноз на неделю и далее требует уже информации о том, что происходит с погодой на всем земном шаре. При долгосрочном прогнозе приходится рассматривать практически всю климатическую систему, в которую входят атмосфера, океан и верхний слой суши. Текущее состояние атмосферы мы всегда знаем лишь приближенно, так как наши наблюдения за атмосферой являются неполными и неточными — наблюдательная
сеть достаточно редка и данные наблюдений содержат ошибки. Обширные области планеты (океаны, высокие и тропические широты) остаются слабоосвещенными данными наблюдений. На территории нашей страны плотность и оснащенность наблюдательной сети также оставляют желать лучшего. Можно повышать плотность сети и уменьшать погрешности измерений, но не бесконечно — возможности такой детализации ограничены, поэтому наше знание текущего состояния атмосферы никогда не будет полным.
2) Несовершенство используемых прогностических методов и моделей. Основным прогностическим инструментом сегодня становятся численные модели атмосферы — они успешно воспроизводят многие свойства атмосферы и становятся все более совершенными. Прогностическая модель атмосферы — сложный программный комплекс (трудозатраты на разработку составляют сотни человеко-лет), который решает систему уравнений, описывающую эволюцию атмосферы, т. е. рассчитывает температуру, влажность, ветер и другие параметры на разных высотах в различных точках земного шара. В модели учитываются: процессы термогидродинамики, преобразований влаги, радиационно-облачные взаимодействия; сложные процессы в пограничном слое атмосферы и на границе с ее подстилающей поверхностью и т. д. Некоторые физические процессы в моделях не учитываются сознательно из-за того, что они меньше влияют на успешность прогноза. Другие огрубляются, т. к. их расчет требует больших вычислительных ресурсов (расчет прогнозов погоды — одна из самых «жадных» до компьютерных ресурсов задач, решаемых сегодня учеными). О третьих мы пока мало знаем. Среди влияющих факторов можно выделить более и менее важные, но, в конечном счете, учет множества «мелочей» рождает новое качество прогнозов. На сегодняшний день автоматизированные прогностические технологии не способны прогнозировать некоторые погодные явления. Это связано с тем, что многие явления погоды, включая опасные явления, имеют локальный характер и сложную природу образования, которую в настоящее время затруднительно описать формально для полной автоматизации прогноза с приемлемым уровнем успешности. По этой причине целый ряд явлений погоды (например, туманы, гололед и др.) прогнозируются в основном специалистами-синоптиками на местах, которые хорошо знают условия их образования и развития в конкретном регионе. Результаты модельных расчетов синоптики используют как основу для составления окончательных, «официальных» прогнозов погоды, предполагающих синтез опыта специалистов-прогнозистов и результатов различных прогностических технологий.
3) Проблема предсказуемости. Проблема предсказуемости стала осознаваться уже после первых численных экспериментов по моделированию эволюции атмосферы на долгие сроки. Еще в 50-х годах было показано, что сколь угодно малые погрешности задания начальных данных для расчета прогноза с течением времени трансформируются в большие ошибки. За пределами примерно двух недель ошибки
детализированного по дням модельного прогноза вырастают до уровня ошибок случайного прогноза. Так проявляются объективные (т.е. непреодолимые при любой квалификации прогнозистов) ограничения на возможность точно прогнозировать конкретный ход эволюции атмосферных процессов на достаточно длительных интервалах времени. Ограничение связано с тем, что начальные условия для расчета прогноза всегда содержат погрешности, и начальные ошибки имеют тенденцию расти в течение периода прогноза из-за неустойчивости атмосферных процессов («эффект бабочки»). Практическая предсказуемость атмосферы зависит от целого ряда факторов, в том числе и от структуры атмосферных течений (т.е. от текущей погодной ситуации); в некоторых случаях развитие погодных процессов хорошо «просматривается» на несколько суток вперед, а бывает, что и прогноз на завтра оказывается очень ненадежным. Все это не означает, что мы ничего не можем сказать о будущем атмосферы за пределами пары недель. Можем, но прогнозы на долгие сроки формулируются в другой форме и требования к ним иные. Как правило, для долгосрочных прогнозов используются вероятностная формулировка и представление результатов в терминах средних за период (например, месяц или сезон) величин. Формально ничего не стоит детализировать, например, прогноз на несколько недель вперед по суткам или даже по минутам, но эта «точность» будет дутой, т. е. не обеспеченной реальными возможностями современных прогностических технологий.
Качество прогнозов постепенно будет расти, будет расширяться период полезного прогноза, но ни у нас в стране, ни в других странах, ни через десять, ни через сто лет оно не будет идеальным — просто потому, что возможности и знания человека ограничены.
В прогнозы погоды общего назначения включается информация о следующих явлениях погоды: гроза, град, шквал, туман (мгла), гололед, изморозь, налипание мокрого снега на проводах и деревьях, метель, пыльная (песчаная) буря, гололедица, снежные заносы, заморозки, сильная жара, сильный мороз, аномально жаркая (холодная) погода [17].
Типовой перечень и критерии метеорологических опасных явлений, разработанный с учетом рекомендаций ВМО [18], приведен в таблице.
Опасные геофизические явления (землетрясение)
Землетрясение — это внезапное движение блоков литосферы Земли разного размера, которое генерирует сейсмические волны внутри Земли и сотрясает ее поверхность. Внезапность конкретного события, наряду со спорадическими, нерегулярными и редкими катастрофическими землетрясениями, и вызванные ими сотрясения поверхности Земли способствуют формированию общего представления о том, что землетрясения являются случайными, непредсказуемыми явлениями. Современные достижения сейсмологии доказывают, что в целом ряде аспектов это не так.
Таблица
Типовой перечень метеорологических ОЯ и их критерии
Наименование ОЯ Характеристика и критерий ОЯ
А.1 Очень сильный ветер Ветер с максимальной скоростью 25 м/с и более, на побережьях морей и в горных районах — 35 м/с и более
А.2 Ураганный ветер Ветер при достижении скорости 33 м/с и более
А.3 Шквал Резкое кратковременное (в течение нескольких минут, но не менее 1 мин) усиление ветра до 25 м/с и более
А.4 Смерч Сильный маломасштабный вихрь в виде столба (воронки), направленный от облака к подстилающей поверхности
А.5 Очень сильный дождь Дождь и приравненные к нему смешанные осадки с количеством 50 мм и более, в селеопасных горных районах — с количеством 30 мм и более за период времени не более 12 ч
А.6 Сильный ливень Сильный ливневый дождь с количеством выпавших осадков 30 мм и более за период не более 1 ч
А.7 Продолжительный сильный дождь Дождь с количеством осадков не менее 100 мм и более (в селеопасных горных районах — с количеством осадков 60 мм и более) за период времени 48 ч и менее или 120 мм и более за период времени более 48 ч
А.8 Очень сильный снег (снегопад) Снег (снегопад) с количеством 20 мм и более за период времени 12 ч и менее
А.9 Крупный град Град диаметром 20 мм и более
А.10 Сильная метель Перенос снега с подстилающей поверхности, часто сопровождаемый выпадением снега из облаков, сильным (со средней скоростью не менее 15 м/с) ветром и с метеорологической дальностью видимости не более 500 м, продолжительностью не менее 12 ч
А.11 Сильная пыльная (песчаная) буря Перенос пыли (песка) сильным (со средней скоростью не менее 15 м/с) ветром и с метеорологической дальностью видимости не более 500 м, продолжительностью не менее 12 ч
А.12 Сильный туман (сильная мгла) Сильное помутнение воздуха за счет скопления мельчайших частиц воды (пыли, продуктов горения), с метеорологической дальностью видимости не более 50 м, продолжительностью не менее 12 ч
А.13 Сильное голо-ледно-изморозевое отложение Диаметр отложения на проводах гололедного станка: гололеда - не менее 20 мм; сложного отложения или мокрого (замерзающего) снега - не менее 35 мм; изморози — не менее 50 мм
А.14 Сильный мороз В период с ноября по март значение минимальной температуры воздуха достигает установленного для данной территории опасного значения или ниже его
А.15 Сильная жара В период с мая по август значение максимальной температуры воздуха достигает установленного для данной территории или выше его
А.16 Аномально-холодная погода В период с октября по март в течение 5 дней и более значение среднесуточной температуры воздуха ниже климатической нормы на 7 °С и более
А.17 Аномально- жаркая погода В период с апреля по сентябрь в течение 5 дней и более значение среднесуточной температуры воздуха выше климатической нормы на 7 °С и более
А.18 Заморозок Понижение температуры воздуха и/или поверхности почвы (травостоя) до значений ниже 0°С на фоне положительных средних суточных температур воздуха в периоды активной вегетации сельскохозяйственных культур или уборки урожая, приводящее к их повреждению и/или частичной гибели урожая сельскохозяйственных культур
А.19 Чрезвычайная пожарная опасность Пятый класс показателя пожарной опасности (10 000 °С и более), рассчитанного формуле Нестерова)
А.20 Сход снежных лавин Сход крупных лавин, наносящих значительный ущерб хозяйственным объектам или создающих опасность населенным пунктам
Актуальность задач точной оценки сейсмической опасности и сейсмического риска в современных условиях определяется двумя факторами.
