BookPDF Available

ІНФОРМАЦІЙНО-АНАЛІТИЧНІ ТЕХНОЛОГІЇ ПРОГНОЗУВАННЯ НАСЛІДКІВ ХІМІЧНИХ АВАРІЙ Монографія

January 2017

Publisher: ВПЦ «Київський університет»
ISBN: 978-966-439-952-1

Authors:

Taras Shevchenko National University of Kyiv

У монографії розглядається науково-технічна задача підвищення ефек-тивності процесів прийняття рішень при хімічних аваріях шляхом розробки моделей та методів прогнозування концентрації небезпечної хімічної речо-вини в умовах невизначеності. Побудовано нейромережні моделі для структурної ідентифікації та прогнозування концентрації небезпечної хімічної речовини як у доаварій-ний, так і у післяаварійний періоди на основі нечіткого логічного виведення і нечітких продукційних правил. Розроблено метод параметричної іденти-фікації таких моделей з використанням еволюційних технологій. Одержані результати складають основу системи підтримки прийняття рішень та до-зволяють здійснити об’єктивізацію експертних висновків. Монографія буде корисною фахівцям з хімічної безпеки, спеціалістам з прийняття рішень в умовах невизначеності та моделювання, а також усім тим, хто розробляє чи використовує інтелектуальні інформаційні технології для розв’язання практичних задач.

Content uploaded by Vitaliy Snytyuk

Content may be subject to copyright.

О.М. Землянський, Н.М. Пашинська,

В.Є. Снитюк

ІНФОРМАЦІЙНО-АНАЛІТИЧНІ

ТЕХНОЛОГІЇ ПРОГНОЗУВАННЯ

НАСЛІДКІВ ХІМІЧНИХ АВАРІЙ

Монографія

Київ 2017

УДК 004.896:[ 504.5:54]

З 53

Рецензенти:

Шостак І.В. - доктор технічних наук, доцент, Національний аерокосмі-

чний університет ім. М.Є. Жуковського «ХАІ», професор кафедри інженерії

програмного забезпечення.

Толюпа С.В. - доктор технічних наук, професор, Київський національ-

ний університет імені Тараса Шевченка, професор кафедри кібербезпеки та

захисту інформації.

Рекомендована до друку вченою радою факультету інформаційних тех-

нологій Київського національного університету імені Тараса Шевченка

(протоко № 25 від 27 червня 2017 року)

Рекомендована до друку вченою радою Черкаського інституту пожеж-

ної безпеки імені Героїв Чорнобиля Національного університету цивільного

захисту України (протокол № 9 від 5 травня 2017 року)

Землянський О.М., Пашинська Н.М., Снитюк В.Є. Інформаційно-

аналітичні технології прогнозування наслідків хімічних аварій: Моног-

рафія. – К.: ВПЦ «Київський університет», 2017. – 167 с.

У монографії розглядається науково-технічна задача підвищення ефек-

тивності процесів прийняття рішень при хімічних аваріях шляхом розробки

моделей та методів прогнозування концентрації небезпечної хімічної речо-

вини в умовах невизначеності.

Побудовано нейромережні моделі для структурної ідентифікації та

прогнозування концентрації небезпечної хімічної речовини як у доаварій-

ний, так і у післяаварійний періоди на основі нечіткого логічного виведення

і нечітких продукційних правил. Розроблено метод параметричної іденти-

фікації таких моделей з використанням еволюційних технологій. Одержані

результати складають основу системи підтримки прийняття рішень та до-

зволяють здійснити об’єктивізацію експертних висновків.

Монографія буде корисною фахівцям з хімічної безпеки, спеціалістам з

прийняття рішень в умовах невизначеності та моделювання, а також усім

тим, хто розробляє чи використовує інтелектуальні інформаційні технології

для розв’язання практичних задач.

ISBN 978-966-439-952-1

ЗМІСТ

ВСТУП……………………………………………………………. 5

1. ПРОБЛЕМА ВИЗНАЧЕННЯ КОНЦЕНТРАЦІЇ НЕ-

БЕЗПЕЧНИХ ХІМІЧНИХ РЕЧОВИН ТА ЇЇ МОНІ-

ТОРИНГУ У ПІСЛЯАВАРІЙНИЙ ПЕРІОД…………

1.1. Прогнозування концентрації небезпечних хімічних

речовин після аварійного викиду – необхідна умова

мінімізації негативних наслідків аварії………………….

1.2. Особливості виникнення та попередження хімічних

аварій ……………………………………………………….

1.3. Аналітичний огляд моделей, методів, методик та

автоматизованих систем моделювання і прогнозу-

вання наслідків хімічних аварій……………………….

1.4. Постановка задачі і структурно-логічна схема дослі-

дження ……………………………………………………..

Резюме……………………………………………………… 34

МОДЕЛІ ВИЗНАЧЕННЯ КОНЦЕНТРАЦІЇ НЕБЕ-

ЗПЕЧНОЇ ХІМІЧНОЇ РЕЧОВИНИ У ПІСЛЯАВА-

РІЙНИЙ ПЕРІОД……………………………………………..

2.1. Аспекти невизначеності процесу моніторингу кон-

центрації небезпечних речовин ……………………….

2.2. Формалізована постановка задачі та специфікація

моделі цільової функції…………………………………

2.3. Структурна ідентифікація моделі для уточнення

концентрації небезпечної хімічної речовини з вико-

ристанням нейромереж…………………………………

2.4. Моделі прогнозування концентрації небезпечної

речовини в зоні зараження з використанням експер-

тних висновків…………………………………………….

Резюме……………………………………………………… 62

3 МЕТОДИ ОПТИМІЗАЦІЇ ПРОЦЕСУ ПРОГНОЗУ-

ВАННЯ КОНЦЕНТРАЦІЇ НЕБЕЗПЕЧНОЇ ХІМІЧ-

НОЇ РЕЧОВИНИ В УМОВАХ НЕВИЗНАЧЕНОСТІ..

3.1. Технологія постпрогнозування концентрації небез-

печної хімічної речовини в післяаварійний період…

3.2. Метод еволюційної спрямованої оптимізації в задачі

прогнозування концентрації небезпечної хімічної

речовини................................................................................

3.3. Модифікований метод спрямованої оптимізації мо-

делі концентрації небезпечної хімічної речовини…..

Резюме………………………………………………………. 87

4. ЕКСПЕРИМЕНТАЛЬНА ВЕРИФІКАЦІЯ РЕЗУЛЬ-

ТАТІВ І СИСТЕМА ПІДТРИМКИ ПРИЙНЯТТЯ

РІШЕНЬ ЩОДО МІНІМІЗАЦІЇ НАСЛІДКІВ ХІ-

МІЧНИХ АВАРІЙ…………………………………………….

4.1. Особливості використання технології прогнозування

концентрації небезпечної хімічної речовини у після-

аварійний період……………………………………….

4.2. Структуризація задач прогнозування при хімічних

аваріях………………………………………………………

4.3. Особливості формування баз знань при структуро-

ваному представленні інформації……………………..

103

4.4. Технологія проведення експерименту та верифікація

його результатів за допомогою експертної системи.....

119

Резюме……………………………………………………… 127

ВИСНОВКИ……………………………………………….. 129

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ………………. 131

ДОДАТКИ………………………………………………….

Додаток А. Розрахунки концентрації НХР, проведені

за методикою ТОКСІ……………………………………..

Додаток Б. Програмний код для створення KML-

файлів………………………………………………………

Додаток В. Побудова полів концентрації. Дані……..

146

157

163

ВСТУП

Актуальність теми. Навколишнє середовище перебуває

під постійним антропогенним впливом, який з кожним роком

посилюється і має як позитивні, так і негативні наслідки. Теоре-

тичні та експериментальні дослідження є джерелом даних для

здійснення оцінки його стану та прогнозування, що, у свою

чергу, дозволяє визначити стратегію і тактику попередження та

запобігання техногенним і екологічним катастрофам.

При розв’язанні задач моніторингу забруднення повітря,

води і грунтів виникають значні труднощі, пов’язані з відсут-

ністю інформації, її неповнотою та суперечливістю. На сьо-

годні відсутній єдиний підхід до розробки методології та

практичного впровадження технологій, які враховують як не-

перервну динаміку процесів у навколишньому середовищі,

так і певний «дискретний волюнтаризм» відповідальних осіб.

Незначна увага приділяється розробці моделей і методів ви-

значення забрудненості грунтів та водного басейну. Найчас-

тіше рішення приймають по факту аварії в критичних умо-

вах, що є причиною значної кількості помилок. Якщо ж має

місце рішення колективу експертів, то воно, звичайно, є об’єк-

тивізованим, але необхідно враховувати різнорівневу компе-

тентність осіб, які беруть участь у цьому процесі, що не зав-

жди вдається.

Проблеми розробки моделей, методів та систем моніто-

рингу локального і регіонального забруднення місцевості, їх

використання для експериментального вивчення забруднення

атмосферного повітря, грунту, водних об’єктів вивчали багато

науковців, у тому числі: Ю.О. Абрамов, А.В. Іванов, С.В. Ісаєв,

М.В. Лісанов, Л.Ф. Ноженкова, С.І. Сумской, О.В. Шатровська,

І.В. Шостак та ін.

Детальний аналіз наукових публікацій та проблем моні-

торингу навколишнього середовища свідчить про недостат-

ність використання лише табличної інформації та відомих за-

лежностей, а і про необхідність врахування апріорної інфор-

мації різного, можливо суперечливого характеру. Така інфор-

мація найчастіше має суб’єктивний характер і відображає дос-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

від експертів. Крім того, незважаючи на те, що процеси поши-

рення небезпечних хімічних речовин у післяаварійний пе-

ріод мають неперервний характер, і через це їх, найчастіше,

описують диференціальними рівняннями, необхідно врахо-

вувати вплив зовнішнього середовища. Наслідком цього буде

представлення відповідних процесів логіко-динамічними рів-

няннями або, через складність їх розв’язання та слабкої стру-

ктурованості самих процесів, з використанням технологій

штучного інтелекту.

Таким чином, задача розробки моделей і методів моніто-

рингу концентрації небезпечних хімічних речовин, які базу-

ватимуться на інтегральному врахуванні табличних даних,

результатів математичного моделювання та експертних ви-

сновків, є важливою і актуальною.

Проблема визначення концентрації небезпечних хімічних речовин

Розділ 1. ПРОБЛЕМА ВИЗНАЧЕННЯ

КОНЦЕНТРАЦІЇ НЕБЕЗПЕЧНИХ ХІМІЧНИХ

РЕЧОВИН ТА ЇЇ МОНІТОРИНГУ

У ПІСЛЯАВАРІЙНИЙ ПЕРІОД

Поряд із пожежами та автомобільними аваріями хімічні

аварії призводять до найбільших людських жертв. Їх наслід-

ком також є зараження навколишнього середовища і тому за-

дача мінімізації негативних наслідків хімічних аварій є важли-

вою і актуальною. Традиційно її намагаються розв’язувати у

післяаварійний період в умовах, коли особа, що приймає рі-

шення, відчуваючи відповідальність, робить помилки, які ма-

ють фатальні наслідки. Зменшити негативний психологічний

вплив могло б доаварійне прогнозування і розробка можли-

вих сценаріїв дій у випадку аварії.

У першому розділі виконується визначення особливостей

хімічних аварій; аспектів, що супроводжують процеси прийн-

яття рішень; робиться висновок про необхідність створення

інформаційно-аналітичних систем, які дозволили б

об’єктивізувати управління в аварійних умовах та розподіл

потрібних ресурсів. Згідно із складовими системного підходу

виконується аналіз сучасних технологій прогнозування кон-

центрації небезпечної хімічної речовини, визначаються їх

особливості, переваги та недоліки. Показується актуальність

застосування новітніх інформаційних технологій, методів та

моделей штучного інтелекту, оскільки неструктурованість або

слабка структурованість релевантних задач є безсумнівною.

Наявність кількісних та якісних показників визначає особ-

ливість визначення концентрації небезпечних хімічних речо-

вин у післяаварійний період. Точне прогнозування дозволяє

будувати динамічні поля концентрації та є необхідною умо-

вою ефективних рішень.

Для розв’язання науково-технічної задачі дослідження да-лі

будується структурно-логічна схема дослідження, чим вносить-

ся певна структура в цей процес, визначаються «реперні» точ-

ки, пояснюються особливості реалізації того чи іншого етапу.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

1.1. Прогнозування концентрації небезпечних хімічних

речовин після аварійного викиду – необхідна умова

мінімізації негативних наслідків аварії

Сучасний світ відрізняють кілька домінуючих тенденцій.

Серед них дві можна вважати визначальними, а саме, широке

поширення інформаційних технологій і ріст техногенної та

екологічної навантаженості навколишнього середовища. І, як-

що перша тенденція, у цілому, несе в собі позитивний ефект

для суспільства, то ріст населення Землі й споживацького від-

ношення до природи, а також зменшення запасів корисних

копалин веде до інтенсифікації металургійної, енергетичної й

хімічної галузей. Проблеми із харчуванням, якістю питної во-

ди, глобальним потеплінням, чистотою навколишнього сере-

довища підсилюються потенційними загрозами катастроф та

аварій. Події останніх років в Україні, землетруси та цунамі в

США і Японії свідчать про необхідність прогнозування май-

бутніх процесів, проведення їх сценарного аналізу [60] та мі-

німізацію негативних наслідків.

Виробництво небезпечних хімічних речовин як необхід-

них елементів у різних областях промисловості й сільського

господарства має тенденцію до збільшення рік за роком. Зно-

шеність устаткування й прагнення до збільшення норми при-

бутку, а також людський фактор і випадковий збіг обставин є

причинами численних хімічних аварій.

Незважаючи на перерозподіл світових фінансових потоків

у напрямку інформаційних технологій, не зменшується виро-

бництво у хімічній, металургійній та енергетичних галузях.

Індустріалізація сучасного світу, зростання техногенної нава-

нтаженості сучасних підприємств, кадровий дефіцит, праг-

нення до більш високої норми прибутку, зменшення уваги до

безпеки життєдіяльності й охорони праці призводить до нех-

тування умовами безпечного виробництва та, як наслідок, до

виникнення хімічних аварій, техногенних та екологічних ка-

тастроф, які в останні роки стали неодмінним атрибутом по-

всякденного життя.

Проблема визначення концентрації небезпечних хімічних речовин

Проблема хімічної безпеки особливо гостро присутня і в

Україні, де хімічна промисловість поряд з металургійним ви-

робництвом, енергетикою й сільським господарством займає

провідне місце в структурі господарювання. Тисячі небезпеч-

них хімічних об'єктів продовжують функціонувати, що, вра-

ховуючи зношеність основних фондів та інші, у т.ч. випадкові

фактори, становлять небезпеку для людини і її середовища

проживання. Хімічні аварії є високоймовірними подіями, во-

ни мають велику швидкість протікання, характеризуються не-

безпекою для персоналу й населення навколишніх міст, мож-

ливістю виникнення екологічних проблем при неправильній

ліквідації наслідків та значною невизначеністю. В таких умо-

вах розв’язання задач прогнозування аварій, їх наслідків відіг-

рає важливу роль при прийнятті рішень.

Існуюча система подолання наслідків техногенних і еколо-

гічних катастроф традиційно обмежена рамками Державної

служби з надзвичайних ситуацій України (ДСНС), функціо-

нує і направлена на боротьбу з наслідками надзвичайних си-

туацій (НС). Така орієнтованість часто дозволяє зменшити ма-

теріальні збитки і в окремих випадках запобігти людським

жертвам. У ситуаціях, коли складно здійснити управлінську

дію на першоджерело аварії, існує необхідність прогнозуван-

ня аварійних ситуацій та розробки сценаріїв можливих дій як

співробітників підприємств, так і населення та аварійно-ряту-

вальних служб (АРС).

Наведемо тільки деякі аварії минулого століття й останніх

років [64]:

– у 1976 році в м. Севезо (Італія) від наслідків хімічної аварії

постраждало більше 1000 людей;

– у 1978 р. у м. Сучжоу (Китай) загинули 3000 чол.;

– у 1984 р. у м. Бхопал (Індія) загинуло 4035 чол.;

– у 1998 році в Ярославлі (Росія) у зоні ураження виявилось

більше 3000 чол.;

– у 1989 р. у м. Іонава (Литва) вилилось 7000 тон рідкого аміаку;

– у 1991 р. у Мексиці від наслідків хімічної аварії 17 чоловік

загинули, 500 постраждали;

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

– у 2010 р. в Угорщині роз герметизувався резервуар з ток-

сичними відходами, 10 людей загинули;

– у 2012 році в Латвії поїзд зійшов з рейок і 180 т хімічних

речовин вилилось у ґрунт;

– у 2012 р. у Німеччині відбулася хімічна аварія з виділен-

ням хлору і 39 людей постраждали;

– у 2007 році в Україні зійшов з рейок поїзд із жовтим фос-

фором, сотні людей постраждали;

– у м. Горлівка (Україна) в 2013 р. відбувся витік аміаку, за-

гинули п'ять людей.

Вище наведені найбільші аварії, але їх загальна кількість за

цей час обчислюється десятками й сотнями тисяч. Було б пе-

редчасним вважати, що в найближчому майбутньому кіль-

кість аварій зменшиться. Тому важливою задачею є мінімізація

негативних їх наслідків, до яких, у першу чергу, відносять-ся

людські жертви, екологічні катастрофи й матеріальні збитки.

Її розв'язання залежить від якості прийнятих рішень як до

аварії, так і після неї. Інформаційною основою при цьому

служать дані про параметри аварії, концентрацію небезпечної

хімічної речовини та її динаміку в зоні зараження. Така ін-

формація дозволяє в доаварійний період здійснювати прогно-

зування й виконувати сценарний аналіз, а в післяаварійний –

вчасно евакуювати людей і проводити відповідні заходи. Така

кількість аварій і катастроф свідчить про актуальність розроб-

ки технологій, які б дозволили здійснювати прогнозування

концентрації небезпечних речовин у часі й просторі, оскільки

зони ураження є дуже значними, а результати прогнозування

є вихідним матеріалом для проведення відповідних заходів.

На практиці після виникненні аварії проходить значний

час, пов'язаний з розрахунками, урахуванням впливових фак-

торів, розробкою сценарію дій, який найчастіше виявляється

зовсім не оптимальним, внаслідок критичності часу на прий-

няття рішень. Крім того, відзначимо, що більшість хімічних

аварій відбувається внаслідок композиції детермінованих та

випадкових процесів і мають дві складові (оперативну та дов-

готривалу): по-перше, вони відбуваються, як правило, раптово

в результаті збігу обставин й їх наслідком є людські жертви і

Проблема визначення концентрації небезпечних хімічних речовин

матеріальні збитки; по-друге, викид небезпечної хімічної ре-

човини (НХР) призводить до забруднення навколишнього се-

редовища і, як наслідок, знову до жертв і збитків, які відбува-

ються, на відміну від першого випадку, не негайно, а впро-

довж певного часу. Таким чином, прогнозування аварій має

комплексний характер: прогнозування аварії як такої, що мо-

же статися, і прогнозування катастрофічних рівнів концентра-

ції НХР у часі. Ефективне прогнозування складає основу запо-

біганню людських жертв та мінімізації матеріальних збитків.

1.2. Особливості виникнення та попередження хімічних

аварій

Сучасний світ відзначає значна кількість аварій, наслідком

яких є людські жертви, економічні катастрофи та значні мате-

ріальні збитки. Люди можуть загинути як безпосередньо при

аварії, так і з часом внаслідок дії різного роду вражаючих фак-

торів. Екологічні катастрофи призводять до малопрогнозова-

них як за кількісними, так і за якісними параметрами наслід-

ків, в т.ч. і до людських жертв.

Як встановлено вище, основними причинами хімічних

аварій є складна соціально-економічна ситуація, зниження

технологічної дисципліни, зношеність обладнання промисло-

вих підприємств та інфраструктури. Внаслідок її виникнення

на значних територіях може скластись складна хімічна обста-

новка з утворенням зон хімічного зараження. Намагаючись

розробляти моделі прогнозування для побудови полів кон-

центрації, потрібно знати особливості виникнення хімічних

аварій, характеристики процесу поширення небезпечної хімі-

чної речовини у просторі та у часі.

Наведемо основні визначення, які надалі будуть зустріча-

тись у роботі [93].

Хімічно-небезпечний об’єкт (ХНО) – промисловий об’єкт

(підприємство) або його структурні підрозділи, на якому зна-

ходяться в обігу небезпечні хімічні речовини і при аваріях на

якому можливі зараження довкілля, ураження тварин і людей.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Небезпечна хімічна речовина – хімічна речовина, безпо-

середня чи опосередкована дія якої може спричинити заги-

бель, гостре чи хронічне захворювання або отруєння людей і

завдати шкоди довкіллю.

Хімічна аварія – це подія техногенного характеру, що від-

булась на ХНО внаслідок виробничих, конструктивних, тех-

нологічних чи експлуатаційних причин або від випадкових

зовнішніх впливів, що призвела до пошкодження технологіч-

ного обладнання, пристроїв, споруд, транспортних засобів з

виливом (викидом) НХР в атмосферу і реально загрожує жит-

тю або здоров’ю людей.

Зоною хімічного забруднення (ЗХЗ) називається територія

чи акваторія, в межах якої поширені чи привнесені НХР, що

складають небезпеку для життя і здоров’я людей, сільськогос-

подарських тварин на протязі певного часу. Вона включає те-

риторію безпосереднього розливу НХВ і територію, над якою

поширилась хмара забрудненого повітря із небезпечни-ми

концентраціями, і яка залежить від фізико-хімічних властиво-

стей, токсичності, кількості розлитої чи викинутої в атмосфе-

ру НХР, метеорологічних умов та характеру місцевості. При

прогнозуванні масштабів зараження НХР визначаються роз-

міри зон можливого і фактичного хімічного зараження. Зона

можливого хімічного зараження (ЗМХЗ) – територія, у межах

якої внаслідок зміни напрямку вітру може переміщатись хма-

ра НХР з критичними концентраціями.

Зона фактичного хімічного зараження (ЗФХЗ) – розрахун-

кова зона в межах ЗМХЗ, параметри якої приблизно визнача-

ються за формою еліпса.

Розміри ЗХЗ характеризуються глибиною і шириною по-

ширення хмари забрудненого повітря з небезпечними кон-

центраціями і площею розливу. Всередині зони можуть бути

райони з смертельними концентраціями. Глибина ЗХЗ може

коливатись від десятків метрів до десятків кілометрів. Вона за-

лежить від поширення первинної та вторинної хмари і зна-

чно залежить від метеорологічних умов, рельєфу місцевості та

щільності забудови.

Хмара НХР – суміш парів і дрібних крапель НХР з повіт-

рям в обсягах (концентраціях), небезпечних для здоров’я лю-

Проблема визначення концентрації небезпечних хімічних речовин

дей і навколишнього середовища (критичних концентраціях).

Розрізняють первинну і вторинну хмару зараженого повітря.

Первинна хмара НХР – це пароподібна частина НХР, яка зна-

ходиться в ємності над поверхнею зрідженої речовини і яка

миттєво виходить в атмосферу безпосередньо при руйнуванні

ємності. Вторинна хмара НХР – це хмара НХР, яка виникає

протягом певного часу внаслідок випарювання розлитої речо-

вини з підстильної поверхні. Зображення на топографічних

картах ЗФХЗ у вигляді еліпса відповідає її розмірам на фіксо-

ваний момент часу

. На топографічних картах ЗМХЗ зобра-

жується у вигляді сектора, форма і розміри якого залежать від

швидкості та напрямку вітру. Еквівалентна кількість НХР —

це така кількість хлору, масштаб зараження яким в умовах ін-

версії еквівалентний масштабу зараження кількістю даної ре-

човини при даних погодних умовах.

Істотний вплив на глибину ЗХЗ здійснює міра вертикаль-

ної стійкості приземного шару повітря. Розглядають три осно-

вних типи стійкості атмосфери (табл. 1.1):

– нестійка (конвекція) – нижній шар повітря нагрітий сильні-

ше верхнього, має місце при сонячній літній погоді;

– ізотермія – температура повітря на висотах до 30 м від по-

верхні землі майже однакова, характерна для змінної хмар-

ності протягом дня, хмарного дня і хмарної ночі, а також

дощової погоди;

– стійка (інверсія) – нижні шари повітря холодніші верхніх,

має місце ясної ночі, морозного зимового дня, а також у ра-

нішні та вечірні години.

Інверсія перешкоджає розсіюванню зараженого повітря по

висоті і створює найбільш сприятливі умови для збережен-ня

високих концентрацій НХР. Ізотермія – характеризується ста-

більною рівновагою повітря. Це також сприяє тривалому за-

стою парів НХР на місцевості, у лісі, в житлових кварталах міст

і населених пунктів. При конвекції мають місце висхідні пото-

ки повітря, що сприяє швидкому розсіюванню хмари зараже-

ного повітря і зменшенню вражаючої дії НХР.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Таблиця 1.1.

Типи вертикальної стійкості повітря

Ніч Ранок День Вечір

Швидкість вітру

Ясно,

змінна

хмарність

Суцільна хмар-

ність

Ясно, змінна

хмарність

Суцільна хмар-

ність

Ясно, змінна

хмарність

Суцільна хмар-

ність

Ясно, змінна

хмарність

Суцільна хмар-

ність

інверсія

ізотермія

ізотер-мія (ін-

версія)

ізотермія

конвекція (ізо-

термія)

ізотермія

інверсія

3,9

інверсія

ізотермія

ізотермія (інвер-

сія)

ізотермія

(інверсія )

ізотермія

інверсія

ізотермія

Проблема визначення концентрації небезпечних хімічних речовин

У більшості випадків при розрахунках приймають, що мі-

ра вертикальної стійкості атмосфери залишається незмінною:

– вранці і ввечері – не більше 3 годин;

– вдень і вночі, весною і восени, вдень взимку і вночі влітку —

не більше 6 годин;

– вдень влітку і вночі взимку – не більше 9 годин.

При інверсії хмара зараженого повітря поширюється на

більш значні відстані, ніж при ізотермії і конвекції. Найменша

глибина спостерігається при конвекції. На глибину зони хімі-

чного ураження впливає площа розливу НХВ.

При доаварійному прогнозуванні хімічних аварій з метою

визначення зони ураження, як правило, застосовуються на-

ступні припущення:

– ємкості, що містять НХР, руйнуються повністю;

– товщина шару НХР, що розлилась на поверхню, вважа-

ється рівною 0,05 м або 0,5 м. для аміаку;

– при проливі НХР з ємкостей, що мають самостійний під-

дон висотою Н, товщина шару рідини приймається 0,2 м;

– при аварії на газо- продуктопроводах величина викиду

НХР вважається рівною його максимальній кількості, що міс-

титься в трубопроводі між автоматичними перегородками;

– граничний час перебування людей в зоні зараження

прий-мається рівним часу випаровування НХР, але не більше

4 годин.

Вихідними даними для довгострокового прогнозування є:

– загальна кількість НХР на НХО і дані щодо його розмі-

щення в ємкостях і технологічних трубопроводах;

– кількість НХР, викинутих в атмосферу, і характер їх роз-

ливу (в піддон, в обвалування чи в грунт);

– токсичні властивості НХР;

– метеорологічні умови (температура повітря, швидкість ві-

тру на висоті 10 м, стан приземного шару повітря); при про-

гнозуванні приймають, що температура повітря дорівнює 20С,

швидкість вітру — 1 м/с, а стан атмосфери – інверсія.

Визначивши зону зараження, справедливо вважають, що

всі 100% людей, які в ній знаходяться, можуть бути уражені,

якщо вони не будуть забезпечені відповідними засобами захи-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

сту. При 100% забезпеченні людей засобами захисту кількість

уражених не перевищить 3-5%, що буде визначатись тільки

технічними причинами. При поширенні первинної хмари

хлору чи аміаку кількість уражених, як правило складає 20-30

%, при наявності засобів захисту – не більше 1-3%. Якщо пер-

винна хмара відсутня, то ураження людей, в більшості випа-

дків буде мати місце лише в районі аварії.

Прогнозування наслідків хімічних аварій значно залежить

від клімату місцевості, зокрема, характерних для неї мас-

штабних атмосферних явищ. При певних погодних умовах

потрібно враховувати домінуючий вплив масштабних явищ

або локальних погодних умов. Якщо має місце сильний вітер,

хмарність і опади, то впливом локальних умов можна знехту-

вати. У випадку малої швидкості вітру, безхмарної погоди ло-

кальні умови домінують над синоптичними процесами.

Особливості поширення НХР тісно пов’язані з розгляну-

тими процесами і мають визначатись у кожному випадку кон-

кретно з урахуванням властивостей речовини і умов її збері-

гання. Якщо руйнується ємкість із зрідженим газом чи низь-

кокиплячими НХР домінування гравітаційних факторів в по-

чатковий момент поширення НХР призводить до того, що на-

прямок руху хмари і швидкість її переміщення визначаються

в основному рельєфом місцевості і мають місце значні конце-

нтрації НХР у низинах та підвалах будівель, що становить

значну загрозу для людей, які там знаходяться.

Надалі поширення НХР визначається швидкістю та на-

прямком вітру. Для міст існує кореляція між напрямком руху

хмари НХР та напрямком міських транспортних магістралей.

Існують відмінності у визначенні концентрації НХР у містах:

для районів із хаотичною забудовою її визначають аналогічно

як для лісової місцевості, якщо має місце впорядкована забу-

дова, строге районування, то визначення концентрації здійс-

нюють аналогічно рівнинній місцевості.

При аваріях на ХНО можуть виникнути НС з хімічними

ситуаціями чотирьох основних типів. Надзвичайні ситуації

першого типу виникають у випадку розгерметизації ємкостей

або технологічного обладнання, що містить газоподібні (під

Проблема визначення концентрації небезпечних хімічних речовин

тиском), кріогенні, перегріті зріджені НХВ. При цьому утво-

рюється первинна парогазова або аерозольна хмара з високою

концентрацією НХВ, що поширюється за вітром.

Надзвичайні ситуації другого типу виникають при ава-

рійних викидах або проливах отруйних газів, що використо-

вуються на виробництві або транспортуються (аміак, хлор та

ін.), перегрітих токсичних рідин з температурою кипіння

нижче температури навколишнього середовища. При цьому

частина НХВ (не більше 10 %) швидко випаровується, утво-

рюючи первинну хмару парів смертельної концентрації; інша

частина виливається в піддон або на підстилаючу поверхню,

поступово випаровується, утворюючи вторинну хмару з небе-

зпечними концентраціями.

Третій тип НС виникає при проливі у піддон або на підс-

тилаючу поверхню значної кількості зріджених (при ізотермі-

чному зберіганні) або рідких НХР з температурою кипіння

нижче або близькою до температури навколишнього середо-

вища, а також при горінні більшої кількості добрив. При цьо-

му утворюється вторинна хмара парів НХР з небезпечними

концентраціями, які можуть поширюватись на більші відстані.

Надзвичайні ситуації четвертого типу мають місце при

аварійному викиді (проливі) значної кількості НХР (рідких з

температурою кипіння значно вищою за температуру навко-

лишнього середовища або твердих). При цьому відбувається

зараження місцевості (грунту, рослинності, води) у небезпеч-

них концентраціях.

Основним вражаючим фактором при НС з хімічною ситу-

ацією першого типу є інгаляційний вплив на людей і тварин

високих (смертельних) концентрацій парів НХР. Масштаби

ураження при цьому залежать від кількості викинутих НХР,

розмірів хмари, концентрації отруйної речовини, швидкості

вітру, стану приземного шару атмосфери (інверсія, конвекція,

ізотермія), щільності парів НХР (легше чи важче повітря), часу

доби, характеру місцевості (відкрита місцевість або міська за-

будова), щільності населення.

Вражаючі фактори в НС з хімічною ситуацією другого ти-

пу проявляються в інгаляційному впливі на людей і тварин

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

смертельних концентрацій первинної хмари (короткочасне) і

в тривалому впливі (години, добу) вторинної хмари з небезпе-

чними концентраціями парів. Крім того, пролив НХР може

заразити ґрунт і воду.

При НС з хімічною ситуацією утворюється вторинна хма-

ра парів НХР з небезпечними концентраціями, яка може по-

ширюватись на великі відстані. Основними небезпечними

факторами при НС з хімічною ситуацією четвертого типу є

небезпечні наслідки зараження людей і тварин при тривалому

знаходженні їх на зараженій місцевості внаслідок перораль-

ної та резорбтивної дії НХР на організм.

Локалізація та знезараження джерел хімічного зараження

має на меті подавити або знизити до мінімально можливого рів-

ня вплив шкідливих і небезпечних факторів, що становлять за-

грозу для життя і здоров'я людей, екології, а також ус-кладнюють

ведення рятувальних та інших невідкладних робіт на аварійно-

му об'єкті і в зоні хімічного зараження за межами ХНО.

Аварійно-рятувальні формування локалізують та ліквідо-

вують аварії, що ведуть до утворення осередків зараження

НХР. Порядок дій при локалізації таких осередків у кожному

конкретному випадку залежить від виду небезпечної речови-

ни, характеру пошкоджень, технологічної схеми виробництва

та інших умов.

Найбільш поширеними і небезпечними НХР є аміак і

хлор. При аваріях з викидом аміаку відключають пошкоджену

ділянку комунікації. Вилитий аміак зрошують водою (10 ч. во-

ди на 1 ч. аміаку). У разі пошкодження ємності з аміаком

включають автоматичну установку, перекачують аміак з пош-

кодженої ємності в іншу, місце розливу аміаку зрошують во-

дою. Для захисту органів дихання в приміщеннях, де розли-

тий аміак, використовують шлангові протигази з активною

подачею повітря.

При аварії з викидом рідкого хлору відключають пош-

коджену ділянку на комунікації, після припинення або ос-

лаблення витоку хлору пошкоджену ділянку трубопроводу

поливають водою, на дефектне місце трубопроводу надягають

хомут. При необхідності перекачують хлор в запасну ємність,

Проблема визначення концентрації небезпечних хімічних речовин

місце пошкодження рясно зрошують водою. Роботи ведуться

у протигазах.

Після локалізації вогнищ розливу НХР приступають до

знезараження (дегазації) вогнищ зараження. У першу чергу

дегазують під'їзні шляхи та внутрішньозаводські дороги (дво-

ри житлових будинків), потім знезаражують ділянки місцевос-

ті та об'єкти, які можуть бути джерелами зараження повітря .

Отруйні речовини знезаражують шляхом поливання дегазую-

чими розчинами, для чого використовують поливально-мийні

машини, автоцистерни, мотопомпи, пожежні автомобілі та

інші машини і механізми, пристосовані для розливу рідин. З

ділянок місцевості й доріг без покриття для видалення НХР

зрізують заражений шар грунту або засипають заражену діля-

нку незараженим грунтом.

Для надання допомоги постраждалим в епіцентр уражен-

ня вводяться підрозділи радіаційного, хімічного, біологічного

і медичного захисту, рятувальні підрозділи і сили для прове-

дення робіт з ліквідації наслідків витоку НХР. Їх основні зу-

силля спрямовуються на надання негайної медичної допомо-

ги постраждалим та їх евакуацію на незаражену місцевість, а

також на проведення знешкодження витоку НХР. Ці сили ви-

конують свої завдання у тісній взаємодії з аварійно-рятуваль-

ною службою об'єктів.

У першу чергу евакуації підлягають особи, які перебува-

ють без засобів захисту органів дихання. Потім евакуюють лю-

дей, що мають протигази і вже отримали першу долікарську

допомогу. В останню чергу евакуюють людей, укритих в при-

тулках з фільтровентиляційними установками. Пункти збору

уражених розташовують на незаражених ділянках з навітря-

ного боку від зони розливу НХР .

Евакуація уражених і неуражених з осередку ураження

потребує виділення необхідної кількості транспорту. Для роз-

шуку, винесення і посадки уражених людей на транспорт за-

лучаються носилкові ланки формувань різного призначення.

Евакуація неураженого населення, що знаходиться в схови-

щах, будівлях, укриттях проводиться пішим порядком, а та-

кож на будь-якому виді громадського та особистого транспорту.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

У ході рятувальних робіт у вторинному осередку зараження

основні зусилля спрямовуються на локалізацію джерел зараження.

Державна служба з надзвичайних ситуацій, усі її підрозді-

ли повинні мати інформацію про НХО на підвідомчій тери-

торії, тип і кількість НХР на цих об’єктах, мати прогноз утво-

рення можливих зон хімічного зараження при аваріях, органі-

зовувати моніторинг НХО, передбачати у планах дій по попе-

редженню і ліквідації НС необхідні заходи щодо ліквідації на-

слідків можливих хімічних аварій.

