Красноярский край, Россия
сотрудник
Красноярский край, Россия
Красноярский край, Россия
УДК 004.9 Прикладные информационные (компьютерные) технологии
УДК 614.8 Несчастные случаи, их опасность, профилактика и борьба с ними
В статье рассматриваются актуальные проблемы обеспечения безопасности промышленных территорий на примере Красноярска – крупного сибирского центра с высокой концентрацией химически опасных объектов. Особое внимание уделяется рискам, связанным с использованием хлора на станциях водоподготовки, классифицируемых как опасные производственные объекты в соответствии с Федеральным законом № 116-ФЗ. Предлагается инновационная методика прогнозирования параметров зон химического заражения на основе каскадной архитектуры глубоких нейронных сетей, альтернативная традиционным подходам по СП 165.1325800.2014. Архитектура сети включает модули предобработки, кодировщик признаков, механизм внимания и регрессионные головки, обрабатывающие 14 входных параметров для расчета эквивалентного количества вещества, глубины зон и продолжительности воздействия в первичном и вторичном облаках. Модель обучена на 50 000 сценариях методом Монте-Карло, демонстрируя высокую точность (отклонения <1%) по сравнению с программным комплексом «ТОКСИ+Risk». Результаты валидации на сценарии утечки 10 т хлора подтверждают физическую согласованность и практическую ценность для оперативного управления чрезвычайными ситуациями, минимизации ущерба и устойчивого развития региона. Методика на основе каскадной нейронной сети представляет собой научно обоснованную, точную и сверхбыструю альтернативу нормативным методам. Её внедрение в систему управления рисками гражданской обороны промышленно развитых территорий (на примере г. Красноярска) позволяет перейти к принципиально новому уровню оперативности в оценке последствий аварий, планировании эвакуационных мероприятий и минимизации потенциального ущерба.
зона химического заражения, аварийно-химически опасные вещества, прогнозирование последствий аварии, химически опасный объект, управление рисками, моделирование, управление рисками
В современном мире возникновение разнообразных угроз, включая техногенные и природные катастрофы, существенно подрывает стабильность функционирования регионов и государств в целом, препятствуя их устойчивому развитию [1]. Характер и объем рисков напрямую зависят от географического положения населенных пунктов, определяя специфику потенциальных чрезвычайных ситуаций (ЧС) [2-3]. В Сибирском регионе особое место занимает Красноярск — крупный промышленный центр с населением более миллиона человек, где сосредоточены предприятия энергетики, цветной металлургии, машиностроения, химической и пищевой отраслей, производства строительных материалов, деревообработки, транспорта, а также оптовой и розничной торговли. Такая концентрация промышленных объектов неизбежно связана с наличием химически опасных и пожаро-взрывоопасных производств, что требует тщательного учета и управления рисками для минимизации угроз [4-5].
Эффективное управление рисками предполагает предварительную всестороннюю оценку уровня безопасности территорий, включая анализ и моделирование ключевых факторов опасности, разработку мер предупреждения и реагирования. Это позволяет определить приоритетные стратегии снижения вероятности ЧС, оценить их эффективность и экономическую целесообразность. Особую актуальность приобретает обеспечение надежного водоснабжения для крупного города, где требуется значительный объем качественной воды. В России наиболее распространенным подходом к очистке и дезинфекции воды остается хлорирование на специализированных станциях. Для хранения и дозировки хлора на этих объектах используются специальные резервуары — хлораторные установки. Однако на предприятиях с цикличными процессами нередки инциденты, приводящие к утечкам хлора, который представляет серьезную опасность не только для обслуживающего персонала, но и для жителей прилегающих районов [6].
Согласно Федеральному закону № 116-ФЗ «О промышленной безопасности опасных производственных объектов» [7], станции водоподготовки классифицируются как опасные производственные объекты III или IV класса опасности в зависимости от объема хранимого хлора. Эксплуатирующие организации обязаны проводить комплексную оценку рисков для выявления уязвимых звеньев в системе промышленной безопасности и снижения предпосылок к авариям. Перед такой оценкой необходимо изучить физико-химические свойства хлора как токсичного тяжелого газа, его влияние на человеческий организм, возможные последствия отравления и методы защиты. Кроме того, критически важно понимать механизмы рассеивания хлора в атмосфере и наиболее неблагоприятные сценарии его распространения.
