РАЗРАБОТКА МОДЕЛИ ПРОГНОЗИРОВАНИЯ КЛЮЧЕВЫХ ПАРАМЕТРОВ ЗОН ХИМИЧЕСКОГО ЗАРАЖЕНИЯ НА ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТАХ С ИСПОЛЬЗОВАНИЕМ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ : научное издание
Библиографическое описание:РАЗРАБОТКА МОДЕЛИ ПРОГНОЗИРОВАНИЯ КЛЮЧЕВЫХ ПАРАМЕТРОВ ЗОН ХИМИЧЕСКОГО ЗАРАЖЕНИЯ НА ПОТЕНЦИАЛЬНО ОПАСНЫХ ОБЪЕКТАХ С ИСПОЛЬЗОВАНИЕМ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ : научное издание / Я. В. Гребнев, В. Ю. Яровой, А. А. Сержинмаа, А. А. Босоногов. - Текст : непосредственный // Сибирский пожарно-спасательный вестник. - 2026. - № 1. - С. 122-131. - Исследование выполнено за счет гранта Российского научного фонда № 25-21-20088, https://rscf.ru/project/25-21-20088; гранта Красноярского краевого научного фонда. - ISSN 2500-4026, DOI 10.34987/2500-4026-2026-1-122-131.
Аннотация: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.
The article addresses current issues of ensuring safety in industrial areas, using Krasnoyarsk - a major Siberian center with a high concentration of chemically hazardous facilities - as a case study. Particular attention is paid to risks associated with the use of chlorine at water treatment plants, which are classified as hazardous production facilities in accordance with Federal Law No. 116-FZ. An innovative methodology for predicting chemical contamination zone parameters, based on a cascade architecture of deep neural networks and serving as an alternative to traditional approaches under SP 165.1325800.2014, is proposed. The network architecture includes preprocessing modules, a feature encoder, an attention mechanism, and regression heads that process 14 input parameters to calculate the equivalent quantity of the substance, contamination zone depths, and exposure duration for both primary and secondary clouds. The model was trained on 50,000 scenarios using the Monte Carlo method, demonstrating high accuracy (deviations <1%) compared to the "TOXI+Risk" software suite. Validation results for a chlorine leak scenario of 10 tons confirm the model's physical consistency and practical value for emergency response management, damage minimization, and sustainable regional development. The methodology based on the cascade neural network represents a scientifically grounded, accurate, and ultra-fast alternative to regulatory methods. Its integration into the civil defense risk management system of industrialized territories (exemplified by Krasnoyarsk) enables a fundamentally new level of operational efficiency in assessing accident consequences, planning evacuation measures, and minimizing potential damage.
