Цифровая модель для динамической идентификации промышленных источников выбросов и прогнозирования пространственного распределения вредных веществ в атмосферном воздухе

Развитие мегаполисов, климатические изменения, повышение требований к промышленной безопасности требуют более качественного контроля и управления рисками загрязнений атмосферного воздуха. Несмотря на то, что физические процессы в атмосфере достаточно хорошо изучены, многие промышленные предприятия не имеют инструментов для оперативной оценки взаимосвязей между своими источниками загрязнения и фактической экологической ситуацией. Используемые сегодня комплексы газоанализаторов накапливают данные по качеству атмосферного воздуха, которые содержат состав загрязняющих веществ в атмосфере, и факт нарушения/соблюдения границ предельно допустимых концентраций в заданный момент времени. Определение источников выбросов и оценка динамики распространения загрязнений на практике реализуется уже после фиксации факта инцидента вручную. В регионах расположения особо крупных промышленных предприятий и условий возрастающих требований к снижению их влияния на природу становится актуальным создание модели для динамической идентификации промышленных источников выбросов и прогнозирования пространственного распределения вредных веществ в атмосферном воздухе.

Создаваемая в рамках проекта цифровая модель должна интегрироваться в состав платформ экологического мониторинга. Новизна ее реализации заключается в использовании механизмов динамической оптимизации параметров на основе обучения с подкреплением (reinforcement learning). Наличие инструмента оптимизации в динамике идентификации источника выбросов и прогнозирования распространения является перспективным с точки зрения учета факторов метеосреды, изменения скорости и направления ветра, влажности, наличия осадков. В данном проекте также предложена новая модель прогнозирования распространения выбросов низкой вычислительной сложности. В качестве прогнозных техник будут использованы усовершенствованные алгоритмы построения ансамблей и модели селективного выбора, повторяющие логику экспертов по экомониторингу.

Разработка и применение цифровой модели на основе технологий машинного обучения с подкреплением позволит реализовать автономное обучение, высокую точность идентификации источников выбросов и динамическое прогнозирование распространения вредных (загрязняющих) веществ.

Практическая значимость интеллектуализации экологического мониторинга на промышленных предприятиях заключается в автоматическом анализе накапливаемых данных по концентрациям загрязняющих веществ в различных точках наблюдений, метеоданных, геоинформации по расположению газоанализаторов, топологии предприятия. Формируемые с использованием цифорвой модели решения будут удовлетворять по оперативности и точности запросам руководства предприятий, служб по защите окружающей среды предприятий, специалистам государственных надзорных органов, отдельных категорий производителей оборудования для экомониторинга.

Разработанная цифровая модель может быть интегрирована в типовые платформы экологического мониторинга с использованием программных интерфейсов API, что позволит значительно расширить их применение на практике. Эксплуатация модели позволит существенно снизить промышленную нагрузку на окружающую среду, повысить уровень экологической безопасности производства, собирать в режиме реального времени статистическую информацию о состоянии окружающей среды, а также, постоянно контролируя экологическое состояние на объекте мониторинга, прогнозировать экологические риски и предупреждать неблагоприятные события на предприятиях.