Сводом правил «СП 165.1325800.2014 Свод правил. Инженерно-технические мероприятия по гражданской обороне. Актуализированная редакция СНиП 2.01.51-90» [8] определена методика прогнозирования масштабов возможного химического заражения аварийно-химически опасными веществами при авариях на химически опасных объектах и транспорте определено.
Определение эквивалентного количества АХОВ в первичном облаке:
Эквивалентное количество QЭ1, тонн, АХОВ в первичном облаке определяют по формуле:
| QЭ1 = K1K3K5K7Q0 | (1) |
где, K1 - коэффициент, зависящий от условий хранения АХОВ, для сжатых газов K1 = 1;
K3 - коэффициент, равный отношению пороговой токсодозы хлора к пороговой токсодозе другого АХОВ;
K5 - коэффициент, учитывающий степень вертикальной устойчивости атмосферы; для инверсии принимают равным 1, для изотермии - 0,23, для конвекции - 0,08;
K7 - коэффициент, учитывающий влияние температуры воздуха, определяемый по приложению; для сжатых газов K7 = 1;
Q0 - количество выброшенного (разлившегося) при аварии АХОВ, тонн.
Определение эквивалентного количества АХОВ во вторичном облаке:
Эквивалентное количество АХОВ во вторичном облаке рассчитывается по формуле
| (2) |
где, K2 - коэффициент, зависящий от физико-химических свойств АХОВ;
K4 - коэффициент, учитывающий скорость ветра;
K6 - коэффициент, зависящий от времени N, прошедшего после начала аварии;
d - плотность АХОВ, т/м3, определяемая по Приложению В методики;
h - толщина слоя АХОВ, м.
Значение коэффициента K6 определяют после расчета продолжительности T (ч) испарения АХОВ:
 |
(3) |
где, T - продолжительность испарения АХОВ, ч; при T < 1 ч. K6 принимают для 1 ч;
N - время, прошедшее после аварии, ч.
Продолжительность поражающего действия АХОВ:
определяют временем его испарения с площади разлива. Время испарения T, (часов), АХОВ с площади разлива определяют по формуле:
| (4) |
где, h - толщина слоя АХОВ, м;
d - плотность АХОВ, т/м3;
K2, K4, K7 - коэффициенты, учитываемые ранее.
| Гп = Г1 + 0,5Г2 | (5) |
где, Г1 – глубина химического заражения первичным облаком;
Г2 - глубина химического заражения первичным облаком.
Таким образом итоговая формула для прогнозирования представляет собой следующий вид:
| (6) |
где, Г1 – глубина химического заражения первичным облаком;
Г2 – глубина химического заражения первичным облаком;
Степень заражения местности, а также эффективность защитного действия тепловых воздушных завес оценивалась посредством параметра ингалляционной токсодозы, которая описывается следующим уравнением:
| (7) |
где, D – токсодоза;
Для хлора значение летальной
В рамках разработанной методики прогнозирования ключевых параметров зон химического заражения используется каскадная архитектура глубоких нейронных сетей. Эта архитектура представляет собой последовательную систему специализированных блоков, где выходные данные каждого предыдущего модуля служат входом для последующего, образуя эффективный вычислительный конвейер. Такой подход позволяет декомпозировать сложную задачу моделирования распространения аварийно-химически опасных веществ (АХОВ) на более простые подзадачи, решаемые на отдельных уровнях, с последующей агрегацией результатов. Это способствует повышению точности, интерпретируемости и скорости прогноза по сравнению с традиционными методами, регламентированными СП 165.1325800.2014.
Общая структура сети включает четыре основных блока: модуль предобработки и эмбеддинга, кодировщик признаков, механизм внимания и каскадные регрессионные головки. Сеть обрабатывает 14 входных параметров, описывающих физико-химические свойства АХОВ, метеорологические условия и характеристики аварии такие как: количество вещества Q0, плотность d, скорость ветра, степень вертикальной устойчивости атмосферы и др. Выходом являются шесть прогнозируемых значений: эквивалентное количество вещества (Qэ1 и Qэ2), глубина зоны заражения (Г1 и Г2) и продолжительность поражающего действия (Tprimary и Tsecondary) для первичного и вторичного облаков соответственно.
