- •Модуль 2. Екологічне нормування антропогенного навантаження і якості атмосферного повітря
- •Тема 5 Розрахунок основних характеристик забруднення атмосфери викидами промислових підприємств
- •Практичне заняття 6 (№ зан. 15) – Задачі моделювання процесів переходу забруднювачів із повітря у водне середовище
- •Тема 6 Визначення зони впливу джерел. Організація санітарно-захисної зони підприємства.
- •Тема 7 Розрахунок гранично допустимого викиду джерела Практичне заняття 8 (№ зан. 20) – Модульний контроль 2 (додатково додається)
- •Тема 9 Оформлення та зміст проекту нормативів гдв забруднюючих речовин у атмосферне повітря
- •Практичне заняття 9 (№ зан. 23) – Задачі з оцінки екологічних процесів у ґрунтах
- •Практичне заняття 10 (№ зан. 25) – Колоквіум (додатково додається) Модуль 3.Основні положення правил охорони поверхневих вод
- •Тема 11 Загальна характеристика охорони поверхневих вод від забруднення.
- •Практичне заняття 12 (№ зан. 30) – Задачі з моделювання імовірнісних процесів надходження забруднювачів у ґрунти із суміжних середовищ
- •Тема 12 Організаційна основа нормування забруднення поверхневих вод Практичне заняття 13 (№ зан. 33) – Контрольні задачі з питань оцінки стану природних ґрунтів
- •Тема 13. Встановлення гдс для водних об'єктів. Визначення токсичності вод Практичні заняття 14 (№ зан. 35) –Задачі з оцінки комплексного забруднення природних систем
- •Модуль 4. Відходи. Розробка, обґрунтування і контроль за виконанням проектів гдс і тимчасово узгоджених скидів (тус)
- •Тема 14 Загальні положення про відходи. Склад матеріалів, що обґрунтовують проект гдс. Державний облік відходів загальна характеристика виробництва
- •5.2 Характеристика продукції, що випускається
- •1. Основні вимоги до будування таблиць див. Гост 2.105, п. 4.4.
- •2. Основні вимоги до написання фізичних величин див. Дсту 3651.0, дсту 3651.1, дсту 3651.2.
- •3. Властивості, які характеризують вибухонебезпечність і токсичність готового продукту, сировини, напівпродуктів і відходів виробництва приводяться в розділі "Безпечна експлуатація виробництва".
- •5.3 Характеристика вхідної сировини, матеріалів і напівпродуктів
- •5.4 Опис технологічного процесу та схеми
- •5.5 Матеріальний баланс
- •5.6 Щорічні норми витрат всіх видів сировини, матеріалів та енергоресурсів
- •5.7 Щорічні норми утворення відходів виробництва
- •5.8 Норми технологічного режиму
- •5.9 Контроль виробництва і управління технологічним процесом
- •5.10 Можливі неполадки в роботі та способи їх ліквідації
- •5.11 Охорона навколишнього середовища
Тема 12 Організаційна основа нормування забруднення поверхневих вод Практичне заняття 13 (№ зан. 33) – Контрольні задачі з питань оцінки стану природних ґрунтів
Серед підходів і методів моделювання стану навколишнього середовища, які застосовуються для ідентифікації моделей за даними натурних спостережень, найбільшого поширення набули методи самоорганізації, сплайн-апроксимації та ієрархічні моделі експертно-логічних систем прийняття рішень.
Принцип самоорганізації ґрунтується на пошуку моделі оптимальної складності за допомогою перебирання множини моделей-претендентів за зовнішніми критеріями. Мінімум критерію визначає єдину модель оптимальної складності, її структуру й параметри.
В умовах стохастичності зовнішнього середовища, але за наявності деякої детермінованої інформації, моделювання екологічних процесів може здійснюватися на підставі сплайн-функцій, що задають множину залежностей, зумовлену стохастичним параметром середовища.
У разі створення систем моніторингу аналіз стану довкілля та його прогнозування найадекватніше відображається за допомогою ієрархічних експертно-логічних моделей прийняття рішень. Задача математичного моделювання процесів антропогенного впливу на довколишнє середовище полягає у виборі структури та оцінці параметрів рівняння:
Y = F(X),
де Y — вихідний вектор; F — оператор; X — матриця вхідних змінних.
Здебільшого структуру оператора F добирають, вивчаючи фізичні закономірності процесу та формулюючи на цій основі певні гіпотези.
Оцінка параметрів (друга задача) базується на мінімізації функціоналів якості і здійснюється проекційними, ітеративними та проекційно-ітеративними методами.