С одной стороны, опыт начала XXI столетия показывает, что наиболее разрушительные землетрясения часто происходят в областях существенной недооценки сейсмической опасности. Так, например, с момента публикации финальной карты Программы Глобальной Оценки Сейсмической Опасности (GSHAP) в 1999 году [19] эффект каждого из более 60 землетрясений с магнитудой от 7.5 баллов и выше был недооценен, причем в половине случаев вместо ожидаемых «легких» повреждений плохо построенных домов имели место «существенные», «значительные», или даже «тотальные» разрушения индустриально построенных сооружений, что суммарно определило невосполнимые потери — более 700 тысяч человек погибших [20].
С другой стороны, в большинстве зон, отнесенных на картах ОСР к опасным, сильные воздействия не наблюдались со времени составления карт и, возможно, не будут наблюдаться в течение многих десятков лет. Конечно, если речь идет о безопасности людей, об экологической безопасности, этот аргумент не должен быть определяющим при строительстве новых объектов или при укреплении старых. Это, очевидно, относится к 1Х-балльным зонам, в которых землетрясения могут приводить к обрушению зданий, или при строительстве атомных электростанций, плотин, хранилищ опасных отходов и т. д. Но в зонах умеренной опасности, в частности в VII и VШ-балльных зонах, возникает вопрос о целесообразности огромных затрат на сейсмостойкость зданий и сооружений.
Для сокращения экономических потерь от недооценки и переоценки сейсмической опасности необходимо развивать исследования по следующим основным направлениям:
1) совершенствование методов оценки сейсмического потенциала зон тектонических разломов (в современных условиях дополнительное внимание должно уделяться возможному изменению сейсмического потенциала в результате деятельности человека);
2) совершенствование методов определения возможного воздействия землетрясений на здания и сооружения в зависимости от структуры очага землетрясения (с привлечением информации о региональной системе разломов) и его спектрально-энергетических характеристик, от характера затухания сейсмических волн с расстоянием от источника, от локальных грунтовых условий;
3) постепенный переход от оценок сейсмической опасности, определяющих ожидаемую максимальную балльность или пиковое ускорение грунта в заданном интервале времени, к расчетам сейсмического риска, определяющим ожидаемые экономические потери от воздействия землетрясений. Такие расчеты позволят в конкретных случаях оптимизировать расходы на повышение сейсмостойкости зданий при строительстве, а также задействовать систему страхования от воздействия землетрясений.
Наиболее подходящим инструментом для расчетов по всем трем указанным направлениям является сценарный подход, который, в том числе, развивает подход к оценке сейсмических нагрузок по методике [21]. Под «сценарным подходом» авторы понимают многократное моделирование конкретных ожидаемых землетрясений, совокупность которых характеризует реальность. В частности, сейсмический потенциал какой-либо области при сценарном подходе представляется в виде синтетического каталога землетрясений, свойства которого совпадают со свойствами реального, а размер значительно больше и достаточен для статистически обоснованных оценок. Сценарный подход для расчета сейсмического эффекта состоит в построении синтетических сейсмограмм на основе детального моделирования очага потенциального землетрясения и затухания волн на пути до заданной точки. Для расчета сейсмического риска сценарный подход подразумевает: многократное моделирование конкретных сценариев землетрясений (момент, очаг, воздействие); оценки экономических потерь для конкретных объектов или групп объектов в каждом сценарии и построение на этой основе статистических оценок рисков.
Поражающими факторами при землетрясениях являются, прежде всего, механические воздействия колебаний земной поверхности и трещины. Само движение почвы крайне редко является причиной человеческих жертв. Главными причинами несчастных случаев и гибели людей являются вторичные факторы землетрясения: повреждение и разрушение зданий и сооружений; осыпания битых стекол, падение разорванных электропроводов; взрывы и пожары, связанные с утечкой газа из поврежденных труб, а также неконтролируемые действия людей, вызванные испугом и паникой.
К 1980-м годам литосфера Земли была признана сложной иерархически нелинейной самооргани-
зованной диссипативной системой с критическими фазовыми переходами через наиболее сильные землетрясения [22]. Успешное прогнозирование катастрофических землетрясений подразумевает последовательное пошаговое определение, позволяющее сузить временной интервал, область местоположения и диапазон магнитуд готовящегося землетрясения.
Для заблаговременного прогнозирования необходимо использовать карты: общего сейсмического районирования (ОСР); детального сейсмического районирования (ДСР); сейсмического микрорайонирования (СМР), а также каталоги землетрясений.
Крупные природные пожары
Природные пожары, неконтролируемые процессы горения, стихийно возникающие и распространяющиеся в природной среде, бывают лесными, степными и торфяными. При этом в Российской Федерации наибольший материальный ущерб, вред жизни и здоровью граждан, интересам общества и государства наносят лесные пожары.
В целом количество горючих материалов в малопродуктивных лесах составляет 1 кг/м2, в наиболее продуктивных лесах — 25-30 кг/м2. Примерно 15-20% этого материала приходится на легковоспламеняемую, полностью сгораемую часть — мох, опад, подстилку. Средняя величина сгораемых горючих материалов в лесах при крупных лесных пожарах — 5-10 кг/м2. Средняя температура горения лесных горючих материалов — 500-900 °С.
Учитывая разнообразие природных условий, рельефа, метеоусловий и т.д. реальные показатели лесных пожаров (интенсивность горения, скорость распространения и т.д.) существенно варьируются. В ряде справочных материалов [23, 24] используются эмпирические коэффициенты влияния на скорость распространения лесных пожаров, но на практике они практически не применяются, в том числе, из-за большой изменчивости исходных данных.
Проблема прогнозирования параметров лесных пожаров и оценки их последствий не получила своего удовлетворительного решения, несмотря на ее важность для различных отраслей народного хозяйства России. Трудности решения этой проблемы обусловлены: сложным характером и изменчивостью поведения пожаров, а тем более многодневных лесных пожаров, которые развиваются на большой площади в изменяющихся природных и погодных условиях; недостаточностью или неточностью информации о характеристике леса, топографии местности, локальных метеоданных; не всегда достоверной отчетной информацией, поступающей с мест.
Математическому моделированию возникновения верховых лесных пожаров посвящены работы ряда авторов [25-27]. Эти модели строятся на основе использования физических параметров и экспериментальных данных возникновения загорания в нижних ярусах леса от очагов низовых лесных пожаров и затем распространения верховых лесных пожаров. Каждая
из этих работ ценна конкретными данными о скорости процесса, но, учитывая большое разнообразие растительности, характера рельефа местности и погодных условий, выводы экспериментаторов не могут быть широко применены.
