Кузнецова А.С., Купцов А.И., Гимранов Ф.М. «Использование нейросетевой модели для прогнозирования последствий аварийного истечения газов в режиме реального времени». — «Вестник технологического университета», №10. — 2019, с. 123-126

Особую опасность представляют объекты, на которых обращаются взрывоопасные газы. Опасность таких объектов связана с возможной разгерметизацией и последующим выбросом газа. В следствие чего, может происходить образование взрывоопасных и/или токсичных газовоздушных облаков, способных перемещаться под действием ветра на значительные расстояния. Наиболее опасными являются «тяжелые газы», плотность которых более 0,8 по отношению к плотности воздуха. Они прижимаются к поверхности земли и медленно рассеиваются в атмосфере, поэтому появляется большая вероятность воспламенения.

В работе
[1] численная модель верифицирована на экспериментальных исследованиях на
острове Торни. Проведенная верификация позволила использовать численную модель
для моделирования разрушения газгольдера с пропан-бутановой смесью с учетом
промышленной застройки. В первом приближении застройка состояла в виде
препятствия кубической формы. При этом расчетная область (размер 150м*100м*40м)
разбивалась на 313722 ячейки. В процессе моделирования газгольдер мгновенно
освобождался (разрушался). Застройка (кубическое препятствие) располагалась на
расстоянии 50 м по направлению ветра от места выброса. Расчетные концентрации
газа вычислялись на различных высотах в 27-ми точках: на передней, задней,
верхней и боковых поверхностях здания, а также на расстоянии 5-ти метров от
каждой из соответствующих сторон. Нестационарный расчет проводился при
различных стратификациях атмосферы, и под влиянием различных скоростей ветра (1
м/с, 2,5 м/с и 5 м/с).

Целью
данной работы являлась разработка архитектуры искусственной нейронной сети
(ИНС) и ее верификация на базе полученных данных работы [1] для последующего
использования возможности модели ИНС в практической деятельности. Проведено
сравнение концентраций на 35 секунде выброса пропан-бутановой смеси при
разрушении резервуара, полученных в результате численного моделирования [1], с
данными, полученными с помощью ИНС.

В
ходе исследований подобрана архитектура нейронной сети наиболее точная по
сравнению с другими рассматриваемыми. Ее параметры: два скрытых слоя с 15 и 9
нейронами соответственно, параметр сигмоиды равен 1, параметр скорости обучения
равен 0,1. Вычисления по подобранной модели нейронной сети не превышают пяти
минут, в отличие от численного моделирования, где исследования могут вестись до
несколько суток.

Показана
возможность и эффективность использования нейросетевых моделей, обученных на
данных численного моделирования выброса «тяжелого газа». Подобные исследования
можно проводить на различных расстояниях, с учетом различных параметров, таких
как, например: устойчивость атмосферы, ветер, геометрические размеры застройки,
шероховатость и продолжительность выброса.

Получение
результаты с небольшим отклонением возможно использовать для оценки в режиме
реального времени диспетчерскими службами промышленных предприятий или органов
МЧС при решении различных промышленных задач. 

1. Ортина М.Н., Купцов А.И., Гимранов Ф.М. «Математическое моделирование рассеивание облаков тяжелых газов в условиях промышленной застройки:
влияние метеоусловий».
— «Вестник технологического университета», №10 — 2017, с. 115-118

Кузнецова А.С., Купцов А.И., Гимранов Ф.М. «Использование нейросетевой модели для прогнозирования в режиме реального времени последствий выброса опасного газа из технологического оборудования». — «Вестник технологического университета», №7. — 2019, с. 114-119

Для осуществления регламентированных и аварийных выбросов легких газов в атмосферу (в случае вынужденного освобождения оборудования) технологические установки химических и нефтехимических производств оснащаются свечами рассеивания. Возникает вероятность того, что, образующийся после выброса, газовый шлейф достигнет мест с постоянным пребыванием людей и/или зоны с технологическим оборудованием. В связи с этим, становится актуальной задача прогнозирования границ распространения выброшенных опасных газов в приземном слое атмосферы. В настоящее время существуют три основных подхода для количественного описания процесса рассеяния и прогнозирования последствий выбросов газообразных веществ в атмосфере: гауссовский, интегральный и CFD подход. Но каждый из них имеет свои преимущества и недостатки. Наиболее перспективными являются CFD модели. Однако продолжительность времени компьютерного расчета делает не всегда целесообразным применение данной модели. В связи с этим предлагается для оперативного прогнозирования в режиме реального времени границ распространения газовоздушного облака использовать нейросетевую модель. Для оценки возможности прогнозирования распространения опасного газа в атмосферном воздухе при его выбросах через свечи рассеивания проведены расчеты с помощью ИНС со следующими начальными и граничными условиями: скорость ветра — 1 и 5 м/с, устойчивая, неустойчивая и нейтральная стратификация атмосферы, диаметр свечи: 0.1 м, 0.2 м, 0.3м; высота свечи: 5, 10 и 15 м; давление этилена на оголовке свечи – 0.1; 0.4; 1.6 МПа, температура этилена — 253, 273 и 293 К. В результате выбрана параметры нейросетевой модели, наиболее точно удовлетворяющие данным расчета по CFD модели, которые были затабулированы в виде номограммы. Убедившись, что обученная модель ИНС достаточно точно прогнозирует последствия выбросов опасного газа со свечи рассеивания, на ее основе спрогнозированы последствия распространения выброса этилена с другими начальными и граничными условиями: скорость ветра — 2 и 5 м/с; устойчивая, неустойчивая и нейтральная стратификация атмосферы; диаметр свечи: 0.15 м, 0.25 м; высота свечи: 5, 10 и 15 м; давление этилена на оголовке свечи – 0.2; 0.8 МПа; температура этилена — 263 и 283 К. В режиме реального времени получены 144 различных новых сценариев последствий выброса этилена. Сделан вывод о необходимости обеспечения диспетчерских служб химических производств и органов МЧС вычислительными комплексами, оснащенными компьютерами с обученными ИНС программами.