Довгострокове (оперативне) прогнозування здійснюється за-

здалегідь для визначення можливих масштабів зараження, сил і

засобів, які залучатимуться для ліквідації наслідків аварії, скла-

дання планів роботи та інших (довідкових) матеріалів. Прогно-

зування наслідків аварій на ХНО і транспорті здійснюється роз-

рахунковим методом з нанесенням прогнозованих зон хімічного

зараження на топографічну карту відповідного масштабу.

Аварійне прогнозування здійснюється під час виникнен-

ня аварії за даними розвідки для визначення можливих нас-

лідків аварії та порядку дій в зоні можливого зараження. Ме-

тодика застосовується тільки для НХР, які зберігаються у газо-

подібному або рідкому стані і які в момент викиду (впливу)

переходять у первинну або/і вторинну хмару НХР.

Для аварійного прогнозування використовуються такі дані:

– загальна кількість НХР в ємності (трубопроводі) на момент

аварії;

– характер розливу НХР на підстильній поверхні (“вільно” або

“у піддон”);

– висота обвалування (піддону);

– реальні метеорологічні умови: температура повітря (Со),

швидкість (м/с) і напрямок вітру у приземному шарі атмос-

фери, ступінь вертикальної стійкості повітря (СВСП).

Приймається, що при вільному розливі на підстильну по-

верхню висота шару (h) НХР не перевищує 0,05 м. При розли-

ві, у піддон висота шару розлитої НХР має бути h=Н-0,2 м, де

Н – висота обвалування ємності з НХР, або ж висота піддону.

Прогнозування здійснюється на термін не більше 4 годин,

після чого прогноз має бути уточнений.

Проблема визначення концентрації небезпечних хімічних речовин

1.3. Аналітичний огляд моделей, методів, методик та

автоматизованих систем моделювання і

прогнозування наслідків хімічних аварій

Аварії на хімічних підприємствах несуть велику небезпе-

ку, оскільки вражаюча дія проявляється при малих концерн-

траціях НХР, а швидкість поширення є порівняно високою.

Адекватність і своєчасне прийняття рішень у таких умовах

буде сприяти зменшенню кількості жертв і потерпілих, прове-

денню відповідних заходів. Їх основою є своєчасне прогнозу-

вання динаміки концентрації НХР на місцевості. Відомо, що

поширення НХР характеризується розміром зони ураження й

швидкістю переміщення небезпечної хмари. У середньому,

така хмара переміщується зі швидкістю вітру, що трохи спро-

щує розрахунки.

Типовими характеристиками аварії на виробництві є [89]:

– швидкоплинність, що пов’язано з обмеженим часом дії дже-

рела аварії;

– велика небезпека для персоналу підприємства та населення;

– можливість переростання аварії при неправильних діях по її

ліквідації в значну екологічну проблему;

– необхідність прийняття рішень в умовах неповної інформа-

ції.

Вищевказані особливості хімічних аварій вказують на ак-

туальність розв’язання задач, які на макрорівні можна розді-

лити на три класи. До першого класу відносяться задачі про-

гнозування розвитку різного роду процесів, що через певний

збіг обставин можуть призвести до аварій. Задачі другого кла-

су розв'язуються або мають безпосереднє відношення до мо-

менту виникнення аварії і припускають визначення масшта-

бів аварії, динаміки наслідків і прийняття рішень щодо їх по-

долання. Визначення зони ураження, концентрації шкідливих

речовин у всій зараженій зоні, здійснення прогнозу подаль-

ших дій складають основний зміст задач третього класу. Тра-

диційно таке прогнозування здійснюється шляхом аналітич-

них розрахунків з використанням даних про час та місце аварії,

значень погодно-кліматичних факторів. Основні напрямки на-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

укових досліджень та короткий аналіз релевантних робіт наве-

дено нижче.

Яким чином на сьогоднішній день здійснюється розв’я-

зання зазначених задач? У першу чергу застосовуються таб-

лиці, в яких вказані нормативні значення параметрів речовин,

що становлять небезпеку для навколишнього середовища вза-

галі і людини, зокрема. Далі на підставі розроблених методик

і формул розраховуються площі зараження і концентрації

шкідливих речовин [11, 57, 58]. Важливо розуміти, що розпо-

всюдження небезпечних речовин у воді, в повітрі та на ґрунті

має абсолютно різну природу і для опису відповідних проце-

сів раціонально застосовувати різний математичний апарат.

Таким чином, до недоліків сучасних технологій оцінки

наслідків техногенних і екологічних катастроф можна віднес-

ти наступні:

1. Відсутній єдиний підхід до розробки методології і

практичного впровадження технологій, що враховують як не-

перервну динаміку навколишнього середовища, так і певний

«дискретний волюнтаризм» особи, що приймає рішення.

2. Відсутні методики запобігання аваріям і катастрофам

та прогнозування надзвичайних подій.

3. Мала увага надається розробці технологій визначен-

ня зараженості ґрунту і водного басейну, а також їх взаємо-

забрудненню і взаємовпливу.

4. Відсутні елементи сценарного аналізу [60] і, як наслі-

док, рішення приймаються за фактом аварії в критичних умо-

вах, коли особа, що приймає рішення, відчуває всю глибину

відповідальності та під її впливом помиляється.

5. Якщо рішення приймається колективом експертів, то

воно, безумовно, більш об’єктивізоване, але необхідно врахо-

вувати різнорівневу компетентність осіб, що беруть участь у

цьому процесі, що не завжди вдається.

6. Хоча процеси поширення НХР мають неперервний

характер, і через це їх, найчастіше описують диференціаль-

ними рівняннями, необхідно враховувати умови зовнішнього

середовища. Результатом такого врахування буде представ-

лення відповідних процесів логіко-динамічними рівняннями

Проблема визначення концентрації небезпечних хімічних речовин

або, через складність розв’язання перших і слабку структуро-

ваність самих процесів, з використанням технологій штучного

інтелекту [39].

У таких умовах розв'язання задач прогнозування аварій та

їх наслідків відіграють важливу роль при прийнятті рішень.

Відзначимо, що в сучасній науковій літературі такі задачі сла-

бко представлені. Їхній спектр носить загальний теоретичний

характер при повній відсутності прив'язки до реальних об'єк-

тів і ситуацій. Ілюстрацією такого підходу з однієї сторони є

робота [110], де описане макропрогнозування інформаційних

індексів екологічної безпеки з використанням нейромережної

моделі, і дисертація [98], в якій запропоновані моделі для здій-

снення моніторингу потенційно-небезпечних об'єк-тів на ос-

нові логіко-імовірнісного моделювання – з іншої сторони. Ре-

зультати, викладені в першій статті, створюють інформацій-

ний привід для висновків про рівень небезпеки проживання в

регіоні; моделі, запропоновані в [98], дозволяють оцінити ри-

зики аварійної ситуації й можливі сценарії дій осіб, що прий-

мають рішення.

Значна частина релевантних робіт присвячена досліджен-

ню граничних рівнів концентрації вибухонебезпечних речо-

вин. Зокрема, в [128] встановлено нижню концентраційну ме-

жу займання, тобто мінімальний вміст пального у суміші «го-

рюча речовина-окислювальне середовище». Вважають, що як-

що концентрація менша такої межі, то умови ведення техно-

логічного процесу мають бути безпечними. У [29] запропоно-

вано розв’язання такої ж задачі для відкритих територій. Ав-

тори [74, 77] пропонують для розв’язання задач планування

запобігання та ліквідації надзвичайних ситуацій використову-

вати технології обчислювального інтелекту. При цьому як ос-

нову відповідної гібридної системи вважають за доцільне ви-

користовувати штучні нейронні мережі, а як її компонен- ти –

експертні та нечіткі системи, генетичні алгоритми, фрактали,

елементи когнітивної комп’ютерної графіки. Не сумніваючись

в раціональності такої пропозиції, зауважимо, що автори не

вказують на конкретні моделі та технології, в яких реалізують-

ся відповідні ідеї. Ці та інші роботи акцентують увагу на про-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

гнозуванні майбутніх подій, точність та коригування прогно-

зів залишається поза увагою дослідників.

Прогнозування концентрації НХР супроводжується знач-

ною невизначеністю [67]. Для кількісного опису процесу по-

ширення НХР сьогодні відомі три підходи [10, 22, 87], що ба-

зуються на використанні:

– гаусівських або дисперсійних моделей;

– моделей розсіювання, у яких використовуються інтеграль-

ні закони збереження маси в хмарі при залповому викиді,

сюди ж включаються моделі «важкого газу» [92];

– моделей прямого чисельного моделювання.

У гаусівських моделях вводять евристики, які полягають в

емпіричному визначенні коефіцієнтів, що описують атмосфе-

рну турбулентність. Самі моделі описують два процеси в ат-

мосфері – переміщення в полі вітру й розсіювання за рахунок

атмосферної турбулентності. Недоліком таких моделей є не-

достатня точність поблизу місця викиду при сильному викиді.

Поведінка НХР при викиді є набагато складнішою, ніж це

представляється в гаусівських моделях, оскільки не врахову-

ються наведені течії й висока густина речовини. Тому, за кор-

доном були розроблені спеціальні моделі, у яких враховува-

лись відповідні особливості НХР ("важкий газ") і які названі

моделями розсіювання "важкого газу". Відомі реалізації таких

моделей: методика Всесвітнього банку [116], HGGYSTEM [20],

запропоновані в ГОСТ Р12.3.047-98 [44], методика РД 52.04.253-

90 [117]. Загальним недоліком таких методів є завищені реаль-

ні наслідки аварій.

Газодинамічні моделі є складними при реалізації. Трудо-

місткість їх реалізації вступає в протиріччя з доцільністю й по-

зитивним ефектом [53, 75, 87]. Деякі переваги в порівнянні із

зазначеними моделями має методика "ТОКСІ-3", описана в [38,

90, 124]. Реалізовані в ній моделі базуються на описі розсію-

вання "важкого газу" і використанні інтегральних представ-

лень. Така композиція дозволяє ненабагато перевищити час

розрахунків у порівнянні з гаусівськими моделями, але значно

підвищити їхню точність.

Проблема визначення концентрації небезпечних хімічних речовин

Аналіз моделей зазначених трьох класів дозволяє зробити

висновок про теоретичну доцільність їх побудови й раціона-

льність використання для попередньої, грубої оцінки.

Кожне хімічне підприємство або маршрут транспорту-

вання НХР має особливості, які в досліджених моделях не мо-

жуть бути враховані. До них відносяться: рельєф місцевості,

споруди, насадження, транспортні потоки тощо. Невизначе-

ність, яку вносять такі об'єкти й системи у процес визначення

концентрації НХР у післяаварійний період, не дозволяє здійс-

нювати адекватне прогнозування й, відповідно, вживати адек-

ватних заходів щодо порятунку населення й мінімізації еколо-

гічних збитків.

Як уже було зазначено раніше, найпоширенішими на сто-

гоні підходами до визначення концентрації НХР є наступні

два: відповідно першому домінантне положення займають

стохастичні моделі [43, 96, 97], для другого підходу характерна

розробка й дослідження дисперсійних і газодинамічних моде-

лей [29]. У першому випадку відбувається усереднення зна-

чень деяких параметрів аварії й, як наслідок, відбувається

згладжування розраховуваних концентрацій НХР. Для мате-

матичних моделей у формі диференціальних рівнянь у час-

тинних похідних процес моделювання ускладнюється внаслі-

док великої кількості перетворень при алгоритмізації й обчи-

сленнях. Як у першому, так і у другому випадках моделюван-

ня аварій та їх наслідків носить більше дослідницький, науко-

во-споглядальний характер, оскільки передбачається лінійне

переміщення первинної та вторинної хмари, а також відсутні

можливості врахування особливостей конкретної аварії, рель-

єфу місцевості забудови.

Ще однієї особливістю розглянутих підходів є неможли-

вість проведення фізичних експериментів, тому їх автори орі-

єнтуються на результати досліджень, проведених у 1982-1983

роках на відкритому просторі в містечку Торней-Айленд в

Англії [14, 16]. Порівняльний аналіз результатів випробувань і

результатів, отриманих за методикою ТОКСІ-3, наведений в

[87, 91]. Незважаючи на прийнятну якість результатів, не мож-

на не відзначити, що використання будь-якого методу, в осно-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

ві якого лежить аналітичний вираз, раніше або пізніше приз-

водить до зміщеності результату. Тому різною є точність ре-

зультатів, отриманих за різними методиками для концен-

трації НХР поблизу джерела викиду й на відстані від нього.

У роботі [33] встановлено нижню концентраційну межу

займання, тобто мінімальний вміст пального у суміші «горюча

речовина-окислювальне середовище». Вважають, що якщо

концентрація менша такої межі, то умови ведення технологіч-

ного процесу мають бути безпечними. Встановлено, що умо-

вою пожежовибухобезпеки процесів виробництв, перероблен-

ня, зберігання і транспортування речовин і матеріалів є вико-

нання нерівності:

0,9( 0,7 ); 0,9( 0, 7 ),

безп НМЗ безп ВМЗ

С С R С С R

    (1.1)

де

безп

– безпечна концентрація горючої речовини, % (об),

г/м3 ; ,

НМЗ ВМЗ

С С – нижня і верхня концентраційні межі поши-

рення полум’я;

– відтворюваність методу визначення показ-

ника пожежної небезпеки за довірчої ймовірності 95% (для ни-

жньої межі він становить 0,3, для верхньої – 0,7). В [28] запропо-

новано розв’язання такої ж задачі для відкритих територій.

Автори [125] пропонують для розв’язання задач плану-

вання запобігання та ліквідації надзвичайних ситуацій вико-

ристовувати технології обчислювального інтелекту. При цьо-

му як основу відповідної гібридної системи вважають за доці-

льне використовувати штучні нейронні мережі, а компонен-

тами – експертні та нечіткі системи, генетичні алгоритми,

фрактали, елементи когнітивної комп’ютерної графіки. Не

сумніваючись в раціональності такої пропозиції, зауважимо,

що автори не вказують на конкретні моделі та технології, в

яких реалізуються відповідні ідеї.

У роботі [110] описано макропрогнозування інформацій-

них індексів екологічної безпеки з використанням нейроме-

Проблема визначення концентрації небезпечних хімічних речовин

режної моделі. В дисертації [133] запропоновані моделі, за до-

помогою яких здійснюється моніторинг потенційно небезпек-

них об’єктів на основі логіко-ймовірнісного моделювання, що

дозволяє оцінювати ризики аварійної ситуації та можливі сце-

нарії дій особи, що приймає рішення.

Проблеми побудови ефективних систем підтримки при-

йняття рішень (СППР) досить повно відображені в сучасній

науковій літературі. Множина підходів і пропозицій по конс-

труктивній реалізації таких систем приводить до закономір-

ного питання про їхню систематизацію й доцільність вико-

ристання в практиці роботи відповідних підприємств і служб.

Однієї з нових і перспективних ідей при побудові СППР

при хімічних аваріях є інтеграція елементів експертних систем

і геоінформаційних систем (ГІС). Автор [78] пропонує поклас-

ти в основу такої інтеграції продукційно-фреймові моделі

знань і використовувати об'єктно-орієнтований підхід. Але, як

і в інших роботах, не відображено яким чином буде здійснена

взаємодія з компонентами ГІС і яка інформація буде викорис-

товуватись для підтримки прийняття рішень.

Новий підхід до розв'язання проблеми оцінювання ризи-

ку складних надзвичайних ситуацій, що базується на динамі-

чних структурних моделях знань із автоматичною побудовою

можливих сценаріїв виникнення НС і розрахунками мас-

штабів наслідків розвитку НС, запропонований в [133]. Такий

підхід дозволяє враховувати логічний взаємозв'язок подій НС

складного характеру, що включає в себе пожежі, вибухи й ви-

тік небезпечних речовин. Така комплексність розгляду є пере-

вагою, але, винятково при попередньому моделюванні НС, її

результати мають низьку точність при визначенні конкретних

параметрів конкретної аварії.

Комплексність є провідною ідеєю й роботи [105], однак у її

основу покладений принцип системності при проектуванні

СППР при НС. Зокрема, розглянуті проблеми територіально-

го розміщення, формування сукупності функціональних за-

дач, інтелектуалізації процесів прийняття рішень з викорис-

танням автоматизованих систем, обліку картографічної й се-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

мантичної інформації. Безумовною її перевагою є пропозиція

розробки й використання сценарного аналізу.

Інтелектуалізації процесів прийняття рішень при аваріях

на хімічних підприємствах присвячена робота [95]. Її автор

класифікував СППР за типом використаного в них інструме-

нтарію, що базується на елементах штучного інтелекту, чим,

на наш погляд, змістив акценти із предметної області розв'я-

зуваної проблеми в область прикладних засобів.

Інтелектуальна СППР, запропонована у [85], складається з

моделюючої підсистем, що включає у себе ситуаційно-реко-

мендуючий модуль на основі нечітких мереж Петрі та алгори-

тмів нечітких логічних висновків, а також управляючої підси-

стеми, яка функціонує на основі використання продукційних

правил. Зважаючи на те, що СППР орієнтована на викорис-

тання персоналом підприємства й базується на експертних

висновках, було б раціонально використовувати її основні

елементи для прогнозування наслідків аварії.

У роботі [52] наведена типова структура комплексу інфо-

рмаційного й програмного забезпечення для аналізу ризику й

наслідків аварій на хімічно небезпечних об'єктах, що включає

в себе інформаційну підсистему, підсистему для аналізу виро-

бничої небезпеки, оцінки ризику й наслідків аварій, а також

підсистему для керування безпекою. Комплексний ха-рактер

розробки є її безсумнівною перевагою, але без можливості ви-

користання в режимі реального часу й обліку особливостей

аварії система втрачає актуальність.

Інший підхід запропонований у роботах Л.Ф. Ноженкової.

Вона пропонує зосереджувати зусилля на створенні трьох ти-

пів СППР: для стратегічного прогнозування надзвичайних си-

туацій [103], оперативного прогнозування виникнення й нас-

лідків НС [104], підтримки прийняття оперативних розв'язків

по ліквідації вогнища й наслідків НС [106]. Відзначимо, що та-

ка класифікація СППР є раціональної, застосовуваною й в ін-

ших галузях, але значний науковий інтерес представляє конс-

труктивне насичення її складових.

Таким чином, аналіз принципів і конструктивних особли-

востей проектованих СППР дозволяє зробити висновок про

Проблема визначення концентрації небезпечних хімічних речовин

різноманітність прийомів і способів їх створення. Присутність

елементів штучного інтелекту є умовою здійснення об'єктиві-

зації прийнятих розв'язків, спрощення їх інтерпретації, інте-

лектуалізації процесів прийняття рішень. Разом з тим, зали-

шаються проблеми інтеграції сучасних обчислювальних засо-

бів, програмного забезпечення, інтелектуальних методів та

існуючих методик визначення концентрації НХР у післяава-

рійний період. Критичність умов, при яких приймаються рі-

шення, нечіткість при оцінці ситуації, неповнота вихідних да-

них вимагають застосування нових підходів як до моделюван-

ня аварій та їх наслідків, так і до інформаційно-аналітич-ного

забезпечення процесів прийняття рішень.

1.4. Постановка задачі і структурно-логічна схема дослі-

дження

Для хімічних аварій натурний експеримент неможливий,

вони відбуваються раптово в силу збігу обставин і саме тому

важливу роль відіграє моделювання. Моделювання дозволяє

одержати апріорну інформацію про можливе протікання й

характер аварії, про її параметри, про можливі наслідки. Ре-

зультати моделювання не носять абсолютний характер, ос-

кільки будь-яка реальна хімічна аварія буде відрізнятися від її

модельованого аналога. Разом з тим, інформація, отримана в

результаті моделювання, є основою для прогнозування, визна-

чення можливої кількості жертв і матеріального збитку, бази-

сом процесів прийняття рішень.

Варто зазначити, що важливу роль відіграє як доаварійне

моделювання наслідків аварії, так і післяаварійне моделюван-

ня, що дозволяє уточнити раніше отримані результати. При

цьому час післяаварійного моделювання повинен бути якнай-

меншим, оскільки масштаби наслідків аварій залежать від шви-

дкості прийняття рішень і проведення відповідних заходів.

Одержані вище висновки дозволяють вербально сформу-

лювати задачу дослідження, яка полягає у прогнозуванні кон-

центрації НХР у післяаварійний період, здійснивши поперед-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

ню доаварійну структурну та параметричну ідентифікацію

моделей концентрації НХР, уточнивши за результатами де-

кількох вимірювань її значення та виконавши відповідне ко-

ригування моделі. Одержані результати дозволять здійснюва-

ти об’єктивізоване прийняття рішень у складних критичних

умовах у післяаварійний період.

Розглянемо кроки, які необхідно виконати для досягнення

мети дослідження (рис. 1.1). На першому етапі виконується

аналіз проблеми мінімізації наслідків хімічних аварій, що

включають в себе зараження повітря, води та грунту і призво-

дять до загибелі або тяжких захворювань людей. Далі визна-

чаються особливості виникнення і протікання хімічних ава-

рій, вказуються аспекти, які їх супроводжують. Встановлюють-

ся причини хімічних аварій, характеристики їх протікання в

часі, фактори, які випливають на швидкість поширення НХР

та значення її концентрації. Оскільки відповідні процеси ха-

рактеризуються значною невизначеністю та критичністю

процесів прийняття рішень, то потрібно звернути увагу на

роль експертів у доаварійній розробці сценаріїв дій на випа-

док можливих аварій, оскільки існуючі методики орієнтовані

на ідеальні умови виникнення та протікання аварій.

Встановлені особливості вказують на доцільність та раціо-

нальність застосування інформаційних технологій для про-

гнозування концентрації НХР у післяаварійний період. Вико-

наний аналіз ідей, принципів, моделей, методів та інструмен-

тальних засобів засвідчив уніфікованість застосованих мето-

дик без прив’язки до конкретної місцевості та особливостей

хімічних речовин, їх логістики та розміщення.

Проблема визначення концентрації небезпечних хімічних речовин

Рис 1.1 Структурно-логічна схема дослідження

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Зменшити невизначеність процесів прийняття рішень за-

пропоновано, використовуючи композицію елементів експер-

тного аналізу, нечіткої логіки, нейромережних технологій та

еволюційного моделювання.

Слідуючи системному підходу як науково-практичній ме-

тодології вирішення складних проблем із складовими: систе-

матизацією, формалізацією та цілеорієнтацією [126], далі на

основі проведеного аналізу потрібно виконати формалізацію

основної задачі дослідження та визначити її складові підзада-

чі. Систематизувати моделі та методи, які є релевантними до

розв’язуваних задач, встановити особливості їх застосування

та визначити класи задач, де їх застосування є раціональним

та ефективним. Одержані результати дозволять сформувати

висновки щодо оптимізації процесу визначення концентрації

НХР з урахуванням унікальних особливостей виникнення та

протікання кожної окремої аварії.

Оскільки задача визначення концентрації НХР не є єди-

ною у своєму роді, то справедливим є твердження про необ-

хідність класифікації таких задач і подальше їх розв’язання як

певних однорідних сутностей, що є необхідною умовою одер-

жання уточнених розв’язків. Розв’язання задачі прогнозуван-

ня концентрації НХР у приземному шарі атмосфери пов’яза-

не із необхідністю виконання структурної та параметричної

ідентифікації залежностей. Оскільки виконати специфікацію

таких залежностей апріорі виконати неможливо, то застосу-

вання класичних методів ідентифікації таких як метод най-

менших квадратів (МНК) із моделями лінійної або нелінійної

множинної регресії [46, 72], метод групового урахування ар-

гументів (МГУА) із поліномом Колмогорова-Габора як модел-

лю [76] найчастіше є неможливим [83]. Ще однією причиною є

поліекстремальний характер цільових функцій або їх неди-

ференційовність. Тому обґрунтованим є застосування нейро-

мережного апарату ідентифікації залежностей. Оскільки

множина нейромережних парадигм має значну потужність, то

потрібно визначити із них таку, яка якнайкращим чином від-

повідала б початковим даним задачі та особливостям її

розв’язання. Визначимо такою нейромережею RBF-мережу

Проблема визначення концентрації небезпечних хімічних речовин

(radial basis function) [69, 94], в якій реалізовано можливість

ідентифікації залежностей з істотними нелінійностями, із пря-

мим алгоритмом навчання, що дозволяє здійснювати уточнене

прогнозування в околах точок навчання. Зауважимо, що така

мережа вимагає точних даних для навчання, або таких даних,

похибка визначення яких має нормальний розподіл.

Попереднє припущення істотно звужує область адекват-

ного моделювання і прогнозування. Тому, запропоновано ви-

користовувати досвід та інтуїцію експертів, оскільки вони, як

ніхто інший, знають потенційну область виникнення хімічної

аварії і поширення НХР. Суб’єктивізм експертних висновків

повинен бути відповідним чином формалізованим та об’єкти-

візованим. Відповідним апаратом є моделі та методи теорії не-

чітких множин [3, 23, 50]. Формально експертні висновки

представляють у вигляді нечітких продукційних правил, які

мають традиційну форму та відрізняються використовувани-

ми функціями належностями (ФН). Логічне виведення, яке

дозволяє здійснювати прогнозування концентрації НХР в зоні

зараження, могло б бути здійсненим на основі використання

методів Мамдані, Такажі-Сугено, Цукамото, Ларсена та спро-

щеного логічного висновку [19, 35, 63, 79, 115]. Аналіз особли-

востей їх застосування засвідчив значні проблеми із відповід-

ністю представлення початкових даних пропонованим мето-

дам. Однією із таких особливостей є необхідність представ-

лення концентрації в часі як монотонної функції на двох про-

міжках: проміжку зростання і проміжку спадання. У зв’язку із

необхідністю її врахування розроблено модифікований метод

логічного виведення у формі Цукамото. Зауважимо, що його

застосування є раціональним і можливим у тому випадку, ко-

ли експерти впевнені у значеннях параметрів ФН. Якщо екс-

перти мають різну компетентність, то її визначення передує

розв’язанню задачі прогнозування.

В іншому випадку ступінь невизначеності є значно ви-

щим. Експерти використовують певні ФН, але значення пара-

метрів є невідомим. При цьому як початкові дані, так і резуль-

туючі значення концентрації є відомими або розрахованими.

У такому випадку раціонально використати апарат нейро-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

нечітких мереж (ННМ). Навчання ННМ полягає у визначення

невідомих параметрів ФН як антецедентів, так і консеквентів.

Процес навчання має певні особливості. Так, він є тривалим,

якщо кількість невідомих значень, як у нашій задачі, є, порів-

нюючи із розмірністю масиву вхідних даних, великою. У та-

кому випадку градієнтні методи є неефективними. Для вирі-

шення цієї проблеми запропоновано використовувати моди-

фікований метод EvoMax [73, 123]. Його особливістю є одер-

жання точнішого розв’язку за менший час. Така властивість по-

яснюється композиційним використанням еволюційної страте-

гії, елементів теорії нечітких множин та методу аналізу ієрархій

[118, 119, 122, 134], за рахунок чого відбувається направлений

пошук оптимального розв’язку у визначеній області.

Знаходження оптимізованої моделі концентрації НХР у

доаварійний період не гарантує того, що значення концен-

трації у післяаварійний період за результатами вимірювань

матимуть зміщений характер. Причинами цього факту є те,

що на вхід моделі подаються початкові значення параметрів

реальної аварії, встановлення значень яких відбувається в

критичних умовах, найчастіше емпірично, і тому вони є нето-

чними. Для визначення параметрів, значення яких є неточ-

ними, запропоновано логічні продукційні моделі, в яких ви-

користовуються як прогнозні значення, отримані за моделя-

ми, так і виміряні значення. Такі моделі дозволяють уточнити

початкові значення для ННМ і здійснити їх швидке перенав-

чання та побудувати уточнені поля концентрації НХР.

Переконатись у правильності і адекватності розроблених

моделей і методів дозволяє розроблена система підтримки

прийняття рішень. Крім того, верифікація результатів здійс-

нюється з використанням реальних даних із реалізацією ви-

кидів НХР у Великобританії.

Резюме

У першому розділі розглянута проблема мінімізації нас-

лідків хімічних аварій та катастроф. Відзначено, що у сучас-

ному техногенному світі такі аварії є високоймовірними поді-

Проблема визначення концентрації небезпечних хімічних речовин

ями. Визначені наслідки, до яких вони призводять, а саме, за-

гибель та травмування людей, зараження навколишнього се-

редовища: повітря, води, грунту.

Виконано аналіз особливостей виникнення та поперед-

ження аварій. Зокрема, показано, що основними причинами

хімічних аварій є складна соціально-економічна ситуація,

зниження технологічної дисципліни, зношеність обладнання

промислових підприємств та інфраструктури. Класифіковані

впливи на динаміку зони хімічного зараження, встановлено,

що основними з них є вертикальна стійкість повітря, швид-

кість і напрям вітру, параметри аварії (об’єм ємкості, ширина

отвору, наявність піддону тощо), тип НХР. Проаналізований

влив НХР на людей і навколишню місцевість. Визначено роль

аварійного, середньострокового і довгострокового прогнозу-

вання концентрації НХР.

Виходячи із особливостей виникнення аварій та типу

НХР, вказані їх особливості, головними з яких є швидкоплин-

ність, можливість переростання аварії в екологічну катастро-

фу, необхідність прийняття рішень в умовах неповної інфор-

мації. Визначені недоліки застосування сучасних технологій

оцінки наслідків аварій, які здійснюються з використанням

гаусівських або дисперсійних моделей, моделей розсіювання

та моделей прямого чисельного моделювання.

Відзначено, що проблема розробки моделей прогнозу-

вання концентрації НХР пов’язана із складністю їх верифіка-

ції, оскільки проведення натурних експериментів є майже не-

можливим. Виконано аналіз підходів до створення систем під-

тримки прийняття рішень, обґрунтовано необхідність і раці-

ональність використання методів штучного інтелекту.

Виконано вербальну постановку задачі дослідження та ро-

зроблено структурно-логічну схему його проведення.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Розділ 2. МОДЕЛІ ВИЗНАЧЕННЯ

КОНЦЕНТРАЦІЇ НЕБЕЗПЕЧНОЇ ХІМІЧНОЇ

РЕЧОВИНИ У ПІСЛЯАВАРІЙНИЙ ПЕРІОД

Визначення концентрації небезпечної хімічної речовини

здійснюється у післяаварійний період. Критичність умов, від-

повідальність за прийняті рішення не дозволяє вживати об-

грунтованих заходів щодо мінімізації наслідків аварії. Для

об’єктивізації таких рішень необхідно користуватись даними

як моніторинговими, так і прогнозними. У другому розділі

будуть наведені фактори, які здійснюють визначальний вплив

на процеси розвитку аварії та динаміку концентрації небезпе-

чної хімічної речовини.

Особливості задач її визначення вказують на необхідність

розробки моделей для оперативного, тактичного та стратегіч-

ного прогнозування. Оскільки традиційно релевантні задачі

розв’язуються із застосуванням відомих методик, в основі яких

лежить принцип усереднення результатів, то у кожній ситуа-

ції, яка є унікальною, одержати точні результати найчастіше

неможливо. Потрібно використовувати моделі, в яких би були

відображені особливості навколишнього середовища. Очевид-

но, що побудова таких моделей має базуватись на врахуванні

експертного досвіду.

Моделі для визначення концентрації небезпечної хімічної

речовини ідентифікуються у доаварійний період і очевидно,

що вони не у повній мірі будуть відображати особливості кон-

кретної аварії. Здійснити уточнення можна було б з урахуван-

ням незначної кількості вимірювань у післяаварійний період,

оскільки вони у будь-якому випадку проводяться. Тоді модель

раціонально перенавчити у прискореному режимі. Крім того,

результати вимірювань дозволять уточнити початкові значен-

ня параметрів аварії, які задаються для розрахунків з викорис-

танням моделі емпірично. Особливості розв’язання задачі ви-

магають використання відповідного математичного апарату,

який би дозволив здійснювати врахування експертних висно-

вків та прискорену корекцію моделі концентрації.

Моделі визначення концентрації небезпечної хімічної речовини

2.1. Аспекти невизначеності процесу моніторингу

концентрації небезпечних речовин

Масштабність хімічних аварій та їх наслідків визначають

необхідність розв'язання науково-технічної проблеми прогно-

зування концентрації НХР у всій зоні зараження. Оскільки

аварії відбуваються, в основному, на підприємствах, що виро-

бляють НХР, у місцях їх зберігання або при транспортуванні,

то для кожного такого випадку необхідно одержати моделі,

що дозволяють за початковими параметрами аварії визначати

поля концентрації у всій можливій зоні зараження або зна-

чення концентрації НХР у конкретних точках.

Прогнозування наслідків аварії відбувається в умовах не-

визначеності, викликаної їх раптовістю і критичністю проце-

сів прийняття рішень. Очевидно, що потрібно розрізняти

прогнозування як оперативне, тактичне і стратегічне. У пер-

шому випадку визначають масштаби аварії та передбачувані

наслідки найближчим часом (3-5 годин). Стратегічне прогно-

зування покликане дати відповіді на питання про зону зара-

ження, необхідність евакуації людей, можливі збитки і дії опе-

ративно-рятувальних служб. Визначення часу ліквідації нас-

лідків аварії, її впливу на навколишнє середовище, кількісного

та якісного складу технічних засобів становить предмет стра-

тегічного прогнозування. Необхідним є також постпрогнозу-

вання або уточнення значень параметрів хімічної аварії у піс-

ляаварійний період.

Оскільки вихідні точні значення параметрів аварії неві-

домі, вони визначаються в результаті експертних висновків.

На їх підставі приймаються наступні рішення. Очевидно, що

якщо точність таких висновків є низькою, то й ефективність

прийнятих рішень буде невисокою. Тому необхідно здійсню-

вати точкові виміри концентрації небезпечної речовини в ре-

перних точках і на їх підставі здійснювати корекцію рішень,

що приймаються.

У період часу, що передує аварії, необхідно ідентифіку-

вати залежність

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

( ),

C F P



(2.1)

де

– концентрація НХР. Вектор параметрів і факторів

має

таку структуру:

0 0 0 0

( , , , , , , , , , , , , , , )

P x y z t x y z t M W D T V R U

, (2.2)

де

0 0 0 0

( , , , )

x y z t

– координати точки і часу виникнення аварії;

( , , , )

x y z t

– координати точки, в якій визначається концентра-

ція НХР, і відповідний час; інші параметри аварії є відомими

константами.

Ідентифікація (2.1) здійснюється з використанням нечіт-

ких продукційних правил. Далі буде запропоновано декілька

методів ідентифікації параметрів (2.2), у залежності від того,

чи відомі параметри функцій належності [26, 121]. Складови-

ми технологіями є нечітке логічне виведення у формі Мамда-

ні, нейро-нечіткі мережі та еволюційне моделювання. Показа-

но, що розв’язання задачі постпрогнозування полягає у роз-

в’язанні оберненої задачі (визначення початкових значень па-

раметрів аварії), тобто в ідентифікації відображення

0 0 0 0

: ( , , , ) ( , , , ).

G C x y z t x y z t

 (2.3)

Розглянемо задачі прогнозування техногенних і екологіч-

них катастроф. Без обмеження загальності вважатимемо, що

об'єкт, який представляє потенційне джерело небезпеки, є не-

рухомим. Позначимо його



, внутрішні процеси об’єкта –

зовнішні дії –

. Таким чином, маємо деяку інформаційну

модель (рис. 2.1), на якій показано, що об'єкт



знаходиться у

сфері впливу систем різної природи, які, у більшості випадків,

мають ієрархічну структуру і впливають одна на іншу.

Визначимо аварію (

) як стан деякого об’єкта, при якому

значення однієї чи декількох характеристик перевищує гра-

ничні значення, тобто

1 2

( , , ..., ) / : ,

n j j j

A S s s s s s K

    

Моделі визначення концентрації небезпечної хімічної речовини

Ω

Рис. 2.1. Об’єкт



і його оточення

де

, 1,

s i n

– характеристики об’єкта,

– критичне значення

-ї характеристики. Не обмежуючи загальність задачі, при-

пустимо, що

– концентрація деякої речовини, перевищення

якою значення

призводить до негативних наслідків без

можливості повернення.

Припустимо, що значення характеристики

є наслідком

впливу сукупності факторів 1 2

( , ,..., )

D d d d

 з

джерел, на

неї здійснюють вплив некеровані фактори зовнішнього сере-

довища 1 2

( , ,..., )

E e e e

 і здійснює вплив людина через прове-

дення сукупності заходів 1 2

( , ,..., )

Z z z z

. Таким чином, зна-

чення

визначається функціональною залежністю

1 1 2 2 1 2 3 1 2

( , , ) ( ( , ,..., ), ( , ,..., ), ( , ,..., )), 1, .

j m k l

s F D E Z F g d d d g e e e g z z z j n

  

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Кожна із функцій

, 1,3

g i , має характерні особливості.