Известны многочисленные попытки рассматривать горение на кромке пожара как процесс тепло- и массо-обмена и выразить скорость распространения пожара на основе законов физики через параметры горючего материала и условия среды [28-31]. Однако предложенные математические модели распространения горения по площади на практике не нашли применения из-за сложности получения необходимых исходных данных.
Математическая модель Г. А. Доррера [32] описывает процесс распространения лесного пожара как бегущую волну в неоднородной и анизотропной среде. Это сложная система моделирования процессов распространения и локализации лесных пожаров, включающая ряд вспомогательных математических моделей, например, модели пространственной структуры слоев лесного горючего, динамики его влагосодержания и т.д.
Значительный вклад в математическое моделирование лесных пожаров внесли исследования, выполненные под научным руководством А. М. Гришина, а также последователями ученого. Общая математическая модель лесных пожаров А. М. Гришина [33, 34], учитывающая законы сохранения массы, импульса, энергии, а также физико-химические процессы, описывает возникновение и развитие горения во всех ярусах леса.
С точки зрения методологии построения модели лесных пожаров условно можно разделить на три принципиально различные группы [35, 36]:
1) модели, базирующиеся на физике горения, описывают физические механизмы составляющих пожар процессов для получения интересуемых параметров пожара. Все необходимые константы вычисляются на основе исходной теории. Модели не используют экспериментальных данных;
2) интерполяционные модели используют экспериментальные данные, полученные при природных пожарах, для определения статистических зависимостей между входными и выходными характеристиками модели пожара. Эти модели не учитывают физические процессы рассматриваемого пожара. Точность применения таких моделей в прогнозировании распространения пожара ограничена подобием условий, при которых происходили природные пожары;
3) экспериментально-аналитические модели комбинируют физическую теорию со статистическими методами для вывода зависимостей, описывающих развитие пожара. Неизвестные параметры (константы) определяются экспериментально.
Позднее на основе обзора литературных данных по проблеме моделирования распространения лесных пожаров А. А. Кулешов [37] разделил существующие математические модели на четыре группы:
1) модели прогноза динамики распространения лесного пожара;
2) модели прогноза геометрических параметров лесного пожара;
3) модели прогноза характеристик течения, тепло — и массопереноса во фронте и в зоне пожара;
4) общие математические модели, в рамках которых могут быть спрогнозированы различные характеристики во фронте и в зоне лесного пожара.
Методы математического моделирования и вычислительные технологии постоянно совершенствуются, позволяя детально описывать все физико-химические процессы, происходящие при горении леса. Однако время моделирования лесного пожара для всех существующих информационных систем гораздо больше, чем реальное время распространения этого пожара.
Использование информационных систем с экспериментальными моделями лесных пожаров позволяет быстро моделировать распространение горящей кромки пожара за счет применения более простых, по сравнению с аналитическими, математических моделей. Хотя эти модели, полученные на основании результатов обработки экспериментальных данных, имеют более низкую точность и эффективность.
Обзор научных публикаций показывает, что в мировой практике разработано более сорока моделей распространения низовых лесных пожаров и около десяти моделей верховых лесных пожаров. Однако только несколько моделей доведено до уровня практического использования в программных комплексах.
На современном этапе в нашей стране наиболее перспективной моделью для задач, связанных с оценкой целесообразности тушения лесных пожаров в зоне контроля, является модель, реализованная в ИСДМ-Ро-слесхоз [38]. Это объясняется ее комплексностью и многолетней верификацией, отладкой на реальных пожарах в лесном фонде Российской Федерации.
Данная модель основана на канадской системе прогнозирования поведения пожара CFFBPS (Canadian Forest Fire Behavior Prediction System). Она основана на экспериментальных данных, полученных на нескольких сотнях природных пожаров [39]. По данным наблюдений за пожарами была составлена система уравнений, определяющих зависимость скорости развития фронта горения от типов природных горючих материалов, метеорологических условий и характеристик рельефа, которые были положены в основу системы CFFBPS.
Условно модель можно разделить на несколько частей.
Первая часть модели оценивает параметры индекса пожарной опасности. Сначала модель подсчитывает индекс влажности горючих материалов, который определяется через метеорологические характеристики (температуру и влажность воздуха, количество осадков) и значения данного параметра в предыдущий момент времени.
Индекс влажности горючих материалов отвечает только за верхний тонкий слой горючих материалов, влажность которых изменяется быстро во времени. Для учета влажности других горючих материалов канадский индекс пожарной опасности также включает индекс засухи, значение которого изменяется значительно медленнее, только при сильных осадках и длительных периодах высоких температур.
На втором этапе определяются скорость пожара и его форма. Сначала модель рассчитывает общий индекс скорости пожара как функции от влажности топлива и скорости ветра. Затем модель осуществляет подсчет скорости фронтового распространения пожара для конкретного типа топлива.
Скорость распространения пожара в тыловом направлении определяется по формулам, аналогичным формулам фронтового распространения.
Модель предполагает, что пожар имеет форму эллипса, на оси которого находится источник пожара, а его положение определяется фронтовой и тыловой скоростью пожара. Длина основной оси эллипса определяется по сумме фронтовой и тыловой скоростей пожара; скорость бокового распространения пожара определяется по соотношению длины к ширине эллипса.
Третья часть модели отвечает за учет ряда вспомогательных факторов, например, рельефа и возможности возникновения верхового пожара. Рельеф в модели переводится в эквивалентный ему по воздействию ветер. Зависимость скорости распространения пожара от рельефа при отсутствии ветра известна, и по ней посредством обращения зависимости скорости пожара от ветра вычисляется ветер, эквивалентный рельефу по воздействию. Этот ветер суммируется с ветром, полученным по метеоданным, и используется при подсчете скорости пожара. Модель может достаточно точно учитывать рельеф с уклоном до 30 градусов, но при более крутых склонах может вести себя некорректно.
Модель предоставляет возможность осуществлять как детерминированное, так и вероятностное прогнозирование развития пожара. Вероятностное моделирование динамики распространения огня исходит из предположения о наличии погрешностей во входных данных модели и ряде ее параметров, распределение которых известно. Для стохастического прогнозирования развития пожаров используется метод Монте-Карло, основанный на получении множества реализаций случайного процесса, в каждой из которых его вероятностные составляющие заменяются их реализациями. При моделировании развития пожара методом Монте-Карло на каждой реализации случайно выбираются значения стохастических элементов модели — погрешностей во входных данных и параметрах модели. На основании этих погрешностей строится детерминистический прогноз, представляющий собой регулярную сетку, на которой указаны клетки, перешедшие в состояние активного горения за период моделирования.
Для решения задач прогнозирования развития действующих в данный момент пожаров необходимо обеспечить оперативное получение данных о текущей области активного горения, метеоусловиях, типах и состоянии горючих материалов. Технология регулярного получения этих данных реализована в системе ИСДМ-Рослесхоз [40]. Интеграция модели в систему ИСДМ позволяет решать задачи оперативной оценки потенциального вреда от пожаров.
ДТП с тяжкими последствиями, авиационные катастрофы, взрывы в зданиях и сооружениях
Такие наиболее катастрофичные ЧС, как: дорожно-транспортные происшествия, авиационные катастрофы, взрывы в зданиях и сооружениях и некоторые другие, могут изучаться вероятностно-статистическими методами, в частности, методами статистической обработки данных, основанных на теореме Байеса [41].
Общее толкование байесовского подхода выглядит следующим образом [42, 43]: допустим, существует Н1, Н2, ... Нп гипотез о различных возможных состояниях окружающей среды, характерных для исследуемой угрозы. Основываясь на статистических данных прошлых лет, этим состояниям можно установить априорные вероятности: Р(Н1), Р(Н2), ... Р(Нп). Далее поступает новая информация (прогнозная информация; данные, поступающие из систем объективного контроля и т.д.), от которых зависит: наступит или не наступит событие А. После этого определяются условные вероятности возникновения события А при выборе 1-й гипотезы РН1(А) как частоты наблюдения события А. Если событие А наступает, то осуществляется переоценка каждой гипотезы с помощью замены вероятностей Р(Н/) на РА(Н/).
