Аннотация
Аннотация. Предложен нейросетевой способ расчёта концентраций диоксида углерода с апробацией на территории г. Казани на основе данных двух автоматизированных постов наблюдений за загрязнением атмосферы, где проводится измерение концентрации данного парникового газа. Использовано сочетание регламентированных и инновационных интеллектуальных расчётных технологий с построением гибридной нейросетевой модели. В основе способа лежит учёт трансформации оксидов углерода в диоксиды углерода в атмосферном воздухе. Первым уровнем модели является расчёт концентрации оксида углерода по известным параметрам источников выбросов данного газа с использованием нормативной методики расчёта рассеивания. Вторым уровнем модели является нейронная сеть, которая корректирует рассчитанную на первом шаге концентрацию в зависимости от метеорологических параметров для увеличения точности расчёта. Третьим уровнем модели является нейронная сеть, позволяющая по полученной на предыдущем шаге концентрации оксида углерода, а также измеренным концентрациям оксидов азота и рассчитанным по их значениям величинам коэффициентов химической трансформации и измеренным концентрациям атмосферного озона производить расчёт концентрации углекислого газа. В итоге гибридная нейросетевая модель показала точность расчётов более 83 % и может быть использована для расчёта концентраций диоксида углерода для других промышленно развитых городов после соответствующего обучения.
Ключевые слова: выбросы в атмосферу; нейронная сеть; расчёт рассеивания; парниковый газ; диоксид углерода; коэффициент трансформации
Литература
2. Доклад МГЭИК: климат можно спасти, если действовать быстро [Электронный ресурс]. URL: greenpeace.ru/news/2018/10/08/doklad mgjeik-klimat-mozhno-spasti-esli-dejstvovat-bystro/. (дата обращения 19.11.2021).
3. Национальный доклад о кадастре антропогенных выбросов из источников и абсорбции поглотителями парниковых газов не регулируемых Монреальским протоколом за 1990 – 2017 гг. М.: Министерство природных ресурсов и экологии Российской Федерации, 2019. 471 с.
4. Big spatio-temporal data mining for emergency management information systems / M. Dagaeva, A. Garaeva, I. Anikin et al. // IET Intelligent Transport Systems. 2019. Vol. 13(11). Pp. 1649–1657.
5. Castro J. L. Fuzzy logic controllers are universal approximators // IEEE Trans. on SMC. 1995. № 25. Pp. 629-635.
6. Использование интеллектуальных расчетных методов для повышения точности результатов расчетного мониторинга основных компонентов выбросов г. Нижнекамска (сообщение 1) / С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин и др. // Вестник Технологического университета. 2020. Т. 23. № 9. С. 89-92.
7. Использование интеллектуальных расчетных методов для повышения точности результатов расчетного мониторинга основных компонентов выбросов г. Нижнекамска (сообщение 2) / С.В. Новикова, Ю.А. Тунакова, А.Р. Шагидуллин и др. // Вестник Технологического университета. 2020. Т. 23. № 9. С. 96-99.
8. Cybenko G. V. Approximation by Superpositions of a Sigmoidal function // Mathematics
of Control Signals and Systems. 1989. Vol. 2. № 4. Pp. 303-314.
9. Хадарцев А.А., Хрупачев А.Г., Ганюков С.П. Трансформация техногенных загряз¬нителей в атмосферном воздухе // Фунда-
ментальные исследования. 2010. № 12.
С. 158-164.
10. Методика определения региональных коэффициентов трансформации оксидов азота на основе расчетно-экспериментальных данных: СТО Газпром 2-1.19-2008. М.: ОАО «Газпром», 2008 (М.: Изд. дом «Полиграфия»). 49 с.
Финансирование: работа выполнена при финансовой поддержке Министерства науки и высшего образования в рамках программы «Приоритет 2030».