Модель оценки количества и концентрации мелкодисперсионных выбросов вредных веществ от автотранспорта на основе нейросетевых алгоритмов
Автор: Шепелв Владимир Дмитриевич, Слободин Иван Сергеевич, Бауэр Александр Александрович, Смирнов Кирилл Игоревич
Рубрика: Логистика и управление транспортными системами
Статья в выпуске: 4 т.16, 2022 года.
Бесплатный доступ
Транспортный сектор является одним из основных источников выбросов вредных веществ в атмосферу в крупных густонаселенных городах. Твердые частицы (PM) из выхлопных газов автомобилей оказывают сильное воздействие на здоровье человека. Для анализа выбросов выхлопных газов, создаваемых потоками транспортных средств, необходимо использовать специализированные модели выбросов, поскольку невозможно оснастить большую часть дорог специальными устройствами по их измерению. Используемые в настоящее время модели выбросов могут быть неадекватны по отношению к исследуемой конструкции транспортного средства (например, к гибридным транспортным средствам) или могут быть неточными из-за используемого макромасштабирования. В этой статье представлена модель непрерывного мониторинга взвешенных частиц PM2,5 от автотранспорта в режиме реального времени при текущем состоянии дорожного трафика и метеорологических условий. Эта модель построена на основе обучения сверточной нейронной сети YOLOv4, которая обеспечивает непрерывный сбор и наполнение базы больших данных о параметрах дорожного трафика с учетом особенностей транспортной инфраструктуры. На основе больших данных производится расчет концентрации взвешенных веществ в атмосфере и их рассеивание.
Интеллектуальные транспортные системы, нейронные сети, дорожный трафик, концентрация вредных веществ, транспортный поток
Короткий адрес: https://sciup.org/147239416
IDR: 147239416 | DOI: 10.14529/em220419
Список литературы Модель оценки количества и концентрации мелкодисперсионных выбросов вредных веществ от автотранспорта на основе нейросетевых алгоритмов
- Fruin S., Westerdahl D., Sax T., Sioutas C., Fine P.M. Measurements and predictors of on-road ultrafine particle concentrations and associated pollutants in Los Angeles // Atmospheric Environment. 2008. Vol. 42. Issue 2. P. 207-219. DOI: 10.1016/j.atmosenv.2007.09.057
- Khazukov K., Shepelev V., Karpeta T., Shabiev S., Slobodin I., Charbadze I., Alferova I. Real-time Monitoring of Traffic Parameters // Journal of Big Data. 2020. Vol. 7. Issue 1. No. 84. DOI: 10.1186/s40537-020-00358-x
- Barth V.B. de O., Oliveira R., de Oliveira M.A., Nascimento V.E. Vehicle speed monitoring using con-volutional neural networks // IEEE Latin America Transactions. 2019. Vol. 17. Issue 06. P. 1000-1008.
- Zeydan O., Ozturk E. Modeling of PM10 emissions from motor vehicles at signalized intersections and cumulative model validation // Environmental Monitoring and Assessment. 2021. Vol. 193. Issue 9. DOI: 10.1007/s10661-021-09410-6
- Li J., Wu G., Zou N. Investigation of the impacts of signal timing on vehicle emissions at an isolated intersection // Transportation Research Part D: Transport and Environment. 2011. Vol. 16. Issue 5. P. 409-414. DOI: 10.1016/j.trd.2011.03.004
- Saric A., Albinovic S., Krnjic A., Pozder M., Sulejmanovic S., Ljevo Z. Environmental impact of different types of intersections in urban areas // Lecture Notes in Networks and Systems. 2022. Vol. 316. P. 374-386. DOI: 10.1007/978-3-030-90055-7_30
- Zhao H., He R., Jia X. Estimation and analysis of vehicle exhaust emissions at signalized intersections using a car-following model // Sustainability (Switzerland). 2019. Vol. 11. Issue 14. DOI: 10.3390/su11143992
- Lejri D., Can A., Schiper N., Leclercq L. Accounting for traffic speed dynamics when calculating COPERT and PHEM pollutant emissions at the urban scale // Transportation Research Part D: Transport and Environment. 2018. Vol. 63. P. 588-603. DOI: 10.1016/j.trd.2018.06.023
- Baldasano J.M., Gongalves M., Soret A., Jiménez-Guerrero P. Air pollution impacts of speed limitation measures in large cities: The need for improving traffic data in a metropolitan area // Atmospheric Environment. 2010. Vol. 44. P. 2997-3006. DOI: 10.1016/j.atmosenv.2010.05.013
- Spyropoulos G.C., Nastos P.T., Moustris K.P., Chalvatzis K.J. Transportation and air quality perspectives and projections in a mediterranean country, the case of Greece // Land. 2022. Vol. 11. DOI: 10.3390/land11020152
- Zheng X., Yang J. CFD simulations of wind flow and pollutant dispersion in a street canyon with traffic flow: Comparison between RANS and LES // Sustainable Cities and Society. 2021. Vol. 75. DOI: 10.1016/j.scs.2021.103307.