Так, значення факторів є вихідними характеристиками під-

приємств (джерел потенційної небезпеки) і є функціями їх

внутрішнього стану та вхідних параметрів. Припускаючи

стійку динаміку функціонування підприємств, значення

, 1,

d i m

, можна прогнозувати. Якщо інформація про його

функціонування невідома, то статистика значень

, 1,

d i m

,

дозволяє орієнтуватись на середні величини. Якщо необхід-

ний більш точний прогноз, то раціонально використовувати

експертні висновки.

Припустимо, що об'єкт



може бути пошкоджений або

зруйнований в результаті тривалої дії внутрішніх, зовнішніх

факторів або їх композиції. Якщо це не так, то має місце ви-

падкова аварія або катастрофа, викликана швидкою дією ін-

шої системи, що не має безпосереднього відношення до об'єк-

та



і релевантних систем. Звичайно така дія має механічну

природу. Нехай внутрішні фактори є елементами множини

1 2

{ , ,..., },

P p p p

 зовнішні дії – елементами множини

1 2

{ , ,..., }.

Q q q q

 Очевидно, що кількість і факторів, і зовнішніх

дій є значно більшою, але такий склад множин

визна-

чається значущістю їх складових. Спростимо задачу і припус-

тимо, що аварія або катастрофа можлива при критичному

значенні одного або декількох елементів з множини

У такому разі необхідно розв’язати задачу ідентифікації

залежності

( , ),

j j j

K f t



 (2.4)

де

– концентрація небезпечної речовини



– позначення

групи факторів, що здійснюють вплив на динаміку

{1, 2, ..., }.

j m



Якщо зовнішня дія, що викликає катастрофічні

наслідки, не є одиничною, то мають місце задачі визначення

Моделі визначення концентрації небезпечної хімічної речовини

1 2

... ,

j j j

кр

j j j

кр

K K K K





   

   

(2.5)

де

1 2

max{ , ,..., } ,

min{ , ,..., } ,

кр j j j кат

K K K K K





 

 

(2.6)

при таких обмеженнях (

кат

– значення, яке вказує на катаст-

рофу):

max

min

max ,

min , 1, .

K K

K K l k



 

(2.7)

У (2.7)

min max

K K

– гранично можливі значення параметрів

зовнішнього середовища. Необхідною умовою розв’язання за-

дач (2.4)-(2.7) є пошук залежності концентрації від часу і впли-

ваючих факторів. Саме залежність типу (2.3) дозволяє здійсни-

ти аналіз типу «Якщо

t t



j j





то

K K

», де



– де-

яка область зміни значень факторів. Проте, в переважній бі-

льшості випадків одержати залежність (2.3) і розв’язати задачі

(2.4)-(2.7) виявляється неможливим. Причинами цього є: відсу-

тність необхідних даних; наявність впливу факторів, які апрі-

орі не належать множинам, що враховуються; значні коли-

вання значень одного з факторів, які не дозволяють встанови-

ти рівень його впливу на рівень концентрації небезпечної ре-

човини тощо.

У таких випадках було б корисним враховувати досвід

експертів. Формальний апарат для числення висновків екс-

пертів складають моделі і методи теорії нечітких множин [27,

66]. У нашому випадку базовою моделлю є система нечітких

продукційних правил

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

1 1 1 1

1 1 2 2

2 2 2 2

1 1 2 2

& & ... & , ,

, & &... & , ,

......................................................................................,

, & & ... &

m m j j

м м

Якщо q A q A q A то K B

інакше якщо q A q A q A то K B

інакше якщо q A q A q

   

 

, ,

м м

m m j j

то K B

 

(2.8)

де

– нечіткі множини з відповідними функціями належнос-

ті [3, 62, 102],

1, ,

i m

1, ,

l v v

 

кількість можливих комбінацій

нечітких значень параметрів, що визначаються експертами. Б.

Коско було показано, що системою (2.8) можна як зав-годно

точно наблизити будь-яку неперервну функцію, якщо консе-

квент є адитивним виразом [9]. Так, якщо має місце логічний

висновок у формі Сугено, то вираз

j j

K B

 набуває виду

1 2 1

... ,

j j j

j w

K z z z

    де

– концентрація небезпечної речови-

ни, одержаної з

-го джерела. Очевидно, що розв’язувана за-

дача за фізичним змістом не може бути приведеною до виду,

де раціональним було б застосування нечіткого логічного ви-

ведення у формі Сугено [19].

Найкраще поставленій задачі відповідає нечітке логічне

виведення у формі Мамдані. Його раціонально використову-

вати у випадку невеликої кількості нечітких продукційних

правил та можливості дефазифікувати одержані розв’язки.

Наведемо його основні кроки [121].

Для простоти припустимо, що базу знань організують два

нечітких правила виду:

якщо

x A



y B

 то

Z C



якщо

x A



y B



то

Z C



Крок 1. Знаходимо міри істинності

1 0

( ),

A x

2 0

( ),

A x

1 0

( ),

B y

2 0

( )

B y

Крок 2. Знаходимо рівні “відтинання” для передумов кожного

з правил

1 1 0 1 0

( ) ( ),

A x B y



 

2 2 0 2 0

( ) ( ).

A x B y



 

Крок 3. Знаходимо функції належності

Моделі визначення концентрації небезпечної хімічної речовини

1 1 1

( ) ( ( )),

C Z C Z



 

2 2 2

( ) ( ( )).

C Z C Z



 

Крок 4. Виконуємо об’єднання знайдених функцій і знаходимо

результуючу нечітку множину для змінної виходу з функцією

належності

' '

1 2 1 1 2 2

( ) ( ) ( ) ( ) ( ( )) ( ( )).

Z C Z C z C Z C Z C Z



  

      

Крок 5. Виконуємо дефазифікацію, наприклад, за методом

центра ваги і знаходимо чітке значення 0

( )

z z dz

z dz









де ін-

тервал

[ , ]

z z

є носієм функції належності.

Таким чином, система (2.8) дозволяє здійснити прогнозу-

вання і сценарний аналіз, оскільки, підставляючи значення

параметрів

0 0 0

1 2

( , ,..., )

q q q

в (2.8), визначимо шукане значення

концентрації

небезпечної речовини. Система (2.8) відо-

бражає досвід одного експерта і результат, одержуваний з її

використовуванням, часто є зміщеним, таким, що представляє

інтерес тільки для попереднього висновку. Для об’єктивізації

результатів прогнозування (2.8) може бути узагальнено. У та-

кому разі система виразів типу (2.8) представляє висновки ко-

лективу експертів.

Ще одним аспектом аварій і катастроф є те, що у багатьох

випадках процеси, до них що призводять, розвиваються в часі.

Існують такі моменти часу, після яких катастрофа стає неми-

нучою. Як приклад, достатньо представити концентрацію

шкідливих речовин у воді. До певного рівня вона вважається

допустимою, але перевищення цього рівня стає катастрофою і

причиною людських жертв. У той же час такі процеси непрос-

то зупинити, оскільки навіть при припиненні небезпечного

виробництва зростання концентрації шкідливих речовин

якийсь час продовжується. У зв'язку з цим раціонально врахо-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

вувати загальні положення теорії катастроф [25]. Динаміка

відповідного процесу представлена на рис. 2.2.

Точками позначено наступні події:

– концентрація НХР

досягла небезпечного рівня і необхідно проводити заходи що-

до її зменшення;

– точка, що передує катастрофі, оскільки у

момент часу

катастрофу зупинити, в більшості випадків,

неможливо внаслідок інерційності процесу зростання конце-

нтрації небезпечної речовини;

– точка катастрофи, після

Концентрація небезпечної

речовини

Рис. 2.2. Динаміка концентрації небезпечної речовини

якої зростання концентрації речовини має форму квадратич-

ної або експоненціальної залежності.

Здійснюючи формування бази даних та ідентифікацію за-

лежності (2.8), необхідно враховувати те, що процеси на діля-

нках

(0, )

( , )

A B

t t

( , )

B C

t t

( ,...)

t мають розмитий характер.

Врахування відповідних особливостей і досвіду експертів, ско-

нцентрованого у функціях належності системи (2.8), дозво-

лить здійснювати управляючі дії з метою запобігання катаст-

роф. Зауважимо, що технології розв’язання задач першого ти-

пу, тобто прогнозування аварій і катастроф, в сучасній науко-

вій літературі майже відсутні.

Моделі визначення концентрації небезпечної хімічної речовини

На відміну від них, задачі визначення масштабів аварій

або катастроф, розрахунку зони можливого зараження широ-

ко представлені різного роду методиками. В той же час від-

значимо, що вони орієнтовані на розрахунок розмірів і площі

зони зараження, часу підходу хмари зараженого повітря до

певного об'єкту, часу вражаючої дії та можливих втрат, вихо-

дячи з таблиць, що містять значення різного роду поправоч

них коефіцієнтів. Відомо, що зона хімічного зараження розра-

ховується, виходячи із схеми (рис. 2.3).

Місце

аварії

Границя зони

смертельної небезпеки

Глибина

Границя зони

порогової небезпеки

Рис. 2.3. Зона хімічного зараження

Всі методики розрахунків базуються на цій схемі. В біль-

шості практичних ситуацій відповідні результати не відобра-

жатимуть реальний після аварійний стан. Це пов'язано з не-

повним обліком факторів, що впливають на концентрацію не-

безпечних речовин, зокрема, рельєф місцевості і його харак-

тер можуть бути причиною збільшення або зменшення кон-

центрації. Ще однією причиною є зміна характеру погодних

умов і характеру аварії. У такому разі одержимо схему (рис.

2.4), використання якої дозволить уточнити результати попе-

редніх розрахунків (на схемі рис. 2.3).

Рисунок 2.4 є всього лише приблизною схемою для визна-

чення наслідків аварії. Можна запропонувати два способи ви-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

значення концентрації небезпечної речовини в даній зоні.

Перший з них базується на ідентифікації залежності

( , , , ),

j j

K F x P Q



 (2.9)

де



– полярні координати точки, в якій визначаємо кон-

центрацію, внутрішні фактори

інтегрують в собі показни-

ки, пов'язані з об'єктом і місцем аварії,

– фактори зовніш-

ньої дії (погодні умови, рельєф тощо). Задаючи значення вка-

заних параметрів, з допомогою (2.9) можна розрахувати зна-

чення концентрації небезпечної речовини в будь-якій точці.

Другий спосіб полягає в інтеграції експертних оцінок за до-

помогою системи (2.8). Нечіткі множини, які присутні в (2.8),

дозволяють врахувати розмитість границь як зони смертель-

ної небезпеки, так і зони порогової небезпеки

Місце

аварії Рельєфна

місцевість

Зона смертельної

небезпеки

Розмитість

границі зони

порогової

небезпеки,

викликана

зміною

погодних умов

іч

ка

Рис. 2.4. Уточнена зона хімічного забруднення

Концентрація

небезпечних

речовин в річці

Побудову моделей (2.8) і (2.9) необхідно здійснювати в па-

сивному режимі, тобто тоді, коли ні аварій, ні катастроф не-

має. Для цього необхідна ретроспективна інформація, яка міс-

тить або параметри аварій, що вже відбулися, або оцінки екс-

пертів. Очевидно, що такі дані не «покривають» всю область

зараження, тому одержати і (2.8), і (2.9) можна за допомогою

навчання і, як наслідок, інтерполювання або екстраполюван-

Моделі визначення концентрації небезпечної хімічної речовини

ня. За результатами попереднього аналізу моделей ідентифі-

кації визначено, що для моделі (2.9) оптимальним представ-

ленням є прямозв’язна нейронна мережа, а для моделей типу

(2.8) – нейро-нечіткі мережі типу TSK або ANFIS [55, 61, 99].

Вибір тієї або іншої нейромережної архітектури визначається

типом початкових даних, передбачуваних результатів і задачі.

Розв’язання задач третього класу («післяаварійні задачі»)

базується на відомих розв’язках попередніх задач, з викорис-

танням Марківського принципу «Майбутнє залежить від те-

перішнього часу і не залежить від минулого». Таким чином,

визначення концентрації небезпечної речовини в повітрі, на

ґрунті або у воді залежить від її початкового значення зразу ж

після аварії, або, в окремих випадках, від того, якого максима-

льного значення досяг рівень концентрації речовини після ава-

рії. Прогнозування значень параметрів зони і характеру зара-

ження, як і в попередніх задачах може бути здійснено за допо-

могою моделей нечіткої логіки і нейромережних технологій.

Процес отримання моделей з оптимальними або прийнят-

ними значеннями параметрів структури раціонально здійс-

нювати, використовуючи еволюційні методи, такі, як генети-

чні алгоритми та еволюційні стратегії [30, 34, 71]. Їх застосу-

вання є обґрунтованим, зважаючи на відсутність даних про

характер цільової функції, її гладкість та інші параметри.

Єдиною апріорною інформацією є початкові дані та припу-

щення і висновки експертів. Використання класичних методів

ідентифікації, які базуються на інтегро-диференціальній па-

радигмі, у цьому випадку є неприйнятним ще і тому, що по-

чаткові дані найчастіше мають табличне представлення і зро-

бити припущення про вид функції, яку потрібно ідентифіку-

вати, неможливо.

2.2. Формалізована постановка задачі та специфікація

моделі цільової функції

Передує прогнозуванню розв’язання задачі структурно-

параметричної ідентифікації, яку узагальнено представимо

таким чином:

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

знайти 0 0 0 0

: ( , , , , , , ) ( , , , , ),

F x y z t Tip R PKF x y z t C

 (2.10)

де

0 0 0

( , , )

x y z

– координати точки виникнення аварії,

– час

виникнення аварії,

Tip

– тип аварії,

– тип хімічної речовини,

PKF

– природно-кліматичні фактори,

( , , )

x y z

– координати

точки, в якій здійснюється прогнозування концентрації небез-

печної речовини,

– час визначення концентрації,

– зна-

чення концентрації. Задачу визначення (2.10) можна перепи-

сати як задачу ідентифікації

0 0 0 0

( , , , , , , , , , , ).

C F x y z t x y z t Tip R PKF

 (2.11)

Її розв’язання супроводжується такими аспектами:

– характер місцевості впливає на характер залежності але че-

рез складність його формалізації не враховується при побу-

дові (2.10)-(2.11);

– залежності (2.10)-(2.11) мають складний поліекстремальний

характер;

– параметри типу аварії

Tip

та погодно-кліматичні фактори

не можуть бути точно визначеними в режимі реального часу

та оперативному режимі.

Очевидно, що залежність (2.11) може бути структурно й па-

раметрично ідентифікована з використанням різних підходів

і методів. Найпоширенішим є застосування моделі множинної

лінійної регресії [47]

0 1 1 2 2 ...

n n

C a a X a X a X

    

як розв’язок задачі структурної ідентифікації й методу най-

менших квадратів як способу параметричної ідентифікації.

Простота такої моделі є її перевагою, але важливо враховува-

ти, що природні процеси є суттєво нелінійними, і викорис-

тання такої моделі актуально тільки для невеликих часових

або просторових відрізків. Раціональніше використовувати

модель нелінійної множинної регресії [131]

1 1 2 2

( ) ( ) ... ( ),

n n

C a f X f X f X

    

Моделі визначення концентрації небезпечної хімічної речовини

де 0 1

( ) ( , ,..., , )

i i i i i im i

f X f b b b X

– залежності, які можуть бути шля-

хом алгебраїчних перетворень приведені до лінійних,

0 1

, ,...,

j j jm

b b b

– параметри,

i n

,

– кількість параметрів в

-й

залежності. Перевагою такої моделі є її нелінійність, але ос-

кільки обчислення параметрів функцій здійснюється за допомо-

гою МНК, то необхідна перевірка умов його застосування. Крім

того, набір функцій є обмеженим, що вказує на недолік методу.

Одним з найбільш точних методів апроксимації залежно-

стей, заданих таблично, є метод групового урахування аргу-

ментів (МГУА) [76]. Відповідною моделлю є поліном Колмого-

рова-Габора

...

i i ij i j

i i j i

C a a X a X X



   

 

Метод добре працює на «коротких» вибірках і обмежує дослід-

ника тільки вибором із скінченної множини опорних функцій.

Він досить складний у реалізації, вимагає значної кількості обчи-

слень. Отриманий результат дуже складний для інтерпретації.

Останнім часом для ідентифікації таблично заданих за-

лежностей використовують штучні нейронні мережі [130].

Слід зазначити, що основних нейромережних архітектур і ме-

тодів навчання мереж існує кілька десятків. Перевагою ней-

ромережної ідентифікації є майже повна відсутність вимог до

вихідних даних. Однак, внаслідок проблеми влучення в лока-

льні оптимуми, нейромережу в переважній більшості випадків

дуже складно правильно навчити, крім того, результат її фун-

кціонування не можна інтерпретувати.

Розглядаючи застосування зазначених моделей і методів

до розв'язання задачі ідентифікації (2.11), відзначимо, що ло-

кальні розв'язки з їхнім використанням в умовах обмеженої й

кінцевої множини вихідних даних можна одержати, але одер-

жати поля концентрації неможливо. Такий висновок базується

на неточності експертних висновків, малій кількості вихідних

даних і великій кількості параметрів, які необхідно визначити.

З теореми Вейєрштрасса відомо, що будь-яку неперервну

функцію можна як завгодно точно наблизити поліномом [49],

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

а за теоремою Колмогорова-Арнольда неперервну функцію

можна як завгодно точно апроксимувати функцією спеціаль-

ного виду однієї змінної [82]. Ці дві теореми дозволяють стве-

рджувати, що штучна нейронна мережа є моделлю невідомої

залежності, яка задана у вигляді табличних даних. Розглянемо

як з використанням нейромереж (НМ) здійснювати постпрог-

нозування концентрацій небезпечних речовин.

Припустимо, що



– виробництво із наявністю хімічних

небезпечних речовин. У результаті аварії відбувається розгер-

метизація ємкості з такою речовиною. Потрібно здійснювати

ідентифікацію моделі (2.11). Пропонуємо метод, на першому

кроці якого здійснюємо моделювання offline.

Визначимо усі можливі точки знаходження ємкостей із не-

безпечною речовиною, які і будуть точками можливої аварії









0 0 0

, , / 1,

i i i

x y z i m

. Якщо величина

не є значною, то пот-

рібно обмежитись репрезентативними вибірковими точками.

Далі побудувати часовий ряд





, 1,

t j k

, де

– кількість точок

часу доби, коли можливе виникнення аварії, і сформувати

множину типів аварії





, 1,

Tip l L

. Виходячи із особливостей

функціонування підприємства, визначити хімічні речовини,

які становлять небезпеку





, 1,

R p P

, та можливі варіанти

значень природно-кліматичних факторів





, 1,

PKF q Q

. За

відомими залежностями аналітично розрахувати концентрації

небезпечних речовин

{ }

у точках









, , , 1,

v v v

x y z v V

 у мо-

менти часу





, 1,

t w W

. Така задача має комбінаторний хара-

ктер, точно алгоритмізується і дозволяє отримувати результат

у вигляді таблиці з полями

0 0 0 0

, , , , , , , , , , ,

x y z t Tip R RKF x y z t C

 

. (2.12)

Дані таблиці (2.12) є вихідними даними для ідентифікації

(2.11). Спочатку необхідно вибрати модель і метод ідентифі-

кації. Використаємо для цього такі обґрунтування. Концен-

Моделі визначення концентрації небезпечної хімічної речовини

трація небезпечної речовини є неперервною, поліекстремаль-

ною функцією. На її значення впливають особливості рельє-

фу, наявність будівель та споруд, яку найчастіше не врахову-

ють у наближених коефіцієнтах та аналітичних залежностях.

Очевидно, що не є раціональним використання множинної

лінійної регресії (метод найменших квадратів) [47] та мно-

жинної нелінійної регресії як добутку нелінійних функцій

однієї змінної (метод Брандона) [131]. Застосування методу

групового врахування аргументів (МГВА) теж є недоцільним,

оскільки потужність множини вхідних даних значно переви-

щує потужність множини змінних, а також через необхідність

перевірки передумов застосування МНК та складність одер-

жання моделі поліному у явному вигляді.

Одержані висновки є підґрунтям для вибору як моделі

штучної нейронної мережі. На її користь свідчить відсутність

вищенаведених обмежень, універсальність, порівняна просто-

та реалізації та можливість використання пакетів прикладних

програм для верифікації результатів моделювання. До основ-

них нейромережних парадигм, які використовуються для іде-

нтифікації таблично заданих залежностей належать: звичай-

ний багатошаровий перцептрон (MLP) [113] із алгоритмом

оберненого поширення похибки, мережа зустрічного поши-

рення (МЗП) [5, 129] із комбінованим навчанням Кохонена-

Гросберга, машина Больцмана (Коші) із алгоритмом стохасти-

чного навчання [21] та мережа із радіально-базисними функ-

ціями активації (RBF-мережа) з прямим або іншим методом

навчання [120]. Їх особливостями, перевагами та недоліками є:

– MLP є універсальною моделлю, має тривалий час навчання

та низьку точність через «влучання» цільової функції у лока-

льні мінімуми;

– МЗП дозволяє знаходити значення прямої та оберненої фун-

кції, навчається швидко і має низьку точність апроксимації, то-

му використовується для попередніх розрахунків і висновків;

– машина Больцмана (Коші) призначена для глобальної оп-

тимізації, але час навчання є дуже значним, особливо у випад-

ку великої кількості змінних;

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

– RBF-мережа точно апроксимує невідомі залежності в точках

навчання, екстраполяційні задачі з її допомогою розв’язувати

нераціонально, має прямий алгоритм навчання з усіма його

перевагами та недоліками.

Аналіз особливостей нейромереж переконує у доцільності

вибору як моделі концентрації небезпечних речовин RBF-

мережі. Відомо, що активаційними функціями такої мережі є

дзвоноподібні функції такого виду:

sin( )

exp , ,

K K

x C X

F F X



 

 

 

  (2.13)

де С– координати навчальних точок, δ– параметр нейромере-

жі (середньоквадратичне відхилення), який може бути одна-

ковим для усіх навчальних образів або різним. Для двовимір-

ного випадку апроксимація (2.11) здійснюється з використан-

ням системи функцій FK (рис. 2.1). Відзначимо певну схожість

зображення на рис. 2.1 з рельєфом розподілу концентрації

небезпечних речовин на практиці. Очевидно, що концентра-

ція небезпечних речовин є більшою у низинах, за будівлями

та спорудами вона має різку тенденцію до зменшення або збі-

льшення (рис. 2.2).

Враховуючи властивості газоподібних речовин, зауважи-

мо, що у будь-якому сегменті досліджуваної області концент-

рація є ненульовою. Активаційні функції FK також не набува-

ють нульового значення в усій області дослідження, що є ще

одним аргументом на користь застосування RBF-мережі.

Наявність більшої кількості навчальних образів у таблиці

(2.12) сприятиме більшій точності апроксимації. Водночас у пря-

мому алгоритмі навчання потрібно знаходити визначники та

обернені матриці, що є дуже чутливим до розмірності задачі та

залежностей у рядках і стовпчиках даних таблиці (2.12). Якщо

пряме навчання RBF-мережі неможливе, то доцільно для навчан-

ня використовувати градієнтні або генетичні алгоритми [30, 120].

Моделі визначення концентрації небезпечної хімічної речовини

Рис. 2.1. Покриття області RBF-функціями

Рис. 2.2. Схема нанесення фактичних зон забруднення

при аваріях на хімічнонебезпечних об’єктах.

Хімічно

небезпечний

об’єкт

100 мг/м

50 мг/м

25 мг/м

10 мг/м

5 мг/м

Шлях руху

хмари

небезпечної

хімічної

речовини

2.3. Структурна ідентифікація моделі для уточнення

концентрації небезпечної хімічної речовини з

використанням нейромереж

Запропонуємо технологію для здійснення уточненого

прогнозування, що складається з таких кроків:

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

– побудова моделі (2.10)-(2.11) з використанням навчальних та

контрольних послідовностей;

– визначення «реперних точок», вимірювання концентрації

(прилади дають похибку до 25%);

– здійснення модифікації моделі (2.11) з урахуванням резуль-

татів вимірювань.

У результаті таких кроків модель (2.10) буде модифікована

до виду

0 0 0 0

( , , , , , , , , , , ).

x y z t T P

C F x y z t x y z t Tip R PKF

     

       (2.14)

Одержана уточнена модель (2.14) дозволить підвищити точ-

ність прогнозування концентрації небезпечних речовин в умо-

вах невизначеності з урахуванням як суб’єктивних виснов-ків,

так і похибок інструментарію вимірювання та коригування. Як

модель (2.14) далі розглядається нейромережа спеціального виду.

Розглянемо особливості розробленої технології перегляду

та коригування прогнозних значень концентрації небезпеч-

них речовин з використанням нейромереж. Відзначимо, що

таке уточнення відбувається в умовах невизначеності через

похибки приладів вимірювання, часову рознесеність його по-

чатку і закінчення, а також інші фактори.

Традиційно, здійснюючи ідентифікацію з використанням

нейромереж, реалізують відображення :

Q X Y



, де

– вхід-

ні фактори,

– вихідні характеристики. Модифікуємо цей

підхід, будуючи відображення





: , ( , )

H X Y X Y

. Тоді, нав-

чивши нейромережу, подамо на вхід

( , )

X Y Y

 

, де

ро-

зумітимемо не в класичному сенсі (вхід, вихід), а як частину

вектора входів, одна з яких або незмінна, або невідома і на

вході відсутня. На виході одержимо вектор ( , X X Y Y

 

   

де

, ,

 



– деякі зміщення. При такому підході ми дізнаємось

як змінюється значення першої частини вектора (

). Але за-

уважимо, що нейромережа була навчена без використання

такої інформації. І, оскільки з’явилися нові дані (

Y Y

 

) і роз-

раховані (

X X





), то є сенс перенавчити нейромережу, одер-

жавши нове відображення

Моделі визначення концентрації небезпечної хімічної речовини





: , ( , )

H X X Y Y X X Y Y

 

      

Точність

лише збільшиться, якщо точок навчання (пе-

ренавчання) буде не одна. Зауважимо, що до елементів векто-

ра Y потрібно включати не лише ті характеристики, значення

яких набувають зміщення, але і ті, значення яких мають за-

лишатись незмінними (константами). Одержане відображен-

ня

за неперервністю може використовуватись для уточ-

нення прогнозування як значень елементів вектора

, так і

елементів вектора

. На відміну від offline введення інформа-

ції та побудови моделі

, модель

будується в режимі

online, вона може постійно змінюватись, утворюючи ітерацій-

ний ряд 1

, ,..., ,...

H H H Кожне з таких відображень є уточне-

ною функцією часу.

Розглянемо аспекти практичної реалізації постпрогнозу-

вання концентрації небезпечних хімічних речовин. Побудова

моделі

та її модифікація релевантні ідентифікації залеж-

ності (2.11) та її уточнення – моделі (2.14). На практиці експерт

визначає реперні точки, будує таблицю (2.12) та в результаті

моделювання одержує функціональну залежність

. При

аварії в систему підтримки прийняття рішень вводяться по-

чаткові дані, які її характеризують. З використанням моделі

, яку подамо так:





: , , , , , ( , , , , , )

H X x y z t C X x y z t C

 (2.15)

для будь-яких заданих значень (

* * * *

, , ,

x y z t

) можемо знайти

значення концентрації небезпечної речовини С* в точці з ко-

ординатами (

* * *

, ,

x y z

) в момент часу

Очевидно, що в моделі (2.15) не враховано особливості ре-

льєфу в точці (

* * *

, ,

x y z

), через критичність ситуації виміри то-

чки виникнення аварії та значень природно-кліматичних фа-

кторів є неточними. Тоді уточнення моделі (2.15) здійснюється

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

таким чином. У точку з координатами (

* *

x y

) у вказаний час

виїжджає експерт, який на висоті

здійснює вимір конце-

нтрації. Очевидно, що фактичне значення дорівнюватиме

* * *

факт

С С С

  

. Аналогічну процедуру можна виконати і для

інших точок. Перенавчивши нейромережу, одержимо уточ-

нену модель, за якою розраховується уточнена точка виник-

нення аварії, час виникнення аварії, параметри типу аварії та

значення погодно-кліматичних факторів. А головним резуль-

татом буде можливість побудови уточненої карти концентра-

ції небезпечної хімічної речовини в часі.

2.4. Моделі прогнозування концентрації небезпечної

речовини в зоні зараження з використанням

експертних висновків

У післяаварійному випадку прогнозування наслідків ава-

рії здійснюється розрахунковим методом з нанесенням на ка-

рту передбачуваних зон хімічного зараження. Розрізняють до-

вгострокове й аварійне прогнозування. При довгостроковому

прогнозуванні визначають масштаб можливого зараження,

кількість і номенклатуру сил і засобів для ліквідації наслідків

аварії, складають план роботи. Аварійне прогнозування здій-

снюється після аварії за даними розвідки, що дозволяє визначи-

ти наслідку аварії й порядок дій у зоні можливого зараження.

Основними факторами, які враховуються при прогнозуванні, є:

– загальна кількість небезпечної речовини в ємкості або тру-

бопроводі (

);

– діаметр отвору розгерметизації (

);

– висота отвору розгерметизації (

);

– температура повітря (

);

– швидкість вітру (

);

- напрямок вітру (

Якщо розлив речовини здійснюється в піддон, то врахову-

ється і його висота (

). Традиційне прогнозування здійснюєть-

ся на час не більше ніж 4 години, після чого прогноз повинен

бути уточнений. У більшості випадків НХР є аміак або хлор.

Моделі визначення концентрації небезпечної хімічної речовини

Визначення концентрації НХР після аварії традиційно

виконується за допомогою розрахунків і моделей, що мають

лінійний характер. Основними розрахунковими результую-

чими характеристиками є: кількість НХР у первинній та вто-

ринній хмарах, глибина зони зараження (повна, гранично

можлива, залишкова), форма й площа зони зараження, час пі-

дходу хмари. При таких показниках складно зорієнтуватись й

прийняти швидке адекватне рішення щодо евакуації насе-

лення й заходів безпеки, оскільки не визначається концентра-

ція НХР і не показується її динаміка. Таким чином, очевидно,

що процеси прийняття рішень з мінімізації наслідків аварії

супроводжується значною інформаційною невизначеністю.

Її зменшення пропонується здійснити у два етапи. На

першому етапі використовуємо експертні висновки. Розгля-

немо найпростішу постановку задачі й метод її розв'язання.

Припустимо, що аварія може відбутись на деякому підприєм-

стві (



) (рис. 2.3). Його просторове розміщення визначається

областю

{( , ) / [ , ], [ , ]}

x y x A B y C D

   

. На першому етапі ко-

ординату

вважаємо рівною нулю як малу в порівнянні із

значеннями плоских координат.

На території підприємства існує область



, у точках якої

може відбутись аварія,

{( , ) / ( , ), ( , ), 0 ,0 , 0 ,0 }

x y x a b y c d a A b B c C d D

           

Припустимо, що у випадку аварії зона ураження має мак-

симальну глибину

, що визначає сектор, у межах якого й бу-

де проводитись визначення концентрації НХР. У період часу,

що передує аварії, необхідно ідентифікувати залежність

( ),

C F P



(2.16)

де

– концентрація НХР. Вектор параметрів і факторів

має

таку структуру:

0 0 0

( , , , , , , , , , , , )

P x y t x y t M D H T V R

,

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

де

0 0 0 0

( , , , )

x y z t

– координати точки й час виникнення аварії;

( , , , )

x y z t

– координати точки, в якій визначається концентра-

ція небезпечної речовини і відповідний час (може бути як аб-

солютним, так і часом після виникнення аварії).

(x0, y0, t0)

•

(

)

0=12,3

west

=13,06

Рис. 2.3. Хімічний об'єкт і прогнозовані зони зараження

Таким чином, на момент аварії серед компонентів вектора

є величини трьох типів:

– значення яких точно відомі (

– відомі або передбачаються експертом

(

0 0 0

( , , )

x y t

, , , , , )

M T V R D H

– інші передбачаються експертами.

Враховуючи особливості компонентів вектора

, модель

(2.16) представимо в дискретно-неперервній формі

Моделі визначення концентрації небезпечної хімічної речовини

1 1

2 2

( ), ,

...

( ), ,

const

n const n

f Q

якщо P H

f Q

якщо P H

f Q

якщо P H

















(2.17)

де

const

– елементи вектора

, значення яких відомі точно;

const

Q P P

– елементи вектора

, значення яких визначаються

експертним шляхом. Ідентифікація функцій

( )

f Q

є переду-

мовою для проведення сценарного аналізу можливих дій [60]

при різних варіантах виникнення аварій.

У загальному випадку припустимо, що кількість факторів,

значення яких визначаються експертним шляхом і мають різ-

ний характер, рівна

. Позначимо їх 1 2

, ,..., .

X X X

Розглянемо

випадок, коли висновки про значення факторів робить один

експерт. Тоді математична модель кожної з функцій

( )

f Q

сукупністю нечітких продукційних правил

1 1 1 1

1 1 2 2

2 2 2 2

1 1 2 2

& &... & , ,

, & &. .. & , ,

................................................................................

..........,

, & & ... &

m m

k k

Якщо x A x A x A то с С

інакше якшо x A x A x A то с С

інакше якщо x A x A x

   

 

, ,

k k

m m

то с С

 

(2.18)

де

– кількість точок експерименту,

– нечітка множина із

відповідною функцією належності (ФН) йому значення

-го

фактора в

-му експерименті,

– нечітка множина із ФН, що

визначає концентрацію небезпечної речовини в

-му експе-

рименті,

1, ,

i m



1, .

j k

 Вибір типу ФН здійснимо, виходячи з

наступних міркувань і фактів:

– носій ФН

supp ( )



містить у собі область значень

, тобто

( ) supp ( ),

E X X



 що гарантує адекватне застосування нечіт-

кого виведення;

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

– функція належності може мати трапецієподібний або гаусів-

ський вид, що випливає з розмитості й некритичності експер-

тних висновків;

– для нечіткого логічного виведення у формі Мамдані з вико-

ристанням гаусівських функцій належності доведена теорема

про апроксимацію нечіткою системою типу (2.18) будь-якої не-

перервної функції (при виконанні деяких додаткових умов) [7];

– якщо використовуються трапецієподібні ФН, то їх парамет-

ри повинні бути відомі.

Модель (2.18) може використовуватись у двох випадках. У

першому випадку всі ФН структурно й параметрично іден-

тифікуються експертом, тобто

( )



( )



– відомі,

1, ,

i m



1, .

j k

 Тоді, задаючи значення 1 2

( , ,..., )

x x x

, з використанням

нечіткого логічного виведення у формі Мамдані можна виз-

начити прогнозне значення концентрації як результуючу не-

чітку множину із ФН

1 2

( ) max{min{ ( ), ( ),..., ( ), ( ) }}.

j j j j

C m

A A C

c x x x c

    



(2.19)

Отримана функція

( )



у своїй області визначення є ло-

маною лінією достатнього складного виду. Її значення відо-

бражають міру впевненості експерта в рівні концентрації

НХР. Для локалізації й уточнення експертного висновку необ-

хідно провести дефазифікацію нечіткої величини (рівня кон-

центрації НХР) центроїдним методом і одержати найбільш

можливе її значення

2 2

1 1

( ) ( ) ,

c c

C C

c c

c c c dc c dc

 

  (2.20)

Моделі визначення концентрації небезпечної хімічної речовини

де 1 2

min{ / supp ( )}, max{ / supp ( )}.

C C

c c c c c c c c

 

    Розв’язу-

ючи задачі (2.19)-(2.20), можна визначити рівень концентрації

НХР у будь-якій можливій точці розглянутої області.

У другому випадку ФН є структурно ідентифікованими,

неперервними, диференційованими, але з невідомими зна-

ченнями параметрів. Найчастіше в ролі таких функцій висту-

пають гаусівські функції

( ) exp[ ],

x m

f x





 

 

 

 

де



– їх параметри. Такі функції присутні в антецедентах

моделі (2.18). З консеквентом у цьому випадку не все так одно-

значно як у моделі (2.18). Оскільки в остаточному підсумку

необхідно знайти ФН для значень концентрації НХР або най-

більш можливе її значення, то використання в консеквенті

трикутних, трапецієподібних, гаусівських і подібних функцій

утруднене, оскільки в зазначених випадках одному значенню

ФН можуть відповідати два або більш значень аргументу. У

таких випадках ідентифікована залежність може бути встано-

влена неоднозначно.

Відомо, що для розв'язання задач ідентифікації й прогно-

зування найбільш часто використовується нечітке логічне ви-

ведення у формі Мамдані, Цукамото, Такажі й Сугено, Ларсе-

на й спрощене логічне виведення [19, 56]. Модель (2.18) відпо-

відає нечіткому логічному виведенню у формі як Мамдані, так

і Ларсена, які відрізняються лише способом одержання функ-

ції належності

( ),

 

 де

[0,1]





Для виведення у формі Мамдані ( )

min{ , ( )},

Ax A

 

  

 для

виведення у формі Ларсена ( )

( ).