Методи прямого моделювання складних систем за експериментальними даними грунтуються на використанні принципів евристичної самоорганізації, що вирішують обидві задачі водночас: у процесі виконання алгоритмів методу групового врахування аргументів (МГВА) не тільки визначають структуру оператора, а й оцінюють його параметри.
За цим методом моделі оптимальної складності відповідає мінімум деякого критерію (критерію селекції). Самоорганізація моделей полягає в поступовому їх ускладненні й перебиранні, доки буде знайдено мінімум критерію добору (селекції).
У разі ідентифікації рівняння (2.1) МГВА відтворює схему масової селекції: повний опис об'єкта
y = f(xl,x2,...,xm), (2.2)
де f — деяка невідома функція, замінюється кількома рядами «частинних» описів:
y*1 = f(x1 ,x2), У* 2=f2(x1,х3),..., y*m = fm(xn-1 xn),
які оцінюються й добираються потім за критерієм селекції на другий ряд.
У наступному ряді селекції вихідні змінні попереднього ряду Уи Уі, .... , Ут використовуються як вхідні змінні для частинних моделей цього ряду:
z*1 =g(y1,y2),z *2 =g(yl,y3),..., z *m=g(yn-1,yn).
У результаті в деякому r-му ряді селекції за мінімумом відповідного критерію має місце єдине значення уr, що відповідає дереву розв'язків (рис. 2.1). Усуваючи проміжні змінні, дістають залежності типу (2.2), структуру й параметри яких знаходять під час виконання алгоритму.
Основні алгоритми МГВА Математично структуру алгоритмів самоорганізації можна представити у вигляді алгоритмічного відображення:
А : Yг - 1, -> Yr(Y0 = X), (2.3)
яке переводить на кожному r-му кроці множину Yr -1 векторів r -1-го ряду в Уr — множину векторів г-го ряду.
Тут у jr є Yr— вихідна змінна r-го ряду селекції, тобто
Багаторядний процес зображується у вигляді мережі S, з дугами V k ,ir -1, r і вершинами К j r якої, залежно від цілей моделювання, зіставляються різні дії, функції й критерії, і складається з таких етапів:
• правило утворення підмножин пар вхідних змінних
[y I kr-1,y I mr-1] є Wr-i із вихідної множини Yr - 1
• правило синтезу елементарних операторів
• правило утворення підмножин Yr -1 c Y*r (добір за критерієм селекції);
-
вибір дерева розв'язків за оптимумом критерію селекції у вершинах мережі.
Залежно від наведених правил одержують різні модифікації основного алгоритму МГВА. Так, якщо на множині Yr - 1, утворюється множина пар Wr -1 у вигляді різних комбінацій аргументів [y I kr-1,y I mr-1]» {mk; m,k = 1,...; F), то це відповідає основному алгоритмові МГВА; якщо в кожному ряді селекції Yr-1, містяться також початкові змінні Х(Х с Yr-1), то це характерно для алгоритму з поверненням до стартових змінних; різні алгоритми, залежно від потрібної якості кінцевої моделі, задає оператор селекції, який кожній множині Уr-1, ставить у відповідність його підмножину:
Yr = R(Y * ). (2.5)
Так, відомі модифікації алгоритму самоорганізації, де як критерій селекції використовується мінімум похибки на окремій перевірочній послідовності даних спостережень; можливі варіанти використання критерію незміщеності, коефіцієнта кореляції тощо.
Узагальнений алгоритм МГВА з селекцією проекторів. Для синтезу оператора переходу у jr - f,(yi k r-1 yi m r-1) у вершині K jr мережі S в бага-торядних поліноміальних алгоритмах МГВА реалізується метод найменших квадратів, що геометрично можна зобразити у вигляді операції проектування вектора вихідної величини у на площину аргументів (уi kr-1 уi mr-1), тобто уi r одержують як результат проектування уi r = Pj y деякими операторами Pj(j = 1,... ,S) вихідної величини у на відповідні площини. За даним трактуванням доведено теореми про збіжність основних алгоритмів МГВА на навчальній послідовності даних, а також виникла можливість синтезувати узагальнений алгоритм МГВА, що охоплює, як крайні випадки, два відомі: основний та з послідовним виділенням трендів.
За основним алгоритмом МГВА під час r-го кроку початкова величина у проектується на під простір пари змінних [уi kr-1 уi mr-1] з добором (селекцією) за критерієм мінімуму середньоквадратичної похибки на перевірочній послідовності найрегулярніших (точних) значень yJr+l. При цьому повний опис дістанемо у вигляді (2.2) за рахунок вилучення проміжних змінних із частинних описів (2.4).