Необходимо разработать методику для анализа причинно-следственных связей между причинами возникновения и последствиями реализации угроз. Данная модель должна обеспечить возможность объединения: информации о причинно-следственных связях, относящихся к причинам возникновения угроз и связанных с ними ЧС; информации о причинно-следственных связях, относящихся к последствиям реализации угроз; данных, поступающих с систем объективного контроля; экспертные оценки; результатов прогнозирования угроз и моделирования их возможных последствий с помощью применяемых в практике методик и программных продуктов, построенных на базе таких методик; статистических данных об угрозах.
Построение типовой модели должно начинаться с формирования априорной информации о моделируемой предметной области на основе результатов анализа угроз, характерных для конкретной модели.
В общем виде априорная информация должна отражать возможность возникновения и развития данных угроз и связанных с ними ЧС. С этой целью необходимо:
1) определить характеристики воздействия угроз и связанных с ними ЧС, а также причины их появления, в результате чего сформировать перечень выходных параметров, подлежащих вероятностной оценке;
2) в соответствии с перечнем полученных выходных параметров сформулировать гипотезы в виде утверждений;
3) для каждой гипотезы составить список параметров, по которым можно косвенно судить о наступлении соответствующего ей события.
Количество гипотез и, соответственно, событий, их подтверждающих или опровергающих, может быть
не ограничено, при этом рекомендуется оценивать вероятность наступления как благоприятных, так и негативных событий для каждого рассматриваемого выходного параметра. Исключение могут составлять те выходные параметры, которым могут соответствовать исключительно благоприятные (или негативные) события.
При наличии взаимосвязанных угроз в состав входных и выходных параметров также рекомендуется включать параметры, характеризующие механизмы их взаимодействия.
В конечном итоге в результате формирования априорной информации должен быть получен набор входных параметров: комплекс характеристик, входных измеряемых параметров состояния окружающей среды, объектов экономики и инфраструктуры, жизнедеятельности населения и т.д., позволяющих идентифицировать угрозу или связанные с ней ЧС, а также отдельные этапы их развития.
В качестве входных параметров могут быть использованы дискретные случайные переменные, при этом возможны следующие их типы: булева переменная — может принимать два значения: ИСТИНА или ЛОЖЬ; многозначная переменная — принимает значения, в том числе свыше двух, из некоторого конечного множества взаимоисключающих событий; числовая переменная— принимает в качестве значений конечное множество целых или вещественных чисел; интервальная переменная — в качестве значений принимает конечное множество непересекающихся числовых интервалов.
Для повышения эффективности работы модели рекомендуется максимальным образом использовать в качестве входных параметров булевы переменные.
Значения используемых входных параметров должны быть случайными величинами, параметры, не изменяющиеся в ходе наблюдений (координаты точек измерений, постоянные характеристики объектов наблюдения и т.д.), на выходные параметры модели не влияют.
Изначальная статистическая база данных должна быть сформирована согласно набору входных параметров, полученному по результатам анализа априорной информации о моделируемой предметной области.
Изначальная статистическая база данных является стабильной, то есть не меняется как минимум в течение промежутка времени, в рамках которого проводятся сбор и анализ значений входных параметров, а также построение на их базе вероятностной статистической модели.
Включение дополнительных входных параметров должно осуществляться только после формирования новой статистической базы данных, в которой используются данные параметры.
Изначальную статистическую базу данных рекомендуется формировать в виде таблицы, примерный вариант которой показан на рис. 2.
Для каждой конкретной модели (в зависимости от решаемых задач, используемого для этого набора входных параметров, способов их получения и других особенностей) к формируемой изначальной статистической базе данных на основе экспертного мнения устанавливаются требования к методам и средствам получения данных, источникам данных, контролю полученных данных, в том числе требования к их достоверности, полноте, сопоставимости и своевременности. Также устанавливаются требования к необходимому временному диапазону рассматриваемой статистики (полгода, год, два года и т.д.) для формирования обучающегося множества.
Целями формирования обработанной базы данных являются систематизация первичных данных и получение на этой основе сводной характеристики моделируемой предметной области при помощи обобщающих показателей, что достигается путем сводки и группировки показателей изначальной статистической базы данных.
Обработанная база данных формируется также для учета в составе обучающегося множества параметров, получаемых по результатам аналитической обработки входных параметров модели с использованием различных алгоритмов, зависимостей и т.д., в том числе, получаемых экспертным путем.
В качестве расчетных параметров рекомендуется использовать, в том числе, выходные данные применяемых в практике методик, а также программных продуктов, информационных и автоматизированных систем, используемых для прогнозирования и анализа конкретных угроз и связанных с ними ЧС.
Использование экспертных оценок в качестве параметров обработанной базы данных целесообразно при моделировании процессов, касающихся исследуемых угроз, информация о функционировании которых частично или полностью отсутствует.
Все измеряемые исходные данные для формирования обработанной базы данных должны быть включены в состав входных параметров модели.
Оформление обработанной базы данных (обучающегося множества) должно осуществляться по
№ п/п А В С О Е с н ...
1 си ь, С1 Л1 е1 п т /и ...
2 аг ъ2 С2 (¡2 ег й Я- ¡12
3 аз Ьз СЗ ¿3 СЗ Л ЯЗ Ьз
4 сц ъ4 С4 А 64 и Я4 1и ...
5 а$ Ьз СЗ А 05 п Я5 Й5
6 Об Ь6 Сб А С'6 /б Я6 Ы
• • • ,,, ,,, III ...
Рис. 2. Примерный вариант формирования
изначальной статистической базы данных
аналогии с оформлением изначальной статистической базы данных.
Событийная база данных формируется в виде таблицы, строки которой соответствуют строкам таблицы обработанной базы данных (или изначальной статистической базы данных), а колонки — количеству гипотез Н1, Н2, ... Нп о различных возможных состояниях окружающей среды, характерных для исследуемой угрозы и связанных с ней ЧС.
Параметры в ячейках таблицы событийных данных являются бинарными и могут принимать одно из следующих значений: да—если событие, соответствующее гипотезе Ш, произошло; нет — если событие, соответствующее гипотезе И1, не произошло. Вариант формирования событийной базы данных представлен на рис. 3.
После формирования изначальной статистической, обработанной и событийной баз данных начинается процесс получения новых (наблюдаемых) входных параметров и оценки апостериорных вероятностей событий, соответствующих выходным параметрам модели. После регистрации новых значений входных параметров и их обработки данные вносятся в обобщенную таблицу, полученную путем объединения колонок таблиц обработанной и событийной баз данных. Новые значения входных параметров необходимо фиксировать в обобщенной таблице с первой строки после строк обучающегося множества (см. рис. 4.)
В ячейках обобщенной таблицы, соответствующих новым значениям обработанных входных параметров и рассматриваемым событиям, осуществляется расчет вероятностей данных событий (риск-коэффициентов).
Таким образом, получаются риск-коэффициенты того, что на конкретных параметрах то или иное событие произойдет (согласно перечню событий в событийной базе данных).
Для каждой конкретной модели, в зависимости от способа получения входных параметров (государственные и иные информационные системы, системы объективного контроля и т.д.), определяется интервал времени, в течение которого эти данные формируются в виде единого набора для последующей обработки. Также для каждой конкретной модели устанавливается шаг (периодичность) представления входных параметров.
Для риск-коэффициентов устанавливаются критерии, в соответствии с которыми можно идентифицировать уровень опасности угрозы или связанной с ней ЧС. Пороговые значения критериев и уровни опасности, соответствующие данным критериям, устанавливаются в соответствии с требованиями нормативных правовых и нормативно-технических документов или эвристическим способом — в случае отсутствия данных требований.