Ax A

 

  

  І у першому, і у

другому випадках ФН консеквента можуть бути довільними.

Для нечіткого виведення у формі Такажі й Сугено консеквент є

зваженою сумою значень аргументів антецедента. Зазначені

особливості моделі не дозволяють, у загальному випадку, вико-

ристовувати нечітке логічне виведення у розглянутих формах.

У нечіткому логічному виведенні Цукамото ФН консекве-

нта повинна бути монотонно зростаючою, що гарантує її од-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

нозначність, як і у випадку спрощеного логічного виведення,

де консеквентом є константа. Таким чином, спрощене логічне

виведення і виведення у формі Цукамото можна використову-

вати при розв'язанні задачі ідентифікації (2.16)-(2.17).

Резюме

У другому розділі визначено особливості протікання хімі-

чних аварій та процесів прийняття рішень щодо мінімізації їх

наслідків. Показано, що відповідальні особи, приймаючи рі-

шення, діють в умовах значної інформаційної невизначено-

сті та в критичних умовах. Об’єктивізувати процеси прий-

няття рішень можна було б, здійснивши прогнозування май-

бутніх значень концентрації небезпечної хімічної речовини.

Показано, що таке прогнозування може мати оперативний,

тактичний та стратегічний характер. Визначені особливості

доаварійного і післяаварійного прогнозування. Виконано від-

повідні формалізовані постановки задач.

Визначено фактори, які впливають на розвиток хімічної

аварії та на динаміку концентрації хімічної речовини. Розроб-

лено моделі для її визначення. Показано переваги викорис-

тання нейромережі спеціального виду для ідентифікації кон-

центрації небезпечної хімічної речовини в умовах, коли по-

чаткові дані аварії відомі точно. У більшості випадків значен-

ня параметрів аварії встановлюються неточно і тому раціо-

нальним є використання досвіду експертів та нейро-нечітких

мереж як відповідних моделей.

Запропоновано підхід для уточнення моделі концентрації

небезпечної хімічної речовини, яка побудована у доаварійний

період, після аварії. При цьому запропоновано враховувати

результати одного чи декількох вимірювань концентрації на

місцевості. Такі дані дозволяють здійснити швидке перенав-

чання мережі, уточнити початкові значення параметрів аварії

та побудувати уточнені поля концентрації небезпечної хіміч-

ної речовини.

Методи оптимізації процесу прогнозування концентрації небезпечної

Розділ 3. МЕТОДИ ОПТИМІЗАЦІЇ ПРОЦЕСУ

ПРОГНОЗУВАННЯ КОНЦЕНТРАЦІЇ

НЕБЕЗПЕЧНОЇ ХІМІЧНОЇ РЕЧОВИНИ В

УМОВАХ НЕВИЗНАЧЕНОСТІ

У зв’язку із зростанням кількості та масштабів хімічних

аварій задачі об’єктивізації моделювання їх наслідків набува-

ють особливої актуальності. Необхідним є наявність на хіміч-

них підприємствах технологій постпрогнозування концентра-

ції небезпечних хімічних речовин в умовах невизначеності,

раціонально також здійснювати відповідне моделювання для

залізничних та автодоріг, якими перевозяться такі речовини.

Такі технології складатимуть інформаційну основу та будуть

базою процесів підтримки прийняття рішень у критичних

умовах. Їх перевагою є виконання значної кількості операцій у

доаварійний період та зведення до мінімуму часу моделюван-

ня у післяаварійний час.

У третьому розділі розроблені методи, які дозволять здій-

снювати уточнене прогнозування концентрації небезпечної

хімічної речовини у післяаварійний період. Для цього потріб-

но побудувати моделі коригування значення вихідних пара-

метрів аварії із урахуванням евристик, які відображають про-

цесні особливості протікання аварій та стану навколишнього

середовища. Визначальну роль при цьому відіграють як дані

вимірювань, так і експертний досвід, відображений у виснов-

ках, які матимуть вид продукційних правил.

Раніше вже відзначено, що у подібних випадках раціона-

льно використовувати апарат штучних нейронних мереж.

Особливістю такого застосування є необхідність їх навчання.

Нейромережі, в основі яких лежить нечітка логіка, будуть мо-

делями шуканих залежностей та дозволять здійснювати іден-

тифікацію шуканих залежностей.

Очевидно, що для параметричної оптимізації моделей

концентрації небезпечної хімічної речовини потрібно розро-

бити і використати методи, які є інваріантними до типу вхід-

них даних та типу і особливостей цільової функції.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

3.1. Технологія постпрогнозування концентрації

небезпечної хімічної речовини в післяаварійний

період

Внаслідок різних причин відразу ж після аварії важко, а

іноді й неможливо визначити початкові значення, що харак-

теризують її параметри. Тому існує велика ймовірність по-

милки визначення концентрації НХР, виходячи із результатів

обчислень із використанням моделі (навченої мережі ANFIS),

де вихідні дані є не точними, а передбачуваними. Тоді в дея-

кій точці

( , , )

A x y t

фахівці здійснюють вимір рівня концентра-

ції небезпечної речовини. Якщо

вим мод

С С



 

де

вим

– вимі-

ряне значення,

мод

– ідентифіковане за моделлю значення,



– додатне задане число, то модель достатньо точно відобра-

жає реальний розподіл концентрації НХР. У випадку, якщо

таке відхилення перевищує



і вимірювання здійснене точно,

можна зробити висновок про неточність припущених значень

одного або більше вихідних параметрів аварії.

Для уточнення значень параметрів будемо викори-

стовувати евристики:

1. Значення концентрації НХР і зона зараження при зміні

температури на невелике значення

T T

 

суттєво не змі-

ниться (

(0,5)

 



2. Зменшення швидкості вітру призводить до збільшення кон-

центрації НХР у точці виміру й збільшення зони зараження.

3. Зменшення ступеня заповнення резервуару приводить до

зменшення концентрації НХР у зоні зараження.

4. Зменшення діаметра отвору розгерметизації зменшує зна-

чення концентрації НХР у зоні зараження.

5. Зменшення висоти отвору призводить до збільшення кон-

центрації НХР у зоні зараження.

Останні три пункти можна звести до одного. Якщо в резе-

рвуарі була менша кількість НХР, або діаметр отвору розгер-

метизації був менше, або висота отвору розгерметизації була

Методи оптимізації процесу прогнозування концентрації небезпечної

вище, то концентрація НХР буде менше передбачуваної. Від-

повідні три випадки наведені на рис. 3.1.

Припустимо, що вимі-

ряне значення

вим

значно

відрізняється від значення

мод

, отриманого з вико-

ристанням моделі. Основні

ситуації, які можуть спо-

стерігатись, наведені на

рис. 3.2:

– на рис. 3.2а і 3.2.б відо-

бражено ситуації, коли

фронт концентрації змі-

щується швидше ніж пока-

зують модельовані значен-

ня, що майже напевне вка-

зуватиме на занижене зна-

чення швидкості вітру при

моделюванні;

– рис. 3.2в є ілюстрацією

неправильного визначення

як швидкості вітру, так і

початкового об’єму НХР;

– ситуація на рис. 3.2д свід-

чить про неправильно виз-

начені параметри аварії

(висоту отвору, або об’єм

НХР, або діаметр отвору).

Оскільки однозначний

висновок по одному вимі-

рюванню зробити немож-

ливо внаслідок декількох

причин, які можуть приво-

дити до отриманого зна-

чення, необхідно проводи-

ти додаткове дослідження.

Рис. 3.1. Графічна ілюстрація евристик

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Приведемо його основні кроки. Припустимо, що іс-нує мож-

ливість провести одночасно два вимірювання в різні моменти

часу в одній точці. Результати вимірювань позначимо

вим

, для зазначених точок відповідно ідентифіковані з вико-

ристанням модельованих значень – 1

мод

Рис. 3.2. Співвідношення між реальними та модельовани-

ми значеннями концентрації НХР

Якщо 1 2 1 2

вим вим мод мод

С С С С   то це буде свідчити про збе-

реження вимірюваних і змодельованих приростів концентрації.

Отже, неправильним є припущення про час аварії. Для визна-

чення напрямку його корекції запишемо продукційні правила,

які випливають із аналізу наближених графіків (рис. 3.3):

1. Якщо 1 1 2 2 1 2 1 2

( ) & ( ) &( ) & ( )

вим мод вим мод мод мод вим вим

С С С С С С С С    , то

V W

2. Якщо 1 1 2 2 1 2 1 2

( ) & ( ) &( ) & ( )

вим мод вим мод мод мод вим вим

С С С С С С С С    , то

V W

3. Якщо 1 1 2 2 1 2 1 2

( ) & ( ) & ( ) & ( )

вим мод вим мод мод мод вим вим

С С С С С С С С    , то

V W

4. Якщо 1 1 2 2 1 2 1 2

( ) & ( ) & ( ) & ( )

вим мод вим мод мод мод вим вим

С С С С С С С С    , то

V W

б)

в)

г)

Методи оптимізації процесу прогнозування концентрації небезпечної

Рис. 3.3. Вихідні графіки для коригування значень

початкових параметрів аварії

Якщо збільшення концентрації НХР суттєво різняться, то

мають місце такі правила:

5. Якщо 1 2 1 2

( 0) & (0 )

вим вим мод мод

С С С С    , то

1 1

( & ) ( & )

e v

V W V W

.

6. Якщо 1 2 2 1

( 0) & (0 )

вим вим мод мод

С С С С    , то

2 2

( & ) ( & )

e v

V W V W

.

7. Якщо 1 2 1 2

( 0) & (0 ) & (0 )

мод мод вим вим

С С С С    , то

2 2

( & ) ( & )

e v

V W V W

.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

8. Якщо 1 2 1 2 1 2 1 2

(( ) & ( )) & ( )

вим вим мод мод вим вим мод мод

С С С С С С С С     , то

( & ) & ( & )

w v

V W V W

9. Якщо 1 2 1 2 1 2 1 2

(( ) & ( )) & ( )

вим вим мод мод вим вим мод мод

С С С С С С С С     , то

V W

10. Якщо 1 2 1 2 1 2 1 2

( ) & ( )) & ( )

вим вим мод мод вим вим мод мод

С С С С С С С С     , то

V W

У вищенаведених правилах:

– «аварія трапилась рані-

ше»,

– «кількість рідини в ємкості або швидкість її витоку

була менше»,

– «швидкість вітру була менше»,

– «необ-

хідно використовувати

-у частину моделі,

1,2

i». Для засто-

сування другого, третього й восьмого правил через неодно-

значність консеквента вимірювання необхідно проводити в

точках

, де

1 2

arg max мод

C t t

 

. У перших двох випадках

перевіряють виконання продукційних правил і приймають ві-

дповідне рішення; якщо для восьмого випадку будуть виконані

умови правила 9, то має місце

. При виконанні умов сьомого

правила встановити однозначно, має місце

або

неможливо.

Перейдемо до моделювання, виконавши кілька спрощую-

чих припущень, не обмежуючи разом з тим загальності. Ос-

кільки зміна температури повітря у відносно невеликому діа-

пазоні незначно впливає на концентрацію небезпечної речо-

вини, вилучимо температуру з розгляду (з моделі (2.16)). На-

прямок вітру можна врахувати, знаючи швидкість вітру, ко-

ординати точки аварії й координати точки вимірювання кон-

центрації, із використанням нескладних перетворень. Помі-

тимо, що найчастіше вимірюють концентрацію уздовж пря-

мої, що проходить через точку аварії за напрямком вітру.

Припустимо також, що точка виникнення аварії точно відома.

Методи оптимізації процесу прогнозування концентрації небезпечної

Таким чином, одержимо модель у вигляді сукупності не-

чітких продукційних правил такого виду:

якщо

& & & & & & ,

, 1,

i i i i i i i

v V m M d D h H x X y Y t T

то c C i n

      

  (3.1)

Виходячи з вищевказаних зауважень і міркувань, як модель

(3.1) запропоновано використовувати нечітку нейромережу як

технологію, що інтегрує в собі переваги нейромережі та її на-

вчання, можливості представлення експертних висновків та їх

інтерпретації. Одну з перших нечітких нейронних мереж за-

пропонував Янг (J.-S.R. Jang) в 1993 році [7]. Мережа одержала

назву ANFIS (Adaptive–Network–Based Inference System). Тради-

ційно в такій мережі використовувався нечіткий логічний ви-

сновок у формі Сугено. Але консеквент нечітких продукційних

правил у формі Сугено є зваженою сумою аргументів антецеде-

нта, що для нашої задачі є неприйнятним. Тому було запропо-

новано використовувати деяку модифікацію мережі ANFIS з ви-

сновком у формі Цукамото [121]. Особливістю такого висновку є

монотонність функцій належності консеквента. Нехай правила

будуть такими:



: якщо

1 1

x A



, і

2 1

x B



, і

3 1

x C



то

;

y D





: якщо

1 2

x A



, і

2 2

x B



, і

3 2

x C



то

;

y D





: якщо

1 3

x A



, і

2 3

x B



, і

3 3

x C



те

y D



де

1 2 3

, ,

x x x

– вхідні змінні,

– результуюча характеристика,

, , , ,

i i i i

A B C D

1,3

i,− нечіткі множини зі своїми функціями належності.

Для проведення експериментів розглянуті висновки одно-

го експерта про 20 варіантів значень параметрів-атрибутів

аварії й точок визначення концентрації небезпечної речови-

ни. Моделлю ідентифікованої залежності, обумовленої прави-

лами (3.1), є нейро-нечітка мережа ANFIS [7], структура якої

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

зображена на рис. 3.4. Вибір саме такої мережі обґрунтований

особливостями вихідної інформації й розв'язуваної задачі.

ANFIS функціонує в такий спосіб.

У нейронах першого шару здійснюється фазифікація зна-

чень факторів:

2 2

( ) exp( ( ) / ( ) )

j j

j j j i i

z z z m

 

    ,

де



– параметри. У другому шарі обчислюються значен-

ня параметрів істинності кожного правила (3.1)

1 2 7

min{ ( ), ( ),..., ( )}, 1, 20

i i i i

Z z Z z Z z i



  .

Далі знаходимо відносну важливість правил:

i i

  





У нейронах четвертого шару розраховуємо добуток 1

( )

i i

C c





,

нейрон останнього шару призначений для знаходження суми

( )

i i

  







. Відомо, що концентрація небезпечної речовини

до певного моменту часу підвищується, а потім – зменшується.

Тому, як уже було зазначено вище, функція належності консе-

квента буде кусково-неперервною

2 2

exp[ ( / ) ] , (0, a rg max ( , ), ( )

( )

1 exp[ ( / ) ] ( ), arg max ( , ), ( )

i i t

C i

i i t

c якщо t C t const W

cc W

якщо t C t const W





 



  





(3.2)

де максимальне значення концентрації шукається за часом

при постійних значеннях інших факторів.

Методи оптимізації процесу прогнозування концентрації небезпечної

Рис. 3.4. Структура мережі ANFIS з алгоритмом виведення

Цукамото

Оскільки в нейронах першого шару відбувається фазифі-

кація, то необхідно знати, які функції належності її здійсню-

ють. Традиційно, навчання нейро-нечітких мереж (ННМ) від-

бувається з використанням градієнтних методів навчання.

При цьому природно вимагають, щоб функції належності бу-

ли диференційованими. Найчастіше вибирають гаусівські або

логістичні функції. У реальних задачах навчити ННС із вико-

ристанням градієнтних методів складно й довго, оскільки ко-

жна з функцій належності має, найчастіше, два або три пара-

метри. У випадку великої кількості продукційних правил оде-

ржати адекватний результат майже неможливо. Так, якщо кі-

лькість вхідних змінних десять, а кількість правил п'ятдесят, то

кількість параметрів буде становити кілька тисяч. Влучення

…

……………………………

…………

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

цільової функції в локальний оптимум не дозволить здійсни-

ти навчання ННМ.

Оскільки структура ННМ уже визначена продукційними

правилами, то залишається здійснити її параметричну іденти-

фікацію. Припустимо, що всі функції належності вибрані од-

нотипно гаусівськими. Тоді кількість параметрів буде дорів-

нювати добутку кількості вхідних змінних на кількість пра-

вил, що є експертними висновками. Якщо висновки нерівно-

значні або виконані різними експертами, то кількість параме-

трів збільшується, оскільки і значущість правил, і компетен-

тність експертів є параметрами.

Для параметричної ідентифікації виберемо еволюційні

алгоритми. Такий вибір обґрунтований тим, що в цьому ви-

падку відсутні вимоги до диференційованості функцій нале-

жності й можна уникнути проблеми локальних оптимумів.

Традиційний еволюційний алгоритм має такі кроки:

Крок 1. Відповідно до необхідної точності результату визна-

чити потужність множини потенційних розв'язків.

Крок 2. Визначити вибіркову популяцію розв'язків і обчисли-

ти міру оптимальності кожного розв'язку.

Крок 3. Поки не виконана умови зупинки алгоритму, виконати:

Крок 3.1. Вибрати розв’язок з вибіркової популяції.

Крок 3.2. Здійснити кросовер і відібрати один з отрима-

них розв’язків.

Крок 3.3. З певною ймовірністю здійснити мутацію розв’язку.

Крок 3.4. Записати отриманий розв'язок у нову популяцію.

Крок 3.5. Якщо нова популяція не сформована, то повто-

рити кроки 3.1-3.4.

Крок 4. Кінець алгоритму.

Потенційний розв'язок задачі параметричної ідентифіка-

ції має вигляд:

1 1 2 2

( , , , ,..., , , ),

m m

z a a a

   



де

– кількість параметрів функцій належності,



– додаткові

параметри. Значення кожного з параметрів належить обме-

женій області, обумовленій експертами. Тому існує необхід-

Методи оптимізації процесу прогнозування концентрації небезпечної

ність перевірки кожного потенційного розв'язку на його на-

лежність до області можливих розв'язків.

Кожен з еволюційних алгоритмів, до яких традиційно від-

носять генетичні алгоритми, еволюційні стратегії, генетичне

програмування й еволюційне програмування, вимагає знач-

них часових витрат для свого виконання внаслідок непродук-

тивного пошуку.

Для навчання нейро-нечіткої мережі ANFIS були вибрані

гібридний метод (комбінація методу найменших квадратів з

алгоритмом зворотного поширення помилки (ГМ) ) [30], кла-

сичний генетичний алгоритм із елітним методом формування

нової популяції (ГА) [2, 6, 30, 84, 86] і багатомірний аналог ме-

тоду Evomax (ЕМ) [18, 24], в основі якого лежить композиція

еволюційних стратегій [17], елементів теорії нечітких множин

[32, 36, 41, 102, 107, 135 ] і методу аналізу ієрархій Т. Сааті [118].

Оскільки в такому поданні кількість параметрів, значення

яких необхідно визначити, є порівняно значним (близько 300),

то значна їхня частина задавалась експертами. Зокрема, були

відомі значення всіх параметрів



, а також більшість значень

для антецедентів. Невідомими залишились значення одно-

го параметра

в кожному правилі (3.1). Критерієм зупинки

всіх трьох алгоритмів було виконання умови

max 0,001

i j

i j C C  (3.3)

в одній популяції, де

– концентрація НХР, що відповідає

му потенційному розв'язку (концентрації НХР). Навчена не-

чітка нейромережа є моделлю, за допомогою якої можна ви-

значити концентрацію НХР у будь-якій точці області зара-

ження, знаючи вихідні параметри аварії. Оскільки вихідні да-

ні для її навчання отримані шляхом експертних висновків, то

модель, найчастіше, містить помилки. У випадку аварії в зону

зараження виїжджають фахівці й проводять виміри концент-

рації НХР як мінімум два рази в одній точці (

вим

) через

деякий інтервал часу. Така вимога обумовлена пропонованим

методом і тим, що прилади-газоаналізатори характеризуються

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

деякою інерційністю. Отримані результати носять характер

контрольної вибірки. Якщо має місце розбіжність між зна-

ченнями, вимірюваними й отриманими за допомогою моделі

мод

), то за допомогою вищенаведених продукційних

правил установлюємо параметр, значення якого необхідно

скоригувати. Для цього фіксуємо дані експерименту крім зна-

чення зазначеного параметра й, коригуючи його (iter – кіль-

кість ітерацій ), домагаємося максимального збігу «модельно-

го» і експериментального значення концентрації. Тоді в таб-

лиці (2.12) на отриману величину коригуємо всі значення та-

кого параметра й проводимо перенавчання мережі. Зауважи-

мо, що таке перенавчання відбувається значно швидше, ніж

початкове навчання мережі, оскільки змінам підлягають зна-

чення значно меншої кількості вагових коефіцієнтів нейроме-

режі.

3.2. Метод еволюційної спрямованої оптимізації в

задачі прогнозування концентрації небезпечної

хімічної речовини

Переслідуючи ціль зменшення невизначеності при про-

гнозуванні концентрації НХР у доаварійний період у потен-

ційно небезпечній області, а також уточнення моделі концен-

трації НХР у післяаварійний період на підставі декількох ви-

мірювань, розв'яжемо ряд завдань, а саме:

– визначення особливостей руху первинної хмари й зміни

концентрації НХР;

– структурної ідентифікації моделі для визначення концент-

рації НХР у зоні потенційного зараження;

– параметрична оптимізація моделі як результат навчання;

– уточнення й перенавчання моделі з урахуванням вимірюва-

них значень у післяаварійний період.

Розв'язання зазначених задач, враховуючи локальний ха-

рактер просторового положення потенційних місць аварії, до-

зволить здійснити упереджуюче моделювання наслідків ава-

рії, де б вона не відбулась, одержати поле концентрації НХР

для будь-якого моменту часу від виникнення аварійної ситуа-

Методи оптимізації процесу прогнозування концентрації небезпечної

ції. Оскільки використання апріорно отриманої моделі може

давати зміщені результати через неправильно виміряні або

визначені дані, наслідком чого стануть неправильно встанов-

лені її параметри, то необхідно здійснювати їх коригування.

Для цього після аварії виконуємо вимірювання концентрації в

одній або декількох точках (що й робиться на практиці) і за

результатами аналізу здійснюється коригування й, можливо,

перенавчання моделі. Уточнена модель є основою прогнозу-

вання й використовуються для аналізу типу "Якщо А, то …" і

прийняття рішень.

Особливості руху первинної хмари й визначення концен-

трації НХР. Під "важким газом" розуміють НХР, щільність

якої у момент викиду перевищує щільність повітря. Найпо-

ширенішими представниками "важких газів" є хлор і аміак.

Хлор через високу молярну масу, а аміак – у випадку крап-

линних включень у суміші. При викиді "важкого газу" утво-

рюються хмари висотою в кілька метрів і поперечним розмі-

ром у кілька сотень метрів (максимально). Рух хмари може за-

тримуватися через шорсткість поверхні, під якою розуміють

наявність рослинності й інших перешкод на шляху хмари. Ви-

значення й врахування коефіцієнта шорсткості – емпірич-на

процедура, результати його визначення згодом впливають на

прогнозування концентрації НХР. Зазначимо також, що

отримані й описані результати моделювання мають швидше

теоретичний характер, оскільки їх верифікація проводиться

шляхом порівняння з результатами дослідів, проведених, в

основному, за кордоном. Особливістю цих дослідів була від-

сутність житлової забудови, низька шорсткість місцевості, де-

які експерименти проводились над поверхнею моря. Очевид-

но, що екстраполяція розроблених методів на реальну ситуа-

цію й потенційні місця аварій в Україні повинна була б вико-

нуватись з урахуванням зазначених особливостей, але прак-

тично здійснити корекцію моделей виявляється неможливим.

Ідентифікація моделі для визначення концентрації НХР.

Велика варіабельність факторів, що супроводжують аварії, не-

визначеність вихідної інформації не дозволяють адекватно

використовувати гаусівські моделі. У доаварійний період при

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

наявності обчислювальних ресурсів раціонально здій-нити

моделювання наслідків можливих аварій з відображенням зон

концентрації НХР і занесенням відповідної інформації в базу

даних. Як модель виберемо нейро-нечітку мережу ANFIS [7],

що дозволяє здійснювати обробку експертних вис-новків та

виконувати ідентифікацію невідомих залежностей. Початко-

вими даними для навчання мережі будуть табличні дані, які є

синергетичним результатом знань і досвіду експерта, викори-

стання відомих методик і програмних систем. Рядки в таблиці

відповідають реперним точкам, що характеризу-ють аварію.

Кортежі таблиці вихідних даних є такими:

1 0 0 0 0

, , , , , , , ,

BD x y z t V u S



 

(3.4)

де

0 0 0

( , , )

x y z

– координата точки аварії,

– час виникнення ава-

рії,

– загальний обсяг викидів,



– об'ємна швидкість викиду,

– швидкість вітру,

– стабільність атмосфери по Пасквілу.

За даними таблиці

необхідно одержати іншу таблицю

, , , , ,

BD x y z t C

 

(3.5)

де

( , , )

x y z

– координата точки, в якій у момент часу

концен-

трація НХР буде дорівнювати

. Тим самим необхідно здійс-

нити відображення

1 2

BD BD

. (3.6)

Реалізація такого відображення створить передумови по-

будови адекватної моделі концентрації небезпечної хімічної

речовини і ефективного моделювання. Здійснити відображен-

ня (3.6) можливо, використовуючи нечіткі продукційні прави-

ла такого типу:

1 1 1 1 1 1

0 1 0 2 0 3 0 4 5 6

1 1 1 1 1 1 1

7 8 9 10 11 12

0 1 0 2 0 3 0 4 5

& & & & & &

& & & & & & , ,

.......................................................................

& & & & &

     

      

    

n n n n n

Якщо x A y A z A t A V A v A

u A S A x A y A z A t A

то С С

Якщо x A y A z A t A V A 6

7 8 9 10 11 12

& & & & & & , ,



      

n n n n n n n

v A

u A S A x A y A z A t A

то С С

(3.7)

Методи оптимізації процесу прогнозування концентрації небезпечної

де

j j

A C

– нечіткі множини з відповідними функціями належ-

ності

( )



1,12, 1, .

i j n

 

Відомо, що системою типу (3.7) можна як завгодно точно

апроксимувати неперервну функцію [9]. Функції належності,

враховуючи припущення про характер зміни концентрації

НХР, є гаусівськими 2 2

( ) exp[ ( ) / 2 ],

 

  z z a де



– пара-

метри. У виразі (3.7) таких параметрів

. Кожне продукцій-

не правило в (3.7) відповідає одному висновку експерта про

варіант виникнення аварії й точку визначення концентрації

НХР. Подаючи на вхід мережі ANFIS дані з бази

, на вихо-

ді необхідно одержати дані з

. Для визначення відповідно-

го перетворення навчимо нейро-нечітку мережу з викорис-

танням одного з методів: генетичного алгоритму, градієнтно-

го методу або гібридного методу, у якому інтегровані граді-

єнтний метод і метод найменших квадратів. Здійснюючи па-

раметричну ідентифікацію моделі (навчання ANFIS) [55], ви-

користовуємо першу частину вибірки або таблиці

, яку й

називають навчальною. Друга частина вибірки, названа конт-

рольною, використовується для перевірки якості навчання за

критерієм мінімуму середньоквадратичної помилки. Якщо

якість моделі виявляється неприйнятною, то, враховуючи ви-

падковий вибір початкових значень вагових коефіцієнтів,

здійснюємо перенавчання моделі.

Припустимо, що модель

0 0 0 0

( , , , , , , , , , , , )

C F x y z t V v u S x y z t

 (3.8)

отримана. Залежність (3.8), що визначається нейромережею

ANFIS, може бути використана для побудови полів концент-

рації НХР залежно від початкових значень параметрів аварії й

навколишнього середовища, а також для аналізу чутливості

концентрації НХР до змін параметрів аварії. Модель (3.8) є ос-

новною робочою моделлю в доаварійний період.

Після аварії адекватне використання моделі може бути га-

рантоване тільки після її верифікації. Пропонуємо здійснюва-

ти її в такий спосіб. На першому кроці необхідно визначити

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

чи правильно в минулому задані вихідні значення в (3.8). Як-

що це не так, то потрібно встановити, які саме значення вимі-

ряні або визначені неправильно й здійснити коригування.

Для цього проводиться вимірювання концентрації в декількох

точках і на їх підставі за розробленими раніше правилами

здійснюється її перерахунок. Можливий випадок, коли почат-

кові значення параметрів аварії визначені правильно, але на

виході нейромережі значення концентрації значно відхиля-

ється від виміряного значення. Очевидно, що така модель па-

раметрично неправильно ідентифікована. Тоді деякі рядки в

базі даних

необхідно вилучити, а на їх місце записати да-

ні, відповідні до результатів експерименту й перенавчити

нейромережу. Відзначимо, що таке перенавчання займе наба-

гато менше часу, ніж повне навчання на всіх образах з

На першому етапі здійснимо побудову моделі для визна-

чення концентрації НХР у доаварійний період. Як вихідні да-

ні розглянемо кортеж [65] 1 0 0 0 0

, , , , , , , , ,

BD x y z t V Q u S



 

де

0 0 0

( , , )

x y z

– передбачувана точка аварії,

– час аварії,

– зага-

льний об'єм викиду,

- потужність джерела викиду (у випад-

ку неперервного джерела викиду),



– об'ємна швидкість ви-

киду,

– швидкість вітру,

– стабільність атмосфери по Паск-

вілу. Результатом моделювання є кортеж 2

, , , , ,

BD x y z t C

 

де

, ,

x y z

– координата точки, у якій в момент часу

концен-

трація НХР буде рівна

. Необхідно ідентифікувати відобра-

ження

1 2

: .

F BD BD



Для побудови моделі F будемо використовувати експертні

висновки у формі нечітких продукційних правил. Викорис-

тання продукційних правил як моделі представлення знань є

органічним і адекватним для розв'язання нашої задачі. Нечіт-

кість визначається невпевненістю експертів у значеннях пара-

метрів аварії, неповнотою їх знань, а також неоднозначністю

припущень. Самі нечіткі продукційні правила як базис побу-

дови моделі для визначення концентрації НХР можуть мати

різний вид, що визначається такими передумовами:

Методи оптимізації процесу прогнозування концентрації небезпечної

– в оцінюванні концентрації НХР бере участь один експерт і

його висновки про можливі варіанти є рівноправними ;

– оцінює концентрацію НХР один експерт, але його висновки

про різні варіанти аварії є нерівноправними (мають вагові ко-

ефіцієнти та коефіцієнти впевненості);

– оцінює концентрацію НХР група експертів, висновки кожного

експерта рівнозначні, усі варіанти виникнення аварії рівнозначні;

– оцінює концентрацію НХР група експертів з різними рівня-

ми компетентності, але всі варіанти розвитку аварії для кож-

ного експерта рівнозначні;

– усі експерти мають різну компетентність і висновки кожного

експерта про можливі варіанти виникнення аварії різнозначимі.

Позначимо вектор параметрів аварії

1 2 8

( , ... )

X X X X



, де

, 1,8

i i

X BD i  , результуючий вектор

1 2 5

( , ... )

Y Y Y Y





i i

Y BD

1, 5

i. Тоді, згідно з першим припущенням модель для ви-

значення концентрації НХР буде такою:

1 1 1 1 1 1

1 1 2 2 8 8 1 1 4 4 5 5

2 2 2 2 2 2

1 1 2 2 8 8 1 1 4 4 5 5

1 1 2 2

& & ... & & & ... & , ,

& &... & & &...& , ,

.......................................................................

     

 

m m

Якщо x A x A x A y B y B то y B

Якщо x A x A

8 8 1 1 4 4 5 5

&...& & &...& , ,

   

m m m m

x A y B y B

то y B

(3.9)

де

– кількість варіантів виникнення аварії, визначених й

описаних експертом. Якщо експерти мають різні судження

щодо різних варіантів виникнення і розвитку хімічної аварії,

то задача побудови моделі для визначення концентрації НХР

значно ускладнюється. Насамперед, потрібно розв’язати ще і

задачу визначення їх компетентності, оскільки саме вона буде

першоосновою для довіри до експертного висновку. В остан-

ньому випадку модель буде такою:

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

11 11 11 11 11 11

1 1 2 2 8 8 1 1 4 4 5 5 11

21 21 21 21 21 21

1 1 2 2 8 8 1 1 4 4 5 5 12

& &...& & &...& , ,

....................................................................

     

Якщо x A x A x A y B y B тоy B с w

Якщо x A x A x A y B y B то y B с w

1 1 1 1 1 1

1 1 2 2 8 8 1 1 4 4 5 5 1

1 1 1 1

1 1 2 2 8 8 1 1

....

& &...& & &...& , ,

.......................................................................

& &...& & &...&





      

   

m m m m m m

n n n n

з вагою w

Якщо x A x A x A y B y B то y B с w

Якщо x A x A x A y B 1 1

4 4 5 5 1

2 2 2 2 2 2

1 1 2 2 8 8 1 1 4 4 5 5 2

1 1 2 2 8 8 1 1 4 4 5 5

, ,

& &... & & &...& , ,

& &...& & &...& , ,



  

      



      

n n

n n n n n n

n n

nm nm nm nm nm nm

y B то y B с w

Якщо x A x A x A y B y B то y B с w з вагоюw

Якщо x A x A x A y B y B тоy B с w

(

3.10)

де

– кількість експертів,

– рівні їх компетентності,





У моделях (3.9), (3.10)

e e

jk jk

A B

– нечіткі множини з відповід-

ними функціями належності. Відомо [7], що системами типу

(3.9) і (3.10) можна як завгодно точно апроксимувати будь-яку

неперервну функцію. Для того, щоб здійснити конструктивну

ідентифікацію моделі F, побудуємо модифіковану нейро-

нечітку мережу ANFIS [9], що дозволяє здійснити відображен-

ня антецедента, заданого нечітко, у консеквент згідно з нечіт-

ким висновком у формі Цукамото. Єдина вимога: функції на-

лежності консеквента повинні бути монотонними.

За допомогою мережі ANFIS здійснюється відображення

0 0 0 0

: , , , , , , , , , , , .

G z y z t V v u S x y z t C

  

(3.11)

Мережа має 12 входів і один вихід. Традиційно мережі та-

кого типу навчаються за допомогою градієнтних методів або

композиційних технологій з використанням градієнтних ме-

тодів, що, у свою чергу, обмежує вибір типу функцій належ-

ності неперервними залежностями. У запропонованому ниж-

че методі такого обмеження можна не дотримуватись. У той

же час кожна функція належності має певну множину пара-

метрів. Оскільки навчання мережі ANFIS полягає в пошуку їх

оптимальних значень, а кількість вихідних даних обмежена,

то необхідно вибрати ФН із меншою кількістю параметрів. До

Методи оптимізації процесу прогнозування концентрації небезпечної

таких функцій відносяться двохпараметричні гаусівська й

трикутна симетрична функції належності.

Вихідні дані для навчання ANFIS знаходяться у таблиці й

відповідають відображенню (3.11). Кожний рядок таблиці від-

повідає певним значенням параметрів виникнення аварії й

значенню відповідної концентрації НХР у деякій точці через

певний час після аварії. Задача навчання мережі полягає в

пошуку найменшого значення цільової функції, тобто

0 0 0 0 0 0

min min ( ( , , , , , , , , , , , ) )

i i i i i i i i i i i i i

p p i

Z H x y z t V v u S x y Z t p C



 

, (3.12)

де

(*)

H– значення, обчислене мережею,

– табличне значен-

ня,

i q

,

– кількість висновків експерта(ів) про варіанти ви-

никнення аварії. Очевидно, що залежність

(*) ( , )

H H const P



де

const

– табличні дані,

– параметри мережі ANFIS. Розв'я-

зання задачі (3.12) і полягає в пошуку оптимальних значень

цих параметрів. У припущенні про те, що функції належності

є гаусівськими, вектор

буде таким:

1 1 2 2 8 8 9 9 13 13

13( 1) 1 13( 1) 1 13 13

( , , , ,..., , , , ,..., , ,...

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

, ,....., , ).

A A A A A A B B B B

A A B B

q q q q

P m m m m m

m m

    

 

   



(3.13)

Потужність вектора

: 26

P P q

. Таке значення є більшим у

порівнянні з кількістю навчальних образів. Тому, для навчан-

ня мережі частину значень параметрів необхідно задавати як

константи, тим більше, що в таких значеннях параметрів екс-

перт має бути впевнений абсолютно.

Для пошуку оптимальних значень елементів вектора

необхідно задати області їх зміни, тобто

R m

i i



, R

i i





1,13

i q

,





R A B

. Зауважимо, що всі параметри є неперер-

вними величинами за винятком

– стійкості по Пасквілу, ос-

кільки





, , , , ,

S A B C D E F

 або, після переведення в числову

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

шкалу,





1,2, 3, 4, 5,6

S. Таким чином, потенційні розв'язки – па-

раметри функції належності в мережі ANFIS мають вид (3.13).

