EUVIMEDEUVIMED entdecken
Crossref

ПОДХОД К ОБРАТНОМУ МОДЕЛИРОВАНИЮ ДЛЯ ЛОКАЛИЗАЦИИ ИСТОЧНИКА ГАЗОВЫХ ВЫБРОСОВ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ РАССЕИВАНИЯ И РЕГРЕССОРА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Ю.В. Царев, А.С. Трохинский

Южно-Сибирский научный вестник · 12.05.2026 · (2(66)) · 11-16

DOI: 10.25699/sssb.2026.66.2.025 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Южно-Сибирский научный вестник, online erschienen am 12.05.2026. Verfasst von Ю.В. Царев und 1 weiteren Autor:innen. Die Arbeit nennt 13 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Предложен гибридный подход к обратному моделированию для локализации точечного источника газовых выбросов на основе интеграции гауссовой модели рассеивания (Gaussian plume model) и полносвязной нейронной сети (MLP). Модель обучается на синтетических данных, генерируемых с учётом случайных положений источника, скорости и направления ветра, а также с добавлением реалистичного шума измерений. Входными признаками служат нормализованные концентрации на регулярной сетке из 16 датчиков, скорость и направление ветра. Для оценки эпистемической неопределённости применяется метод Monte-Carlo Dropout с различными уровнями вероятности выключения нейронов (0.1–0.3). Численные эксперименты показали высокую точность локализации (субсеточная погрешность) и адекватную калибровку неопределённости при p=0.3. В результте моделирования выявлена анизотропия доверительной области, соответствующая физическим особенностям гауссова шлейфа. Разработанный алгоритм реализован на Python с использованием TensorFlow/Keras и, в перспективе, с учетом использования спутникового или наземного мониторинга может применяться в системах оперативного экологического мониторинга и обнаружения аварийных выбросов опасных газов. A hybrid inverse modeling approach for point source localization of gas emissions is proposed. It is based on the integration of a Gaussian plume model and a fully connected neural network (MLP). The model is trained on synthetic data generated taking into account random source positions, wind speed and direction, and the addition of realistic measurement noise. The input features are normalized concentrations on a regular grid of 16 sensors, as well as wind speed and direction. To estimate the epistemic uncertainty, the Monte-Carlo Dropout method with different levels of neuron shutdown probability (0.1–0.3) is applied. Numerical experiments demonstrated high localization accuracy (subgrid error) and adequate uncertainty calibration at p=0.3. The modeling results revealed anisotropy of the confidence region corresponding to the physical properties of a Gaussian plume. The developed algorithm is implemented in Python using TensorFlow/Keras and, in the future, taking into account the use of satellite or ground-based monitoring, can be used in systems for operational environmental monitoring and detection of emergency emissions of hazardous gases.

Zitieren

APA

Царев, Ю., & Трохинский, А. (2026). ПОДХОД К ОБРАТНОМУ МОДЕЛИРОВАНИЮ ДЛЯ ЛОКАЛИЗАЦИИ ИСТОЧНИКА ГАЗОВЫХ ВЫБРОСОВ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ РАССЕИВАНИЯ И РЕГРЕССОРА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ. Южно-Сибирский научный вестник, 11-16. https://doi.org/10.25699/sssb.2026.66.2.025

Vancouver

Царев Ю, Трохинский А. ПОДХОД К ОБРАТНОМУ МОДЕЛИРОВАНИЮ ДЛЯ ЛОКАЛИЗАЦИИ ИСТОЧНИКА ГАЗОВЫХ ВЫБРОСОВ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ РАССЕИВАНИЯ И РЕГРЕССОРА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ. Южно-Сибирский научный вестник. 2026:11-16. doi:10.25699/sssb.2026.66.2.025

BibTeX
@article{2026,
  author = {Царев, Ю.В. and Трохинский, А.С.},
  title = {ПОДХОД К ОБРАТНОМУ МОДЕЛИРОВАНИЮ ДЛЯ ЛОКАЛИЗАЦИИ ИСТОЧНИКА ГАЗОВЫХ ВЫБРОСОВ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ РАССЕИВАНИЯ И РЕГРЕССОРА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ},
  journal = {Южно-Сибирский научный вестник},
  year = {2026},
  number = {2(66)},
  pages = {11--16},
  doi = {10.25699/sssb.2026.66.2.025}
}
Kostenlos starten →