За алгоритмом з послідовним виділенням трендів у проектується тільки на першому кроці, а потім проектується залишок r =f—f, на найефективнішу змінну або її підпростір. Має місце наближений опис функції:
f n +1 = Pio y + Pj1]+ ... + PJr r+... + PJnn, (2.6)
де Ріду — проекція у на першому кроці;Pjr Ar — частинний опис (поліном степеня l (0 < l m) за однією змінною); Рj — оператори ортогонального проектування (проектори) на підпростір Lj = {x 0 i, x j i ,..., x m }. єднуючи обидва принципи проектування, наближений опис функції можна одержати у вигляді
fr=P*y + Pioy + Pjoi+...+ PJnn, (2.7)
де Р*у — суперпозиція операторів, що відповідає дереву основного алгоритму
Уjr = Р*у, (2.8)
а інші доданки — проекції залишків, згідно з (2.6), — відповідають алгоритмові з послідовним виділенням трендів.
Рис. 2.2. Дерево розв'язків узагальненого алгоритму МГВЛ
Отже, наближення оператора (2.7) мають вигляд (рис. 2.2):
fr =y i r+ fl ( xil) +…+fk ( x1 k) (2.9)
де y i r — розв'язок, одержаний за основним алгоритмом МГВА; fl ( xil) +…+fk ( x1 k)- значення, знайдені за алгоритмом з послідовним виділенням трендів відносно залишку r = у - y i
Останнім часом, крім поліноміальних алгоритмів МГВА, широко розробляються і знайшли практичне застосування алгоритми об'єктивної кластеризації, самоорганізації математичних моделей для створення систем штучного інтелекту, багаторядні алгоритми кластер-аналізу, які є важливим інструментарієм моделювання й прогнозування стану навколишнього середовища.
Моделювання екологічних процесів на основі ідентифікації сплайн-функцій
Cтохастичні рівняння регресії. Нехай деякий екологічний процес залежить від неконтрольованого параметра , що характеризує природний вплив на даний об'єкт у. Параметр — вимірюваний (наприклад, опади, сонячна радіація тощо), а його значення істотно впливає на детерміновану залежність
v = f(x.a). (2.10)
тобто коефіцієнти рівняння a = a () є функціями стохастичного параметра 0, а процес задається стохастичним рівнянням регресії:
де у — вихідний показник, що залежить від детермінованої змінної х, описується багатопараметричною сім'єю кривих; а() — невідомі коефіцієнти моделі, функції параметра .
Для ідентифікації рівняння (2.11) необхідно на основі аналізу дослідних даних і умов задачі послідовно здійснити:
-
перехід до узагальнених (агрегованих) змінних К = К(х, );
-
ідентифікацію структури й параметрів рівняння
y =f (K) (2.12)
відомими методами (алгоритмами МГВА, сплайн-апроксимацією тощо);
• аналіз адекватності рівняння (2.12) та шляхи його використання й удосконалення.
Визначення сплайн-функцій. Застосування моделей у вигляді сплайн-функцій доречне тоді, коли за змістом процес відображає можливість структурної зміни в різних областях вхідних змінних. Важливим моментом, який істотно впливає на спосіб побудови моделі, є тип переходу з одного режиму на інший. Виділяють дві ситуації. В першій із них модельований процес неперервний і перехід з режиму на режим є гладеньким; у другій ситуації природа екологічного процесу така, що переходи з режиму на режим є стрибкоподібними. Сплайн-функції передбачають плавний перехід.
Використання моделей процесів стану навколишнього середовища у вигляді сплайн-функцій доцільне в ситуаціях, коли досліджується одновимірний випадок (зміна одного показника, зумовлена зміною іншого) і розглядувана залежність не має стрибків і розривів.
Надалі використовуватимемо параболічний сплайн.
Означення. Сіткою називається множина точок осі абсцис
= {К0, Кl ,...,К1}; кожна з (l+ 1) 3 точок Кj, j є [0 ; l]називається вузлом.
Нехай {у0, yі,..., у,} — набір відповідних значень ординат.
Означення. Параболічним сплайном над Д, що інтерполює набір у,
називається функція f (K), така, що:
1) f (K) та її перша похідна неперервна на|K0; Kl];
2) f (K) на даному інтервалі [Kj -1 ,Kj ],j є[1; l] збігається з де-яким многочленом, що не більший другого степеня;
3) f (K)=y1,jє[0;1]
Метод послідовної сплайн-апроксимації. Відповідно до наведеного означення проілюструмо на прикладі метод послідовної сплайн-апроксимації, коли = {К о, К1 К2, К3] (рис. 2.3), а до функції f(K) ставляться такі вимоги:
• в області D3 функція f3(K) — лінійна, що сполучає точки В і А;
• на відрізку D2, коли К є D2, функція f2(K) — квадратична, що плавно в точці В переходить у лінійну f2(К);
• f\(K) у точці С плавно переходить у f2(К);
• точку М можна знаходити з умови, що f1(K) оптимально апрок-симує дані спостережень — точки К(І) в області Dt (за методом найменших квадратів).
