Ученые СФУ предложили метод, позволяющий при помощи самообучающегося искусственного интеллекта проводить регулярный фоновый мониторинг потенциально опасных объектов нефтяной отрасли в Арктике, сообщает пресс-служба вуза.
Хозяйственная деятельность человека в Арктической зоне чревата различными катаклизмами, наносящими урон хрупкой северной экосистеме. Рост количества промышленных объектов по добыче, переработке и хранению нефтепродуктов подразумевает строительство стационарных топливных резервуаров, мониторить состояние которых достаточно сложно из-за удаленности и сложных погодных условий в Арктике.
Чрезвычайная ситуация 2020 года, произошедшая на севере Красноярского края, продемонстрировала острую необходимость в постоянной оценке рисков возникновения аварий. Также, по мнению ученых СФУ, требуется выработать эффективные модели поведения при возникновении аварий на потенциально опасных объектах.
«Основу большинства методик составляют аналитические модели, не учитывающие физику процессов. Мы решили для моделирования аварийного разлива нефтепродуктов на потенциально опасном объекте, расположенном в арктическом регионе Красноярского края, применить нейронные сети», — сообщил доцент кафедры экспериментальной физики и инновационных технологий Института инженерной физики и радиоэлектроники СФУ Александр Москалев.
Ученый подчеркнул, что для обучения нейросети использовались ежедневные оперативные данные по четырнадцати основным векторам признаков, влияющих на скорость распространения аварии. При этом нейросетевое моделирование сценария, по которому произошло аварийное разлитие нефти в 2020 году при разгерметизации одного из топливных резервуаров, с высокой точностью соотносилось с данными реальной ситуации.
А в России сеть мониторинга и хранилища больших данных в зачаточном состоянии.