1. Модуль предобработки и эмбеддинга (Блок 1). Этот модуль отвечает за приведение разнородных входных данных к унифицированному формату, подходящему для дальнейшей обработки нейронной сетью. Он включает два подкомпонента:
Входной модуль: представляет собой полносвязный слой с фиксированной размерностью в 14 нейронов, соответствующей количеству входных параметров. Этот слой выполняет первичную трансляцию данных, распределяя их по сети. Числовые параметры такие как: Q0, d, скорость ветра Vwind, толщина слоя h, время после аварии t, подвергаются нормализации с использованием метода StandardScaler, который центрирует данные и масштабирует их (делит на стандартное отклонение), обеспечивая стабильность обучения и сопоставимость признаков.
Модуль эмбеддинга для категориальных признаков: Категориальные параметры, такие как степень вертикальной устойчивости атмосферы (0 — инверсия, 1 — изотермия, 2 — конвекция), не могут обрабатываться в скалярной форме. Этот модуль преобразует их в плотные векторные представления (эмбеддинги) размерностью 8 нейронов. Эмбеддинг осуществляется через специализированный слой, который нелинейно проецирует категориальные значения в многомерное пространство, сохраняя семантическую информацию. Для предобработки категориальных данных применяется one-hot кодирование, создающее бинарные векторы, которые затем преобразуются в эмбеддинги.
На выходе этого блока формируется объединенный вектор: 13 нормализованных непрерывных параметров плюс 8-мерный эмбеддинг категориального признака, готовый для передачи в следующий блок.
2. Кодировщик признаков (Блок 2). Кодировщик — это многослойный перцептрон (MLP), предназначенный для извлечения высокоуровневых абстракций и нелинейных зависимостей из входных данных. Он выявляет скрытые закономерности, такие как взаимодействия между метеорологическими условиями и физико-химическими свойствами АХОВ, которые влияют на формирование зон заражения.
Структура кодировщика организована в три полносвязных слоя с функцией активации ReLU (Rectified Linear Unit) для введения нелинейности:
Первый слой: принимает объединенный вход (13 непрерывных + 8 эмбеддингов = 21 вход) и проецирует его на 128 нейронов. ReLU активирует только положительные значения, способствуя разреженности и предотвращению vanishing gradient.
Второй слой: расширяет представление до 256 нейронов, позволяя захватывать более сложные комбинации признаков. Снова применяется ReLU для усиления выразительной мощности.
Третий слой: сжимает данные обратно до 128 нейронов, снижая избыточность и шум, подготавливая компактный вектор для механизма внимания. Это сжатие помогает в фокусировке на наиболее релевантных особенностях.
Кодировщик поэтапно комбинирует простые признаки в сложные абстракции, делая сеть способной моделировать нелинейные зависимости, не поддающиеся аналитическим формулам традиционных методов.
3. Механизм внимания (Блок 3). Этот блок динамически оценивает значимость каждого из 128 признаков, полученных от кодировщика, адаптируя фокус модели к конкретному сценарию. Механизм внимания позволяет сети игнорировать малозначимые факторы и усиливать релевантные, повышая точность прогноза.
Одноголовый механизм самовнимания (self-attention), обрабатывающий весь вектор признаков одновременно. Он вычисляет весовые коэффициенты для каждого элемента, отражая их вклад в контекст. Выход — взвешенный вектор размерностью 128 нейронов, где информативные компоненты усилены, а шум ослаблен. Это обеспечивает адаптивность в условиях сильного ветра модель может придать больший вес метеорологическим параметрам.
4. Каскадные регрессионные головки (Блок 4). Финальный блок состоит из двух параллельных ветвей (головок), каждая из которых прогнозирует параметры для одной фазы заражения (первичное или вторичное облако). Каскадная организация отражает физическое разделение процессов: первичное облако формируется мгновенно, вторичное — за счет испарения.
Структура каждой головки идентична:
Головка 1 (первичное облако): принимает 128-мерный взвешенный вектор от механизма внимания. Через линейный полносвязный слой (без активации) проецирует его на 3 нейрона, соответствующих Qэ1 (эквивалентное количество), Г1 (глубина зоны) и Tprimary (продолжительность).
Головка 2 (вторичное облако): аналогично прогнозирует Qэ2, Г2 и Tsecondary.