Для пошуку розв'язку задачі використовуємо метод ево-

люційної спрямованої оптимізації Evomax [123]. Його основні

кроки будуть такими:

Крок 1.



Крок 2. Згенерувати



потенційних розв'язків. Для





1,2,...,



 подати на вхід мережі всі навчальні образи й роз-

рахувати зна-чення функції

, 1,

Z j



.

Крок 3. З використанням матриці попарних порівнянь

Сааті визначити міру оптимальності кожного з потенційних

розв'язків

, 1,

P j



.

Крок 4. Згенерувати

 



потенційних розв'язків проміж-

ної популяції, де

 



. При цьому кожний розв'язок бать-

ківської популяції продукує нащадків за законом

( (0, ))

 

 

t t t

P P N ,

де

(*)



– випадкова величина, що має нормальний розподіл з

нульовим середнім і середньоквадратичним відхиленням



Кількість нащадків залежить від ступеня оптимальності бать-

ківського розв'язку.

Крок 5. Обчислити значення цільової функції

, 1,

Z j

 

 

, впорядкувати їх за спаданням. Потенційні розв'яз-

ки, що відповідають меншим

, записати в

( 1)



-у популяцію,

їх кількість



Крок 6.

( 1)

i i

 

. Якщо виконана умова 1t t

avgZ avgZ





 

, то

показати оптимальний розв'язок

* 1

P Z





, інакше перехід на крок 3.

Таким чином, як модель для структурної ідентифікації

концентрації НХР обрана нейро-нечітка мережа ANFIS, її па-

раметрична ідентифікація здійснена за допомогою модифіко-

ваного методу Evomax. Враховуючи особливості вихідних да-

них і нейромережі, запропоновано частину її параметрів вва-

жати константами, що приводить до підвищення точності ре-

Методи оптимізації процесу прогнозування концентрації небезпечної

зультатів. Якщо ж спробувати здійснювати моделювання, вва-

жаючи значення усіх параметрів невідомими, то ймовірність

влучання в локальні оптимуми або неприйнятного часу нав-

чання нейро-нечіткої мережі прямуватиме до одиниці. Засто-

сування Evomax з урахуванням висловлених припущень доз-

волить уникнути проблем із потраплянням мережі в локальні оп-

тимуми й збільшує швидкість збіжності процесу навчання мережі.

3.3. Модифікований метод спрямованої оптимізації

моделі концентрації небезпечної хімічної

речовини

В основі методу Evomax [123] лежить ідея оптимізації про-

цесу випадкового пошуку оптимального розв'язку з викорис-

танням еволюційних алгоритмів. Базується така ідея на реалі-

зації спрямованої оптимізації з використанням композиції де-

кількох технік, зокрема, елементів еволюційних стратегій, ме-

тоду аналізу ієрархій і елементів теорії нечітких множин. Роз-

глянемо модифікований метод параметричної ідентифікації

концентрації НХР на основі Evomax.

Традиційно метод Evomax використовується для розв'язку

задачі пошуку

max ( )

f X

 ,

де 1 2

( , ,..., )

X x x x

,



– деякий гіперпаралелепіпед.

На макрорівні пропонований метод буде мати такі кроки:

Крок 1. Номер ітерації



Крок 2. Визначимо початкову кількість потенційних розв'язків



і згенеруємо рівномірно розподілені в



потенційні розв'я-

зки 1 2

, ,... ,

e e e

z z z



, кожен з яких має вигляд (3.13).

Крок 3. Обчислимо значення функції

в точках 1 2

, ,... ,

e e e

z z z



1 1 2 2

( ), ( ),...,

e e e e

f f z f f z 

( )

e e

f f z

 

.

Крок 4. Нормуємо значення

так, щоб

[0;1], 1

ne ne

j j

f f





 

.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Крок 5. Формуємо матрицю попарних порівнянь Сааті

такий спосіб. Серед нормованих значень функції знаходимо

мінімальне

розбиваємо відрізок

[0;1]

на 10 інтервалів:

[0; 0,1),[0,1;0,2), ...,

[0, 9;1]

. Тоді для всіх

{1,2,..., }





, якщо

[0,1 ;0,1 0,1 )

f k k

  й

[0,1 ;0,1 0,1 )

f l l

  , де

, {0,1,..., 9}

k l



, то

s l k

  

. Інші елементи матриці

розраховуються

так:

.

Крок 6. Розрахуємо власні числа матриці

й для максималь-

ного власного числа

max

знаходимо відповідний власний век-

тор

. Якщо вектор

з різних причин знайти проблематич-

но, то його елементи приблизно розраховують за формулою

1 2

...

j j j

s s s



   .

Значення

вказують на ступінь оптимальності (квазіопти-

мальності) потенційного розв'язку

Крок 7. Відомо [17], що наступним етапом повинна бути гене-

рація «нащадків» і формування нової популяції потенційних

розв'язків. Автори еволюційної стратегії пропонують одержу-

вати «нащадків» у такий спосіб:

( (0,1)), 1, ,

e e

j j

z z N j

 

  

де

( (0,1))



– нормально розподілена випадкова величина з

нульовим середнім і одиничною дисперсією,



– кількість

«нащадків» в одного «батька». За концепцією еволюції по Ч.

Дарвіну





, а в [1] рекомендовано вибирати

 



. Остання

нерівність є малодоказовою.

Ми вважаємо, що для ефективного пошуку оптимального

розв'язку необхідно враховувати міру оптимальності

по-

Методи оптимізації процесу прогнозування концентрації небезпечної

тенційних розв'язків

. Це дозволить тільки детальніше дос-

ліджувати область



. При цьому виникає дві гіпотези:

– чим більшим є значення

, тем більшим повинне бути зна-

чення



при генерації «нащадків» потенційного розв'язку

: 1

( (0, )),

e e e

j j j

z z N

 

 

що дозволить розширити область пошуку в районі кращого

розв'язку, а в області найменш потенційно оптимального роз-

в'язку область буде максимально звужена, у т.ч. і через непер-

спективність її дослідження;

– навпаки, більше значення

є причиною глибокого дослід-

ження околу найбільш перспективного розв'язку, а більше

значення дозволить детально досліджувати область, віддалену

від безперспективного потенційного розв'язку.

Такі дві гіпотези вимагають підтвердження, обидві вони є

евристичними, але не суперечать теорії й практиці стохастич-

ної оптимізації. Ми схиляємося до правильності другої гіпоте-

зи, що підтверджується першими експериментами, але необ-

хідні й більш глибокі дослідження.

Ще однією задачею є визначення оптимальної кількості

нащадків залежно від оптимальності розв'язку. Очевидно, що

така кількість

( )

N z

залежить від розмірів області



й заданої

точності потенційного розв'язку



. Для випадку, коли



є ві-

дрізком

( ) ( ([ , ]))

N z g L a b

, де

(*)

є довжиною. Визначення

величини



також є евристичним. На першому етапі раціо-

нально вважати, що

{1,2,..., }

  

   . Такий висновок базу-

ється на тому, що, взявши за основу другу гіпотезу, для перс-

пективного розв'язку необхідно більш глибоке дослідження

околу, а для безперспективного – більш широке. І те, й інше є

однаково важливим.

Найбільш складною є задача визначення значення диспе-

рсії для кожного окремого розв'язку. Очевидно, що



буде

залежати, як і в попередньому випадку, від

([ , ])

L a b



, а та-

кож від відстані до найближчих сусідів-розв'язків. Знаходимо

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

( , ), ( , )

e e

j L j R

d z z d z z

(відстань до найближчих лівого (або точки

)

і правого (або точки

) «сусідів»-розв'язків). Нехай

max

max{ ( , ), ( , )}

e e

j L j R

d d z z d z z

,

тоді

max



, оскільки за відомим правилом 3-х сигма саме

9973 точок з 10000 при генерації будуть належати інтервалу

( 3 , 3 )

e e

j j j j

x x

 

  .

Крок 8. На попередньому кроці виконано генерацію

 



по-

тенційних розв'язків. Знаходимо відповідні значення функції

. За цими значеннями, а також за значеннями 1 2

, ,...,

e e

f f



визначаємо



кращих розв'язків

1 1 1

1 2

, ,...,

e e e

z z z



  

і переходи-

мо на крок 1.

Пошук оптимального розв'язку закінчується на

-й ітера-

ції тоді, коли на кроці 2 ,

max ,

i j

f f



, 1,

i j



, буде меншим де-

якого наперед заданого





, так, що й ,

max ,

e e

j i

i j z z



 

що сві-

дчить про збіжність методу. Тоді, той розв'язок

, який бу-де

відповідати значенню

max

e e

i j

f f

, і буде розв'язком поставле-

ної задачі.

Для задачі параметричної ідентифікації моделі концент-

рації НХР функції

будуть такими:

0 0 0 0

( ( , , , , , , , , , , , , ))

j k j k k k k k k k k k k k k

f C F z x y z t V v u S x y z t



 

,



,

а сама задача трансформується в задачу пошуку

min max , , 1, .

i j

ei j f f i j



 

Таким чином, для структурної ідентифікації моделі кон-

центрації НХР розроблена модель у вигляді нейро-нечіткої

мережі з логічним висновком у формі Цукамото, для її пара-

Методи оптимізації процесу прогнозування концентрації небезпечної

метричної ідентифікації запропоновано використову-вати

модифікований метод спрямованої оптимізації Evomax.

Певні кроки метод Evomax також були додатково змінені,

що дозволило одержати позитивні результати. Як відомо, не

всі параметри аварії однаково впливають на концентрацію

НХР. Тому, для оптимізації процесу параметричної ідентифі-

кації моделі здійснимо визначення її чутливості до зміни

окремих параметрів і далі реалізуємо принцип протекціоніз-

му до найбільш значущих параметрів. Для цього обчислюємо

значення







, де



– приріст виходу мережі, виклика-

ний приростом її входу

(нормованим і приведеним до

[0;1]

-шкали). Більше значення

буде відповідати більш зна-

чущому параметру

, 1,8

P i . Далі навчання мережі ділиться

на два етапи. На першому етапі мережа навчається і знахо-

дяться оптимальні значення за Evomax, далі визначаються

значущі параметри, значення інших параметрів приймаються

рівними константам (отриманим як найкращий розв'язок на

попередньому кроці). Потім мережа навчається, оптимізуючи

значення тільки значущих параметрів. Далі цей процес можна

циклічно повторити до згасання флуктуації цільової функції.

Резюме

Відомі методи визначення концентрації небезпечної хімі-

чної речовини після аварії, що базуються на ймовірнісних або

інтегрально-диференціальних моделях, не дозволяють врахо-

вувати всі особливості місцевості та її забудови в кожному по-

тенційному випадку аварії, тому в третьому розділі запропо-

новано використовувати експертні висновки і на їх підставі

будувати моделі для визначення концентрації НХР.

Використання оптимізаційного методу, що базується на

елементах еволюційних стратегій, теорії нечітких множин та

ймовірнісних конструкціях, дозволяє здійснити спрямовану

параметричну оптимізацію запропонованої моделі й, як наслі-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

док, прискорити процес пошуку оптимальних значень параме-

трів моделі, а також збільшити точність шляхом неперервного

представлення потенційних розв'язків. Крім зазначених пере-

ваг розроблена технологія дозволяє здійснювати уточнене ви-

значення концентрації НХР у всій зоні можливого зараження

шляхом її вимірювання в декількох точках і швидкого перена-

вчання моделі, що критично важливо для прийняття адекват-

них розв'язків і мінімізації негативних наслідків аварій.

Зазначено, що побудова математичних моделей, методів

прогнозування, розробка сценаріїв можливих дій не гаранту-

ють адекватного прийняття рішень, тим більше в критичних

умовах. Причиною такого висновку є значний суб'єктивізм,

який супроводжує зазначені вище процеси. Оскільки моделі

будуються до аварії, в них не враховуються багато факторів,

які її супроводжують, що є причиною необхідності перевірки

моделей, їх верифікації та уточнення. Для цього в післяава-

рійний період необхідно здійснити вимірювання концентра-

ції небезпечної речовини в зоні зараження як мінімум у двох

точках або в різні моменти часу. Розроблено моделі на основі

нейро-нечіткої мережі ANFIS та запропоновано метод уточ-

нення як самої моделі, так і експертних даних про значення

параметрів, при яких відбулась аварія.

Розроблено модифікований метод спрямованої оптиміза-

ції моделі концентрації небезпечної хімічної речовини, вико-

ристання якого дозволяє прискорити процес пошуку оптимі-

зованого розв’язку. Покращення динаміки процесу навчання

нейро-нечіткої мережі досягається у два етапи: на першому

етапі знаходять оптимізовані значення параметрів мережі, да-

лі обчислюють чутливість вихідної характеристики до зміни

значень параметрів, визначають найбільш значущі параметри

і проводять до навчання мережі при постійних значеннях не-

значущих параметрів.

Експериментальна верифікація результатів і система підтримки прийняття

Розділ 4. ЕКСПЕРИМЕНТАЛЬНА

ВЕРИФІКАЦІЯ РЕЗУЛЬТАТІВ І СИСТЕМА

ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ЩОДО

МІНІМІЗАЦІЇ НАСЛІДКІВ ХІМІЧНИХ

АВАРІЙ

Головною задачею моделювання є визначення концен-

трації НХР як залежності від параметрів аварії, координат точ-

ки місцевості, часу, що пройшов після аварії, і побудова відпо-

відних полів концентрації. Така задача вирішується в доаварій-

ний і післяаварійний періоди. Що є вихідними даними для мо-

делювання? У більшості випадків концентрація розраховується

на підставі відомих методик. Але отримані результати мають

низьку точність, оскільки загальні методики орієнтовані на іде-

альні умови протікання аварій. Складно й навіть неможливо

врахувати особливості забудови місцевості і її рельєфу.

Важлива особливість моделювання – неможливість вери-

фікації отриманих результатів. Якщо при розв'язанні інших

задач ідентифікації й оптимізації існують критерії перевірки

ефективності запропонованих методів, то для пошуку точ-

ності методу визначення концентрації НХР необхідна хімічна

аварія, що фізично не реалізується. Тому багато авторів для

перевірки точності своїх результатів використовують резуль-

тати дослідів щодо розсіювання фреону-12 на відкритій міс-

цевості в містечку Торней-Айленд у Великобританії. Їх опису

присвячений весь номер журналу Journal of Hazardous

Materials [8]. Ці ж результати будуть використані для перевір-

ки запропонованої нами технології.

У четвертому розділі будуть розглянуті проблеми, які су-

проводжують визначення концентрації небезпечної хімічної

речовини як з використанням моделювання, так і з викорис-

танням результатів вимірювання та конструктивних особливо-

стей його проведення. Будуть показані переваги застосування

саме елементів «м’яких» обчислень як таких, які якнайкращим

чином відповідають початковій задачі, даним та обмеженням.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Очевидно, що обробка нечітких експертних висновків, які

виступають в ролі домінантного джерела даних, вимагає особ-

ливої організації даних та побудови бази знань із урахуванням

особливостей їх представлення. Певна увагу необхідно приді-

лити технологіям розв’язання задач саме оперативного, так-

тичного та стратегічного прогнозування.

Одна із головних ролей відводиться верифікації розроб-

лених моделей та методів. Оскільки натурний експеримент

для хімічних аварій є неможливим, то необхідно вибрати ін-

ший спосіб перевірки адекватності розроблених моделей. Ме-

тоди, в основному, призначені для пошуку оптимальних чи

квазіоптимальних (прийнятних) значень залежностей, що має

універсальний характер, тому раціонально здійснити порів-

няння результатів їх застосування із результатами відомих ме-

тодів при розв’язанні задач одного класу.

4.1. Особливості використання технології

прогнозування концентрації небезпечної

хімічної речовини у післяаварійний період

Оскільки проблема забезпечення безпечного середовища

проживання людини [109] належить до пріоритетних у сьо-

годнішньому світі, а її складова – мінімізація кількості хіміч-

них аварій та їх негативних наслідків [45, 100] відіграє важливу

роль, то для її вирішення вже створено велику кількість авто-

матизованих систем. Виконуючи їх аналіз, зауважимо, що такі

системи, їх структура та функції залежать від спектру

розв’язуваних задач. Значне місце серед них займає задача

ідентифікації невідомих залежностей [37, 54, 111]. Саме методи

її розв’язання лежать в основі функціонування систем підтри-

мки прийняття рішень в надзвичайних ситуаціях [40, 114].

Значну роль при розв’язанні таких складних важкоформалі-

зованих та слабко структурованих задач відіграють технології

штучного інтелекту [51, 101, 108, 112], які дозволяють викорис-

тати експертний досвід і підсилити його шляхом використан-

ня обчислювальних методів і процедур [48, 68, 132].

Експериментальна верифікація результатів і система підтримки прийняття

Неможливо ефективно організувати процес попереджен-

ня хімічних аварій та мінімізації наслідків попередніх аварій,

не базуючись та не враховуючи дані про минулі аварії. При

цьому важливо правильно організувати та використовувати

ретроспективну інформацію і сучасні правила організації дій

аварійно-рятувальних служб, виходячи із особливостей аварії,

кількості рятувальників, їх кваліфікації, особливостей місце-

вості. Важливим аспектом у цьому процесі є використання су-

часних інформаційних технологій [80, 127] та проектування і

розробка відповідних баз знань як в частині екстенсіональної

їх складової, так й інтенсіональної [81].

На практиці використання запропонованої технології ус-

кладнене через декілька проблем:

1. Значення двох або більше параметрів при аварії при-

пущені неправильно. Можливо також, що параметрична іден-

тифікація моделі виконана невірно через те, що два або біль-

ше показників мали зміщені значення в навчальній вибірці

внаслідок суб'єктивізму експерта або помилок вимірювання.

2. Прилад для вимірювання концентрації небезпечної ре-

човини має помилку вимірювання 5-20%, причому помилка

може бути розподілена нерівномірно, оскільки залежить від

багатьох неврахованих і невраховуваних факторів.

3. Існує лаг в 20-300 секунд від моменту початку вимірю-

вання до видачі результату. Значний вплив на цей процес

здійснює значення температури зовнішнього середовища.

Розглянемо аспекти вирішення зазначених трьох проб-

лем, кожна з яких характеризується значною невизначеністю

як об'єктивною, так і суб'єктивною. Вище розроблено продук-

ційні правила, в консеквенті та антецеденті яких присутні не-

чіткі множини з диференційовними функціями належності. З

їх допомогою встановлені параметри, значення яких встанов-

лені зі зміщенням, і запропонована технологія постпрогнозу-

вання значень концентрації небезпечної речовини в зоні за-

раження. Її перевагою є мінімальний час об'єктивізації зазна-

чених значень з використанням натурних вимірювань, корек-

ції навченої моделі і розрахунок значень концентрації в будь-

якій точці області зараження, що дозволяє будувати динамічні

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

карти зараження місцевості та здійснювати адекватну ситуації

підтримку прийняття рішень.

Одним із аспектів, який сприятиме розв’язанню вищевка-

заних проблем і задач є прогнозування концентрації небезпе-

чних речовин у випадку вибухів, пожеж та розгерметизації

об’єктів, що містять хімічні речовини. Традиційно у таких ви-

падках використовують табличні дані та розрахункові фор-

мули. Прикладом таких розрахунків є візуалізоване представ-

лення площі зараження та концентрації небезпечних речовин,

одержане за допомогою пакету Матлаб (рис. 4.1). При побудо-

ві поверхні, яка визначає концентрацію, враховуються напря-

мок і сила вітру, напрямок руху теплових потоків у повітрі.

Рис. 4.1. Концентрація речовини через 5 та 300 секунд

після вибуху

На практиці застосування таких розрахунків призводить

до результатів із значною похибкою. Причинами цього є ная-

вність на шляху руху хімічної «хмари» будівель і споруд, лісо-

вих масивів тощо. Раніше запропоновано для визначення

концентрації як функції від координат місця та часу викорис-

тати елементи теорії нечітких множин та експертні висновки.

Попередній аналіз процесу вимірювання концентрації небез-

печних речовин дозволяє зробити висновок про декілька при-

чин невизначеності. По-перше, прилади, які для цього вико-

ристовуються (газоаналізатори), допускають до 25% похибки.

По-друге, процес вимірювання є тривалим (приблизно 1 хв).

За цей час концентрація істотно змінюється і неможливо вста-

новити, яке її значення прилад покаже (мінімальне, максима-

Експериментальна верифікація результатів і система підтримки прийняття

льне, середнє тощо). Заважимо також, що пелюсткова форма

зони зараження не завжди відповідає дійсності. Таким чином,

показано, що концентрація небезпечної речовини

( , , , )

K x y z t

визначатиметься за формулою

( , , , ) ( , , , , , ),

K x y z t F x y z t A B





де

A B



− нечіткі множини із відповідними функціями належ-

ності для похибки газоаналізатора та виміряної концентрації.

Функція

є чіткою функцією від чітких та нечітких аргумен-

тів. Результуюча концентрація є нечіткою величиною, функ-

ція належності якої може бути встановленою з використанням

схеми Беллмана-Заде [23, 121]. Крім запропонованого підходу,

який вимагає наявності даних практичних вимірювань, до-

цільним є застосування виключно експертних висновків щодо

певних ключових точок та відновлення поверхні концентрації

небезпечних речовин з використанням нейро-нечітких мереж.

Отримані результати є ще одним кроком у розвитку теорії

й практики процесів прийняття рішень і мінімізації негатив-

них наслідків при хімічних аваріях. Враховуючи неможливість

фізичного проведення експериментів, запропоновано, на ві-

дміну від інших методів і методик, використовувати нечіткі

експертні висновки, що дозволяє здійснювати уточнене про-

гнозування концентрації НХР із урахуванням рельєфу міс-

цевості й забудови. Моделлю для визначення концентрації

НХР вибрана нейро-нечітка мережа ANFIS як така, що най-

кращим чином відповідає поставленій задачі й вихідним да-

ним. Оскільки така модель є багатопараметричною, розроб-

лено метод її параметричної ідентифікації, який є модифіко-

ваним аналогом Evomax. Отримані результати близькі до ре-

зультатів використання методики ТОКСІ-3, що ще раз підт-

верджує ефективність запропонованої технології.

Зрозуміло, залишається низка питань, на які необхідно шу-

кати відповіді. Зокрема, як здійснити верифікацію прог-нозних

значень концентрації в зоні забудови або змінного рельєфу,

якщо проведення експериментів неможливо? Як змен-шити

вплив суб'єктивного фактора при побудові моделі й визначенні

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

вихідних даних? Відповіді на ці й інші питання необхідно шу-

кати найближчим часом, оскільки ймовірності виникнення хі-

мічних аварій аж ніяк не мають тенденції до зменшення.

Хімічна безпека населення в останні роки набуває пріори-

тетного значення. Підвищення її рівня пов'язане з необхідніс-

тю прогнозування майбутніх аварій, їх наслідків. Неможли-

вість фізичного моделювання хімічних аварій не дозволяє де-

тально вивчати можливі їхні масштаби й наслідки. Крім того,

кожний хімічний об'єкт має індивідуальні особливості, які

безпосередньо впливають у випадку аварії на процеси її про-

тікання. І тут незамінним є моделювання аварій, і прогнозу-

вання їх наслідків. Запропонована технологія дозволить буду-

вати в доаварійний період поля концентрації НХР, а у випад-

ку аварії використовувати цю інформацію для прийняття рі-

шень. Метод уточнення відповідних моделей спрямований на

врахування особливостей конкретних аварій і корекцію мож-

ливих дій з порятунку населення в зоні ураження.

Показано, що доаварійна побудова моделі для прогнозу-

вання його концентрації є необхідною умовою своєчасного й

адекватного прийняття рішень. Запропонована технологія

уточнення такої моделі за результатами декількох вимірів у

післяаварійний період.

У зв’язку із зростанням кількості та масштабів хімічних

аварій задачі об’єктивізації моделювання їх наслідків набува-

ють особливої актуальності. Запропоновані елементи техноло-

гії постпрогнозування концентрації небезпечних хімічних ре-

човин в умовах невизначеності раціонально використовувати

на хімічних підприємствах, а також здійснювати моделювання

для залізничних та автодоріг, якими перевозяться такі речо-

вини. Одержані результати складуть інформаційну основу та

будуть базою процесів підтримки прийняття рішень у крити-

чних умовах. Перевагою запропонованого підходу є виконан-

ня значної кількості операцій у доаварійний період та зведен-

ня до мінімуму часу моделювання в поставарійний час.

Необхідною умовою об'єктивізації й своєчасності прове-

дення заходів щодо захисту населення й навколишнього сере-

довища є використання обчислювальної техніки й відповідно-

Експериментальна верифікація результатів і система підтримки прийняття

го програмного забезпечення. Однак, застосування сучасних

інструментальних засобів виявляється недостатнім, оскільки

кожна конкретна аварія відрізняється непередбачуваністю ви-

никнення, характером протікання й можливими наслідками.

Достатньою умовою для прийняття якісних рішень, на наш

погляд, може служити відповідна методика, що базується на

структуризації задач, моделей і методів їх розв'язання при

прогнозуванні як аварій, так і їх наслідків, визначенні опти-

мального (квазіоптимального) розподілу ресурсів і побудові

на їхній основі системи підтримки прийняття рішень.

Визначення сукупності проблем, які необхідно вирішува-

ти як у доаварійний, так і в післяаварійний період, їх особли-

востей і структуризація, а також визначення елементного ба-

зису й взаємодії функціональних модулів СППР і є задачею,

яка розглядається далі.

Значна кількість необхідних обчислень, їх експертно-орі-

єнтований характер вимагають створення спеціалізованих ін.-

формаційно-обчислювальних систем, в яких будуть реалізо-

вані всі вище перелічені технології. В базах даних такої систе-

ми повинна міститися інформація про попередні катастрофи,

а також експертні висновки про потенційно небезпечні об'єк-

ти і можливі наслідки аварій на них. Окрім таких даних, осно-

вним її змістом є значення постійних і динамічних факторів.

До перших відносяться: технологічний стан об'єкту, техноло-

гічність процесів на об'єкті, час дії небезпечної речовини, роз-

міщення об'єкту, рельєф місцевості та інші. Значення таких

факторів в базі даних з часом майже не змінюються і є конста-

нтами. На відміну від них, значення динамічних факторів

змінюються в часі і вимагають постійної корекції в базі даних.

До них відносяться: температура небезпечної речовини, тем-

пература навколишнього середовища, вологість повітря, ная-

вність опадів, швидкість і напрям повітряних потоків.

Використання технологій «м'яких обчислень» дозволяє

повною мірою враховувати досвід експертів і одержувати

більш точні значення параметрів зараження за рахунок при-

в'язки відповідної задачі до конкретної ситуації. В той же час

залишаються і певні проблеми застосування такої технології,

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

зокрема, складність формалізації задачі, визначення обмежень

на процес її розв’язання, а також труднощі збору і формаліза-

ції експертних висновків.

Процеси прийняття рішень при прогнозуванні надзви-

чайних ситуацій, пов'язаних з техногенними і екологічними

катастрофами, відбуваються в умовах значної невизначеності,

викликаної відсутністю або недостатністю початкових даних,

їх неоднозначністю, недостатнім рівнем інформаційно-

аналітичної підтримки. Значні збитки від аварій і катастроф

указують на необхідність розробки комплексної системи підт-

римки прийняття рішень, основу якої повинні складати тех-

нології «м'яких обчислень» як найбільш відповідні семантиці

експертних висновків і експертний досвід, виражений параме-

трами нечітких продукційних правил. Така система дозволить

виконувати упереджуюче катастрофи прогнозування і, як на-

слідок, здійснювати управляючі дії на виробничі процеси.

4.2. Структуризація задач прогнозування при хімічних

аваріях

Точність прогнозування залежить від ступеня одноріднос-

ті розглянутих процесів. Тому, на першому етапі класифікує-

мо релевантні задачі на такі, що розв’язуються в доаварійний і

післяаварійний періоди. Оскільки при хімічних аваріях вики-

ди НХР бувають залпові або продовженої дії, то відповідні

особливості також необхідно враховувати при розв'язанні піс-

ляаварійних задач. І, нарешті, одержувані в доаварійний пері-

од результати потребують коригування з використанням да-

них вимірювань.

Розглянемо зазначені вище класифікаційні елементи де-

тально. У доаварійний період необхідно розробити моделі, які

дозволять визначити часові й просторові поля концентрації

НХР при аварії в будь-якій можливій точці виробництва, збе-

рігання або транспортування. Така задача є ресурсозатрат-

ною, але наявний ресурс часу й обчислювальні потужності до-

зволяють її розв'язати. І таке розв'язання зводиться до струк-

турної й параметричної ідентифікації залежності

Експериментальна верифікація результатів і система підтримки прийняття

( ) ( , , , )

C P H X T R W

, (4.1)

де

– концентрація НХР;

– параметри, що вказують на міс-

це вимірювання концентрації НХР або його час;

– коорди-

нати точки, у якій відбулась аварія;

– час виникнення аварії;

– значення параметрів аварії;

– значення погодно-кліма-

тичних факторів. Очевидно, що в цьому випадку дані перед-

бачаються точно заданими. Відомо, що значення концентрації

визначаються, виходячи з інформації, наявної в експерта, осо-

бливостей рельєфу місцевості, її забудови, а також розрахун-

ків, проведених за різними методиками і з використанням

спеціальних програмних систем. Таким чином, результуюча

характеристика є нечіткою величиною й представляється як

функція належності.

Раціонально здійснювати її дефазифікацію й далі викори-

стовувати чітке значення вихідної характеристики. Оскільки

всі дані в реальних умовах можуть бути виміряні або зазначені

експертами, можна затверджувати, що їх необхідно вважати

нечіткими числами. Відповідна база даних (рис. 4.2) крім їхніх

значень повинна містити й дані про аварії з подібними НХР

на однотипних підприємствах. Якщо передбачається, що ава-

рія може відбутись під час транспортування або зберігання, то

необхідно мати інформацію про їх умови.

Характер вихідних даних і системна невизначеність [59],

що супроводжують хімічні аварії, висуває особливі вимоги до

вибору моделі концентрації НХР, застосовної для стратегічно-

го прогнозування.

Відомі моделі й методи їх параметричної ідентифікації ви-

являються малопридатними в силу багатьох причин. Зокрема,

неможливо описати концентрацію НХР, використовуючи лі-

нійні моделі, оскільки відомо, що хімічне зараження місцевості,

як і багато інших процесів має суттєво нелінійний характер.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

Рис.

. Структура дан

Оператор

Формування бази даних

Законодавча інформація

Табличні дані про параметри аварії

та НХР

Статистичні дані про аварії

та сценарії їх ліквідації

Особливості виробництва та

логістики

Нелінійні регресійні моделі складно використовувати,

оскільки вони найчастіше є добутками функцій однієї змінної,

значення яких вказуються неточно. Тоді використання відпові-

дної моделі призведе до неточних результатів. Ще однієї мо-

деллю міг би стати поліном Колмогорова-Габора й метод гру-

пового урахування аргументів для його параметрич-ної й стру-

ктурної ідентифікації. Висока точність одержуваних за допомо-

гою цього методу моделей є вагомим аргументом на користь

його використання, але передбачувана неточність ви-хідних

даних не дозволяє здійснити адекватне його застосування.

Враховуючи вищевикладені особливості даних, можливих

моделей і методів ідентифікації, розв'язати задачу одержання

залежності (4.1) вище запропоновано, використовуючи нейро-

нечітку мережу ANFIS [7] з нечітким логічним висновком у

формі Цукамото [65]. Така мережа, що використовується як

модель (4.1), поєднує в собі переваги як звичайної нейромере-

Експериментальна верифікація результатів і система підтримки прийняття

жі, а саме, мінімалізм вимог до вихідних даних і прозорість

процесу навчання, так і систем нечіткого логічного висновку з

можливістю інтерпретації отриманої моделі. Навчання мережі

ANFIS проводиться на основі табличної інформації про мож-

ливі значення параметрів аварії й відповідні концентрації

НХР, отримані від експертів. Сама модель (4.1) у цьому випад-

ку є багатопараметричною, оскільки містить велику кількість

функцій належності (у більшості випадків гаусівських) з неві-

домими значеннями параметрів. У їхньому визначенні й по-

лягає процес навчання. При великій кількості даних раціо-

нально використовувати градієнтні методи навчання, в іншо-

му випадку – використовувати еволюційне моделювання.

Оскільки при хімічних аваріях можливі два варіанти руй-

нування ємностей з НХР, а саме такі, що приводять до залпо-

вого викиду або тривалого витікання, то моделей типу (4.1)

повинно бути як мінімум дві, оскільки зазначені процеси ма-

ють різні фізичні особливості, внаслідок чого концентрація

НХР змінюється за різними законами.

Одержання моделі (4.1) як складної нейро-нечіткої мережі

є тривалим процесом, пов'язаним з необхідністю розрахунку

значень великої кількості параметрів. Але, оскільки навчання

моделі відбувається в доаварійний період, то таке обмеження є

несуттєвим. Отримана модель і побудовані з її використанням

поля концентрації НХР дозволять здійснити попередній ана-

ліз наслідків можливих аварій, визначити «слабкі» місця, мож-

ливі наслідки, припустити основні варіанти проведення захо-

дів щодо ліквідації наслідків аварії.

Реальні аварії, як відомо, відрізняються від модельованих і

відбуваються, як правило, спонтанно внаслідок комбінації дії

випадкових факторів. Внаслідок цього неможливо спрогнозу-

вати всі можливі сценарії розвитку подій, параметри поточної

ситуації, значення погодно-кліматичних факторів. Як тільки

відбувається аварія, виникає комплекс подій, що носить крити-

чний суб'єктивний характер, виникає необхідність прий-няття

сукупності рішень і в цьому випадку використання автомати-

зованих систем підтримки прийняття рішень, в основі яких ле-

жать моделі типу (4.1), дозволяє уникнути значних помилок.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

100

Модель концентрації НХР у випадку аварії значно спрощу-

ється за рахунок введення в неї значень початкових параметрів

аварії й погодно-кліматичних факторів. Але, враховуючи кри-

тичність багатьох факторів, в першу чергу, часу, ці дані відріз-

няються від реальних і можуть призвести до неправильного

прогнозування концентрації НХР і, як наслідок, до невірних

рішень відповідальної особи. На практиці в зону зараження ви-

їжджають фахівці й проводять вимірювання концентрації НХР.

Раніше нами вже показано, що одне або два вимірювання до-

зволять здійснити корекцію моделі за короткий час і викорис-

товувати її при уточнених розрахунках. Сценарій використан-

ня й корекції моделі (4.1) показаний на рис. 4.3.

Рис.

. Задач

та

модел

прогнозування

Стратегічне

прогнозування

Динамічна модель

концентрації НХР

Оперативне

прогнозування

Модель

концентрації НХР

База

даних

Вимірювання

концентрації НХР

в реперних точках

Коректування та

уточнення

Дані

Коригування й уточнення моделі залежать від точності й

своєчасності проведення вимірювання концентрації НХР на

місцевості. Помітимо, що використовувані прилади мають ви-

Експериментальна верифікація результатів і система підтримки прийняття

101

соку інерційність і немалу похибку, що також необхідно вра-

ховувати при коригуванні даних.

Таким чином, наведені моделі й методи становлять єдину

технологію, що дозволяє здійснити наскрізний інформаційно-

аналітичний супровід процесів прийняття рішень, а також

покрокове зменшення невизначеності.

Базисом прийняття адекватних розв'язків є база знань, де-

які елементи якої наведені на рис. 4.2. Крім геоінформаційних

даних, законодавчої інформації, табличних і ретроспективних

даних вона містить інформацію про особливості логістики, а

також правила логічного висновку. Останні дозволяють здійс-

нювати використання банку математичних моделей і ме-тодів

як при структурній, так і при параметричній ідентифікації

залежності (4.1). Інтерактивний характер роботи зі СППР є не-

обхідною умовою відкритості такої бази знань, оскільки нова

інформація про аварії, нові моделі й методи стає невід'ємною

її частиною й використовуються надалі.

Робота СППР може бути інтегрованою в геоінформаційні

системи. Зокрема, на рис. 4.4. показано як здійснюється побу-

дова зони зараження небезпечною хімічною речовиною з ви-

користанням результатів моделювання.

Основною частиною бази знань є банк математичних мо-

делей і методів, що містить регресійні, поліноміальні моделі,

гаусівські й дифузійні моделі, застосовувані в сучасних мето-

диках, а також методи їх ідентифікації. На кожному підпри-

ємстві відповідна база знань повинна постійно поповнюватись

даними про особливості виробничих процесів і експертними

висновками. При роботі різнокомпетентних експертів перед-

бачена модель для визначення їх компетентності на підставі

різних методик. Така різноаспектна інтеграція технологій до-

зволить здійснювати глибокий аналіз післяаварійної ситуації,

що склалась, й адекватне прогнозування.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

102

Рис. 4.4. Моделювання зони зараження з використанням Google Earth

Запропонована структуризація процесів прийняття рішень

виконана на підставі проведених раніше досліджень і розробок.

