CC BY
25УДК 576/8
doi :10.18720/SPBPU/2/id21 -368
Хайдаров Андрей Геннадьевич1,
доцент, канд. техн. наук;
Королева Людмила Анатольевна1, доцент, д-р техн. наук;
Михайлов Игорь Александрович3,
магистр;
Холоднов Владислав Алексеевич4,
проф., д-р техн. наук;
Чулин Сергей Леонидович5,
зав. учебной лабораторией
СИСТЕМА АВТОМАТИЗИРОВАННОГО ПРОГНОЗИРОВАНИЯ ЭМИССИИ БИОГАЗА И ВОЗНИКНОВЕНИЯ ПОЖАРООПАСНОЙ СИТУАЦИИ НА ПОЛИГОНАХ ТВЕРДЫХ КОММУНАЛЬНЫХ
ОТХОДОВ
1 3' 4 Россия, Санкт-Петербург, Санкт-Петербургский государственный
технологический институт (технический университет), 1 [email protected], 3 [email protected], 4 [email protected];
Россия, Санкт-Петербург, Санкт-Петербургский университет ГПС МЧС России, [email protected];
5 Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого, [email protected]
Аннотация. При захоронении твердых коммунальных отходов (ТКО) в теле полигона происходят сложные биохимические процессы, которые могут привести к неконтролируемой эмиссии биогаза и возникновению пожароопасной ситуации. В работе представлены характеристики фаз биохимического разложения ТКО на полигонах, определена пожарная опасность мест захоронения отходов. Использование искусственных нейронных сетей определено как оптимальное решение для прогнозирования процессов, происходящих на полигоне. Создана система автоматизированного прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигонах ТКО. Определены преимущества ее применения.
Ключевые слова: твердые коммунальные отходы (ТКО), полигон, биохимическое разложение, биогаз, степень индекс пожарной опасности, нейросетевое моделирование, персептрон, визуализация.
Andrey G. Khaydarov1,
Associate Professor, Candidate of Technical Sciences;
Lyudmila A. Koroleva2, Associate Professor, Doctor of Technical Sciences;
Igor A. Mikhailov3, Master of Science;
Vladislav A. Kholodnov4,
Professor, Doctor of Technical Sciences;
Sergey L. Chulin5, Head of the Educational Laboratory
SYSTEM FOR AUTOMATED FORECASTING OF BIOGAS EMISSIONS AND EMERGENCE OF FIRE HAZARDOUS SITUATIONS IN MUNICIPAL SOLID WASTE LANDFILLS
1 Saint Petersburg State Technology Institute (Technical University), St. Petersburg, Russia,[email protected];
Saint Petersburg University of State Fire Service of Emercom of Russia, St. Petersburg, Russia, [email protected];
3 Saint Petersburg State Technology Institute (Technical University),
St. Petersburg, Russia, [email protected]
4 Saint Petersburg State Technology Institute (Technical University),
St. Petersburg, Russia, [email protected] 5 Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia, [email protected]
Abstract. When burying municipal solid waste (MSW) in the landfill body, complex biochemical processes take place, which can lead to uncontrolled emission of biogas and the occurrence of a fire hazard. The paper presents the characteristics of the phases of the biochemical decomposition of MSW at landfills, the fire hazard of waste disposal sites is determined. The use of artificial neural networks is defined as the optimal solution for predicting the processes occurring at the landfill. A system for automated forecasting of biogas emissions and classification of fire hazardous situations at MSW landfills has been created. The advantages of its application are determined.
Keywords, municipal solid waste (MSW), landfill, biochemical decomposition, biogas, degree index of fire hazard, neural network modeling, perceptron, visualization.
Введение
Для любого крупного населенного пункта, города, страны и мира в целом проблема удаления и обезвреживания ТКО является актуальной [3, 6, 14, 16]. Наиболее распространённая практика по обезвреживанию ТКО в Российской Федерации (РФ) — захоронение на полигонах, куда в нашей стране поступает более 90% мусора [2].
При захоронении отходов в теле полигона происходят сложные биохимические процессы, которые могут привести к возникновению чрезвычайных ситуаций. На таких сооружениях с достаточной регулярностью возникают пожары, большая часть из которых трудно поддается ликвидации. Например, в июне 2018 года в течение нескольких недель горел мусор на заброшенном полигоне в поселке Гуселка-2, расположенном на окраине г. Саратова. В августе 2020 года в г. Новосибирске туше-
ние пожара на полигоне «Левобережный» продолжалось более трех суток. В марте 2021 года в г. Якутске ликвидация горения мусора превысила четыре дня.
Проведение мониторинга состояния полигона и оценка его пожарной опасности является важной задачей, для решения которой целесообразно применять машинное обучение.
Целью данной работы является создание системы автоматизированного прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигонах ТКО.