- Zhang Y., Gu Z., Yu C.W. Large eddy simulation of vehicle induced turbulence in an urban street canyon with a new dynamically vehicle-tracking scheme // Aerosol and Air Quality Research. 2017. Vol.17. Issue 3. P. 865-874. DOI: 10.4209/aaqr.2016.05.0204
- Qin Y., Kot S.C. Dispersion of vehicular emission in street canyons, Guangzhou City, South China (P.R.C.) // Atmospheric Environment. 1993. Vol. 27. P. 283-291.
- Pospisil J., Jicha M. Numerical modelling of transient dispersion of air pollution in perpendicular urban street intersection with detail inclusion of traffic dynamics // International Journal of Environment and Pollution. 2019. Vol. 65. P. 71-83. DOI: 10.1504/IJEP.2019.101834.
- ГОСТ Р 56162-2019. Национальный стандарт Российской Федерации. Выбросы загрязняющих веществ в атмосферу. Метод расчета количества выбросов загрязняющих веществ в атмосферу потоками автотранспортных средств на автомобильных дорогах разной категории (утв. и введен в действие Приказом Росстандарта от 17.09.2019 № 694-ст).
- Приказ Министерства природных ресурсов и экологии РФ от 27 ноября 2019 г. № 804 «Об утверждении методики определения выбросов загрязняющих веществ в атмосферный воздух от передвижных источников для проведения сводных расчетов загрязнения атмосферного воздуха».
- Видеонаблюдение в г. Челябинск. URL: https://cams.is74.ru/live (дата обращения 20.09.2022 г.)
- Li F., Gao D., Yang Y., Zhu J. Small target deep convolution recognition algorithm based on improved YOLOv4 // International Journal of Machine Learning and Cybernetics. 2022. DOI: 10.1007/s13042-021-01496-1
- Shreyas Dixit K.G., Chadaga M.G., Savalgimath S.S., Ragavendra Rakshith G., Naveen Kumar M.R. Evaluation and evolution of object detec-tion techniques YOLO and R-CNN // International Journal of Recent Tech-nology and Engineering. 2019. Vol. 8. Issue 3. P. 824-829.
- Приказ Министерства природных ресурсов и экологии РФ от 6 июня 2017 года № 273 «Об утверждении методов расчетов рассеивания выбросов вредных (загрязняющих) веществ в атмосферном воздухе».
- Weather forecasts, nowcasts and history in a fast and elegant way. URL: https://openweathermap.org/
- Государственная регистрация программы для ЭВМ № 2021616978 от 04.05.2021 «Интеллектуальная система мониторинга количества выбросов загрязняющих веществ от автотранспорта в режиме реального времени (AIMS-Eco)». URL: https://www1.fips.ru/ofpstorage/Doc/PrEVM/RUNWPR/000/002/ 021/616/978/2021616978-00001/DOCUMENT.PDF
