д-р хим. наук, зав.к афедрой
Dr. Sci. (Chem.), Head of Department
д-р техн. наук, профессор
Dr. Sci.(Eng.), Professor
канд. физ.-мат. наук, ст. науч. сотрудник
Cand. Sci. (Phys.-Math.), Chief Researcher
д-р хим. наук, директор
Dr. Sci. (Chem.), Director
Концентрации мелкодисперсной пыли (РМ10 и РМ2,5) являются важнейшими показателями загрязнения атмосферного воздуха. Для развития системы управления качеством атмосферы были предложены методы расчета концентраций РМ2,5 и РМ10 в приземном слое воздуха на основе искусственных нейронных сетей, входными параметрами которых являются суммарное содержание пыли в воздухе и общераспространённые метеопараметры. Результаты пробного проектирования и обучения нейронных сетей показали отсутствие скрытой взаимосвязи между концентрациями двух фракций мелкодисперсной пыли, следовательно для расчета РМ10 и РМ2,5 должны использоваться отдельные нейросетевые модели. Было показано, что точность моделирования может быть повышена с помощью учета коэффициента химической трансформации, характеризующего способность атмосферы к самоочищению. Спроектированные нейронные сети продемонстрировали высокую точность расчета концентраций РМ10 и РМ2,5.
Concentrations of fine dust (PM10 and PM2.5) are the most important indicators of atmospheric air pollution. For the development of the atmosphere quality management system, the methods for calculating the concentrations of PM2.5 and PM10 in the ground layer of air based on artificial neural networks are proposed, the input parameters of which are the total dust content in the air and the common meteorological parameters. The results of trial design and training of neural networks showed the absence of a hidden relationship between the concentrations of two fractions of fine dust, respectively, for the calculation of PM10 and PM2.5, separate neural network models should be used. It is shown that the accuracy of modeling can be improved by taking into account the coefficient of chemical transformation characterizing the ability of the atmosphere to self-purification. The designed neural networks demonstrated a high accuracy in the calculation of PM10 and PM2.5 concentrations.
The authors declare that there are no conflicts of interest present.