1. Теоретические сведения
Одним из главных этапов исследований в области обеспечения безопасности полигонов является изучение процесса биохимического разложения ТКО, скорости протекания реакций, их тепловых эффектов, изменений объема образующегося биогаза, его состава и свойств и т. д.
На образование биогаза влияют: масса поступающих на полигон отходов; их свойства (влажность, температура, плотность, водородный показатель (рН) и т. д.); морфологический состав; содержание органического углерода и его соотношение с общим азотом (С/Ы); условия захоронения (объем, высота, плотность складирования и т.д.); параметры окружающей среды.
Выделяют пять фаз биохимического разложения отходов (табл. 1).
Полигоны ТКО являются пожаровзрывоопасными объектами, что определяется составом отходов и происходящими при их хранении процессами. На поверхности и в массиве полигона может происходить самовоспламенение, самовозгорание, тление и горение. Горючесть и взрыво-опасность биогаза в первую очередь определяется содержанием в нем метана. При наличии нескольких горючих компонентов, например, СН4 и Н2, вероятность взрыва может увеличиваться [1].
Таблица 1
Фазы биохимического разложения ТКО на полигонах и свалках
Фаза Вид процесса Наличие кислорода Состав биогаза Время протекания
1 2 3 4 5
1 фаза Гидролиз и окисление Аэробный процесс N2 - до 80%, СО2 - до 20%; Н2, Н2Опар, - до 5 % Около 10 дней с момента укладки отходов
2 фаза Биодеструкция, гидролиз Анаэробный процесс :ЫНз, Н2, Н2Опар, сероводород 40-50 дней
Ацетогенез СО2 - до 70 %; Н2 - до 20%, N2 - до 10 %; 2-7 лет (в среднем 4-5 лет)
1 2 3 4 5
углеводороды, низкомолекулярные спирты, альдегиды, кетоны. Появляется СН4
3 фаза Активный метаногенез Анаэробный процесс К концу фазы: СН4 - до 60%; СО2 - до 40 % 12-17 лет и более
4 фаза Стабильный метаногенез Анаэробный процесс Постоянное по объёму выделение СН4 - до 60%; СО2 - до 40% 10-30 лет
5 фаза Затухание Анаэробный процесс СН4 - до 40% 40 лет и более, зависит от срока эксплуатации полигона
Ввиду сложности проходящих процессов внутри тела ТКО, оптимальным решением для их прогнозирования является применение искусственных нейронных сетей [4, 8, 15].
Для проектирования системы автоматизированного прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигонах ТКО выбрано следующее программное обеспечение: язык программирования Python (в частности библиотека scikit-learn); Docker; Apache Airflow; PostgreSQL; Power BI [5, 7].
Схема системы автоматизированного прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигонах ТКО показана на рисунке 1.
Рис. 1. Схема системы автоматизированного прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигонах ТКО
2. Результаты и их обсуждение
Данные, используемые в этой работе, были получены на полигонах ТКО «Новый Свет — Эко» и «Новосёлки», расположенных в Ленинградской области.
Для задач регрессии и классификации использовали многослойный персептрон. Для коррекции весов нейронов применен алгоритм обратного распространения ошибки [9, 13].
В качестве активационной функции в скрытом слое выбран гиперболический тангенс. Для оптимизации весовых коэффициентов использовали стохастический градиентный спуск. Данные для обучения сети были поделены на тренировочные (85 %) и данные для тестирования сети (15 %). После обучения, модель сохраняется в файле, что обеспечивает возможность переносить и использовать ее с помощью Python.
При построении многослойного персептрона регрессора для прогнозирования объёма биогаза в качестве входных параметров для обучения сети выбраны: pH, щёлочность фильтрата (мг/л), химическое потребление кислорода (ХПК) фильтратом (мг/л), масса отходов (т/день), температура в теле полигона ТКО (°C). На выходе получали объём биогаза. В модели использован один скрытый слой, состоящий из 8 нейронов.
Схема модели регрессии показана на рисунке 2,а.
При построении многослойного персептрона классификатора для классификации состояния полигона в качестве входных параметров для обучения сети выбраны: температура в газовом колодце (°C), концентрации газов CH4, CO2, O2; CO. Мониторинг свалочного газа и температур в газовых колодцах использовали как достоверный индикатор вероятного горения в теле полигона [10]. На выходе идентифицировали одну из пяти степеней (классов) состояния полигона: «активного горения нет»; «низкая вероятность возгорания»; «возможен тлеющий огонь»; «высокая вероятность активного горения» и «активное горение» в теле полигона ТКО. В модели применен один скрытый слой, состоящий из 10 нейронов. Схема модели классификации показана на рисунке 3,б.
Преимущество предлагаемого метода заключается в возможности прогнозирования объёма биогаза и оценки пожароопасной ситуации, что дает запас времени для принятия надлежащих мер, например, по организации рециркуляции фильтрата; преобразованию энергии газообразного метана, проведению противопожарных мероприятий и т. д. [11, 12].
Рис. 2. Многослойный персептрон регрессор для прогноза объёма биогаза (а)
и состояния полигона (б)
Для предоставления интерактивных визуализаций с достаточно простым для пользователей интерфейсом и создания собственных отчетов и информационных панелей применяли Power BI Desktop.
Для визуального отображения степени пожароопасности, каждому состоянию полигона присвоен индекс пожароопасности (табл. 2).
Таблица 2
Индексы пожароопасности в зависимости от состояния полигона
Состояние полигона Индекс
Активного горения нет 0
Низкая вероятность возгорания 1
Возможен тлеющий огонь 2
Высокая вероятность активного горения 3
Активное горение в теле полигона ТКО 4
Матрица ошибок показывает качество модели классификации. На матрице (рис. 3) видно, что состояние полигона оценивается верно в 98,5 % случаев.
Рис. 3. Матрица ошибок модели классификации и индивидуальным условным ожиданием входных параметров модели регрессии
На графике (рис. 4) отображены экспериментальные и спрогнозированные данные объёма биогаза, который сильно зависит от массы отходов, добавляемых в течение суток. К таблице применено условное форматирование. В зависимости от значения температуры в теле полигона, ячейки меняют цвет, наполняемость ячейки коррелирует с объемом выделяющегося биогаза. На карте показано местоположение полигонов.
ООъбм биогаза (м'/дены группировка по Оиогазу
Группировка по бмогаау ССлрогношроымны« донны* •Экспериментален«« данны« ^
Рис. 4. Страница с данными объёма биогаза
На графике (рис. 5) отображаются экспериментальные и спрогнозированные данные индекса пожарной опасности. К таблице применено условное форматирование. В зависимости от значения температуры
в газовом колодце, ячейки меняют цвет. Для столбцов «СН4, %», «CO2, %», «02, %», «СО, ррт» степень заполнения ячейки цветом определяется значением параметра. Изменяется окраска кружка, появляющегося в ячейке рядом со значением индекса пожароопасности.
Индекс пожароопасное™ группировку по состоянию полигон*
Рис. 5. Страница с данными индексов пожароопасности
На картах указано местоположение полигонов. Имеются фильтры для уточнения отображения данных конкретного полигона, даты сбора данных и отображения экспериментальных и/или спрогнозированных данных.
Заключение
В работе рассмотрены полигоны ТКО, факторы, влияющие на образование биогаза и пожарную опасность мест накопления отходов.
Представлено нейросетевое моделирование прогнозирования эмиссии биогаза и классификации пожароопасной ситуации на полигоне ТКО с использованием следующего программного обеспечения: Docker, Airflow, PostgreSQL с применением языка программирования Python. Визуализация результатов прогнозирования и классификации выполнена в Power BI.
Преимущество предлагаемого метода заключаются в возможности прогнозирования объёма образующегося биогаза и проведении классификации состояния полигонов по степени пожарной опасности, что дает запас времени для принятия мер, связанных, например, с организацией рециркуляции фильтрата, преобразованием энергии газообразного метана, проведением противопожарных мероприятий и т. д.
Список литературы
1. Корольченко А.Я. , Корольченко Д.А. Пожаровзрывоопасность веществ и материалов и средства их тушения. Справочник: в 2-х ч. - 2-е изд., перераб. и доп. -М.: «Пожнаука», 2004. Ч.1 - 713 с.; Ч II - 774 с.
2. Отчет о результатах экспертно-аналитического мероприятия «Анализ выполнения мероприятий, обеспечивающих экологическую безопасность Российской Федерации, в части ликвидации объектов накопленного вреда и формирования комплексной системы обращения с твердыми коммунальными отходами». // Бюллетень Счетной палаты РФ. - 2020. - № 9 (274). - С.6-43.
3. Bovea M. D., Ibáñez-Forés V., Gallardo A., Colomer-Mendoza F. J. Environmental assessment of alternative municipal solid waste management strategies. A Spanish case study. // Waste Management - 2010. - Vol. 30. - Р. 2383-2395.
4. Chebila М. Predicting the consequences of accidents involving dangerous substances using machine learning. // Ecotoxicology and Environmental Safety. - 2021. -Vol. 208. - Р. 111470. DOI: 10.1016/j.ecoenv.2020.111470.
5. Gardner W.A. Learning characteristics of stochastic-gradient-descent algorithms: A general study, analysis, and critique. // Signal Processing. - 1984. - Vol. 6, №. 2. -Pp. 113-133.
6. Hong J, Li X, Zhaojie C Life cycle assessment of four municipal solid waste management scenarios in China Waste Management - 2010. - Vol. 30. - Pp. 2362-2369.