Для каждого риск-коэффициента на основе статистики определяется его линейный тренд и в случае
№ п/п Hi 42 Нз
Событие произошло Событие не произошло Событие произошло Событие не произошло Событие произошло Событие не произошло
1 {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} ...
2 {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} {да, нет}
3 {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} ...
4 {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} {да, нет}
5 {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} {да, нет} ...
б {да, нет} {да, нет} {да, кет} {да, нет} {да, нет} {да, нет} ...
Рис. 3. Примерный вариант формирования событийной базы данных
Рис. 4. Схема формирования входных и выходных данных модели
положительной динамики данного тренда — время достижения более высокого уровня опасности относительно текущего. В случае нахождения риск-коэффициента в зоне, соответствующей максимальному уровню опасности, определение линейного тренда не осуществляется. Указанное время является одним из основных параметров для принятия решения по реагированию на угрозы или связанные с ними ЧС.
Результаты вероятностной оценки являются вспомогательным средством для принятия управленческих решений. Принятие решения должностным лицом по реагированию на угрозы исключительно на основе результатов вероятностной оценки не влечет ответственности в случае, если данное решение на реагирование (или не реагирование) оказалось ошибочным.
Байесовская сеть является графической структурой, предназначенной для отображения вероятностных отношений между входными параметрами модели и структурой, необходимой для получения вероятностного вывода на основании данных параметров. В байесовской сети используются вероятности как в классическом понимании (частотные вероятности), так и байесовы вероятности — степени доверия гипотезам; при этом априорная информация и обучающееся множество используются для подтверждения или опровержения гипотез. Указанные степени доверия назначаются логическим выражениям и обрабатываются согласно правилам теории вероятностей.
В типовой модели возможно решение следующих типов задач:
прямая задача — определение события, наиболее вероятного при заданных причинах;
обратная задача—определение наиболее вероятных причин наступившего события.
Формально, байесова сеть доверия — это ориентированный граф, спецификация которого имеет следующий вид:
вершинами сети являются входные и выходные параметры модели;
вершины соединяются попарно дугами: если дуга направлена от вершины А/ к вершине Aj, то вершина А/ называется родительской вершиной вершины Aj;
каждая вершина А1 характеризуется распределением условных вероятностей Р(А1 \ра(А1)), где ра(А1) — множество вершин-родителей для А/;
граф не имеет ориентированных циклов. В основе вероятностного вывода байесовской сети лежит теорема Байеса, в соответствии с которой:
Р(Н\е) = Р(е\Н)Р(Н)/Р(е), (1)
где:
Н—гипотеза; е — свидетельство;
Р(Н | е) — апостериорная вероятность; Р(Н) — априорная вероятность.
В соответствии с теоремой Байеса степень доверия, которую мы можем присвоить гипотезе Н при наступлении свидетельства е, может быть рассчитана
путем умножения предыдущей степени доверия Р(Н) к гипотезе Н на правдоподобие Р(е\Н), означающее наступление свидетельства е при условии, что гипотеза Н истинна.
Под «графом» понимается пара (V В), где V— множество вершин графа, V = {V}, / = 1, 2, ..., п; В — множество связей, В = j = 1, 2, ., k. Каждая связь представляет собой пару вершин вида В] = (75, Ур), где Vs, VpEV, а для графа без петель Vs Ф Vp.
Построение байесовской сети осуществляется по следующему принципу: если между двумя вершинами существует прямая причинно-следственная связь, то следует соединить эти вершины дугой, начинающейся в вершине-причине и заканчивающейся в вершине-следствии.
Каждый узел на диаграмме связей формально описывается в виде дискретной случайной переменной и заданным множеством ее значений. Все связи формально описываются в виде дуг графа.
После построения граф байесовой сети проверяется на наличие двух свойств: в графе отсутствуют ориентированные циклы; множество значений любой случайной переменной-вершины в графе представляет собой множество несовместных событий.
Если эти свойства выполняются, то построение графа завершается. В противном случае граф корректируется до тех пор, пока эти свойства не окажутся истинными.
При количестве вершин графа более 50 рекомендуется использовать эвристический метод построения байесовских сетей.
Множество обучающих данных И = йп},
а. = {Х11Х12.Х1(М)}, гд е:
/ — нижний индекс — номер наблюдения;
(Щ — верхний индекс — номер переменной;
п — количество наблюдений;
N — количество вершин (входных и выходных параметров).
Первый этап.
Для всех пар вершин вычисляют значения обоюдной информации М](х1, х]) по следующей зависимости:
М1(х', х>) = 2/ ¿Р(х\ х>) • ^(Р(х\ х')/Р(х1)Р(х')). (2)
Значение обоюдной информации — это оценка количества информации, содержащейся в переменной Хо переменной X.
При М1(х\ х') = 0 переменные X и X полностью не зависимы друг от друга.
После этого осуществляется упорядочение элементов множества М по убыванию:
М1 = {М1(хт1, хт2), М1(хт3, хт4), М1(хт5, хт6),.}. (3)
Второй этап.
1 шаг. Из множества значений обоюдной информации М осуществляется выбор первых двух максимальных значений М1(хт1, хп2) и М1(хт3, хп4).
По полученным значениям М1(хт1, хт2) и М1(хт3, хт4) строится множество моделей G вида:
{(т1^т2; т3^т4),(т1^т2; т3^т4),(т1^т2; ш3^ш4),
(т1^т2; т3^т4),(т1^т2; т3 не зависит от ш4),
(ш1^ш2; т3 не зависит от ш4),(ш1 не зависит от ш2; ш3^ш4),
(ш1 не зависит от ш2; ш3^ш4), (ш1 не зависит от ш2; ш3 не зависит от ш4)}. Запись вида пй^т] означает, что вершина хт. является предком вершины хт..
2 шаг. Среди всех моделей множества G осуществляется перебор всех возможных нециклических сетевых структур. В £* сохраняется оптимальная сетевая структура, у которой наименьшее значение функции Ь(д, хп) — описание минимальной длины (ОМД) при заданной последовательности из п наблюдений хп = ...й .
1 2 п
В общем виде определение ОМД осуществляется следующим образом. Входные данные.
Множество обучающих данных И ={^1,..., йп}, а = {х. 1х.2...х .№},
I к II I } '
где:
I — нижний индекс — номер наблюдения; (Ы) — верхний индекс — номер переменной; п — количество наблюдений, состоит из N (Ы > 2) переменных Х(2),., Х(м\
Каждая/-я переменная (/ = 1,..., М) имеет А® = = {0,1,., а®-1} (а®>2) состояний.
Каждая структура дЕв представляется N множествами предков (П(1),..., П(м)), то есть для каждой вершины У = 1,., М, П® — множество родительских вершин, такое что:
Количество независимых условных вероятностей к(]', д)/-й вершины определяется по формуле:
(4)
Выражение (4) означает, что вершина не может быть предком самой себе, то есть петли в графе отсутствуют.
ОМД структуры дЕй при заданной последовательности из п наблюдений х" = й]й2.йп вычисляется по формуле:
Ь(д, х") = Н(д, х") + к(д)/2^(п\ (5)
где:
к— количество независимых условных вероятностей в сетевой структуре g;
Н(д, хп) — эмпирическая энтропия, определяемая по формуле:
Н(д, хп) = 2^0', д, х"), (6)
к(д) = Е.^О', 3), (7)
где ОМД/-й вершины вычисляется по формуле:
Щ, д, х") = Щ, д, х") + Щ, ^)/2^(п). (8)
Щ д) = (а®-1) • пкев(])а\
(9)
где 0(/)£{1,...,у - 1,у + 1,., Ы} — это такое множество, что П® = {Х(к> кЕвЩ.
Эмпирическая энтропия /-й вершины вычисляется по формуле:
Н(]\ д, х-) = А*«/)- ^ ^ Ь 3] • ^Мъ ^ ]\ дУп [з, у, д]), (10)
где:
n(s, j, g) = 2/(^®=s), n(q, s, y, g) = E/(x. = q, n ® = s),
(11) (12)
где:
n® = П(/) означает X(k) = х(к\ЧкЕв(\
Функция 1(E) = 1, когда предикат Е = true, в противном случае 1(E) = 0.
Для VgEG - {д0}, если L(g, xn) < L(g', х"), то тогда
д'^д.
Третий этап.
После нахождения оптимальной структуры (структур) д' из G, из множества значений обоюдной информации Ml выбирают следующее максимальное
М] (^Lnext ^j_next)
По полученному значению MI(xinext, xjnext) и структуре (структурам) д' строится множество моделей G вида:
{(д'; i next^j_next), (д'; i next^j next), (д'; i next не зависит от jnext)}.
После этого осуществляется переход к 2-му шагу этапа 2.
Указанный цикл повторяется до тех пор, пока не будет проанализировано определенное число элементов множества или все N(N - 1)/2 элементы множества Ml.
Выходные данные — оптимальная структура (структуры) д'.
Определение априорных условных и маргинальных вероятностных распределений осуществляется в следующей последовательности.
1. Для каждой переменной V, не имеющей родителей в графе G, определяется вероятностное распределение над множеством ее значений (таблица безусловных вероятностей) на основе статистической информации об этой переменной (например, вероятностное распределение уже известно, либо имеется информация о частотах выпадения тех или иных значений переменной V), а при отсутствии такой информации — на основе мнения эксперта (задаются субъективные вероятности — степени доверия).
2. Если имеется статистическая информация о частотах выпадения тех или иных значений переменной V, то расчет вероятностей может быть проведен на основе частотной трактовки вероятности по следующей формуле:
P(v) = N /N,
(13)
где:
V — одно из значений переменной V;
^ — число исходов, при которых наблюдалось событие { V = V};
N— общее число исходов.
3. Для каждой переменной V, которая имеет родителей (множество переменных РА¥) в графе О, определяется таблица условных вероятностей над множеством ее значений на основе статистической информации об этой переменной, а при отсутствии такой информации — на основе мнения эксперта.
4. Если имеется статистическая информация о частотах выпадения тех или иных значений переменной V и переменных из множества РА ^ то расчет вероятностей может быть проведен на основе частотной трактовки вероятности по следующей формуле:
P(v\pa) = N /N ,
411 ' v, pa ра7
(14)
где:
v — одно из значений переменной V;
ра — одно из возможных конфигураций множества
ра V;
ра — число исходов, при которых наблюдалось совместное наступление событий {V = V} и {РА = ра} (РА-у имеют конфигурацию ра);
Жра— число исходов, при которых наблюдалось событие {РА = ра}.
Таким образом, в результате выполнения вышеприведенных алгоритмов формируется причинная байесова сеть с графом G с множеством вершин V и полным совместным распределением Р(у).
Радиационные аварии
Угроза аварии на радиационно опасном объекте представляет собой совокупность условий и факторов, создающих вероятность выброса или пролива радиоактивных веществ, способных привести к массовому радиационному поражению людей, животных и растений, а также загрязнению окружающей среды.
Все радиационно опасные объекты, имеющие отношение к атомной отрасли экономики, принято подразделять на ядерно опасные (ЯОО) и радиационно опасные (РОО) объекты.
ЯОО обладают потенциальной опасностью возникновения самопроизвольной цепной реакции при аварийных ситуациях, при переработке, хранении и транспортировании ядерных материалов. ЯОО включают в себя объекты предприятий ядерного топливного цикла: атомные станции различного типа; предприятия по регенерации отработанного топлива и временному хранению радиоактивных отходов; научно-исследовательские организации с опытными реакторами и ускорителями частиц; морские суда
с ядерными энергетическими установками; хранилища ядерных боеприпасов и полигоны.
РОО включают в себя предприятия, использующие РВ в небольших количествах, и изделия на их основе (приборы, аппараты и установки, не представляющие ядерной опасности).
Опасность ЯОО и РОО определяется их возможным радиационным воздействием на персонал и население при аварии.
В соответствии с ОСПОРБ-99/2010 [44] по потенциальной радиационной опасности установлены 4 категории РОО:
I категория — объекты, при аварии на которых возможно их радиационное воздействие на население и могут потребоваться меры по его защите;
II категория — объекты, при аварии на которых радиационное воздействие ограничивается территорией санитарно-защитной зоны;
III категория — объекты, радиационное воздействие при аварии которых ограничивается территорией объекта;
IV категория — объекты, радиационное воздействие которых при аварии ограничивается помещениями, где проводятся работы с источниками ионизирующего излучения (ИИИ).
На всех фазах развития ЧС выполняются мероприятия по локализации и ликвидации аварии в соответствии с заранее разработанным планом и сложившейся после аварии радиационной обстановкой. Режим поведения производственного персонала и населения на загрязненной территории определяется требованиями МАГАТЭ, НРБ-99/2009 [45], ОСПОРБ-99/2010 [44], ГОСТ Р 42.4.02-2015 [46] и другими нормативными документами.
Методик, позволяющих оперативно в режиме реального времени проводить достоверный прогноз радиационной обстановки и ее последствий для различных типов РОО и которые были бы верифицированы и стандартизованы, в настоящее время нет. Существующие исследовательские методики требуют знаний особенностей протекания физических процессов, технологии и технической реализации в системах и установках РОО и при этом ограничены целым рядом допущений, малой вероятностью и точностью конечных результатов.
В качестве стандартизованной методики оперативного прогнозирования обстановки при запроектной аварии на АЭС рекомендован ГОСТ Р 22.2.11-2018 «БЧС. Методика оценки радиационной обстановки при запроектной аварии на атомной станции». Данная методика предназначена для оценки радиационной обстановки при запроектной аварии на АЭС с реакторами типа ВВЭР-440, ВВЭР-1000 и РБМК-1000 методом прогнозирования.
Применительно к прогнозированию радиационных последствий на предприятиях ядерного цикла рекомендованы следующие руководящие документы:
РБ-134-17 Руководство по безопасности при использовании атомной энергии «Рекомендуемые методы оценки и прогнозирования радиационных последствий
аварий на объектах ядерного топливного цикла» (Утв. приказом Федеральной службы по экологическому, технологическому и атомному надзору от 16 ноября 2017 г. № 479);
РБ-106-15 Руководство по безопасности при использовании атомной энергии «Рекомендуемые методы расчета параметров, необходимых для разработки и установления нормативов предельно допустимых выбросов радиоактивных веществ в атмосферный воздух» (Утв. приказом Федеральной службы по экологическому, технологическому и атомному надзору от 11 ноября 2015 г. № 458).
Химические аварии
Для заблаговременного и оперативного прогнозирования масштабов заражения в случаях выброса сильнодействующих ядовитых веществ (СДЯВ) в окружающую среду при авариях (разрушениях) на химически опасных объектах и транспорте используется «Методика прогнозирования масштабов заражения сильнодействующими ядовитыми веществами при авариях (разрушениях) на химически опасных объектах и транспорте (РД 52.04.253-90)» [47].
Данная методика позволяет осуществлять прогнозирование масштабов зон заражения при авариях на технологических емкостях и хранилищах, при транспортировке железнодорожным, трубопроводным и другими видами транспорта, а также в случаях разрушения химически опасных объектов. Методика используется в случаях выброса СДЯВ в атмосферу в газообразном, парообразном или аэрозольном состоянии. При этом масштабы заражения СДЯВ в зависимости от их физических свойств и агрегатного состояния рассчитываются для первичного и вторичного облаков:
для сжиженных газов — отдельно для первичного и вторичного облаков;
для сжатых газов — только для первичного облака;
для ядовитых жидкостей, кипящих выше температуры окружающей среды,—только для вторичного облака.
Для осуществления прогнозирования масштабов возможного химического заражения при авариях на технологических емкостях и хранилищах, при транспортировке железнодорожным, трубопроводным и другими видами транспорта, а также в случае разрушения химически опасных объектов используется «Методика прогнозирования масштабов возможного химического заражения аварийно химически опасными веществами при авариях на химически опасных объектах и транспорте (Приложение Б к СП 165.1325800.2014)» [48]. Методика распространяется на случаи выброса аварийно химически опасных веществ (АХОВ) в атмосферу
в газообразном, парообразном или аэрозольном состоянии.
Эпидемии
Согласно [49]: эпидемия — массовое, прогрессирующее во времени и пространстве в пределах определенного региона распространение инфекционной болезни людей, значительно превышающее обычно регистрируемый на данной территории уровень заболеваемости; пандемия — эпидемия, характеризующаяся распространением инфекционного заболевания на территории всей страны, на территориях сопредельных государств, а иногда и многих стран мира.
В результате эпидемии распространения коронави-русной инфекции COVID-19 в Российской Федерации на 1 октября 2021 года количество заражений составило 7 535 548, а число погибших — 208 142 человека, что значительно превышает катастрофичность от самой масштабной ЧС природного и техногенного характера за последнее десятилетие.
Один из инструментов борьбы с эпидемиями — создание компьютерной модели возможного распространения вируса. Понимая, где и как быстро вспышка может проявиться, государственные структуры могут организовать эффективные профилактические меры для снижения скорости передачи и в конечном итоге остановить эпидемию.
Типовая модель, описывающая распространение заболевания, имеет три уровня: модель эпидемии, описывающая передачу заболевания в гипотетической однородной популяции; данные о популяции, такие как: распределение и плотность населения; уровень, описывающий перемещение населения.
Существуют различные типы эпидемиологических моделей. В [50] использовалась SIR-модель (от англ. Susceptible, Infected, Recovered), в которой, популяция моделируется индивидуумами трех типов (см. рис. 5): здоровые индивидуумы из группы риска или восприимчивые индивидуумы (Susceptible); инфицированные индивидуумы (Infected); выздоровевшие и переставшие распространять болезнь индивидуумы (Recovered).
В [51] показана принципиальная возможность построения компьютерной модели развития чрезвычайной ситуации биолого-социального характера с использованием эпидемиологической модели SIR и системы компьютерной алгебры Mathematica.
Таким образом, в данной статье показано, что прогнозирование наиболее катастрофичных ЧС возможно с использованием различных формализованных методов и моделей как в рамках классической, так и постнеклас-сической науки, а общая теория безопасности по своей сути является междисциплинарной [52].
Рис. 5. Основные компоненты эпидемиологической модели SIR
Литература
1. ВНИИ ГОЧС: комплексные решения проблем безопасности: 40-летию института посвящается. Т. 3. Научные статьи. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2016. 176 с.
2. Акимов В. А. Научные основы общей теории безопасности // Технологии гражданской безопасности. 2017. Т. 14. № 4 (54). С. 4-10.
3. Акимов В. А. Общая теория безопасности жизнедеятельности в современной научной картине мира. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2018. 136 с.
4. Акимов В. А., Диденко С. Л., Смирнов А. С. Научные основы общей теории безопасности жизнедеятельности / Под ред. А. П. Чуприяна / МЧС России. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2019. 252 с.
5. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Системные исследования чрезвычайных ситуаций. М.: Общество «Знание», 2015. 864 с.
6. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Научные основы техногенной безопасности. М.: МГОФ «Знание», 2015. 936 с.
7. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Сводный том. Фундаментальные и прикладные проблемы комплексной безопасности. М.: МГОФ «Знание», 2017. 992 с.
8. Безопасность России. Правовые, социально-экономические и научно-технические аспекты. Техногенная, технологическая и техносферная безопасность. М.: МГОФ «Знание», 2018. 1016 с.
9. Государственные доклады о состоянии защиты населения и территорий Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в 2010-2019 годах. М.: МЧС России, 2011-2020.
10. Акимов В. А., Олтян И. Ю., Иванова Е. О. Методика ранжирования чрезвычайных ситуаций природного, техногенного и биолого-социального характера по степени их катастрофичности // Технологии гражданской безопасности. 2021. № 1 (67). С. 4-7.
11. Акимов В. А., Олтян И. Ю., Иванова Е. О. Ранжирование чрезвычайных ситуаций природного и техногенного характера по социально-экономическим показателям их катастрофичности // Материалы V МНПК по ГО. Ч. IV. М.: Академия ГПС МЧС России, 2021. С. 199-204.
12. Акимов В. А., Диденко С. Л., Олтян И. Ю. Моделирование биолого-социальных чрезвычайных ситуаций с использованием эпидемиологической модели SIR // Технологии гражданской безопасности. 2020.№ 4 (66). С. 4-8.
13. Природные опасности России. Т. 6. Оценка и управление природными рисками. М.: КРУК, 2003.320 с.
14. Постановление Правительства РФ от 7 сентября 2019 г. № 1171 // Собрание законодательства РФ № 37 от 16 сентября 2019 г., ст. 5180.
15. Мотовилов Ю. Г., Гельфан А. Н. Модели формирования стока в задачах гидрологии речных бассейнов. М.: ИВП РАН, 2018. 300 с.
16. Научный периодический журнал «Гидрометеорологические исследования и прогнозы», 2018-2021 гг.
17. РД 52.27.724-2019. Наставление по краткосрочным прогнозам погоды общего назначения (утверждено Росгидрометом 11.04.2019).
18. ВМО № 834. Руководство по практике метеорологического обслуживания населения. Второе издание. Женева-Швейцария: Секретариат Всемирной Метеорологической Организации, 2000.
19. Giardini, D., Grünthal, G., Shedlock, K., Zhang, P. The GSHAP Global Seismic Hazard Map. Ann. Geofis. 1999. 42(6): 1225-1230.
20. Кособоков В.Г., Некрасова А.К. Карты Глобальной программы оценки сейсмической опасности (GSHAP) ошибочны. // Вопросы инженерной сейсмологии. 2011. Т. 38. № 1. С. 65-76.
21. Гусев А. А., Павленко О. В. Сценарное землетрясение для оценки сейсмических нагрузок в г. Москве: параметры и модельные движения грунта // Строительная механика и расчет сооружений. 2009. № 4 (225). С. 55-72.
22. Keilis-Borok, V.I., Kronrod, T.L., Molchan, G.M. Seismic Risk for the Largest Cities of the World; Intensity VIII or More. The Geneva Paperson RiskandInsurance. 1984. 9 (32): 255-270.
23. Фролов Н. С., Коршунов Н. А., Шуратков В. В. Полевой справочник лесного пожарного. 3-е изд. Пушкино: ФБУ «Авиалесо-охрана», 2018. 182 с.
24. Коршунов Н.А., Щетинский Е.А., Воронов М.А., Павлухи-на Е. А. Справочник руководителя тушения лесного пожара. 3-е изд., дополненное. Пушкино: ФАУ ДПО ВИПКЛХ, 2017. 192 с.
25. Alexander, M. E. Models for predicting crown fire behavior//V Short Course on Fire Behaviour, Figueira da Foz, Portugal. Association for
the Development of Industrial Aerodynamics, Forest Fire Research Centre, 2006. Pp. 173-225.
26. Van Wagner, C. E. Conditions for the start and spread of crown fire//Canadian Journal of Forest Research, 1977,. Vol. 7. No. 1. Pp. 23-34.
27. Weber, R. O. Modeling fire spread through fuel beds//Prog. Everg. Combust. Sci., 1990, Vol. 17. Pp. 65-82.
28. Гришин А. М. Математические модели лесных пожаров. Томск: Изд-во ТГУ, 1981. 278 с.
29. Конев Э. В. Физические основы горения растительных материалов. Новосибирск: Наука, 1977. 239 с.