Линейный режим на выходе обеспечивает регрессию количественных значений без искажений. Независимая оптимизация головок минимизирует погрешность, учитывая различия в динамике фаз.
Дополнительные аспекты архитектуры и обучения
Сеть обучена была построена на языке программирования python на датасете из 50 000 сценариев, сгенерированных методом Монте-Карло на основе традиционной методики СП 165.1325800.2014.
Функция потерь — комбинированная: L = α MSE(Qэ) + β MSE(Г) + γ MSE(T) + δ Lphysical, где MSE — среднеквадратичная ошибка, а Lphysical обеспечивает физические ограничения (неотрицательность, сохранение массы, монотонность). Оптимизатор — Adam, сочетающий момент начала распространения облака АХОВ и адаптивный шаг.
Она адаптивна для дообучения на реальных данных и интегрируется с ГИС для визуализации зон заражения. Эта архитектура представляет собой баланс между сложностью и эффективностью, делая нейросеть мощным инструментом для оперативного прогнозирования химических аварий.
В рамках проведения экспериментальных исследований был рассмотрен репрезентативный сценарий аварии с участием хлора, где в качестве исходных данных использовался следующий набор параметров: количество выброшенного аварийно-химически опасного вещества Q равное 10 тоннам, плотность вещества d составляющая 0,1553 тонны на кубический метр, метеорологические условия в виде скорости ветра Vwind равной 3 метрам в секунду и степени вертикальной устойчивости атмосферы стабильной соответствующей значению 1, что означает изотермию, а также временной параметр t составляющий 1 час с момента аварии и толщина слоя вещества h равная 0.05 метра.
Сравнение экспериментальных исследований разработанной модели производилось с программным продуктом ТОКСИ+Risk [9].
Таблица. Сравнение экспериментальных исследований разработанной модели с программным продуктом ТОКСИ+Risk
|
Прогнозируемый параметр |
Нейросетевая модель (Разработанная) |
Методика по СП 165.1325800.2014 («ТОКСИ+Risk») |
Абсолютное отклонение |
Относительное отклонение, % |
|
Эквивалентное количество в первичном облаке (Qэ₁), т |
0.414 |
0.413 |
+0.001 |
+0.24 |
|
Эквивалентное количество во вторичном облаке (Qэ₂), т |
2.112 |
2.108 |
+0.004 |
+0.19 |
|
Глубина зоны заражения первичным облаком (Г₁), км |
1.52 |
1.51 |
+0.01 |
+0.66 |
|
Глубина зоны заражения вторичным облаком (Г₂), км |
4.18 |
4.15 |
+0.03 |
+0.72 |
|
Полная глубина зоны заражения (Гₚ), км |
3.61 |
3.58 |
+0.03 |
+0.84 |
|
Продолжительность поражающего действия (T), ч |
2.85 |
2.87 |
-0.02 |
-0.70 |
Заключение
Данные, представленные в сравнительной таблице, позволяют сделать ряд фундаментальных выводов о работоспособности, точности и практической ценности разработанной каскадной нейронной модели. Прежде всего, следует отметить высокую точность соответствия прогнозных результатов, полученных с использованием модели глубокого обучения, эталонным значениям, рассчитанным по детерминированной методике СП 165.1325800.2014 в программном комплексе «ТОКСИ+Risk». Наблюдаемые относительные отклонения по всем ключевым параметрам — эквивалентному количеству вещества в первичном и вторичном облаках, глубинам зон заражения и продолжительности поражающего действия — не превышают одного процента, что не только визуально демонстрирует почти полное совпадение кривых на графиках, но и формально свидетельствует о чрезвычайно высокой аппроксимационной способности модели. Такая минимальная погрешность находится в пределах допустимой для инженерно-расчетных задач данного класса, что позволяет рассматривать результаты нейросетевого прогноза как статистически неотличимые от результатов строгого нормативного расчета, выполненного в соответствии с действующим сводом правил.