7. Ilba М. Parallel algorithm for improving the performance of spatial queries in SQL: The use cases of SQLite/SpatiaLite and PostgreSQL/PostGIS databases. // Computers & Geosciences. - 2021. - Vol. 155. - Pp. 104840. DOI: 10.1016/j.cageo.2021.104840.
8. Lin К., Zhao Y., Tian L., Zhao С., Zhang М., Zhou Т. Estimation of municipal solid waste amount based on one-dimension convolutional neural network and long short-term memory with attention mechanism model: A case study of Shanghai. // Science of The Total Environment. - 2021. - Vol. 791. - P. 148088. D0I:10.1016/j.scitotenv.2021.148088.
9. Machine Learning Guide for Oil and Gas Using Python. A Step-by-Step Breakdown with Data, Algorithms, Codes, and Applications. - USA: Gulf Professional Publishing, 2021. - 462 р. DOI: 10.1016/B978-0-12-821929-4.20001-2.
10. Milosevic L. T. Identification of Fire Hazards Due to Landfill Gas Generation and Emission. // Polish Journal of Environmental Studies. - 2018. - Vol. 27, №. 1. - P. 213221. DOI:10.15244/pjoes/75160.
11. Ozkaya, B., Demir А., Sinan Bilgili М. Neural network prediction model for the methane fraction in biogas from field-scale landfill bioreactors. // Enviromantal Modelling & Software. - 2007. - Vol. 22, №. 6. - P. 815-822. DOI: 10.1016/j.envsoft.2006.03.004.
12. Sakiewicz P., Piotrowski К., Ober J., Karwot J. Innovative artificial neural network approach for integrated biogas - wastewater treatment system modelling: Effect of plant operating parameters on process intensification. // Renewable and Sustainable Energy Reviews. - 2020. - Vol. 124. - P. 109784. DOI: doi.org/10.1016/j.rser.2020.109784.
13. Tathawadekar N. Doan N. А. К., Silva С. F., Thuerey N. Modeling of the nonlinear flame response of a Bunsen-type flame via multi-layer perceptron // Proceedings of the Combustion Institute. - 2021. - Vol. 38, Iss. 4. - P. 6261-6269.
14. Wang P., Hu Y., Cheng Н. Municipal solid waste (MSW) incineration fly ash as an important source of heavy metal pollution in China. // Environmental Pollution - 2019. -Vol. 252, Part A. - P. 461-475.
15. Yang L., Nguyen Н., Bui X.-N., Nguyen-Thoi Т., Zhou J., Huang J. Prediction of gas yield generated by energy recovery from municipal solid waste using deep neural net-
work and moth-flame optimization algorithm. // Journal of Cleaner Production. - 2021. -Vol. 311. - P. 127672. DOI: 10.1016/jjclepro.2021.127672.
16. Zaeimi M.B., Rassafi A.A. Designing an integrated municipal solid waste management system using a fuzzy chance-constrained programming model considering economic and environmental aspects under uncertainty. // Waste Management - 2021. - Vol. 125. - P. 268-279.
УДК.51-73
doi :10.18720/SPBPU/2/id21 -369
Коршунов Геннадий Иванович 1,
профессор, д-р техн. наук, профессор;
Сольницев Ремир Иосифович 2, профессор, д-р техн. наук, профессор;
Жильникова Наталья Александровна3, профессор, д-р техн. наук, профессор;
Поляков Сергей Леонидович 4, доцент, канд. техн. наук
МОДЕЛИ КИБЕРФИЗИЧЕСКИХ СИСТЕМ УПРАВЛЕНИЯ
МИНИМИЗАЦИЕЙ ЗАГРЯЗНЕНИЙ ДЛЯ АДАПТАЦИИ ТЕХНОЛОГИЙ К ИХ ИСТОЧНИКУ
1Россия, Санкт-Петербург, ФГАОУ ВО «Санкт-Петербургский государственный университет аэрокосмического приборостроения»,
Россия, Санкт-Петербург, ФГАОУ ВО «Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)», [email protected];
Россия, Санкт-Петербург, ФГАОУ ВО «Санкт-Петербургский государственный университет аэрокосмического приборостроения»,
nataliazhilnikova@gmail. com;
4Россия, Санкт-Петербург, ФГАОУ ВО «Санкт-Петербургский государственный университет аэрокосмического приборостроения»,
Аннотация. В статье предложен подход к созданию моделей киберфизических систем для управления минимизацией загрязнений. Переход от известных из математической физики уравнений конвекции и диффузии к форме «вход-выход». В качестве примеров приведены модели распространения концентраций биохимического потребления кислорода, показателю, характеризующему степень загрязнения стоков. Предложена конфигурация киберфизической системы управления минимизацией загрязнений сточных вод, которая позволяет адаптировать процесс управления под конкретные регулируемые параметры очистки.
