Расчет приземных концентраций приоритетных загрязняющих веществ с использованием нейросетевых технологий

Топология, архитектура и метод обучения каждой нейросетевой модели определяется индивидуально, исходя из особенностей как самого вещества, так и априорной информации о процессах его распространения в приземном слое атмосферы.

Методика включает выполнение пяти основных этапов:

На первом этапе происходит сбор мониторинговой информации о рассчитываемой примеси. Сбор данных мониторинга должен быть максимально полным, охватывать максимальное количество точек наблюдения и диапазоны возможных значений концентраций. Данные об измеренных концентрациях используются как для обучения нейросетевых моделей, так и для проверки адекватности последних.

На втором этапе необходимо определить, существуют ли для расчета концентрации данного вещества какие-либо регламентированные расчетные методики. В случае их наличия, следует провести анализ адекватности подобных методик путем сравнения результатов расчетов по ним с экспериментальными данными, полученными на первом этапе. Способ определения адекватности варьируется в зависимости от конкретной методики и оцениваемого загрязняющего вещества. Затем на данном этапе по результатам проверки адекватности делается вывод о необходимости доработки регламентированной методики при помощи дополнительной нейросетевой модели, либо об отсутствии такой необходимости. В первом случае будет строиться гибридная модель, сочетающая в себе регламентированную и нейросетевую методики. Результаты расчетов по утвержденным методикам в этом случае следует принять как один из входных параметров дополнительного нейросетевого блока гибридной модели.

На третьем этапе производится анализ внешних факторов, формирующих загрязнение приземного слоя атмосферы. В случае, если на втором этапе было определено наличие регламентированной методики для расчета, следует обратить особое внимание на входные параметры данной методики. В зависимости о характера процессов, происходящих в приземном слое и влияющих на формирование уровня загрязнения, данные внешние факторы могут учитываться в гибридной модели как в составе расчетов по регламентированной методике, так и отдельно, как обособленные входы нейросетевого блока модели. В случае, если регламентированной методики не существует, требуется провести анализ действующих факторов независимо. Все выявленные факторы должны быть представлены в количественно измеряемой форме, и будут служить входами нейросетевой модели расчета концентраций примеси.

На четвертом этапе на основании проведенного анализа второго и третьего этапов строится и обучается модель нейросетевого расчета концентрации примеси. При этом входными параметрами будут являться действующие внешние параметры и, в случае наличия, результаты регламентированных расчетов концентрации данного вещества. Для определения топологии конкретной нейросетевой модели необходимо использовать априорную информацию о процессах формирования уровня загрязнения. Если такой информации нет, следует провести несколько экспериментов по подбору оптимальной структуры нейросети.

На пятом этапе необходимо провести проверку построенной модели на адекватность путем проведения серии вычислительных экспериментов на данных, не задействованных непосредственно в обучении нейросетевого блока. В случае, если точность (адекватность) модели удовлетворительна, ее следует принять в качестве рабочей модели нейросетевого расчета концентрации приоритетных загрязняющих веществ. В противном случае следует вернуться к третьему этапу для уточнения перечня влияющих на формирование загрязнения параметров внешней среды и перестройки модели с учетом вновь выявленных факторов.

Представленный общий метод нейросетевого расчета концентрации приоритетных загрязняющих веществ в приземном слое атмосферного воздуха можно представить в виде схемы (рис. 1).

Рис. 1. Методика  расчета концентрации веществ в приземном слое атмосферного воздуха с использованием нейронных сетей

Для реализации представленной методики на практике необходимо конкретизировать алгоритмы построения и обучения нейронных сетей, а также выбор их топологий исходя из специфики конкретной задачи.

Алгоритмы нейросетевого определение содержания основных и специфических контролируемых примесей в зонах, не охваченных наблюдениями

На первом этапе проектирования нейросети стоит вопрос выбора значимых предикторов. Поскольку ставилась задача повышения точности рассчитанных с помощью существующих программ для расчета рассеивания ЗВ концентраций примесей, то в качестве предикторов использовались значения расчетных концентраций примесей и основных метеопараметров. Исследование зависимостей между измеряемыми концентрациями примесей на автоматизированных постах и метеорологическими параметрами на территории г. Нижнекамск показало наличие тесных взаимосвязей с направлением ветра, скоростью ветра, температурой, давлением, влажностью воздуха. Поэтому именно эти метеопараметры были выбраны в качестве входов нейросети.

С помощью программного комплекса УПРЗА «Эколог-Город» в точках пробоотбора были рассчитаны наборы значений концентраций примесей, соответствующие различным наборам основных метеорологических параметров, зафиксированных на стационарных постах МЭПР РТ.

Для повышения сходимости спроектированные искусственные нейронные сети обучались на массиве экспериментально измеренных концентраций (в непрерывном режиме с 20 минутным осреднением).  Была определена следующая общая структура нейросети для расчета концентраций примесей (рис. 1):

1. Парадигма – многослойный персептрон (MLP, выбрана как универсальный аппроксиматор регрессионной зависимости).
2. Количество скрытых слоев – 1 (определено согласно теореме Колмогорова о структуре персептрона как универсального аппроксиматора).
3. Количество входных нейронов – 8 (определено по числу входных параметров модели).

Нейроны:

• Нейроны 1,2 – координаты точки расчета (метры);
• Нейрон 3 – температура воздуха (°С);
• Нейрон 4 – атмосферное давление (мм.рт.ст.);
• Нейрон 5 – скорость ветра (м/с);
• Нейрон 6 – направление ветра (°);
• Нейрон 7 – влажность воздуха (%);
• Нейрон 8 – расчетное значение концентрации примеси, полученное в УПРЗА «Эколог-Город» (мг/м³).

Рис. 2. Структура нейросети для расчета концентрации приоритетных основных и специфических примесей

Все входные параметры нормализованы функцией «гиперболический тангенс» ввиду разного масштаба исходных данных и вида активационной функции.

Сопоставление рассчитанных в УПРЗА скорректированных с помощью нейросетевой модели и экспериментально измеренных на постах концентраций примесей (мг/м³) приведены далее.

Конкретные реализации нейросетевых моделей для каждого вещества, построенные на основе общей структуры нейросети для расчета концентраций примесей, различались количеством нейронов в скрытом слое (определялось на основе теоремы Колмогорова о максимальном эффективном числе нейронов скрытого слоя с последующей эмпирической редукцией) и видом функции активации нейронов в слоях (выбиралась среди трех возможных видов функций: синусоида, гиперболический тангенс и линейная функция с насыщением, на основе серии предварительных разведывательных экспериментов).

Включение в нейросетевую модель дополнительного предиктора – коэффициента трансформации (КТ), позволяющего учесть вторичные химические реакции в атмосфере, позволяет дополнительно повысить точность в 2-8 раз. Учет в качестве предикторов нейросетевой модели коэффициента трансформации и концентрации озона стабильно повышает точность расчетов по всем исследуемым веществам, а также позволяет увеличить точность модели в сравнении с учетом только коэффициента трансформации. Наибольший эффект применение методики учета превращения веществ в атмосфере демонстрируют модели с изначально высокой сложностью топологии и относительно высокой погрешностью. В среднем учет в модели концентрации озона позволяет повысить точность расчетов в 1,8 раза по сравнению с моделью без учета трансформации, и в 1,3 раза по сравнению с моделью, учитывающей только коэффициент трансформации без концентрации озона.