Не менее важным аспектом валидации модели является подтверждение ее физической согласованности, которая проявляется в корректном воспроизведении ею качественных и количественных взаимосвязей, заложенных в физической сущности моделируемого процесса. Так, модель правильно предсказывает, что эквивалентное количество вещества во вторичном облаке (Qэ₂) для сжиженного хлора при заданных условиях будет значимо превышать количество в первичном облаке (Qэ₁), что полностью соответствует механизму формирования вторичного облака за счет длительного испарения разлившейся жидкости. Аналогичным образом, прогнозируемая глубина зоны заражения вторичным облаком (Г₂) закономерно оказывается больше глубины распространения первичного облака (Г₁), что отражает интегральный характер воздействия испаряющегося вещества. Данная внутренняя непротиворечивость прогноза, вытекающая из физических закономерностей, а не просто из статистических закономерностей в данных, служит убедительным доказательством адекватности выбранной каскадной архитектуры и корректности процесса обучения на синтетическом датасете, сгенерированном методом Монте-Карло на основе тех же физических принципов.
Представленные результаты подчеркивают высокую практическую значимость разработанной методики для решения конкретных задач обеспечения безопасности таких промышленно развитых и густонаселенных территорий, как город Красноярск. Учитывая повсеместное наличие на объектах водоснабжения города хлораторных установок, отнесенных к категории химически опасных объектов, внедрение системы на основе предложенной нейросетевой модели в комплекс управления рисками гражданской обороны и чрезвычайных ситуаций позволит перейти к принципиально новому уровню готовности. Становится возможным не только заранее анализировать типовые сценарии, но и в режиме, приближенном к реальному времени, на основе оперативных метеоданных оценивать последствия гипотетической или реально происходящей аварии, мгновенно получая пространственную картину возможного поражения в виде полигонов зон заражения, готовых для наложения на электронную карту. Это, в свою очередь, создает основу для максимально оперативного и точного планирования эвакуационных маршрутов, определения границ оцепления, расстановки сил и средств РСЧС, что в конечном итоге направлено на минимизацию как человеческих жертв, так и социально-экономического ущерба от возможных аварийных выбросов аварийно-химически опасных веществ.
Исследование выполнено за счет гранта Российского научного фонда № 25-21-20088, https://rscf.ru/project/25-21-20088/, гранта Красноярского краевого научного фонда.
1. Природные и техногенные катастрофы: состояние, возможности и перспективы развития клеточных технологий: региональные аспекты. URL: https://cyberleninka.ru/article/n/sostoyanie-vozmozhnosti-i-perspektivy-razvitiya-kletochnyh-tehnologiy-regionalnye-aspekty-1.pdf (дата обращения: 10.12.2025).
2. Поражающие факторы источников чрезвычайных ситуаций, характерных для региона. URL: https://urfu.ru/fileadmin/user_upload/common_files/docs_units/go_i_chs/materialy-podgotovki/tema_1/metodicheskii_material_dlja_zanjatii_po_teme_No1.pdf (дата обращения: 10.11.2025).
3. Классификация и характеристика чрезвычайных ситуаций. URL: https://adm-dausuz.ru/2019/10/5194/ (дата обращения: 10.12.2025).
4. Перечень потенциально опасных объектов, расположенных на территории Красноярского края. URL: http://www.krskstate.ru/dat/bin/art/38450_reqenie_kcs_12_poo_.pdf (дата обращения: 10.11.2025).
5. Красноярский алюминиевый завод: экологический фактор. URL: https://www.sibran.ru/upload/iblock/a50/a50c28fa52b6a9e31fb738f2b7b7f56f.pdf (дата обращения: 10.11.2025).
6. Оценка аварийных рисков опасных объектов, использующих хлор в технологических процессах. URL: https://cyberleninka.ru/article/n/otsenka-avariynyh-riskov-opasnyh-obektov-ispolzuyuschih-hlor-v-tehnologicheskih-protsessah (дата обращения: 10.11.2025).
7. Федеральный закон от 21.07.1997 № 116-ФЗ «О промышленной безопасности опасных производственных объектов» (с изменениями и дополнениями). URL: https://www.consultant.ru/document/cons_doc_LAW_15234/ (дата обращения: 10.11.2025).
8. СП 165.1325800.2014. Инженерно-технические мероприятия по гражданской обороне. Актуализированная редакция СНиП 2.01.51-90. URL: https://docs.cntd.ru/document/1200118578 (дата обращения: 10.11.2025).
9. Программный комплекс TOXI+Risk 5. URL: https://toxi.ru/produkty/programmnyi-kompleks-toxirisk-5 (дата обращения: 10.11.2025).
