Исследователи Центра ИИ разработали модели для экологического мониторинга
Современный экологический мониторинг атмосферного воздуха для промышленных предприятий – это не только инструмент контроля и ограничения выбросов, но и ключ к росту эффективности производства. Для достижения этой цели в состав измерительных комплексов и систем вводят специальные модели прогнозирования пространственного распределения вредных веществ. Они позволяют, например, отслеживать траектории движения загрязнений в воздушной среде, а также оценивать риски превышений предельно-допустимых концентраций вредных веществ в определенных точках на территории предприятия или на его границах. И все же точность и оперативность получения прогнозов не всегда соответствует требованиям специалистов-экологов, поэтому в процесс обработки данных приходится вводить элементы искусственного интеллекта. Его применение повышает производительность расчетов, однако требует постоянного обучения на основе потоков вновь поступающей измерительной информации. Чтобы сохранить баланс между адаптивностью алгоритма ИИ и возможностью его работы в динамике в рамках программы Центра ИИ НИУ ВШЭ ученые научно-учебной лаборатории междисциплинарных эмпирических исследований Пермского кампуса разработали набор прогнозных моделей низкой вычислительной сложности на основе ансамблей и селективного выбора.
Чтобы повысить качество анализа данных с газоанализаторов и датчиков загрязнений на платформах цифрового экологического мониторинга, в процессе предобработки используется ранее накопленная измерительная информация, в том числе параметры окружающей среды. Благодаря этому выявляются и устраняются аномалии в данных, производится построение базовых (усредненных) суточных профилей концентраций, данные сглаживаются, выявляются тренды и сезонности в динамике выбросов. Модели на основе регрессий и нейросетевые модели, учитывающие признаки паттернов выбросов, позволяют прогнозировать более сложные компоненты профилей концентраций. Такой прогноз хорошо улавливает высокочастотные составляющие, поэтому он более устойчив к изменению режима работы предприятий, даже если оборудование работает с небольшими отклонениями по времени от предыдущего дня. Автоматическая обработка временных рядов реализуется блоком устойчивых моделей, моделями на основе авторегрессий и моделями извлечения признаков, которые далее в совокупности используются для построения ансамблевых моделей и моделей селективного выбора. Это наиболее сложные модели, созданные на принципах рекурсивной адаптации с минимальными затратами по времени на переобучение. Полученные результаты прогнозов хорошо интерпретируются и в целом показывают высокую точность, сопоставимую с результатами расчетов рассеивания примесей в атмосфере на моделях Гаусса, Эйлера и Лагранжа.
Результаты исследований были представлены в докладе «IoT-Platform for ML-based Industrial Air Emissions Data Processing» на конференции ICIEAM (International Conference on Industrial Engineering, Applications and Manufacturing) в Сочи и опубликованы в научной статье «Интеграция предиктивно-аналитических моделей с IoT-платформой цифрового экомониторинга» в журнале «Прикладная информатика».
Авторы проекта подготовили и подали заявку для оформления патента на способ прогнозирования концентрации загрязняющих веществ для промышленных предприятий с использованием ИИ. Новые модели прогнозирования учитывают системную динамику процессов, происходящих в атмосферном воздухе, а также обеспечивают работу в режиме реального времени, адаптируются к изменениям. Применение моделей на практике позволит оперативно получать прогнозные оценки выбросов в атмосферу и выстраивать различные сценарии распространения выбросов на промышленном предприятии и на границе санитарной зоны.