Вона є базисом створення територіально розподіле-ної системи

з попередження хімічних аварій і ліквідації їх нас-лідків. Її роз-

робка й використання дозволять мінімізувати нас-лідки хіміч-

них аварій за рахунок автоматизації, інтелектуалізації процесів

прийняття рішень, а також інтеграції апріорної інформації.

Експериментальна верифікація результатів і система підтримки прийняття

103

4.3. Особливості формування баз знань при

структурованому представленні інформації

Основою процесів прийняття рішень як в доаварійний,

так і в післяаварійний період є система підтримки прийняття

рішень. Для того, щоб створення і використання СППР носи-

ло раціональний і адекватний характер, відповідало навко-

лишнім реаліям, вона повинна мати властивості універсально-

сті та унікальності.

Універсальність означає можливість її застосування на усіх або бі-

льшості підприємств хімічної галузі та при спеціальних перевезеннях.

Унікальність визначає можливість використання СППР на кон-

кретному підприємстві при аналізі потенційних чи реальних аварій.

Перша властивість визначає принципи, структуру і елеме-

нтну базу розробки СППР. Очевидно, що проектування СППР

має починатись із розробки патернів (шаблонів) вхідних даних,

моделей, методів, форм вхідної інформації. На початковому

етапі раціонально побудувати системну модель [126] процесу

створення СППР і вказати на елементну базу, йому релевантну.

Основні етапи такого процесу наведені на рис. 4.5.

У відповідності до системної моделі визначимо головну ціль:

= {розробка системи підтримки прийняття рішень на хіміч-

них підприємствах для використання як у доаварійний час,

так і в післяаварійний період}.

Очевидно, що ціллю вищого рівня ієрархії є:

= {недопущення хімічних аварій або мінімізація їх негатив-

них наслідків}.

І ще рівнем вище:

={забезпечення безпечного проживання людини в сучасно-

му техногенному світі}.

Але, повертаючись до СППР, підцілями головної цілі ви-

значимо такі:

={відстеження динаміки процесів виробництва НХР на під-

приємствах};

={визначення найбільш небезпечних зон хімічного зара-

ження у випадку аварії};

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

104

Експериментальна верифікація результатів і система підтримки прийняття

105

={прогнозування концентрації НХР у після аварійний

період}.

Декомпозиція цілей може бути продовжена. Але, визна-

чаючи ціль як бажаний результат, сформуємо сукупність за-

дач, розв’язання яких є необхідною умовою досягнення таких

цілей. Зауважимо, що розв’язання однієї задачі може бути на-

правленим на досягнення сукупності цілей, тому будувати

ієрархію задач є сенс як послідовно-паралельну систему із сво-

їми етапами та рівнями.

Визначимо головні задачі при створенні СППР:

={проектування структури бази знань, включаючи елемен-

тну базу її екстенсіональної та інтенсіональної частин};

={реалізація структурної ідентифікації моделей для визна-

чення концентрації НХР};

={алгоритмізація відомих і розроблених методів параметри-

чної ідентифікації залежності};

={реалізація графічного представлення одержаних резуль-

татів з використанням, у т.ч., Google Earth};

={інтерпретація одержаних результатів з метою підтримки

прийняття адекватних рішень}.

Очевидно, що вербальне представлення задач має бути

перетворене до їх математичного формалізованого опису, що

дозволить здійснювати розробку методів і алгоритмів розв’я-

зання вищевказаних задач.

На останньому рівні системної моделі потрібно вибрати

середовище реалізації СППР в цілому та її окремих модулів у

вигляді toolbox. Очевидно, що система реалізації повинна ма-

ти широкі можливості та потужності щодо обчислень та гра-

фічного відображення з дружнім інтерфейсом. Цим вимогам

відповідає програмне середовище, в якому реалізована СППР.

Окремі модулі тестувались з використанням відомих пакетів

Matlab і Mathematika.

На етапі проектування СППР необхідно прогнозувати

(передбачати) сценарії та особливості її розробки і викорис-

тання у відповідності до етапів життєвого циклу (ЖЦ) інфор-

маційної системи. Як відомо, ЖЦ будь-якої складної системи

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

106

включає в себе етапи: наукові дослідження, проектування, ро-

зробка, використання, модернізація або ліквідація.

Відзначимо ще один аспект створення СППР, а саме необ-

хідність побудови трьох моделей: будови, функціонування та

розвитку [126]. Модель будови є такою:

1 2

{ , ,..., , },

б n

М S S S R



де

– елементи системи,

– матриця зв’язків між елемента-

ми, яка визначає структуру системи,

i n

, і є теоретико-

множинною моделлю. Наступну модель, модель будови,

представимо таким чином:

1 2 1 2

{ , ,..., , , , , },

ф m m

М f f f K K K E



де

– функція системи,

– показники ефективності вико-

нання функцій,

– загальна ефективність системи,

j m

. І

модель розвитку зобразимо таким чином:

{ , , , , , },

р c н c н c н c н c н c н

М Z Z V V M M W W C C Q Q

      

де

Z Z

– старі й нові цілі,

V V

– старі й нові задачі (моделі),

M M

– старі й нові методи (алгоритми),

W W

– старі й нові

інструментальні засоби (системи реалізації),

C C

– старі й

нові структури,

Q Q

– старі й нові стратегії управління (роз-

поділу ресурсів), відповідно. Очевидно, що остання модель

відображає напрямки розвитку системи у майбутньому. За-

уважимо, що не обов’язково усі складові моделі можуть бути

практично реалізованими у кожному конкретному випадку.

На певну важливу особливість задачі проектування СППР

вказувалось в [126], а саме на необхідність дослідження на

розв’язуваність такої задачі за входом, ресурсом та процесом.

Таким чином, одержимо три концептуальні складові процесу

створення СППР:

={супровід СППР за етапами ЖЦ};

={побудова моделей СППР};

={дослідження можливості створення СППР};

Експериментальна верифікація результатів і система підтримки прийняття

107

З вищевказаного випливає, що такі складові мають еле-

ментну базу:

1 1 1 1 1 1

{ , , , , };

нд п р ф м

H H H H H H

 

2 2 2 2

{ , , };

мб мф мр

H H H H

3 3 3 3

{ , , }.

рв рр рп

H H H H

Такі елементи не існують окремо, а є взаємопов’язаними.

Зокрема, дослідження розв’язуваності задачі проектування

СППР (

рв

) обов’язково базується на наукових дослідженнях

(

нд

), а у результаті наукових досліджень і повинна бути ви-

значена можливість існування розв’язку вказаної задачі за вхо-

дом. Змістовно розв’язуваність за входом означає існування

достатньої інформації для початку розробки, а також прогно-

зування того, що виникаючі в процесі інших етапів ЖЦ СППР

інформаційні потреби будуть задоволеними. Таким чином,

констатуємо існування відображення 1 3

нд рв

H H

 У першу

чергу, воно є відображенням інформаційного забезпечення

процесу створення СППР.

Модель функціонування (

мф

) будується за результатами

реалізації етапу життєвого циклу (

) і відображає якість ета-

пу функціонування (

). Вихідним інформаційним матеріа-

лом для реалізації та взаємозв’язку вищенаведених складових

є результати дослідження розв’язуваності задачі створення

СППР за ресурсом (

рр

) та процесом (

рп

). Очевидним є

вплив усіх результатів дослідження

на побудову моделі

мр

та подальшу реалізацію етапу ЖЦ СППР, пов’язаного з її

модернізацією та розвитком. Маємо ще такі два відображення

вищенаведених фактів:

3 2 1

3 3 1 2 1

& .

мр м

рр рп р мф ф

H H H

H H H H H

 

  

Розглянуті моделі, етапи життєвого циклу, складові дослі-

дження розв’язуваності задачі створення СППР та реалізація

наведених відображень є вихідним матеріалом для ефектив-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

108

ного процесу використання СППР в реальних умовах, оскіль-

ки такі аспекти свідчать про системність її розробки.

У відповідності до системної моделі у її загальному пред-

ставленні, на рис. 4.6 наведена модель СППР, яка містить екві-

валентні складові. Очевидно, що на рис. 4.6 не показані цілі і

задачі, для розв’язання яких призначена СППР. У той же час на

цілі вказують результати функціонування такої системи. Фор-

мальним представленням задач є моделі. Згідно із систем-ними

представленнями, основним результатом, який становить осно-

ву одержання вербалізованих результатів, є моделі.

Для ідентифікації таких моделей необхідні вихідні дані та спе-

ціальні методи, які призначені для одержання саме таких моделей.

Так, вихідними даними є інформація про минулі хімічні

аварії, їх параметри, табличні значення, які характеризують

ту чи іншу НХР, динаміку змін концентрації НХР та зон зара-

ження на місцевості.

До вихідних даних також належить інформація про мар-

шрути перевезень, географічно прив’язані до певної коорди-

натної сітки, особливості таких маршрутів, місця підвищеної

небезпеки. Інший тип даних становлять відомі методики роз-

рахунків із вказівкою особливостей їх застосування у залеж-

ності від зовнішніх факторів. Для безпосереднього одержання

моделей використовується експертна інформація спеціально-

го виду, яку класифікують як таку, що повністю відома; з неві-

домими параметрами; одержану від експертів з невідомим рі-

внем компетентності з відомими повністю та частково значен-

нями параметрів.

Моделі, які використовуються в СППР, розділяються за

своїм призначенням. Перші з них потрібні для попереднього

аналізу та використовуються для порівняння результатів про-

гнозування з результатами, які одержані з використанням ін-

ших моделей, а також для попередньої оцінки чутливості ви-

хідної характеристики до зміни значення того чи іншого фак-

тора. До таких моделей належать регресійні моделі, а також

мережа зустрічного поширення.

Експериментальна верифікація результатів і система підтримки прийняття

109

Дані Моделі

Методи Результати, графіка, дані ІКС

Ретроспектива

Дані про ХП,

маршрути

перевезень

НХР

Відомі

методики

розрахунків

Експертні дані

(повна

визначеність

)

Дані з ФН для

висновку

Мамдані

Дані з ФН з

невідо-мими

параметрами

Попередній аналіз,

МЛР, МНР

Попередній аналіз,

МГУА, МЗП

Інтерполяція,

RBF- мережа

Прямозв’язна

мережа,

MLP

ННМ ANFIS,

1 експерт

ННМ ANFIS,

кілька експертів

ННМ ANFIS,

різно- компетентні

експерти

Продукційні

правила

МНК, метод Брандона

Комбінований метод, МСР

Метод прямого навчання

Back propagation

ГА, комбінований метод

EvoMax

EvoMaxM

EvoMaxM(2)

0 0 0

( , , )

Cx y z

( , , )

C x y z

( , , )

V x y z

Визначення

найбільшо-го

і найменшого

значен-ня С

Визначення

небезпечних

зон

Р е к о м е н д а ц і ї щ о д о д і й н а м і с ц е в о с т і

Рис. 4.6. Елементи системної моделі процесу прийняття рішень з використанням

СППР

Моделі, які використовуються в СППР, розділяються за

своїм призначенням. Перші з них потрібні для попереднього

аналізу та використовуються для порівняння результатів про-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

110

гнозування з результатами, які одержані з використанням ін-

ших моделей, а також для попередньої оцінки чутливості ви-

хідної характеристики до зміни значення того чи іншого фак-

тора. До таких моделей належать регресійні моделі, а також

мережа зустрічного поширення.

Якщо потрібно здійснити прогнозування всередині об-

ласті навчання, то раціональним є застосування нейронної

мережі із радіально-базисними функціями активації. Відомо,

що RBF-мережа відрізняється високою точністю при розв’я-

занні інтерполяційних задач. Для екстраполяційних детермі-

нованих задач використовуються прямозв’язні нейронні ме-

режі із градієнтними методами навчання. Якщо ж існує неви-

значеність у висновках експертів, що виражена у нечіткості

значень певних параметрів, або повній їх відсутності, то тоді

використовуються нейро-нечіткі нейромережі. Внаслідок їх

навчання будуються моделі, які дозволяють здійснювати про-

гнозування як у чіткій формі, так і у нечіткій.

Основну частину СППР становить реалізація методів па-

раметричної ідентифікації залежностей, заданих таблично. Їх

можна розділити на декілька класів:

- методи, в основі яких лежить парадигма методу найменших

квадратів із визначенням невідомих параметрів шляхом ди-

ференціювання та розв’язання систем рівнянь;

- методи прямого навчання, які полягають в обчисленні визнач-

ників високих порядків та розв’язанні систем лінійних рівнянь;

- методи ітераційного навчання, в основі яких лежать градієн-

тні технології, здійснюється обчислення похідних першого і

другого порядків;

- методи оптимізації складних поліекстремальних залежнос-

тей, що базуються на випадковому пошуку кращих рішень

та обчисленні функцій пристосованості й наслідуванні при-

родних механізмів;

- методи навчання нечітких нейромереж з використанням рі-

зних технологій: як градієнтних, так і стохастичних.

Ці методи забезпечують побудову моделей, які дозволять

ідентифікувати (прогнозувати) концентрацію НХР у будь-

якій точці, побудувати динамічні поля концентрації НХР для

Експериментальна верифікація результатів і система підтримки прийняття

111

всієї зони зараження, здійснювати графічне відображення по-

лів концентрації з використанням геоінформаційних предста-

влень та систем. Окремими результатами є визначення місць з

найменшими та найбільшими значеннями концен-трації

НХР, а також найбільш небезпечних зон.

Оскільки результатом використання моделей для прогно-

зування концентрації НХР є кількісні значення, то необхідні

процедури для інтерпретації таких результатів, які б забезпе-

чували дружній інтерфейс користувачів та СППР.

Детальна схема модулів, які відображають алгоритмізо-

ване представлення процесу функціонування СППР, зобра-

жена на рис. 4.7, розглянемо їх зміст. У верхній частині рис. 4.7

знаходяться модулі введення та зберігання інформації в базах

даних, зокрема:

– Retro – призначений для введення і зберігання даних про

минулі хімічні аварії за таким стандартом:

<Id, Data_Id, 1 2

, ,..., ,

P P P

, , , ,

x y z t C

> >,

де Id– ідентифікатор аварії, Data_Id– дані про місце аварії (текс-

товий файл),

– початкові параметри аварії,

, ,

x y z

– координа-

ти точки аварії, в якій виміряно концентрацію

через час

;

– Apriori – призначений для введення, зберігання і модифіка-

ції даних про підприємство, місце виробництва та зберігання

НХР та маршрути її транспортування у формі

<Id_P, Tip, N, < Data, Id_i, V, m>, L, Data _P, <

1 1 2 2

, , , ,..., ,

p p

x y x y x y

> >,

де Id_P– ідентифікатор підприємства, Tip– тип НХР, N– кіль-

кість місць виробництва чи зберігання НХР, Data– ідентифі-

катор дати, Id_i– ідентифікатор місця виготовлення чи збері-

гання, V– об’єм НХР, m– маса НХР, L– кількість маршрутів пе-

ревезення, Data_P– дата перевезення,

( , )

i i

x y

– реперні точки

маршруту перевезення;

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

112

Retro

MLR, MNR

Poli, BP

RBFN

MLPN

ANFIS_1

Ariori Data_Base_EX

Consen-Point

Consen-Field

Consen-Model

Aloha, HGsystem,

Tokci-3

Tab1

Max_Min_C

Det_Zone

Consult_Module

Рис. 4.7. Функціональна схема СППР

Tab2 Tab3

ANFIS_2

ANFIS_3

PRS

LSM

Brandon’s

CGMDH

StoxRel

Direct Learning

BP_Method

GA_Classic

GA_LSM

EvoMax, EvoMaxn

CORE

Intensional Data Base

– ALOHA, Toksi-3, HgSystem– модулі, які призначені для про-

ведення розрахунків для різних можливих варіантів хімічної

аварії та збереження інформації в базі даних типу

<Id_A, Tip, 1 2

, ,..., ,

P P P

1 1 1 2 2 2

, , , , , ..., , ,

p p p

x y C x y C x y C

Id_A– ідентифікатор аварії. Очевидно, що в даних модулях

використовуються дані, які формуються модулями Retro і

Apriori у відповідних базах даних;

Експериментальна верифікація результатів і система підтримки прийняття

113

– Tab1– модуль для введення і зберігання інформації про па-

раметри аварії та концентрацію НХР, одержаною з поперед-

нього модуля, або з даних експериментів (малоймовірно), або

вказаною експертами з «абсолютною» впевненістю. Інформа-

ція зберігається у вигляді кортежу

<Id, Id_E,

0 0 0 0

, , , ,

x y z t

Tip,

, , , , , ,

n s

W W x y z t C

де

– напрямок вітру,

– швидкість вітру;

– Tab2– модуль для введення і зберігання інформації, яка має

нечіткий характер представлення. У випадку, коли функція

належності є гаусівською, маємо кортеж виду

<Id, Id_E, 0 0 0 0

0 0 0 0

, , , , , , , ,

m m m m

x y z t

   

Tip, 0

, , , , , ,

n s

m m m

n W s W x

W W x

  

, , , , , , , , ,

m m m m m

x y z t C

    

де позначено

(*)

– середні значення параметрів аварії, нав-

колишнього середовища, координати точки визначення кон-

центрації і самої концентрації,

(*)



– відповідні значення сере-

дньоквадратичних відхилень;

– Tab3– модуль для введення і зберігання інформації, одержа-

ної від експертів з різною компетентністю. Таблиця даних є

схожою до вищенаведеної:

<Id, Id_E,

, 0 0 0 0

0 0 0 0

, , , , , , , ,

m m m m

x y z t

   

Tip,

, , , , , ,

n s

m m m

n W s W x

W W x

  

, , , , , , , , ,

m m m m m

x y z t C

    

але серед елементів вектора

(0 0 0 0

0 0 0 0

, , , , , , , ,

m m m m

x y z t

   

, , , , , ,

n s

m m m

n W s W x

W W x

  

, , , , , , , , ,

m m m m m

x y z t C

    

)

значна частина значень є невідомою і таблиця матиме пропуски.

Модулі, в яких зберігаються дані структурної і параметри-

чної ідентифікації невідомих залежностей:

–MLR – модуль, який дозволяє запис в базу даних інформації

такого типу:

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

114

<Id_M, n, 0 1 2

, , ,...,

a a a a

де Id_M – ідентифікатор моделі, n– кількість враховуваних фа-

кторів. Очевидно, що до формування такої таблиці потрібні

дані модулів Retro, або Aprioi, або Aloha (Toksi-3, Hgsystem) та

перетворення, що його реалізує модуль LSM (про який інфор-

мація буде наведена пізніше), тобто матиме місце перетворення

<Retro V Apriori V Aloha V Toksi-3 V Hgsystem> -> LSM =

MLR.

Відомо, що адекватна побудова моделі пов’язана із дослід-

женням моделі на мультиколінеарність гетероскедастичность,

автокореляцію [47]. Внаслідок застосування відомих тестових

процедур та перетворень вхідних даних часто одержують мо-

дифіковану модель

<Id_A, n, m, 0 1 2

, , ,...,

b b b b

де m<n,

– коефіцієнти рівняння лінійної множинної регресії;

– MNR– модуль, який дозволяє запис в базу даних інформа-

ції такого типу:

<Id_M, n, 1 2

1 1 1

1 1 1 2 2 2

, ,..., , , ,..., ,..., , ,..., n

tt t

n n n

T a a T a a T a a

     

де

– тип моделі, 1,..., i

i i

a a

 

– коефіцієнти

-ї моделі, структура

якої зберігається в додатковій базі даних. Аналогічно поперед-

ньому модулю модель MNR одержують внаслідок перетворення

<Retro V Apriori V Aloha V Toksi-3 V Hgsystem> -> Brandons

= MNR,

де Brandons – метод Брандона;

– Poli – модуль, результатом функціонування якого є база даних

<P,

, max 0 1 2 12 13 1

, , , ,.., , , ,... ,...

n n n

n a a a a a a a 

 

де

– ідентифікатор, який вказує на те, що модель є поліно-

мом Колмогорова-Габора,

ijk

– його коефіцієнти,

max

– мак-

симальна степінь полінома. Одержують результат Poli шляхом

перетворення

Експериментальна верифікація результатів і система підтримки прийняття

115

CGMDH = Poli,

де CGMDH – модуль, що реалізує комбінаторний алгоритм МГУА;

– BP – модуль для формування бази даних, що містить такі

елементи:

<Id_BP,

, , , ,

i o k k

N N N W W

де Id_BP– ідентифікатор, який вказує на тип мережі (МЗП),

–

кількість нейронів вхідного шару,

– кількість нейронів вихід-

ного шару (Гросберга),

– кількість нейронів шару Кохонена,

– матриця значень вагових коефіцієнтів шару Кохонена,

–

матриця значень вагових коефіцієнтів шару Гросберга;

– RBFN – модель, який дозволяє формувати базу даних з та-

кими кортежами:

<Id_RB, n,

1 2 0

, ,..., , , ,

n R i

W N N

  

де Id_RB– ідентифікатор моделі, n – кількість ядер мережі (на-

вчальних образів),



– параметри радіально-базисних функцій

активації,

– матриця значень вагових коефіцієнтів,

N N

–

кількість нейронів у вхідному та вихідному шарах, від-повідно;

– MLPN – модуль, призначений для ідентифікації залежнос-

тей, формування бази даних з полями

<Id_ML, 1 2 1 2 1 2 3

, , ,..., , , ,..., , , ,...,

sh sh sh sh

N N N N W W W f f f

>,

де Id_ML – ідентифікатор, який вказує на те, що модель є

прямозв’язною НМ типу багатошарового перцептрона,

–

кількість шарів перцептрона,

– кількість нейронів кожного

шару,

– матриці вагових коефіцієнтів кожного шару,

–

активаційні функції нейронів кожного шару;

– ANFIS_N1 – модуль, який реалізує нейро-нечітку мережу

ANFIS у випадку, коли початкові дані формують висновки одно-

го експерта. Тоді відповідна база даних матиме такі елементи:

<Id_A1, Id_E, 1 2 1 2

, , , , ..., , , ,...,

f p fp fp

N N m m m

  

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

116

де Id_A1 – ідентифікатор типу мережі, Id_E – ідентифікатор

експерта,

i i



– параметри ННМ,

– кількість врахованих

факторів,

– кількість нечітких продукційних правил, за

якими будується ННМ;

– ANFIS_N2 – модуль, який відрізняється незначно від попере-

днього, але відповідна база даних містить більше параметрів

<Id_A2, М, 1 2 1 2

, , , , ..., , , ,...,

f p fp fp

N N m m m

  

де Id_A2– ідентифікатор мережі (моделі), М – кількість експер-

тів, яка впливає на кількість кількість продукційних правил і у

класичному випадку кількість значень параметрів у базі даних

є більшою у М раз у порівнянні з попереднім модулем;

– ANFIS_N3 – модуль, який реалізує ННМ ANFIS для випад-

ку, коли висновки роблять різнокомпетентні експерти. Тому,

відповідна база є такою:

<Id_A3, М, 1 2 1 2 1 2

, , , ,..., , , ,..., , , ,...,

f p fp M fp

N N m m m

     

де Id_A3 – ідентифікатор мережі,



– значення компетентно-

стей експертів;

– PRS – модуль, який формує базу даних продукційних пра-

вил, яка буде такою:

<Id_PR, 1 2 1 1

1 2 1 2

, , , , , , , , , ,

вим вим мод мод e v w

С С С С V V V W W t t

де Id_PR– ідентифікатор правила, усі інші фактори і парамет-

ри описані в п. 3.1.

Третій блок утворюють модулі, в яких реалізовані обчис-

лювальні процедури, зокрема:

– LSM – модуль, в якому реалізований метод найменших квад-

ратів із попереднім тестуванням на наявність мультиколінеар-

ності, гетероскедастичності та автокореляції із процедурами їх

вилучення. Результуючою моделлю є множинна лінійна регресія

0 1 1 2 2 ...

n n

Y a a X a X a X

     ;

Експериментальна верифікація результатів і система підтримки прийняття

117

– Brandon’s – модуль, в якому реалізований метод Брандона із

використанням як вхідних даних моделей парної лінійної регре-

сії та таких, що до них приводяться шляхом елементарних пере-

творень. Результуюча модель: нелінійна множинна регресія

( )

i i

Y y f X



,

де 1

( ) , ( ) sin ,...

i i i i i

f X f X a b X

a bX

  

 ;

– CGMDH – модуль, в якому реалізований багаторядний ме-

тод групового урахування аргументів. Особливістю його реа-

лізації є фіксована кількість опорних функцій (5 у нашій реа-

лізації), використання як умови закінчення алгоритму – дося-

гнення певного значення



значень трьох критеріїв регуляр-

ності, незміщеності та балансу змінних. Модуль CGMDH ви-

користовує результати функціонування модуля LSM;

– StoxRel – модуль, в якому реалізовано модифікований метод

стохастичної релаксації. Вхідними даними для модуля є таб-

лиці із визначеною кількістю рядків, факторів та результую-

чих характеристик. Результат – структура мережі та значення

її вагових коефіцієнтів. Відповідний алгоритм є ітераційним,

що потребує задання точності бажаного результату;

– Direct_Learning – модуль для навчання одношарової нейрон-

ної мережі (один шар зв’язків). Реалізований у двох варіантах:

у першому варіанті значення деяких параметрів задаються на

початку навчання і є фіксованими; у другому варіан-ті значен-

ня параметрів налаштовуються. Навчання, в основному, відбу-

вається для RBF-мережі і є прямим. Вихідні дані – таблиця зна-

чень, результат – значення вагових коефіцієнтів моделі;

– BP_method – модуль, в якому реалізовано сукупність методів,

які відносять до градієнтних: back propogation, Левенберга-

Марквардта, спряжених градієнтів тощо. Усі методи ітерацій-

ні й вимагають задання точності результату;

– GA_Classic – модуль, призначений для пошуку оптимальних

значень складних поліекстремальних залежностей, а також

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

118

оптимальних значень параметрів і вагових коефіцієнтів ней-

ронних і нейро-нечітких мереж;

– GA_LSM – модуль, в якому реалізовано генетичний алго-

ритм у комбінації з методом найменших квадратів. У проце-

дурі реалізації модуля передбачено більше 50 параметрів для

налаштування;

– EvoMax – модуль для пошуку оптимальних значень склад-

них поліекстремальних недиференційованих залежностей з

використанням еволюційних стратегій, теорії нечітких мно-

жин, теорії ймовірностей та реалізацією суб’єктивного про-

текціонізму перспективним розв’язкам;

– EvoMAxM – модель, який є розвитком попереднього і вико-

ристовується для швидкого перенавчення НМ і ННМ за раху-

нок того, що незначущі фактори вилучаються із процесу пе-

ренавчання і кількість операцій налаштування значень пара-

метрів значно скорочується;

Четверту групу складають модулі інформаційно-кон-

сультативної підсистеми підтримки прийняття рішень:

– Concen_Point – модуль, який дозволяє в режимі реального

часу знаходити модельовані значення концентрації НХР у

будь-якій заданій точці простору;

– Concen_Field – модуль, процедури якого дозволяють будува-

ти поля концентрації НХР у чотирьох вимірах (просторові ко-

ординати і час). Результати мають числове представлення;

– Concen_Model –модуль, який реалізує процедуру графічного

відображення результатів виокристання попереднього модуля;

– Max_Min_C – модуль для визначення місць з максимальною

концентрацією НХР;

– Det_Zone – модуль для визначення зон із приблизно однако-

вими значеннями концентрації НХР;

– Consult_Module – модуль, який призначений для перетво-

рення числової та графічної інформації в рекомендації щодо

прийняття рішень у залежності від результатів функціону-

вання інших модулів.

Усі модулі функціонують у складі єдиної СППР, яка побу-

дована на таких основних принципах як інформаційна та сис-

темна єдність, мобільність та масштабованість, що дозволяє

Експериментальна верифікація результатів і система підтримки прийняття

119

здійснювати міжмодульний обмін даних в рамках єдиного

протоколу, а також перенесення та використання її на інших

обчислювальних системах. Виконання кожної окремої задачі

здійснюється з використанням окремого модуля, в якому най-

частіше реалізований один із вищенаведених методів. Крім

того, стратегією дослідження, яка конструктивно реалізована

в інтенсіональній частині бази знань у вигляді сукупності чіт-

ких або нечітких продукційних правил, передбачено компле-

ксне дослідження, що передбачає попередній аналіз, поглиб-

лене прогнозування та порівняльний аналіз результатів, оде-

ржаних із використанням різних методик, та видачу відповід-

ного результату.

Робота із СППР здійснюється трьома категоріями корис-

тувачів: операторами, аналітиками та експертами. Оператори

вводять інформацію з різних носіїв та забезпечують її конвер-

тацію у формати, з якими працює система. Аналітики розроб-

ляють стратегію проведення прогнозування концентрації не-

безпечної хімічної речовини, а також здійснюють розробку

додаткових модулів системи, що дозволяє її використання для

розв’язання суміжних задач. Експерти здійснюють аналіз оде-

ржаної консультативної інформації, доповнюють її, викону-

ють верифікацію та передають ОПР. СППР має засоби конт-

ролю, які забезпечують її безпечне функціонування в локаль-

них і глобальній мережі, а також адекватне введення, перетво-

рення та збереження інформації.

4.4. Технологія проведення експерименту та верифікація

його результатів за допомогою експертної системи

Для одержання моделі концентрації НХР у післяаварій-

ний період вихідними даними є результати аналітичних роз-

рахунків з урахуванням експертних коригувань різного роду,

допусків і припущень. Таблиця даних має такий вид (табл.

4.1). Характер вихідних даних і тип задачі вказують на доціль-

ність для її розв'язання й ідентифікації (4.1) використання не-

чіткої нейронної мережі ANFIS (Adaptive Network Based

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

120

Inference System), запропонованої J.-S. R. Jang в 1993 році [4], у

якій реалізуємо нечітке логічне виведення у формі Цукамото.

Функції належності антецедента є гаусівськими із двома па-

раметрами, ФН консеквента можуть бути зростаючими, типу

y x y x

 

на розсуд експерта. Причому,

 

y A B x

 

y A Bx

де

[0,1]



Навчаючи нейро-нечітку мережу, розв’язуємо задачі па-

раметричної ідентифікації й знаходимо значення параметрів

усіх ФН.

Задача ідентифікації вирішується в доаварійний період,

оскільки вона вимагає значних часових витрат на збір даних,

проведення аналітичних розрахунків та ідентифікацію шука-

ної залежності.

При аварії досить на вхід моделі подати значення її пара-

метрів і одержати значення концентрації ФН у будь-якій вну-

трішній точці області навчання нечіткої нейромережі.

Для визначення ефективності розробленої технології був

виконаний порівняльний аналіз як з результатами, обчисле-

ними за допомогою інших методик, так і з результатами засто-

сування інших нейромереж або методів їх навчання. Як екс-

периментальний приклад взяті значення, отримані при три-

валому викиді на Торней-Айленд. Вихідні дані були такими:

- об'єм викиду 2000 м3 або об'ємна швидкість викиду 4,3 м3/с;

- частка фреону в газовій суміші 31%;

- швидкість вітру 2,1 м/с;

- стабільність атмосфери по Пасквілу E/F.

- тривалість викиду близько 400 с.

Результати експериментів на Торней-Айленд і результати

моделювання наведені в табл. 4.2.

У табл. 4.2 наведені значення концентрації НХР Торней-

Айленд у трьох контрольних точках (Avg). Моделювання ви-

конувалось з використанням гаусівської моделі, методик Ток-

Експериментальна верифікація результатів і система підтримки прийняття

121

сі-3 [87], RBF-мережі, нейро-нечіткої мережі ANFIS з оптиміза-

ційними алгоритмами EvoMax і модифікованим EvoMaх.

Таблиця 4.1

Вихідні дані (фрагмент)

Швидкість вітру, м/c

Напря-мок вітру, град.

Температура повітря,

Маса речовини, кг

Діаметр отвору, м

Висота отвору, м

1 1 45 25 7,46 10 10 0 30 5 2130 1230 44 30

2 2 60 -

12,4 5 6 20 30 5 8360 980 50 0,75

… … … … … … … … … …

… … … …

20 4 25 12 69,2 15 3 20 30 5 8760 2720 17 0,02

Таблиця 4.2

Результати моделювання

Концентрація, % Час розрахунків

max Avg

Гаусівська одель

Токсі-3

Rbf-мережа

ANFIS+ EvoMax

ANFIS+ модиф.

EvoMax

RBF-мережа

ANFIS+ EvoMax

ANFIS+ модиф.

EvoMax

ANFIS

12 9,5 42 13 10 9,8 9,71

9 8 14 7,8 9,3 7,7 8,04

1 0,6 4,5 0,85 0,95 0,6

0,59

12 44 36 134

Аналіз результатів показує, що точність прогнозування з

використанням RBF-мережі (radial basis function) склала 26,6%

(середня відносна помилка), з використаннямANFIS і методу

EvoMax – 3,4%, з використанням ANFIS і описаної модифікації

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

122

EvoMax – 1,46%. Швидкість навчання RBF-мережі найменша,

швидкість навчання класичним методом оберненого поши-

рення помилки ANFIS-мережі на порядок більша. ANFIS з

EvoMax навчається довше, ніж RBF-мережа, але значно менше,

ніж ANFIS із класичним алгоритмом навчання.

Відзначимо, що для навчання були використані висновки

одного експерта про 54 варіанти значень параметрів можливої

аварії. Для порівняння з даними експериментів на Торней-

Айленд мережа ANFIS була спрощена, оскільки точка виник-

нення аварії й час аварії були визначені як постійні величини,

що відповідало початковим значенням параметрів аварії. Отри-

мані результати свідчать на користь застосування нейро-нечіткої

мережі ANFIS як моделі для визначення концентрації НХР і мо-

дифікованого EvoMax як методу її параметричної оптимізації.

Ще однією задачею є уточнення результатів прогнозуван-

ня у післяаварійний період. Очевидно, що верифікація запро-

понованої технології повинна опиратися на результати експе-

риментів, проведення яких у силу небезпечних характеристик

«важких газів» є проблематичним, а то й неможливим. Тому

знову були використані результати дослідів по розсіюванню

фреону-12, які проводилися в 1982/83 рр. на відкритому прос-

торі в містечку Торней-Айленд (Thorney Island) в Англії. Відо-

мо, що там було здійснено близько двох десятків залпових ви-

кидів газоподібного фреону-12, як чистого, так і розведеного

повітрям. Хмара газу після викиду мала форму циліндра, об-

сяг якого становив близько 2000 куб. м. Основні характеристи-

ки викидів і умов розсіювання були такими: відсоток фреону-

12 – 24%, швидкість вітру 3,5%, стабільність атмосфери по Пас-

квілу – Е. Значення концентрації фреону по осі вітру наведені в

табл. 4.3.

Таблиця 4.3

Результати експерименту на Торней Айленд

X, м 70 100 150 180 220 350 500

С, %

(об) 3,1 1,35 0,8 0,6 0,45 0,28 0,14

Експериментальна верифікація результатів і система підтримки прийняття

123

Для побудови моделі були використані дані, отримані вна-

слідок 64 експертних висновків на підставі досвіду, знань і ре-

зультатів моделювання за допомогою системи ALOHA, з вико-

ристанням різних значень початкового обсягу газу, відсотка його

розбавленості, швидкості вітру й стабільності атмосфери по Па-

сквілу, перетвореної до чисельного виду. В експерименті також

передбачалося, що до 500 м від джерела аварії умови зовнішньо-

го середовища збігалися з умовами на Торней Айленд, а після

500 м – враховувалася забудова й насадження.

Після навчання нейро-нечіткої мережі типу ANFIS з нечі-

тким виведенням у формі Цукамото на 50 образах і верифіка-

ції моделі на 14 контрольних точках за результатами 10 запус-

ків встановлено, що середня відносна помилка склала 28%, що

є неприйнятним значенням для використання при прогнозу-

ванні концентрації НХР. Далі була зроблена заміна трьох ряд-

ків у таблиці даних, які на погляд експерта вносили найбіль-

шу зміщеність у модель, на рядки, що відповідають концент-

рації фреону на відстані 70, 180, 220 і 500 м у дослідах на Тор-

ней-Айленд. Мережа була перенавчена. На контрольних точ-

ках, що знаходились на відстані в 100, 150, 350 м від центру

аварії на Торней-Айленд середня відносна точність склала

1,7%, а для точок, що перебували за межею в 500 м, точність

склала 3,6%. Отримані результати свідчать про високу точ-

ність моделі, а також про застосовність запропонованої техно-

логії для прогнозування концентрації НХР і можливого уточ-

нення моделей.

Ще один експеримент проведено за схемою, описаною в п.

