Tecniche neurali per la modellistica dell'inquinamento atmosferico

Tecniche neurali per la modellistica dell’inquinamento atmosferico
Introduzione 

Per l’identificazione di modelli di inquinanti atmosferici si riportano alcuni risultati di predizione a breve e medio termine riferiti agli inquinanti tipici del ciclo fotolitico dell’azoto, con l’utilizzo pure di tecniche neurali. I risultati ottenuti mostrano una buona capacità delle tecniche neurali anche rispetto a modelli di predizione di tipo autoregressivo. L’uso di reti neuro-Fuzzy ha consentito poi l’estrazione automatica di basi di regole.

L’atmosfera è caratterizzata da un equilibrio di sostanze e gas molto delicato. Normalmente i meccanismi naturali sono in grado di smaltire e riciclare molte delle sostanze dannose per gli esseri viventi, l’insieme dei quali costituisce il cosiddetto “inquinamento naturale”. A questo però si aggiunge l’inquinamento d’origine antropica che è concentrato particolarmente in aree urbane o industriali e non si diffonde nell’intera atmosfera per la presenza di salti termici o di barriere naturali. Ciò comporta un vero e proprio accumulo di sostanze particolarmente nocive in alcune ore del giorno o addirittura in alcune stagioni, fortemente caratterizzato sia dalle condizioni meteorologiche che dalla presenza di inquinanti primari molto reattivi tra di loro. Il presente lavoro, lungi dal voler rappresentare uno studio sui complessi fenomeni di inquinamento dell’aria, per i quali si rimanda a testi specifici sull’argomento [1], si prefigge essenzialmente di focalizzare sull’utilità di impiegare le tecniche neurali per la identificazione di modelli di predizione a breve termine. Tra le numerose possibilità di studio di inquinamento, in questo lavoro si è preso in considerazione la modellizzazione degli inquinanti prodotti dall’alterazione del cosiddetto ciclo fotolitico dell’N02 dovuto alla presenza di idrocarburi (NMHC} rilasciati nell’atmosfera i quali favoriscono l’accumulo di N02 e ozono (03). Com’è noto [1] tale ciclo è caratterizzato dalle seguenti fasi: – l’N02 assorbe energia dal sole sotto forma di luce ultravioletta; – l’energia assorbita scinde le molecole di N02 in molecole di NO e atomi di ossigeno O atomico, molto reattivo; – gli atomi di ossigeno atomico reagisco no con l’ossigeno atmosferico (02) per produrre ozono (03), inquinante secondario; – l’ozono reagisce con l’NO per dare N02 e 02. Se il ciclo avvenisse effettivamente così, l’N02 si convertirebbe in NO per convertirsi nuovamente in N02 senza modifiche nelle concentrazioni dei due composti. Ma gli idrocarburi presenti nell’atmosfera interferiscono nel ciclo permettendo che l’NO si converta più rapidamente in N02 di quanto l’N02 venga dissociato in NO e O, con un conseguente accumulo di N02 ed ozono. La modellistica di fenomeni di inquinamento atmosferico presenta una certa difficoltà a causa delle influenze di numerose variabili esterne (es. temperatura, umidità, direzione e velocità del vento ecc.), della presenza di effetti di tempo varianza e di non linearità che rendono talvolta il processo di identificazione difficoltoso con le tecniche tradizionali. In letteratura si trovano diversi approcci per la modellistica dei fenomeni di inquinamento atmosferico,fondamentalmente riconducibili o all’uso di codici di calcolo basati sull’equazione della diffusione [2] o a metodi d’identificazione parametrica mediante modelli stocastici di tipo ARX o ARMAX. Il primo dei due approcci menzionati richiede la conoscenza di molti dati, spesso non reperibili (ad esempio, concentrazioni degli inquinanti emessi, parametri atmosferici in quota, condizioni al contorno ecc.) che lo rende di difficile applicazione pratica e trova fondamentalmente impiego nella modellizzazione di fenomeni di inquinamento su larga scala. Il secondo degli approcci citati è molto più agevole del primo. Tuttavia a causa della citata complessità dei fenomeni in gioco, la predizione effettuata sulla base di modelli ARX o ARMAX, seppure utilizzando i concetti di ciclostazionarietà e/o adattività, può talvolta risultare poco affidabile. Appare quindi giustificata la ricerca di tecniche di calcolo più innovative, quali appunto quelle neurali che consentano di superare alcune delle difficoltà sopra citate. In questa nota vengono utilizzate delle reti neurali di tipo PMS (Perceptroni Multistrato) per l’identificazione di modelli di predizione delle concentrazioni di inquinanti. Le prestazioni ottenute con questo approccio vengono messe a confronto con quelle dei tradizionali modelli ARX. Viene inoltre considerata l’opportunità di utilizzare delle reti di tipo neuro-fuzzy che com’è noto consentono di descrivere il legame tra le variabili d’ingresso e quelle d’uscita di un assegnato processo mediante un insieme di regole di tipo if…then. Queste ultime risultano molto più espressive dell’insieme dei pesi delle interconnessioni tra i neuroni di una rete neurale di tipo PMS e possono essere utili a vari scopi. Sarà infatti possibile un’analisi dei fenomeni in gioco e un esperto potrà effettuare un’integrazione della base di regole traendo conoscenze dal proprio “bagaglio” o semplicemente effettuare un “tuning” delle regole stesse, analogamente a quanto avviene in taluni sistemi di controllo.

Le reti neurali artificiali

Le reti neurali artificiali (ANNs) sono architetture di calcolo parallelo la cui struttura si ispira al cervello umano. Esse, opportunamente “allenate” su una classe di esempi, sono in grado di “apprendere”, cioè di estrarre il legame che esiste tra i dati ricevuti in ingresso ed i corrispondenti in uscita [3]. Per questa ragione le ANNs possono servire per risolvere problemi di classificazione e più in generale di identificazione black-box, in cui non è necessaria una conoscenza del modello [4]. A ciò si aggiunge che la fase operativa è relativamente semplice e può essere svolta in forma alquanto sistematica. Infatti, la fase d’apprendimento è affidata a particolari algoritmi di ottimizzazione quali ad esempio quello della back-propagation. Le reti neurali che verranno prese in considerazione in questo lavoro sono di due tipi: i perceptroni multistrato (PMS) e le reti neuro-fuzzy. I PMS sono ormai largamente diffusi e pertanto le loro caratteristiche non verranno ricordate in questa sede dove ci si limiterà invece a richiamare alcune nozioni sulle reti neuro-fuzzy…

Angelo Nucifora, Giuseppe Nunnari, Cristian Randieri, Luigi Occhipinti

Automazione e Strumentazione – Settembre 1997  – Anno XLV, pp. 97-104.

Sfoglia il book della pubblicazione

Automazione e strumentazione

A partire dal 1953 Automazione e Strumentazione – Elettronica Industriale  è il punto di riferimento mensile in Italia per tutti coloro che si occupano di sistemi di controllo e gestione dei processi di produzione industriale: dirigenti, responsabili commerciali, buyer, direttori di stabilimento, tecnici, progettisti, system integrator e protagonisti del mondo dell’università e della ricerca. Consultabile anche online, la rivista è l’organo di divulgazione ufficiale di Anipla, Associazione nazionale italiana per l’automazione. Nelle diverse sezioni della rivista trovano spazio notizie relative all’attualità di prodotto e di mercato, focus economici, indagini, approfondimenti tecnologici, speciali tematici e contributi provenienti dalla comunità scientifica.

You must belogged in to post a comment.

Intellisystem Technologies