30. Курбатский И.П., Телицын Г. П. Современная теория распространения лесных низовых пожаров // Современные исследования типологии и пирологии леса. Архангельск, 1976. C. 9096.
31. Гостинцев Ю.А., Суханов Л. А. Конвективная колонка над линейным пожаром в однородной изотермической атмосфере // Физика горения и взрыва.1977. № 5. C. 675-685.
32. Доррер Г. А. Математические модели динамики лесных пожаров. М.: Лесная пром-ть, 1979.161 с.
33. Гришин А. М. Математическое моделирование лесных пожаров и новые способы борьбы с ними. Новосибирск: Наука, 1992. 407 с.
34. Гришин А. М. Общая математическая модель лесных пожаров и ее приложения для охраны и защиты лесов // Сопряженные задачи механики и экологии: Избранные доклады международной конференции. 2000. С. 88-137.
35. Воробьев О. Ю. Среднемерное моделирование.— Москва: Наука, 1984.— 136 с.
36. Воробьев О. Ю., Валендик Э. Н. Вероятностное множественное моделирование распространения лесных пожаров. Новосибирск: Наука, 1978. 160 с.
37. Кулешов, А. А. Математические модели лесных пожаров // Математическое моделирование. 2002. Т. 14. № 11. С. 33-42.
38. Котельников Р. В., Семенов В. Л., Щетинский В. Е. Информационная система дистанционного мониторинга Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз): Учеб. пособ. М.: ФБУ «Авиалесоохрана», 2015. 386 с.
39. The Rising Cost of Wildfire Operations: Effects on the Forest Service's Non-Fire Work.— USDA, 2015.17 p.
40. Лупян Е.А., Барталев С. А., Ершов Д. В. Организация работы со спутниковыми данными в информационной системе дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ-Рослесхоз) // Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 5. C. 222-250.
41. Отчет о НИОКР «Разработка единых стандартов, функциональных, технических требований и прогнозно-аналитических решений аппаратно-программного комплекса «Безопасный город» с требуемым нормативно-правовым и методическим обеспечением». Формирование научно-технической основы по предметной области АПК «Безопасный город» по теме Прогнозные и аналитические модели по основным видам угроз, описанным в концепции — 2 очередь. Кн. 4. Общее описание типовой прогнозной и аналитической модели // ООО НЦИ, 2021.— 66 с.
42. Звягин Л. С. Метод байесовских сетей и ключевые аспекты байесовского моделирования // Труды международной конференции по мягким вычислениям и измерениям. 2019.Т. 1. С. 30-34.
43. Науменко А. П., Кудрявцева И. С., Одинец А. И. Вероятностно-статистические методы принятия решений. Омск: Изд-во ОмГТУ, 2018. 85 с.
44. Основные санитарные правила обеспечения радиационной безопасности (ОСПОРБ-99/2010). Санитарные правила и нормативы СП 2.6.1.2612-10 (утверждены постановлением Главного государственного санитарного врача Российской Федерации от 26 апреля 2010 г. № 40).
45. Нормы радиационной безопасности (НРБ-99/2009). Санитарные правила и нормативы СанПин 2.6.1.2523-09 (утверждены постановлением Главного государственного санитарного врача Российской Федерации от 7 июля 2009 г. № 47).
46. ГОСТ Р 42.4.02-2015. «Гражданская оборона. Режимы радиационной защиты на территории, подвергшейся радиоактивному загрязнению».
47. РД 52.04.253-90. «Руководящий документ. Методика прогнозирования масштабов заражения сильнодействующими ядовитыми веществами при авариях (разрушениях) на химически опасных объектах и транспорте» (утвержден Председателем Росгидромета СССР 13.03.90 и начальником Гражданской обороны СССР 24.03.90).
48. СП 165.1325800.2014. «Свод правил. Инженерно-технические мероприятия по гражданской обороне. Актуализированная редакция СНиП 2.01.51-90» (утвержден приказом Министерства
строительства и жилищно-коммунального хозяйства Российской Федерации от 12 ноября 2014 г № 705/пр).
49. ГОСТ Р 22.0.04-2020. «Безопасность в чрезвычайных ситуациях. Биолого-социальные чрезвычайные ситуации. Термины и определения».
50. Йейтс Кит. Математика жизни и смерти. М.: «Бомбора», 2020. 350 с.
51. Акимов В. А., Диденко С. Л., Олтян И. Ю. Нелинейная наука для исследования аварий, катастроф и стихийных бедствий. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2020. 134 с.
52. Акимов В. А. Междисциплинарные исследования проблем безопасности. М.: ФГБУ ВНИИ ГОЧС (ФЦ), 2017. 136 с.
Сведения об авторе
Акимов Валерий Александрович: д. т. н., проф., засл. деятель науки РФ, ФГБУ ВНИИ ГОЧС (ФЦ), гл. н. с. института. 121352, Москва, ул. Давыдковская, 7. е-mail: akimov@vniigochs.ru SPIN-код: 8120-3446.
Information about author
Akimov Valery A.: ScD (Technical Sc.), Professor, Honored Scientist of the Russian Federation, All-Russian Research Institute for Civil Defense and Emergencies, Chief Researcher of the Institute.
7, Davydkovskaya, Moscow, 121352, Russia. е-mail: akimov@vniigochs.ru SPIN-scientific: 8120-3446.
Издания ФГБУ ВНИИ ГОЧС (ФЦ)
Авторы, название URL
Основные результаты развития и совершенствования МЧС России в 2012-2018 годах: Фотокнига https://elibrary.ru/item.asp?id=35201457
Настольная книга руководителя гражданской обороны. Изд. 6-е, ак-туализ. и дополн. https://elibrary.ru/item.asp?id=35027110
Разумов В.В. и др. Масштабы и опасность наводнений в регионах России https://elibrary.ru/item.asp?id=35108092
Государственный доклад «О состоянии защиты населения и территорий Российской Федерации от чрезвычайных ситуаций природного и техногенного характера в 2017 году» https://elibrary.ru/item.asp?id=35080759
Служба спасения. 2012-2017: Фотокнига https://elibrary.ru/item.asp?id=36688181
Аналитический сборник о результатах развития гражданской обороны, защиты населения и территорий, пожарной безопасности, безопасности людей на водных объектах в свете реализации Указов Президента Российской Федерации от 7 мая 2012 года №№ 596-706 https://elibrary.ru/item.asp?id=35347871
Шапошников С.В. и др. История войсковой части 54277. Изд. 2-е, доп. и перераб. https://elibrary.ru/item.asp?id=35556236
Лутошкин А.В. и др. Гражданская оборона: правовые основы и перспективы развития. Научно-практическая конференция. 30 ноября 2017 г., Москва, Россия. Материалы конференции https://elibrary.ru/item.asp?id=35369851
Олтян И.Ю. и др. Новые подходы к управлению рисками техногенных катастроф и стихийных бедствий. Теория и практика: Материалы Круглого стола в рамках Международного салона средств обеспечения безопасности «Комплексная безопасность-2018». 8 июня 2018 года, Ногинск, Россия https://elibrary.ru/item.asp?id=35371079
Романов А.А. и др. Международная гуманитарная помощь: опыт, реалии, перспективы. Актуальные вопросы формирования культуры безопасности населения (международные аспекты). XXIII Международная научно-практическая конференция по проблемам защиты населения и территорий от чрезвычайных ситуаций. 7 июня 2018 г., Ногинск, Россия. Материалы конференции https://elibrary.ru/item.asp?id=36660995
Пискарев В.И. и др. Совершенствование гражданской обороны в Российской Федерации: Материалы Всероссийского совещания с руководителями федеральных органов исполнительной власти и органов исполнительной власти субъектов Российской Федерации по проблемам гражданской обороны и защиты населения и XIII научно-практической конференции «Совершенствование гражданской обороны в Российской Федерации», г. Ногинск, 6 июня 2018 г. https://elibrary.ru/item.asp?id=36778035