3.1. Використовуючи вже навчену модель, розраховувались

значення концентрації НХР у двох точках простору або в одній

точці, але у два різні моменти часу. Були відомі також результа-

ти вимірів концентрації НХР у цих точках або у ці моменти ча-

су. Якщо відхилення модельованих і виміряних значень конце-

нтрації НХР перевищувало певну величину, то за допомогою

системи продукційних правил, наведених у п. 3.3, визначалось,

значення якого саме параметра аварії були визначені (припу-

щені) неправильно, здійснювалось коригування цього значен-

ня і відбувалось перенавчання нейро-нечіткої мережі.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

124

Результати моделювання наведені в табл. 4.4, де



– се-

реднє відносне відхилення (у відсотках) вимірюваних і отри-

маних за допомогою моделі значень концентрації НХР. Його

аналіз вказує на те, що найбільш адекватною є модель, отри-

мана за допомогою методу EvoMax. Налаштування цієї моделі

здійснюється, у середньому, за найменший час і відхилення

значень, отриманих з використанням відкоригованої моделі,

від вимірюваних, є найменшим. Такий результат є очікува-

ним, оскільки в основі методу EvoMax лежить хоч і випадко-

вий, але спрямований пошук оптимального розв'язку, здійс-

нюваний за допомогою протекціонізму перспективним розв'я-

зкам, встановлених за значеннями ФН із використанням ме-

тоду аналізу ієрархій.

Таблиця 4.4

Результати моделювання

ГМ ГА ЕМ ГМ ГА ЕМ

вим

мод

25 19 23 21 25 14 21 12 21 10

20,

0,5

0,3

0,4

0,1 0,55 0,45 0,54 0,48 5 0,48 7 0,46 5

0,5

2,5

4,3 2,2 3,4 2,1 3,9 7 2,1 6 1,8 5

2,0

38 44 35 42 35 12 39 8 40,5 4 39

16 21 16 21,5 17,5 4 20 6 18,5 5

19,



(% )

8 6,1 3,3 6,4 2,4

Проведено ще один експеримент із використанням да-

них, одержаних на Торней-Айленді [12, 13, 15]. Ці дані порів-

нювали із прогнозними значеннями [87], розрахованими для

різних методик, та власними розрахунками. Вибірка із 54 еле-

ментів була розділена на навчальну (47 експериментів) та кон-

трольну (7 експериментів). Після параметричної оптимізації

нейро-нечіткої мережі одержані прогнозні результати, які ра-

зом із результатами відомих методик наведені в табл. 4.5 та

зображені на рис. 4.8. За результатами навчання мережі після

Експериментальна верифікація результатів і система підтримки прийняття

125

коригування даних на контрольних точках, що відповідають

відстані від центру аварії на Торней Айленд в 100, 150, 350 м,

середня відносна точність склала 1,7%, а для точок, що пере-

бувають за межею в 500 м, точність – 3,6%. Отримані результа-

ти свідчать про високу точність моделі, а також про застосов-

ність запропонованої технології для прогнозування концент-

рації НХР і можливого уточнення моделей.

Прогнозування й порівняльний аналіз були проведені та-

кож і для інших дослідів. Застосування EvomaxМ дозволило

одержати прогнозні значення із середнім відносним відхилен-

ням у межах 2,2-6,3%, що було значно кращим результатом у

порівнянні з результатами інших методів.

Таблиця 4.5

Реальні та прогнозовані значення для концентрації НХР

X,м 40

100

140 220

500

C, % (об) 12,1

8,4

4,7

3,1

1,35 0,6

0,32

середнє

відносне

відхилен-

ня,%

Phast 11,2

9,5

7,5

4,2

2,4 0,95

0,18

23,43

Toxi3 11

9,5

5,6

4,7

2,3 1,5

0,4

48,3

Hgsystem 3,8

3,1

2,2

1,5

0,5

0,2

23,62

EvoMAxM

12,2

7,9

4,1

2,5

1,4 0,72

0,21

4,24

Запропонований метод призначений для визначення

концентрації НХР у доаварійний період. Він базується на ви-

користанні нейро-нечіткої мережі як моделі, яка дозволяє

здійснювати обробку експертних висновків і проведення по-

дальшої обробки й інтерпретації результатів. Оптимізація па-

раметрів мережі реалізована з використанням спрямованої

оптимізації Evomax, як технології прискореного пошуку при-

йнятних або квазі-оптимальних значень

Пропонована технологія може бути використана в після-

варійний період для уточнення полів концентрації НХР. Вра-

ховуючи дані вимірювань концентрації НХР приладами, ней-

ро-нечітка мережа може бути перенавчена в найкоротший те-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

126

рмін і використана для розв'язання задачі прогнозування

концентрації НХР у всіх можливих точках зони зараження.

Крім того, ця технологія може бути використана для уточнення

початкових значень параметрів аварії, що дозволить покращи-

ти й об’єктивізувати процес прийняття рішень.

Рис. 4.8. Прогнозування концентрації НХР за різними методами

Точність розв'язку задачі прогнозування наслідків хіміч-

них аварій є необхідною умовою проведення заходів щодо по-

рятунку людей, мінімізації матеріального збитку й запобіган-

ня екологічних катастроф. Критичні умови прийняття рі-

шень, особливості кожної аварії й рельєфу місцевості, інер-

ційність газоаналізаторів і лінійність методів розрахунків кон-

центрації НХР є причиною малоефективних прогнозів. Засто-

сування запропонованої технології постпрогнозування для

окремих хімічних об'єктів дозволить уточнити моделі визна-

чення концентрації НХР, підвищити точність прогнозування

з її використанням, а також визначити початкові значення па-

раметрів аварії.

Зауважимо, що така технологія наведена з деякими спро-

щеннями, зокрема, точка виникнення аварії є постійною й ек-

спертом зроблений неправильний висновок тільки про зна-

чення одного параметра. І хоча такі припущення, найчастіше,

мають місце на практиці, метод постпрогнозування концент-

Експериментальна верифікація результатів і система підтримки прийняття

127

рації НХР може бути застосований й у загальному випадку зі

збільшенням кількості продукційних правил, необхідних то-

чок вимірювання й часу моделювання.

Резюме

У четвертому розділі розглянуті особливості процесів

прийняття рішень при визначенні масштабів і ліквідації нас-

лідків хімічних аварій. Визначені особливостей задач, які не-

обхідно розв’язувати в доаварійний і післяаварійний періоди.

Встановлені проблеми, які супроводжують ефективне застосу-

вання розроблених моделей і методів, а саме: неправильне

припущення про значення початкових параметрів аварії, по-

хибка та інерційність приладів для вимірювання концентрації

небезпечної хімічної речовини (газоаналізаторів).

Визначено етапи застосування пропонованої технології

для практичного використання на промислових підприємст-

вах, визначено аспекти роботи з нею у доаварійний та післяа-

варійний періоди. Класифіковано вимоги до інформації, яка є

необхідною для побудови моделей та становить основу бази

даних, визначено типи такої інформації. Систематизовано ти-

пи задач прогнозування, які можуть розв’язуватись із застосу-

ванням розроблених методів.

Проведено верифікацію розроблених моделей та методів

для прогнозування концентрації небезпечної хімічної речо-

вини. Для визначення адекватності моделей визначення кон-

центрації такої речовини запропоновано використовувати ре-

зультати натурного експерименту на острові Торней-Айленд

у Великобританії. Результати моделювання засвідчили пере-

ваги розробленої технології. Зокрема, середнє відносне відхи-

лення на контрольній вибірці даних, одержане з використан-

ням ANFIS і методу EvoMax склало 3,4%, з використанням

ANFIS і описаної модифікації EvoMaxm – 1,46%, що на поря-

док перевищує точність результатів, одержаних іншими мето-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

128

дами. Застосування методу оптимізації EvoМaxМ дозволило

одержати прогнозні значення із середнім відносним відхи-

ленням у межах 2,2-6,3%, що було значно кращим результатом

у порівнянні з результатами інших методів.

Запропонована структура й елементний базис відповідної

бази знань. Побудовано структуру бази знань та запропоно-

вано її функціональну схему. Визначено інтенсіональну та

екстенсіональну частину бази знань. Одержані в сукупності

результати дозволили спроектувати та розробити систему пі-

дтримки прийняття рішень, яка може використовуватись піс-

ля відповідного доопрацювання не лише на хімічних підпри-

ємствах та на відповідному транспорті, але й при розв’я-занні

схожих задач у суміжних галузях.

Висновки

129

ВИСНОВКИ

Процеси прийняття рішень, які базуються на результатах

прогнозування наслідків надзвичайних ситуацій, пов'язаних з

хімічним забрудненням, відбуваються в умовах значної неви-

значеності, викликаної відсутністю або недостатністю почат-

кових даних, їх неоднозначністю, недостатнім рівнем інфор-

маційно-аналітичної підтримки прийняття рішень відповіда-

льними особами.

У монографії розв’язана науково-технічна задача підви-

щення ефективності процесів прийняття рішень при хімічних

аваріях шляхом розробки моделей та методів прогнозування

концентрації небезпечної хімічної речовини в умовах неви-

значеності, зокрема:

1. Виконаний аналіз принципів, моделей, методів та ін-

струментальних засобів прогнозування концентрації небезпе-

чної хімічної речовини засвідчив майже повну відсутність те-

хнологій її уточнення у післяаварійний період, а також відсу-

тність взаємозв’язку між виміряними та прогнозованими зна-

ченнями при реальних аваріях.

2. Виконано формалізовану постановку задачі ідентифі-

кації концентрації небезпечної хімічної речовини та визначе-

но аспекти її розв’язання з використанням експертних виснов-

ків, що склало основу для проведення моделювання та визна-

чення переліку вихідних даних.

3. Побудовано нейромережну модель визначення концен-

трації небезпечної хімічної речовини, яка, на відміну від іс-

нуючих, не вимагає параметричної оптимізації та дозволяє

здійснювати прогнозування при заданих значеннях парамет-

рів аварії.

4. Визначено структуру та побудовано нейро-нечітку мо-

дель ANFIS на основі логічного виведення Цукамото для про-

гнозування значень концентрації небезпечних речовин на ос-

нові нечітких продукційних правил, що дозволило викорис-

товувати нечіткі експертні дані та об’єктивізувати процеси

прийняття рішень.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

130

5. Розроблено метод для уточнення початкових значень

параметрів хімічних аварій на основі використання евристик-

них та продукційних правил, що дозволило здійснювати ко-

ригування прогнозних значень концентрації небезпечної хі-

мічної речовини.

6. Для параметричної оптимізації моделі концентрації не-

безпечної хімічної речовини розроблено модифікований ме-

тод спрямованої оптимізації Evomax, який використовується

для настройки функцій належності та дозволяє здійснювати

уточнення експертних переваг.

7. Розроблено принципи створення та структуру системи

підтримки прийняття рішень при ліквідації надзвичайних

ситуацій та аварій, пов'язаних із забрудненням навколишньо-

го середовища небезпечними хімічними речовинами. Побу-

дована СППР є інформаційно-консультативною основою про-

цесів прийняття рішень при хімічних аваріях.

8. Результати експериментальної верифікації свідчать,

що відносна похибка результатів прогнозування з викорис-

танням розробленої технології складає 4,24% для реальних

даних, що значно перевищує точність застосування інших ме-

тодів, а застосування модифікованого методу направленої оп-

тимізації для визначення параметрів нейро-нечіткої мережі

підвищує точність результатів прогнозування на 24-37% у по-

рівнянні з результатами застосування методів-конкурентів.

Список використаних джерел

131

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

Beyer H.-G. Evolution Strategies: A Comprehensive In-

troduction / H.-G. Beyer, H.-P. Schwefel // Journal Na-

tural Computing. – 2002. – № 1(1). – P. 3–52.

De Jong K.A. Analysis of behavior of a class of genetic

adaptive systems: PhD Thesis / K.A. De Jong. – Univer-sity

of Michigan: Ann Arbor, MI, 1975. – 256 p.

Fuzzy Models and Algorithms for Pattern Recognition and

Image Processing / James C. Bezdek…(et al). − Springer

Science+Business Media, Inc. − 2005. − 776 p.

Goldberg D.E. Genetic algorithms in search, optimi-zation

and machine learning / D.E. Goldberg.  Ad. Wesley,

1989.  196 p.

Heht-Nielsen R. Theory of the backpropagation neural

network. – Neural Networks for Human and Mashine

Perception. H.Wechsler (Ed.) / R. Heht-Nielsen. – Bos-ton,

MA: Academic Press, 1992. – Vol. 2. – P. 65-93.

Holland J.H. Adaptation in natural and artificial sys-tems.

An introductory analysis with application to bio-logy,

control and artificial intelligence / J.H. Holland. – London:

Bradford book edition, 1994. – 211 p.

Jang, J.-S.R. ANFIS : Adaptive-Network-Based Fuzzy In-

ference System / J.-S.R. Jang // IEEE Transactions on

Systems, Man, and Cybernetics.–1993. – Vol. 23. – № 3. – С.

665-685.

Journal of Hazardous Materials. – 1987. – № 16. – P. 1-501.

Kosko B. Fuzzy systems as universal approximations / B.

Kosko // IEEE Transactions on Computers. − 1994. − Vol.

43. − № 11. − С. 1329-1333.

10.

Kranenburg C. Fluid Mech. / C. Kranenburg. – 1984. – №

145. – P. 253-273.

11.

Makhviladze G.M. Large-scale unconfined fires and ex-

plosions / G.M. Makhviladze, S.E. Yakush. // Proc. of the

Compustion Institute. – 2002. – Vol. 29. – P. 195-210.

12.

McQuaid J.J. of Hazardous Material / J. McQuaid.

–

1987.

–

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

132

№ 16. – P. 1-8.

13.

McQuaid J. Tech. Paper 21, Safety in Mines Research Es-

tablishment / J. McQuaid. – Sheffield, 1976. – 213 p.

14.

Mercer A. The Thorney Island Continuous Release Tri-als:

mass and flux balances / A. Mercer, C. Nussey // Journal of

Hazardous Materials. – Vol. 16. – 1987. – P. 9-20.

15.

Methods for the calculation of physical effects. – CPR 14E. –

Part 1. TNO Yellow book, 3-rd edition. – TNO, 1997.

16.

Quaid J. Design of the Thorney Island Continuous Re-lease

Trials / J. Quaid // Journal of Hazardous Materi-als. – Vol.

16. – 1987. – P. 1-8.

17.

Rechenberg I. Evolutionsstrategie «94”/I. Rechenberg. – Stuttgart-

Bad GannStatt: Frommann Halzboog, 1994. − 434 p.

18.

Snytyuk V.E. The method of parametric optimization of the

model reflecting the level of concentrated hazardous

chemicals in post-accident period / V.E. Snytyuk, O.N.

Zemlianskyi // Nauka i Studia. –Polska, Przemyśl: Sp. z

o.o. «Nauka i studia». – 2013. – № 42 (110). – С. 26-33.

19.

Takagi T. Fuzzy identification of systems and its appli-

cation to modeling and control/T. Takagi, M. Sugeno//

IEEE Trans. Systems, Man, and Cybernetics. − 1985. − Vol.

15. − P. 116-132.

20.

The HGSYSTEM version 3.0 technical reference manual. –

Shell Internationale Research Maatschappij BV. Hague,

1994. – 321 p.

21.

Wasserman P.D. Combined back-propagation. Cauchy

machine / P.D. Wasserman // Proc. of the International

Neural Network Society. − New York, Pergamon Press,

1988. − P. 254-261.

22.

Witlox H.W.M. Unified Dispersion Model (UDM Ver-sion

6.0) Consequence Modelling Documentation: Theory

Manual / H.W.M. Witlox. – Det Norske Veritas, 2000. –

475 p.

23.

Zadeh L.A. Fuzzy logic, neural network and soft computing

/ L.A. Zadeh // Communications of the ACM. − 1994. −

Vol. 37, № 3. − P. 77-84.

24.

Zemlianskyi O. Parametric identification for model of a

Список використаних джерел

133

chemical hazardous substance concentration using soft

computing / O. Zemlianskyi, V. Snytyuk // Inter-national

Journal Information Technologies & Knowledge. –

Bulgaria, Sofia: Institute of Information Theo-ries and

Applications FOI ITHEA. – 2013. – Vol. 7/4. – P. 337-346.

25.

Арнольд В.И. Теория катастроф / В.И. Арнольд. – М.:

Физматлит, 1990. – 128 с.

26.

Байдык Т.Н. Нейронные сети и задачи искусственного

интеллекта / Т. Н. Байдык. – К.: Наук. думка, 2001. 

260 с.

27.

Барсегян А.А. Методы и модели анализа данных: OLAP

и Data Mining / А.А. Барсегян, М.С. Куприянов, В.В.

Степаненко, И.И. Холод. – СПб.: БХВ-Петербург, 2004. –

336 с.

28.

Басманов А.Е. Определение зон взрывоопасных концен-

траций опасного химического вещества в воздухе / А.Е.

Басманов, С.С. Говаленков // Матеріали III міжн. наук.-

практ. конф. «Актуальні проблеми технічних та приро-

дничих наук у забезпеченні цивільного захисту». – Чер-

каси, АПБ ім. Героїв Чорнобиля, 2010. – С. 66-69.

29.

Басманов А.Е. Математическая модель диффузии опас-

ных химических веществ в воздухе/ А.Е. Бесманов, С.С.

Говаленков // Проблеми надзвичайних си-туацій. –

2008. – № 8. – С.29-39

30.

Батищев Д.И. Оптимизация многоэкстремальных фун-

кций с помощью генетических алгоритмов / Д.И. Ба-

тищев, С.А. Исаев // Мужвуз. сборник. − ВГТУ: Воро-

неж, 1997. − С. 4-17.

31.

Безопасность жизнедеятельности: Учеб. для вузов / С.В.

Белов и др.; Под общ. ред. С.В. Белова. – М: Высшая

школа, 1999. – 616 с.

32.

Беллман Р. Принятие решений в расплывчатых ус-

ловиях / P. Беллман, Л. Заде // Вопросы анализа и про-

цедуры принятия решений. М.: Мир, 1976.  С. 172-215.

33.

Білошицький М.В. Розбіжність у визначенні пожежної

небезпеки виробничих процесів та приміщень за показ-

никами нижньої концентраційної межі зай-мання і роз-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

134

рахунковим значенням надлишкового тиску вибуху /

М.В. Білощицький // Науковий вісник УкрНДІПБ. –

2009. – № 2(20). – С. 91-98.

34.

Богатырев М.Ю. Эволюционный подход к извлечению

знаний из реляционных баз данных в корпоративных

информационных системах / М.Ю. Богатырев, Д.А. Ко-

валев, В.В. Евсюков // Информационные технологии. −

2004. − № 9. − С. 19-27.

35.

Бойко Л.А. Системи з нечіткою логікою в задачах експе-

ртного оцінювання / Л.А. Бойко, Ю.П. Зайчен-ко //

Системні дослідження та інформаційні технології. −

2007. − № 2. − С. 33–46.

36.

Борисов А.Н. Принятие решений на основе нечетких

моделей: примеры использования / А.Н. Борисов, О.А.

Крумберг, И.П. Федоров. – Рига: Зинатне, 1990. – 184 с.

37.

Вапник В.Н. Восстановление зависимостей по эмпиричес-

ким данным / В.Н. Вапник. М.: Наука, 1979. – 448 с.

38.

Верификация методик оценки последствий аварийных

выбросов газа от источников продолжительного дейст-

вия // Сумской С.И., Пчельников А.В., Лисанов М.В. и

др. / Безопасность труда в промышленности. – 2005. –

№ 8. – С. 28-35.

39.

Волошин О.Ф. Теорія прийняття рішень / О.Ф. Воло-

шин, С.О. Мащенко. − К.: “Київський університет”,

2006. − 304 с.

40.

Геловани В.А. Интеллектуальные системы поддержки

принятия решений в нештатных ситуациях с использо-

ванием информации о состоянии природной среды /

В.А. Геловани, А.А. Башлыков, В.Г. Бритков, Е.Д. Вязи-

лов.–М.: Эдиториал УРСС, 2001. – 304 с.

41.

Герасимов Б.М. Нечеткие множества в задачах про-

ектирования, управления и обработки информации

// Б.М. Герасимов, Г.Г. Грабовский, И.А. Рюмшин − К.:

Техніка, 2002. − 140 с.

42.

Гнатієнко Г.М. Експертні технології прийняття рі-

шень: [монографія] /Г.М. Гнатієнко, В.Є. Снитюк. – К.:

McLaut, 2008. – 444 с

Список використаних джерел

135

43.

Говаленков С.С. Оценка интенсивности истечения хи-

мических опасных веществ из источника выброса /

С.С. Говаленков, А.Е. Басманов // Проблеми надзви-

чайних ситуацій. – 2010. – № 11. – С. 39-44.

44.

ГОСТ P12.3.047-98 ССБТ. Пожарная безопасность техно-

логических процессов. Общие требования. Методы кон-

троля.

45.

Гражданская оборона: Учебник для вузов /

В.Г. Атаманюк, Л.Г. Ширшев, Н.И. Акимов. Под ред.

Д.И. Михайлика. – М.: Высш. шк., 1986. –207 с.

46.

Грищенко В.Н. Теоретические вопросы прогнозирования

и планирования / В.Н. Грищенко, Л.Г. Демидова, А.Н. Пе-

тров. − СПб.: Изд-во СПбУЭФ, 1996. − 232 с.

47.

Грубер И. Эконометрия. Введение в эконометрию / И.

Грубер. − К.: Астарта, 1996. − Т. 1. − 434 с.

48.

Джарратано Д. Экспертные системы: Принципы разра-

ботки и программирования / Д. Джарратано, Г. Райли.−

М.:Вильямс, 2007.− 1152 с.

49.

Дороговцев А.Я. Математический анализ / А.Я. Дорого-

вцев. – К.: Вища школа, 1985. – 528 с.

50.

Дюбуа Д. Теория возможностей/Д. Дюбуа,А. Прад.− М.:

Радио и связь, 1990. − 286 с.

51.

Дюк В. Data mining: учебный курс / В. Дюк, A. Самой-

ленко. – СПб.: Питер, 2001. – 368 с.

52.

Егоров А.Ф. Комплекс программных средств для анали-

за риска и последствий аварий на химически опасных

объектах // А.Ф. Егоров, Т.В. Савицкая, П.Г. Михайлова

/ Программные продукты и системы. – 2008. – № 4. –

С. 138-140.

53.

Едигаров А.С. Математическое моделирование аварий-

ного истечения и рассеивания природного газа при ра-

зрыве газопровода / А.С. Едигаров, В.А. Сулейманов

// Математическое моделирование. – 2005. – № 7:4. – С.

37-52.

54.

Загоруйко Н.Г. Алгоритмы обнаружения эмпирических

закономерностей / Н.Г. Загоруйко, В.Н. Ёлкина, Г.С.

Лбов. – Новосибирск: Наука, 1995. –110 с.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

136

55.

Зайченко Ю.П. Исследование эффективности нечеткой

нейронной сети ANFIS в задачах макроэкономического

прогнозирования / Ю.П. Зайченко, Ф. Севаее // Сис-

темні дослідження та інформаційні технології. − 2005. −

№ 1. − С. 100–112.

56.

Зайченко Ю.П. Основи проектування інтелектуальних

систем / Ю.П. Зайченко. − К.: Видавничий Дім "Слово",

2004. − 352 с.

57.

Замышляев Б.В. Проблемы безопасности и чрезвычай-

ных ситуаций / Б.В. Замышляев. – 2004. – № 4. – C. 35-72.

58.

Захаренко О.А. Определение зон безопаcного размеще-

ния пожарно-спасательных сил при ликвидации чрезы-

чайных ситуацій на объектах химической промышлен-

ности : дисс… канд. техн. наук : 21.02.03 / Захаренко

Ольга Владимировна : УЦЗУ. – Харьков, 2008. – 159 с.

59.

Згуровский М.З. Системный анализ. Проблемы, мето-

дология, приложения / М.З. Згуровский, Н.Д. Панкра-

това. − К.: Наук. думка, 2005. − 743 с.

60.

Згуровський М.З. Сценарний аналіз як системна мето-

дологія передбачення / М.З. Згуровський // Системні

дослідження та інформаційні технології. – 2002.  № 1. –

С. 7-38.

61.

Землянский О.Н. Прогнозирование и мониторинг пре-

даварийного развития процессов / О.Н. Землянский /

Матеріали ІІІ міжн. наук.-практ. конф. «Системний ана-

ліз. Інформатика. Управління» САІУ-2012. – Запоріжжя:

КПУ, 2012. – С. 119-120.

62.

Землянский О.Н. Аспекты неопределенности процесса

прогнозирования концентрации опасных химических

веществ после аварии / О.Н. Землянский // Материалы

15-й межд. научн.-техн. конф.: «Системный анализ и

информационные технологии»ю – К.: УНК «ИПСА»

НТУУ «КПИ», 2013. – С.111.

63.

Земля

нский О.Н. Интеллектуальные методы прогноз

и-

рования химического загрязнения окружающей среды /

О.М. Землянський, В.Є. Снитюк // Матеріали ХI міжн.

наук.-практ. конф. «Інформаційні управляючі системи

Список використаних джерел

137

та технології». – Одеса: «Папірус», 2012. – С. 18-19.

64.

Землянский О.Н. Нейросетовой метод постпрогнозиро-

вания концентрации опасного вещества в условия не-

определенности / О.Н. Землянский // Искусственный

интеллект – 2012. – №2. – С. 136-143.

65.

Землянский О.Н. Прогнозирование концентрации «тя-

жёлого газа» после залпового выброса / О.Н. Зем-

лянский, В.Е. Снитюк // Вестник НТУ «ХПИ». – 2013. –

№ 38 (1101). – С. 28-35.

66.

Землянский О.Н. Элементы теории прогнозирования

чрезвычайных ситуаций в условиях неопределенности

/ О.Н. Землянський // Материалы V межд. школы-

семинара «Теория принятия решений». – Ужгород:

УжНУ, 2010. – С. 102.

67.

Землянский О. Н. Принципы и элементный базис реа-

лизации технологий прогнозирования чрезвычайных

ситуаций в условиях неопределенности / О.Н. Землянс-

кий, В.Е. Снитюк // Труды Одесского политехническо-

го университета. − 2010. − Вып. 1(33)-2(34). – С. 143-147.

68.

Землянський О.М. Аспекти невизначеності процесу мо-

ніторингу концентрацій небезпечних речовин / О.М.

Землянський // Матеріали І міжн. наук.-практ. конф.

«Обчислювальний інтелект». – Черкаси: ЧДТУ, 2011. –

С. 171.

69.

Землянський О.М. Нейромережевий метод постпрогно-

зування концентрації небезпечних речовин в умовах

невизначеності / О.М. Землянський // Матеріали 14

Всеукр. наук.-практ. конф. рятувальників – К:ІДУСЦЗ,

2012 р. – С.187-191.

70.

Землянський О.М. Принципи і елементарний базис ре-

алізації технологій прогнозування надзвичайних ситуа-

цій в умовах невизначеності / О.М. Землянсь-кий, В.Є.

Снитюк // «Труди Одеського національного політехні-

чного університету». – 2010. – № 1 (33)-2(34). – С. 143-148.

71.

Землянський О.М. Прогнозирование последствий чрез-

вычайных ситуаций в условиях неопределенности /

О.М. Землянський, В.Є. Снитюк // Материалы ХI межд.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

138

научн.-практ. конф. «Современные информационные и

электронные технологии». – Одесса: ОНПУ, 2010. – С.

176.

72.

Землянський О.М. Прогнозування концентрації небез-

печних речовин в умовах невизначеності / О.М. Зем-

лянський // Матеріали міжн. наук.-практ. конф. «Ін-

формаційні технології в освіті, науці і техніці». – Черка-

си: ЧДТУ, 2012. – С. 111.

73.

Землянський О.М. Технологія постпрогнозування кон-

центрації небезпечної хімічної речовини в післяаварій-

ний період / О.М. Землянський, В.Є. Снитюк // Матері-

али ІІХ міжн. наук.-практ. конф. «Математичне та імі-

таційне моделювання систем – МОДС-2013». – Чернігів:

ЧДТУ, 2013. – С. 60-61.

74.

Иванов А. В. О достоверности использования вычисли-

тельного комплекса PHOENICS в расчетах рассеяния

вещества в возмущенном потоке / А. В. Иванов, Б. С.

Майстрюков // Известия ВУЗов: Черная металлургия. –

1999. – № 11. – С.64-68.

75.

Иванов А.В. Разработка методических основ оценки по-

следствий химических промышленных аварий (на при-

мере металлургического комбината) : дисс… канд. техн.

наук : 05.26.04. / Иванов Андрей Валерьевич ; МИСиС. –

М., 1999. – 283 с.

76.

Ивахненко А.Г. Моделирование сложных систем по экс-

периментальным данным / А.Г. Ивахненко, Ю.П. Юра-

чковский. – М.: Радио и связь, 1987. – 120 с.

77.

Интеллектуальные вычисления в задачах обработки

данных наблюдения Земли / Н.Н. Куссуль, А.Ю. Шеле-

стов, С.В. Скакун [и др.] − К.: Наук. думка, 2007. –

196 с.

78.

Исаев С.В. Инструментальные средства проекти-

рования интегрированных систем поддержки принятия

решений по ликвидации химических аварий : автореф.

дисс. … канд. техн. наук : спец. 05.13.06 «Применение

вычислительной техники, математического моделиро-

вания и математических методов в научных исследова-

Список використаних джерел

139

ниях (по отраслям наук)» / Исаев Сергей Владиславо-

вич ; ИВМ СО РАН. – Красноярск, 1999. – 22 с.

79.

Исмагилова Л.А. Интеллектуальная система поддержки

решений по управлению производством в условиях не-

определенности / Л.А. Исмагилова, В.Ю. Афанась-

ев//Информационные технологии. − 2000. − № 11. −

С. 32-37.

80.

Качанов С.А. Информационные технологи предупреж-

дения и ликвидации ЧС / С.А. Качанов, И.М. Тетерин,

Н.Г. Топольский. – М.: Академия ГПС МЧС России,

2006. – 212 с.

81.

Колесников Я.А. Управление базой знаний системы

поддержки принятия решений в чрезвычайных ситуа-

циях / Я.А. Колесников // Информационные техноло-

гии. − 2007. − № 24. − С. 24-26.

82.

Колмогоров А.Н. О представлении непрерывных функ-

ций нескольких переменных в виде суперпозиций не-

прерывных функций одного переменного и сложения /

А.Н. Колмогоров // Докл. АН СССР. – 1957. – Том 114. –

С. 953-956.

83.

Коломейко В.В. Проблемы использования неформаль-

ной информации в задачах моделирования / В.В. Ко-

ломейко / УСиМ. – 2001. − № 6. – С. 17-24.

84.

Курейчик В.В. Эволюционные методы принятия ре-

шений с синергетическими и гомеостатическими прин-

ципами управления / В.В. Курейчик // Перспективные

информационные технологии и интеллектуальные сис-

темы. – 2002. − № 1. − С. 6-10.

85.

Левушкина С.А. Интеллектуальная система поддержки

принятия решений по управлению качеством атмосфе-

рного воздуха на химических предприятиях: автореф.

дисс. … канд. техн. наук : спец. 05.13.01 «Системный

анализ, управление и обработка информации» / Леву-

шкина Светлана Анатольевна ; РХТУ им. Д. Менделее-

ва. – М., 2010. – 20 с.

86.

Леденева Т.М. Особенности проектирования систем не-

четкого логического вывода / Т.М. Леденева, Д.С. Тата-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

140

ркин //Информационные технологии. − 2007.− № 7. −

С. 12-18.

87.

Лисанов М.В. Моделирование рассеяния выбросов опа-

сных веществ в атмосфере / М.В. Лисанов, А.В. Пчель-

ников, С.И. Сумской // Рос. хим. журнал. (Журнал Рос.

хим. об-ва им. Д.И. Менделеева). – 2005. – Т. ХLIX. –

№ 4. – С. 18-28.

88.

Лиц Н.В. Моделирование и прогнозирование очагов за-

ражения био- и химически опасными удобрениями на

основе нейросетевых технологий : дисс. … канд. техн.

наук : 05.13.01 / Лиц Надежда Владимировна ; ВГТУ. –

Воронеж. – 173 с.

89.

Маршалл В. Основные опасности химических произ-

водств / В. Маршалл. – М.: Мир, 1989. – 672 с.

90.

Методика оценки последствий аварийных выбросов

опасных веществ (Методика «ТОКСИ», редакция 3.1). –

Проект. М.:ФГУП НТЦ «Промышленная безопасность»,

2005. – 67 с.

91.

Методика оценки последствий химических аварий (Ме-

тодика «ТОКСИ-2.2» (утв. НТЦ «Промышленная безо-

пасность».согл. Госгортехнадзором России). «Методики

оценки последствий аварий на опасных производствен-

ных объектах». – М.:ГУП НТЦ «Промышленная безопа-

сность».– 2002.– Сер. 27. – Вып. 2. – 208 с.

92.

Методика расчета распространения аварийных выбро-

сов, основанная на модели рассеяния тяжелого газа //

А.А. Шаталов, М.В. Лисанов, А.С. Печеркин и др. / Без-

опасность труда в промышленности. – 2004. – № 9. –

С. 46-51.

93.

Методическое пособие по прогнозированию и оценке в

ЧС / М.: ВНИИ ГОЧС, 1993. – 451 c.

94.

Минаев Ю.Н. Методы и алгоритмы идентификации и

прогнозирования в условиях неопределенности

в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю.

Филимонова, Лиес Бенамеур. – М.: Горячая линия - Те-

леком, 2003. – 205 с.

95.

Михайлова П.Г. Разработка интеллектуальной системы

Список використаних джерел

141

поддержки принятия решений по управлению безопас-

ностью химических производств : дисс. ... канд. техн.

наук : 05.13.01 / Михайлова Павла Геннадьевна ; РХТУ

им. Д. Менделева. – М., 2006. – 194 с.

96.

Моделирование аварийных ситуаций на опасных прои-

зводственных объектах. Программный комплекс ТОК-

СИ+ (версия 3.0): Сборник документов. Серия 27. – М.:

Открытое акционерное общество «Научно-технический

центр по безопасности в промышленности», 2006. –

252 с.

97.

Мониторинг чрезвычайных ситуаций / Ю.О. Абрамов,

Е.М. Гринченко, О.Ю. Кирогнин и др.; под ре-дакцией

Ю.О. Абрамова. –Х.:АЦЗУ, 2005. – 530 с.

98.

Мосягин А.А. Мониторинг потенциально опасных объ-

ектов на основе логико-вероятностного моделирования :

автореф. дисс… канд. техн. наук : 05.13.10 «Управление

в социальных и экономических системах» / Мосягин

Александр Александрович ; АУ МВС России. – М.,

2009. – 28 с.

99.

Назаров А.В. Нейросетевые алгоритмы прогнозирования

и оптимизации систем / А.В. Назаров, А.И.Лоскутов. –

СПб.: Наука и Техника. – 2003. – 384 с.

100.

Національна доповідь про стан техногенної та природ-

ної безпеки в Україні у 2011 році. Режим доступу:

http://www.mns.gov.ua/content/nasdopovid2011.htm

101.

Нейронні мережі в системах автоматизації / В.І. Архан-

гельський, І.М. Богаєнко, Г.Г. Грабовський [та ін.] − К.:

Техніка, 1999. − 364 с.

102.

Нечеткие множества в моделях управления и искусс-

твенного интеллекта / А.Н. Аверкин, И.З. Батыршин,

А.Ф. Блишун [и др.]; Под ред. Д.А. Поспелова.  М.: На-

ука, 1986.  311 с.

103.

Ноженкова Л.Ф. Интеллектуальная поддержка прогно-

зирования и ликвидации чрезвычайных ситуаций //

Л.Ф. Ноженкова / Интеллектуальные системы. – Крас-

ноярск: КГТУ, 1997. – С. 83-99.

104.

Ноженкова Л.Ф. Проектирование экспертных систем с

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

142

нечеткими знаниями // Л.Ф. Ноженкова / Нейромате-

матика и ее приложения : Материалы IV Всеросс. Семи-

нара. – Красноярск: КГТУ, 1998. – С. 132.

105.

Ноженкова Л.Ф. Технология построения экспертных

геоинформационных систем поддержки принятия ре-

шений по предупреждению и ликвидации чрезвычай-

ных ситуаций : автореф. дисс.. докт. техн. наук: спец.

05.13.14 «Системы обработки информации и управле-

ния» / Ноженкова Людмила Федоровна ; ИВО РАН,

Сибирское отделение. – Красноярск, 2000. – 34 с.

106.

Ноженкова Л.Ф. ЭСПЛА – экспертная система по лик-

видации аварий со СДЯЗ // Л.Ф. Ноженкова, В.И. Те-

решков / Проблемы безопасности при чрезвычайных

ситуациях. – 1993. – Вып. 8. – С. 37-45.

107.

Обработка нечеткой информации в системах принятия

решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркулова

[и др.].  М.: Радио и связь, 1975. − 304 с.

108.

Паронджанов С.С. Перспективы применения многоаге-

нтных систем для решения задач контроля состояния

химически опасных объектов города Москвы/ С.С. Па-

ронджанов // Интеллектуальные системы и техноло-

гии. – 2008. – Т. 10. – С. 204-205.

109.

Поиск подходов к решению проблем / И.В. Прангиш-

вили, Н.А. Абрамова, В.Ф. Спиридонов [и др.]. – М.:

СИНТЕГ, 1999. − 284 с.

110.

Рак Ю.П. Моделювання інформаційних індексів еколо-

гічної безпеки засобами нейронних мереж в управлінні

проектами модернізації системи безпеки життєдіяльно-

сті / Ю.П. Рак, О.Б. Зачко // Науковий вісник УкрН-

ДІПБ. – 2008. – № 2(18). – С. 22-29.

111.

Рапута В.Ф. Комплекс малопараметрических моделей

мониторинга загрязнения окружающей среды : дисс. ...

д-ра физ.-мат. наук : 05.13.18 / Рапута Владимир Федо-

тович ; ИВМиМГ РАН, Сибирское отделение. – Новоси-

бирск, 2006. − 253 с.

112.

Рассел С. Искусственный интеллект: Современный поход /

С. Рассел, П. Норвиг. − М.: Вильямс, 2005 .− 1424 с.

Список використаних джерел

143

113.

Розенблатт Ф. Принципі нейродинамики. Перцептро-

ны и теория механизмов мозга / Ф. Розенблатт. – М.:

Мир, 1965. – 480 с.

114.

Ромин А.В. Прогнозирование потерь населения в зо-нах

химического заражения / А.В. Ромин, Г.В. Фесенко, В.М.

Попов // Проблеми надзвичайних ситуацій. Збірник на-

укових праць. – 2008. – Вип. 8. – С. 140-145.

115.

Ротштейн А.П. Извлечение нечетких баз знаний из экс-

периментальных данных с помощью генетических ал-

горитмов / А.П. Ротштейн, Ю.И. Митюшкин // Кибе-

рнетика и системный анализ. – 2001. − № 4. – С. 45–53.

116.

Руководство по оценке индустриальных опасностей

(Techniques for Assessing Industrial Hazards: a Manual). –

World Bank Tech. – 1988. – Paper 55.

117.

Руководящий документ. «Методика прогнозирования

масштабов заражения сильнодействующими ядовиты-

ми веществами при авариях (разрушениях) на химичес-

ки опасных объектах и транспорте» (РД 52.04.253-90).

Штаб Гражданской обороны СССР, Комитет гидроме-

теорологии при кабинете министров СССР. – М.: Гид-

рометеоиздат, 1991. – 64 с.

118.

Саати Т. Принятие решений. Метод анализа иерархий

/ Т. Саати. – М.: Радио и связь, 1993. – 278 с.

119.

Садовский А.Л. Применение экспертных методов в за-

дачах принятия решений в условиях нечеткой инфор-

мации // Вопросы кибернетики. Принятие решений и

анализ нечеткой информации / А.Л. Садовский. − М.:

АН СССР, 1989. − С. 45-53.

120.

Снитюк В.Е. Эволюционно-параметрическая оптимиза-

ция RBF-сети / В.Е. Снитюк., В.М. Шарапов // Искусст-

венный интеллект. – 2003. − № 4. − С. 493-501.

121.

Снитюк В.Е. Прогнозирование. Модели, методы, алго-

ритмы / В.Е. Снитюк. – К.: Маклаут, 2008. – 364 с.

122.

Снитюк В.Є. Технологія постпрогнозування хімічн

го

зараження навколишнього середовища з використан-

ням нечітких даних / В.Є. Снитюк, О.М. Землянський

// Вісник Хмельницького національного університ

е-

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

144

ту. – 2013. – № 6. – С. 272-279.

123.

Снитюк В.Є. Спрямована оптимізація і особливості ево-

люційної генерації потенційних розв’язків / В.Є. Сни-

тюк // Матеріали V Міжн. школи-семінару «Теорія

прийняття рішень», Ужгород (1-6 жовтня 2012). –

С. 182-183.

124.

Сумской С.И. Верификация методик оценки последст-

вий аварийных выбросов газа от источников продолжи-

тельного действия / С.И. Сумской, А.В. Пчельников,

М.В. Лисанов, А.С. Печеркин// Безопасность труда в

промышлености. – 2005. – № 8 – С. 28-35.

125.

Терехов В.И. Проблемы применения вычислительного

интеллекта при планировании задач по предотвраще-

нию и ликвидации последствий чрезвычайных ситуа-

ций / В.И. Терехов, И.М. Тетерин, Н.Г. Топольский //

Материалы XV межд. научн.-практ. конф. «Системы бе-

зопасности». – М.: Академия МЧС России, 2006. –

С. 49-52.

126.

Тимченко А.А. Основы информатики системного прое-

ктирования объектов новой техники / А.А. Тимченко,

А.А. Родионов. – К.: Наук. думка, 1991. – 152 с.

127.

Трахтенгерц Э.А. Компьютерная поддержка принятия

решений / Э.А. Трахтенгерц. – М.: СИНТЕГ, 1998. –

376 с.

128.

Тюменев Т.Р. Прогнозирование распространения обла-

ков лёгких и нейтральных газов при авариях на объек-

тах химической промышленности : дисс. … канд. техн.

наук : 05.26.03 / Тюменев Тимур Равильевич ; КГТУ. –

Тюмень. – 149 с.

129.

Уоссермен Ф. Нейрокомпьютерная техника: теория и

практика / Ф. Уоссермен. – М.: Мир, 1992. – 240 с.

130.

Хайкин C. Нейронные сети: полный курс / С. Хайкин. 

М.: Вильямс, 2006.  1104 с.

131.

Чавкин А.М. Методы и модели рационального управ-

ления в рыночной экономике / А.М. Чавкин. – М.: Фи-

нансы и статистика, 2001. – 320 с.

132.

Черноруцкий И.Г. Методы принятия решений. Учеб

Список використаних джерел

145

пособие / И.Г. Черноруцкий. – СПб.: БХВ Петербург,

2005. – 416 с.

133.

Шатровская Е.В. Динамические структурные модели

знаний в задачах оценивания риска сложных аварий на

промышленных объектах : автореф. дисс. ... канд. техн.

наук : спец. 05.13.01 «Системный анализ, управление и

обработка информации» / Шатровская Елена Викто-

ровна ; КГТУ. – Красноярск, 2001. – 23 с.

134.

Шитиков В.К. Интеллектуальные технологи структур-

ного анализа экологических систем : дисс. ... докт. биол.

наук : 03.00.16 / Шитиков Владимир Кириллович. – М.,

2006. – 286 с.

135.

Ярушкина Н.Г. Основы теории нечетких и гибридных

систем / Н.Г. Ярушкина. – М.: «Финансы и статистика»,

2004. – 320 с.

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

146

ДОДАТКИ

Додаток А

Розрахунки концентрації НХР, проведені за методикою

ТОКСІ

Прогнозні поля концентрації аміаку для реальної хо-

лодильної установки при повному руйнуванні ємності і

швидкості вітру 0,5 м/с з інтервалом 10с.

Додатки

147

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

148

Додатки

149

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

150

Додатки

151

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

152

Додатки

153

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

154

Додатки

155

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

156

Додатки

157

Додаток Б

Програмний код для створення KML-файлів

Алгоритм створення kml для Google earth файла в Матлаб

str1='<?xml version="1.0" encoding="utf-8" ?>';

str2='<kml xmlns="http://www.opengis.net/kml/2.2"

xmlns:gx="http://www.google.com/kml/ext/2.2">';

str3='<Document>';

str4='<Folder><name> Threat Zones</name>';

str5='<Placemark>';

str6='<name>Yellow Lines 30 ppm </name>';

str7='<description><![CDATA[<b>Time:</b> October 9,

2013 ]]></description>';

str8='<drawOrder>1</drawOrder><Polygon><gx:drawOrder>1

</gx:drawOrder><outerBoundaryIs><LinearRing><coordinat

es>';

str9=[num2str(X2(1),'%.6f'),sc, num2str(Y2(1),'%.6f'),

sp,num2str(X2(2),'%.6f'),sc, num2str(Y2(2),'%.6f'),

sp,num2str(X2(3),'%.6f'),sc, num2str(Y2(3),'%.6f'),

sp,num2str(X2(4),'%.6f'),sc, num2str(Y2(4),'%.6f'),

sp,num2str(X2(5),'%.6f'),sc, num2str(Y2(5),'%.6f'),

sp,num2str(X2(6),'%.6f'),sc, num2str(Y2(6),'%.6f'),

sp,num2str(X2(7),'%.6f'),sc, num2str(Y2(7),'%.6f'),

sp,num2str(X2(8),'%.6f'),sc, num2str(Y2(8),'%.6f'),

sp,num2str(X2(9),'%.6f'),sc, num2str(Y2(9),'%.6f'),

sp,num2str(X2(10),'%.6f'),sc, num2str(Y2(10),'%.6f'),

sp,num2str(X2(11),'%.6f'),sc, num2str(Y2(11),'%.6f'),

sp,num2str(X2(12),'%.6f'),sc, num2str(Y2(12),'%.6f'),

sp,num2str(X2(13),'%.6f'),sc, num2str(Y2(13),'%.6f'),

sp,num2str(X2(14),'%.6f'),sc, num2str(Y2(14),'%.6f'),

sp,num2str(X2(15),'%.6f'),sc, num2str(Y2(15),'%.6f'),

sp,num2str(X2(16),'%.6f'),sc, num2str(Y2(16),'%.6f'),

sp,num2str(X2(17),'%.6f'),sc, num2str(Y2(17),'%.6f'),

sp,num2str(X2(18),'%.6f'),sc, num2str(Y2(18),'%.6f'),

sp,num2str(X2(19),'%.6f'),sc, num2str(Y2(19),'%.6f'),

sp,num2str(X2(20),'%.6f'),sc, num2str(Y2(20),'%.6f'),

sp,num2str(X2(21),'%.6f'),sc, num2str(Y2(21),'%.6f'),

sp,num2str(X2(22),'%.6f'),sc, num2str(Y2(22),'%.6f'),

sp,num2str(X2(23),'%.6f'),sc, num2str(Y2(23),'%.6f'),

sp,num2str(X2(24),'%.6f'),sc, num2str(Y2(24),'%.6f'),

sp,num2str(X2(25),'%.6f'), sc ,

num2str(Y2(25),'%.6f'), sp];

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

158

str10='</coordinates></LinearRing></outerBoundaryIs></

Polygon>';

str11='<Style><LineStyle><color>ff00ffff</color><width

>2</width></LineStyle>

<PolyStyle><fill>0</fill><color>5500ffff</color></Poly

Style></Style>';

str12='</Placemark>';

str13='<Placemark>';

str14='<name>Yellow Threat Zone 30 ppm</name>';

str15='<description><![CDATA[<b>Time:</b> October 9,

2013 ]]></description>';

str16='<drawOrder>2</drawOrder><Polygon><gx:drawOrder>

2</gx:drawOrder><outerBoundaryIs><LinearRing><coordina

tes>';

str17=[num2str(X2(1),'%.6f'),sc,

num2str(Y2(1),'%.6f'), sp,num2str(X2(2),'%.6f'),sc,

num2str(Y2(2),'%.6f'), sp,num2str(X2(3),'%.6f'),sc,

num2str(Y2(3),'%.6f'), sp,num2str(X2(4),'%.6f'),sc,

num2str(Y2(4),'%.6f'), sp,num2str(X2(5),'%.6f'),sc,

num2str(Y2(5),'%.6f'), sp,num2str(X2(6),'%.6f'),sc,

num2str(Y2(6),'%.6f'), sp,num2str(X2(7),'%.6f'),sc,

num2str(Y2(7),'%.6f'), sp,num2str(X2(8),'%.6f'),sc,

num2str(Y2(8),'%.6f'), sp,num2str(X2(9),'%.6f'),sc,

num2str(Y2(9),'%.6f'), sp,num2str(X2(10),'%.6f'),sc,

num2str(Y2(10),'%.6f'), sp,num2str(X2(11),'%.6f'),sc,

num2str(Y2(11),'%.6f'), sp,num2str(X2(12),'%.6f'),sc,

num2str(Y2(12),'%.6f'), sp,num2str(X2(13),'%.6f'),sc,

num2str(Y2(13),'%.6f'), sp,num2str(X2(14),'%.6f'),sc,

num2str(Y2(14),'%.6f'), sp,num2str(X2(15),'%.6f'),sc,

num2str(Y2(15),'%.6f'), sp,num2str(X2(16),'%.6f'),sc,

num2str(Y2(16),'%.6f'), sp,num2str(X2(17),'%.6f'),sc,

num2str(Y2(17),'%.6f'), sp,num2str(X2(18),'%.6f'),sc,

num2str(Y2(18),'%.6f'), sp,num2str(X2(19),'%.6f'),sc,

num2str(Y2(19),'%.6f'), sp,num2str(X2(20),'%.6f'),sc,

num2str(Y2(20),'%.6f'), sp,num2str(X2(21),'%.6f'),sc,

num2str(Y2(21),'%.6f'), sp,num2str(X2(22),'%.6f'),sc,

num2str(Y2(22),'%.6f'), sp,num2str(X2(23),'%.6f'),sc,

num2str(Y2(23),'%.6f'), sp,num2str(X2(24),'%.6f'),sc,

num2str(Y2(24),'%.6f'), sp,num2str(X2(25),'%.6f'),sc,

num2str(Y2(25),'%.6f'), sp];

str18='</coordinates></LinearRing></outerBoundaryIs></

Polygon>';

str19='<Style><LineStyle><color>ff00ffff</color><width

>3</width></LineStyle>

Додатки

159

<PolyStyle><fill>1</fill><color>5500ffff</color></Poly

Style></Style>';

str20='</Placemark>';

str21='<Placemark>';

str22='<name>Orange Threat Zone 160 ppm = AEGL-2 (60

min)</name>';

str23='<description><![CDATA[<b>Time:</b> October 9,

2013 ]]></description>';

str24='<drawOrder>3</drawOrder><Polygon><gx:drawOrder>

3</gx:drawOrder><outerBoundaryIs><LinearRing><coordina

tes>';

str25=[num2str(X2(1),'%.6f'),sc,

num2str(Y2(1),'%.6f'), sp,num2str(X2(2),'%.6f'),sc,

num2str(Y2(2),'%.6f'), sp,num2str(X2(3),'%.6f'),sc,

num2str(Y2(3),'%.6f'), sp,num2str(X2(4),'%.6f'),sc,

num2str(Y2(4),'%.6f'), sp,num2str(X2(5),'%.6f'),sc,

num2str(Y2(5),'%.6f'), sp,num2str(X2(6),'%.6f'),sc,

num2str(Y2(6),'%.6f'), sp,num2str(X2(7),'%.6f'),sc,

num2str(Y2(7),'%.6f'), sp,num2str(X2(8),'%.6f'),sc,

num2str(Y2(8),'%.6f'), sp,num2str(X2(9),'%.6f'),sc,

num2str(Y2(9),'%.6f'), sp,num2str(X2(10),'%.6f'),sc,

num2str(Y2(10),'%.6f'), sp,num2str(X2(11),'%.6f'),sc,

num2str(Y2(11),'%.6f'), sp,num2str(X2(12),'%.6f'),sc,

num2str(Y2(12),'%.6f'), sp,num2str(X2(13),'%.6f'),sc,

num2str(Y2(13),'%.6f'), sp,num2str(X2(14),'%.6f'),sc,

num2str(Y2(14),'%.6f'), sp,num2str(X2(15),'%.6f'),sc,

num2str(Y2(15),'%.6f'), sp,num2str(X2(16),'%.6f'),sc,

num2str(Y2(16),'%.6f'), sp,num2str(X2(17),'%.6f'),sc,

num2str(Y2(17),'%.6f'), sp,num2str(X2(18),'%.6f'),sc,

num2str(Y2(18),'%.6f'), sp,num2str(X2(19),'%.6f'),sc,

num2str(Y2(19),'%.6f'), sp,num2str(X2(20),'%.6f'),sc,

num2str(Y2(20),'%.6f'), sp,num2str(X2(21),'%.6f'),sc,

num2str(Y2(21),'%.6f'), sp,num2str(X2(22),'%.6f'),sc,

num2str(Y2(22),'%.6f'), sp,num2str(X2(23),'%.6f'),sc,

num2str(Y2(23),'%.6f'), sp,num2str(X2(24),'%.6f'),sc,

num2str(Y2(24),'%.6f'), sp,num2str(X2(25),'%.6f'),sc,

num2str(Y2(25),'%.6f'), sp];

str26='</coordinates></LinearRing></outerBoundaryIs></

Polygon>';

str27='<Style><LineStyle><color>ff0080ff</color><width

>3</width></LineStyle>

<PolyStyle><fill>1</fill><color>550080ff</color></Poly

Style></Style>';

str28='</Placemark>';

str29='<Placemark>';

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

160

str30='<name>Red Threat Zone 1100 ppm </name>';

str31='<description><![CDATA[<b>Time:</b> October 9,

2013 ]]></description>';

str32='<drawOrder>4</drawOrder><Polygon><gx:drawOrder>

4</gx:drawOrder><outerBoundaryIs><LinearRing><coordina

tes>';

str33=[num2str(X2(1),'%.6f'),sc,

num2str(Y2(1),'%.6f'), sp,num2str(X2(2),'%.6f'),sc,

num2str(Y2(2),'%.6f'), sp,num2str(X2(3),'%.6f'),sc,

num2str(Y2(3),'%.6f'), sp,num2str(X2(4),'%.6f'),sc,

num2str(Y2(4),'%.6f'), sp,num2str(X2(5),'%.6f'),sc,

num2str(Y2(5),'%.6f'), sp,num2str(X2(6),'%.6f'),sc,

num2str(Y2(6),'%.6f'), sp,num2str(X2(7),'%.6f'),sc,

num2str(Y2(7),'%.6f'), sp,num2str(X2(8),'%.6f'),sc,

num2str(Y2(8),'%.6f'), sp,num2str(X2(9),'%.6f'),sc,

num2str(Y2(9),'%.6f'), sp,num2str(X2(10),'%.6f'),sc,

num2str(Y2(10),'%.6f'), sp,num2str(X2(11),'%.6f'),sc,

num2str(Y2(11),'%.6f'), sp,num2str(X2(12),'%.6f'),sc,

num2str(Y2(12),'%.6f'), sp,num2str(X2(13),'%.6f'),sc,

num2str(Y2(13),'%.6f'), sp,num2str(X2(14),'%.6f'),sc,

num2str(Y2(14),'%.6f'), sp,num2str(X2(15),'%.6f'),sc,

num2str(Y2(15),'%.6f'), sp,num2str(X2(16),'%.6f'),sc,

num2str(Y2(16),'%.6f'), sp,num2str(X2(17),'%.6f'),sc,

num2str(Y2(17),'%.6f'), sp,num2str(X2(18),'%.6f'),sc,

num2str(Y2(18),'%.6f'), sp,num2str(X2(19),'%.6f'),sc,

num2str(Y2(19),'%.6f'), sp,num2str(X2(20),'%.6f'),sc,

num2str(Y2(20),'%.6f'), sp,num2str(X2(21),'%.6f'),sc,

num2str(Y2(21),'%.6f'), sp,num2str(X2(22),'%.6f'),sc,

num2str(Y2(22),'%.6f'), sp,num2str(X2(23),'%.6f'),sc,

num2str(Y2(23),'%.6f'), sp,num2str(X2(24),'%.6f'),sc,

num2str(Y2(24),'%.6f'), sp,num2str(X2(25),'%.6f'),sc,

num2str(Y2(25),'%.6f'), sp];

str34='</coordinates></LinearRing></outerBoundaryIs></

Polygon>';

str35='<Style><LineStyle><color>ff0000ff</color><width

>3</width></LineStyle>

<PolyStyle><fill>1</fill><color>550000ff</color></Poly

Style></Style>';

str36='</Placemark>';

str37='</Folder>';

str38='<Folder><name>TOCHKA</name>';

str39='<Placemark>';

str40='<name>TOCHKA</name>';

str41='<description><![CDATA[<b>Time:</b> October 9,

2013 ]]></description>';

Додатки

161

str42='<Point><coordinates>';

str43=[num2str(Lat,'%.6f'), sc, num2str(Lon,'%.6f')];

str44='</coordinates></Point>';

str45='</Placemark>';

str46='</Folder>';

str47='</Document></kml>';

fid = fopen('Prognoz.kml', 'w');

if fid == -1

error('File is not opened');

end

fprintf(fid, [str1 ,'\n']);

fprintf(fid, [str2 ,'\n']);

fprintf(fid, [str3 ,'\n']);

fprintf(fid, [str4 ,'\n']);

fprintf(fid, [str5 ,'\n']);

fprintf(fid, [str6 ,'\n']);

fprintf(fid, [str7 ,'\n']);

fprintf(fid, [str8 ,'\n']);

fprintf(fid, [str9 ,'\n']);

fprintf(fid, [str10 ,'\n']);

fprintf(fid, [str11 ,'\n']);

fprintf(fid, [str12 ,'\n']);

fprintf(fid, [str13 ,'\n']);

fprintf(fid, [str14 ,'\n']);

fprintf(fid, [str15 ,'\n']);

fprintf(fid, [str16 ,'\n']);

fprintf(fid, [str17 ,'\n']);

fprintf(fid, [str18 ,'\n']);

fprintf(fid, [str19 ,'\n']);

fprintf(fid, [str20 ,'\n']);

fprintf(fid, [str21 ,'\n']);

fprintf(fid, [str22 ,'\n']);

fprintf(fid, [str23 ,'\n']);

fprintf(fid, [str24 ,'\n']);

fprintf(fid, [str25 ,'\n']);

fprintf(fid, [str26 ,'\n']);

fprintf(fid, [str27 ,'\n']);

fprintf(fid, [str28 ,'\n']);

fprintf(fid, [str29 ,'\n']);

fprintf(fid, [str30 ,'\n']);

fprintf(fid, [str31 ,'\n']);

fprintf(fid, [str32 ,'\n']);

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

162

fprintf(fid, [str33 ,'\n']);

fprintf(fid, [str34 ,'\n']);

fprintf(fid, [str35 ,'\n']);

fprintf(fid, [str36 ,'\n']);

fprintf(fid, [str37 ,'\n']);

fprintf(fid, [str38 ,'\n']);

fprintf(fid, [str39 ,'\n']);

fprintf(fid, [str40 ,'\n']);

fprintf(fid, [str41 ,'\n']);

fprintf(fid, [str42 ,'\n']);

fprintf(fid, [str43 ,'\n']);

fprintf(fid, [str44 ,'\n']);

fprintf(fid, [str45 ,'\n']);

fprintf(fid, [str46 ,'\n']);

fprintf(fid, [str47 ,'\n']);

fclose(fid);

Додатки

163

Додаток В

Побудова полів концентрації. Дані

Для побудови полів концентрації виділяють три зо-

ни. Перша зона з смертельною концентрацію НХР обмежена

червоною лінією, друга – небезпечна для здоров'я (тяжкий та

середній ступінь отруєння), – жовтогаряча лінія, третя – пере-

вищення гранично допустимого рівня концентрації (слабке

отруєння ) – жовта лінія. Для побудови кожного поля викори-

стовуються 15 точок з відповідними географічними координа-

тами широти і довготи.

Дані отримані з використанням програми ALOHA 5.4.3. Для

прогнозування в програмі використовуються модель "Важкого

газу" та гаусівська модель. Вибір моделі для прогнозування ви-

конується автоматично, в залежності від вхідних параметрів.

Частина вхідних даних залишається сталою на розсуд екс-

пертів, зокрема, значення параметрів, які залежать від особли-

востей технологічного процесу чи устаткування об'єкта та

значення параметрів, які найбільш ймовірні чи мають незнач-

ний вплив на значення концентрації.

постійні дані

місце розміщення: CHERCASSY, UKRAINE

будівлі: одноповерхові

хімічна речовина: хлор (CHLORINE)

висота вимірювань: 2м

шорсткість землі: відкрита територія

Хмарність: мінлива

Інверсія: відсутня

Вологість: помірна (50%)

Джерело: вертикальний резервуар

Об’єм: 15 м3

Стан НХР в резервуарі: рідина

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

164

№

п/п

Шви-

дкі-

сть

вітру,

м/с

Темпера-

тура

По-вітря,0С

Маса

речовини,

тон

Діаметр

отвору,

D см

Висота

роз-

міщення

отвору %

x, м y, м t,

хв

ppm

1 1 25 7,46 10 10 2130 1230 44 30

2 2 -10 12,4 5 6 8360 980 50 0,75

3 3 15 4,89 8 6 3240 320 18 60

4 4 12 69,2 15 3 8760 2720 17 0,02

5 1 22 5,1 20 22 890 560 15 21

6 2 32 5,5 23 23 1990 960 2 20

7 3 40 3,91 25 9 9230 350 25 0,5

8 5 24 1,75 28 13 3400 190 15 2

9 10 -15 5,02 30 6 1900 72 4 40

10 1 -5 1,35 35 16 1000 280 30 20

11 4 0 6,47 50 5 8230 670 22 0,5

12 5 5 5,16 45 6 3110 510 5 2

13 6 16 4,1 40 26 5280 140 8 4

14 1 24 5,6 43 28 1290 1290 28 20

15 2 32 7,15 51 33 6390 240 50 2

16 8 -8 2,03 53 20 8990 220 10 0,6

17 4 25 9,44 55 3 3300 260 17 38

18 5 33 12,4 60 6 810 170 2 1

19 2 28 7,72 58 37 5960 180 48 2

20 9 24 1,94 61 7 1470 170 2 5

21 7 10 3,61 65 10 1730 120 5 78

22 11 15 10,7 68 2 5370 140 4 20

23 1 8 13,3 69 8 1810 1200 38 100

24 5 -20 20,5 70 10 2260 350 10 60

25 1 -15 7,28 72 11 2580 320 50 20

26 2 -18 5,55 74 29 1330 360 20 60

27 1 -13 4,16 75 8 1690 810 45 20

Додатки

165

28 1 -6 8,06 78 2 1080 960 30 200

29 1 -11 4,15 80 18 400 560 17 1

30 4 5 6,23 100 9 290 170 2 1

31 3 7 11,5 90 2 960 320 10 200

32 4 19 8,95 85 11 6520 290 20 4

33 5 22 8,04 150 10 380 140 3 1,5

34 6 24 19,6 140 41 9650 430 20 2

35 2 2 8,26 120 18 5420 780 50 2

36 4 26 1,26 151 6 870 72 3 50

37 8 1 16,1 115 12 7040 340 10 8

38 4 33 6,61 102 1 9330 120 25 2

39 1 29 2,16 110 38 960 480 30 140

40 2 18 15,3 115 21 1140 350 20 116

41 3 16 4,61 116 8 5000 260 30 2

42 5 15 10,4 150 2 9910 810 20 1

43 6 13 2,28 130 20 6070 190 10 2,5

44 2 28 12,2 140 4 6050 650 50 5,5

45 4 -15 2,02 125 9 7830 1640 20 0,008

46 7 -16 6,38 101 18 6940 1180 11 0,015

47 9 35 10,4 111 6 9540 820 10 0,8

48 8 38 5,08 8 10 3230 650 5 0,4

49 5 26 1,26 85 28 8340 580 16 0,15

50 4 15 5,12 119 10 9680 200 23 0,5

51 6 34 9,03 120 7 9010 750 13 1

52 3 28 5,58 116 3 1230 290 10 50

53 2 18 1,05 101 27 1230 290 12 4

54 1 17 5,62 113 13 2530 600 50 20

55 5 -5 2,68 115 6 7350 430 16 0,5

56 2 -6 14,2 103 21 1990 600 21 50

57 12 -8 8,7 59 1 3010 96 7 20

Інформаційно-аналітичні технології прогнозування наслідків хімічних аварій

166

58 1 12 3,14 16 7 1290 730 28 50

59 2 -3 5,46 118 29 4560 360 43 2

60 1 2 3,14 11 4 1050 810 28 150

61 6 -1 7,72 98 13 6170 72 11 2

62 2 15 13,4 96 7 4820 1690 42 2

63 4 -7 8,37 17 11 1360 230 9 50

64 5 8 10,9 19 2 7860 580 17 2

65 2 19 6,42 116 19 2000 320 20 20

66 5 22 13,8 109 33 4290 380 10 10

67 3 31 17,6 86 24 3160 290 20 40

68 2 20 22,7 6 6 720 480 10 800

69 4 26 14 18 21 230 170 3 10000

70 5 10 9,65 100 9 490 410 4 0,01

71 6 33 17,6 87 15 1650 170 3 400

72 8 -8 6,05 145 4 8050 240 12 2

73 5 -22 13,6 148 29 260 200 2 400

74 4 -25 6,18 135 8 1780 460 9 2

75 2 14 3,38 102 12 1200 180 17 100

76 5 16 1,71 17 3 1540 220 8 10

77 6 25 5,59 139 20 2990 360 5 2

78 2 30 15,3 141 11 3470 890 30 20

79 4 19 6,7 153 31 2580 32 10 45

80 7 -5 15,7 137 12 3010 460 6 10

81 11 -9 3,9 143 26 3810 480 4 0,5

82 18 15 7,56 122 10 3810 340 2 2

83 4 18 3,15 128 15 4800 140 20 2

84 5 11 7,6 120 11 5300 220 12 10

85 6 28 14,2 118 25 3280 960 10 0,02

86 15 -10 5,77 15 10 1160 96 2 80

87 2 -18 2,02 33 19 2920 1240 25 0,015

Додатки

167

88 3 -5 7,18 111 24 4120 320 20 2

89 5 18 1,37 8 7 7860 120 13 0,5

90 4 24 8,59 112 22 3280 200 10 20

91 6 35 17 18 12 9800 520 20 2

92 9 -20 8,85 119 16 6820 1110 10 0,02

93 4 -15 4,71 85 1 7980 290 23 0,5

94 5 18 9,82 135 2 4840 900 10 0,4

95 8 24 0,82 144 15 8220 120 9 0,2

96 10 26 4,1 151 2 5080 0 7 10

97 9 22 2,73 102 3 7690 170 9 2

98 6 -8 2,68 77 13 6140 96 10 2

99 8 33 10,4 88 23 7420 410 8 2

100 9 0 3,88 22 14 9400 310 9 1

168

Олег Миколайович Землянський

Наталія Миколаївна Пашинська

Віталій Євгенович Снитюк

ІНФОРМАЦІЙНО-АНАЛІТИЧНІ

ТЕХНОЛОГІЇ ПРОГНОЗУВАННЯ

НАСЛІДКІВ ХІМІЧНИХ АВАРІЙ

Монографія

ResearchGate has not been able to resolve any citations for this publication.

PARAMETRIC IDENTIFICATION FOR MODEL OF A CHEMICAL HAZARDOUS SUBSTANCE CONCENTRATION USING SOFT COMPUTING

Article

Full-text available

Jan 2013

The technology of concentration determining for a hazardous chemical substance in the pre-accident period is suggested. As a concentration model was selected neuro-fuzzy network with fuzzy inference in Tsukamoto form. Parametric optimization of concentration model is proposed to carried out using a modified method of directional optimization. There are presents the results of numerical simulations.

Evolution strategies - A comprehensive introduction

Article

Full-text available

Mar 2002

This article gives a comprehensive,introduction into one of the main branches of evolutionary computation,– the evolution strategies (ES) the history of which dates back to the 1960s in Germany. Starting from a survey of history the philosophical background,is explained in order to make,understandable why,ES are realized in the way they are. Basic ES algorithms and design principles for variation and selection operators as well as theoretical issues are presented, and future branches of ES research are discussed. Key words: computational intelligence, Darwinian evolution, design principles for genetic

Fuzzy identification of systems and its application to modeling and control

Article

Jan 1985

Genetic Algorithms In Search, Optimization, and Machine Learning

Article

Jan 1988

David E. Goldberg

The thorney island continuous release trials: Mass and flux balances

Article

Nov 1987
J HAZARD MATER

This paper shows that by making a number of assumptions and judgements reasonably good mass and flux balances are obtained for the Thorney Island conti

Anfis: Adaptive-Network-Based Fuzzy Inference System

Article

Jan 1993

Jyh-Shing R Jang

This paper presents the architecture and learning procedure underlying ANFIS (Adaptive-Network-based Fuzzy Inference System), a fuzzy inference system implemented in the framework of adaptive networks. By using a hybrid learning procedure, the proposed ANFIS can construct an input-output mapping based on both human knowledge (in the form of fuzzy if-then rules) and stipulated input-output data pairs. In our simulation, we employ the ANFIS architecture to model nonlinear functions, identify nonlinear components on-linely in a control system, and predict a chaotic time series, all yielding remarkable results. Comparisons with artificail neural networks and earlier work on fuzzy modeling are listed and discussed. Other extensions of the proposed ANFIS and promising applications to automatic control and signal processing are also suggested. I. Introduction System modeling based on conventional mathematical tools (e.g., differential equations) is not well suited for dealing with ill-defin...

Fuzzy Logic, Neural Networks and Soft Computing

Article

Mar 1994

Lotfi A. Zadeh

The year 1990 may well be viewed as the beginning of a new trend in the design of household appliances, consumer electronics, cameras, and other types of widely used consumer products. The trend in question relates to a marked increase in what might be called the Machine Intelligence Quotient (MIQ) of such products compared to what it was before 1990. Today, we have microwave ovens and washing machines that can figure out on their own what settings to use to perform their tasks optimally.

Adaptation in Natural and Artificial Systems: An Introductory Analysis With Applications to Biology, Control, and Artificial Intelligence

Book

Jan 1975

John H. Holland

Genetic algorithms are playing an increasingly important role in studies of complex adaptive systems, ranging from adaptive agents in economic theory to the use of machine learning techniques in the design of complex devices such as aircraft turbines and integrated circuits. Adaptation in Natural and Artificial Systems is the book that initiated this field of study, presenting the theoretical foundations and exploring applications. In its most familiar form, adaptation is a biological process, whereby organisms evolve by rearranging genetic material to survive in environments confronting them. In this now classic work, Holland presents a mathematical model that allows for the nonlinearity of such complex interactions. He demonstrates the model's universality by applying it to economics, physiological psychology, game theory, and artificial intelligence and then outlines the way in which this approach modifies the traditional views of mathematical genetics. Initially applying his concepts to simply defined artificial systems with limited numbers of parameters, Holland goes on to explore their use in the study of a wide range of complex, naturally occuring processes, concentrating on systems having multiple factors that interact in nonlinear ways. Along the way he accounts for major effects of coadaptation and coevolution: the emergence of building blocks, or schemata, that are recombined and passed on to succeeding generations to provide, innovations and improvements. Bradford Books imprint

An Analysis of the Behavior of a Class of Genetic Adaptive Systems

Article

Jan 1975

Kenneth De Jong

Thesis (Ph. D.)--University of Michigan, 1975. Includes bibliographical references (leaves 253-256). Photocopy.

Fuzzy Systems as Universal Approximators

Article

Dec 1994

Bart Kosko

An additive fuzzy system can uniformly approximate any real continuous function on a compact domain to any degree of accuracy. An additive fuzzy system approximates the function by covering its graph with fuzzy patches in the input-output state space and averaging patches that overlap. The fuzzy system computes a conditional expectation E|Y|X| if we view the fuzzy sets as random sets. Each fuzzy rule defines a fuzzy patch and connects commonsense knowledge with state-space geometry. Neural or statistical clustering systems can approximate the unknown fuzzy patches from training data. These adaptive fuzzy systems approximate a function at two levels. At the local level the neural system approximates and tunes the fuzzy rules. At the global level the rules or patches approximate the function

ІНФОРМАЦІЙНО-АНАЛІТИЧНІ ТЕХНОЛОГІЇ ПРОГНОЗУВАННЯ НАСЛІДКІВ ХІМІЧНИХ АВАРІЙ Монографія

Abstract

Recommended publications

ІНТЕЛЕКТУАЛЬНІ ТЕХНОЛОГІЇ ОПТИМІЗАЦІЇ СИСТЕМ ПОЖЕЖНОГО МОНІТОРИНГУ Монографія

О.В. Егорова, В.Е. Снитюк. Применение технологии композиционного преодоления неопределенности к реше...

Снитюк В.Е., Мирошник О.Н. МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПРОЦЕССОВ НА РЫНКЕ НЕДВИЖИМОСТИ

Принципы и элементный базис реализации технологий прогнозирования чрезвычайных ситуаций в условиях н...