Виходячи з вимог до функції f(K), легко побачити, що в області D: f3(K) = 1 при K є [К2, К3] = D3, в області D2 невідомі коефіцієнти функції f2(К) знаходимо з умов
Знайдену в такий спосіб функцію f2(К) можна поширити на область D1 на основі ідентифікації виразу для f1(K). Даний вираз можна знайти з умови спряження в точці К = К1, тобто неперервності сплайн-функції та її першої похідної:
(2.14)
а також із системи умовних рівнянь Гаусса:
b0+b{Кі+b2К2i =(y/ymax)I , Кє D. (2.15)
На основі рівнянь (2.14) визначаються невідомі параметри bо і b1 як функції третього коефіцієнта b2 і підставляються в систему (2.15). Із системи рівнянь (2.15) коефіцієнт b2 знаходять за методом найменших квадратів або за методом середніх.
Запропонований підхід до ідентифікації сплайн-функції можна узагальнити послідовною добудовою сплайна в областях D2, D3 з використанням умовних рівнянь. У деяких випадках, після нанесення на графік точок (у/у mах, K),, значення абсцис і ординат сітки можна встановлювати за графіком, а сплайн-функцію визначати за допомогою тільки теорії інтерполяції.
■ Приклад 2.1. Здобудемо сплайн-функцію залежності відносної врожайності у/у mах від коефіцієнта вологозабезпеченості K кормових буряків.
Як відомо, коефіцієнт вологозабезпеченості характеризує відношення поданих ресурсів на поле за період вегетації (фактична поливна норма х і опади ) до потрібних у даний рік ресурсів ( — дефіцит вологозапасів; — опади).
Підготовка даних для моделювання (табл. 2.1) полягає в розрахунку пар (у/уmаxК)і , спостережуваних у дослідах значень відносної врожайності і коефіцієнта вологозабезпеченості.
З цією метою в кожному досліді даного року знаходять варіант, що забезпечує максимальну врожайність за умов повної (максимальної) вологозабезпеченості.
Таблиця 2.1
Вихідні дані для побудови сплайн-функції залежності врожайності кормових буряків у/у max від коефіцієнта вологозабезпеченості К
У/Уmax |
К |
У/Уmax -1 |
К2 -2К + 1 |
0,53 |
0,40 |
-0,47 |
0,36 |
0,99 |
0,88 |
0,01 |
0,01 |
0,54 |
0,44 |
-0,46 |
0,31 |
У/Уmax |
К |
У/Уmax-1 |
К2 -2К + 1 |
0,53 |
0,42 |
-0,47 |
0,34 |
0,69 |
0,54 |
-0,31 |
0,21 |
0,94 |
0,80 |
-0,06 |
0,04 |
0,88 |
0,72 |
-0,12 |
0,08 |
0,33 |
0,37 |
-0,67 |
0,40 |
0,37 |
0,38 |
-0,60 |
0,38 |
— |
— |
(У/Уmax-1)i=-3.17 |
(K-1)i2=2.25 |
В області D1 = (К : К 0,7} модель має такий самий вигляд, що і в області D2= (К: 0,7 К 1}, оскільки апроксимує з достатньою точністю точки богари.
У загальному випадку f2(К) продовжується в область D1 на основі ідентифікації виразу для f2(К) згідно з умовами (2.14).
Знайдене в даному варіанті значення + є базовим, що використовується в знаменнику в коефіцієнті вологозабезпеченості. Для базового варіанта характерна точка
.
Інші варіанти точок розраховуються порівняно з даним варіантом дослідів, тобто визначаються відношенням
,
де х та у — значення поточних варіантів досліду; + , ymax — значення базового варіанта.
Згідно з умовою, в точці К = 1 значення функції у /уmах = 1, а її похідної {у/у тax))K=І = 0.
Тоді, визначаючи з системи рівнянь
aо+а,+а2=1;
2а2 + а1 = 0
невідомі а0 і а1 та підставивши їх у рівняння
аа+а1К + а2 К2 = у/уmax
дістанемо
Значення а 2 знаходимо за методом середніх, використовуючи дан табл. 2.1 (при К 0,7).
Числові значення описують модель сплайн-функції: