Активное освоение Арктики, которое стало трендом последнего десятилетия стало большим вызовом для хрупкой экосистемы Арктики и требует должного контроля за технологическими процессами на предприятиях, поскольку за последние два года на территории Арктики произошел ряд аварий связанных с розливом нефтепродуктов на почву и водоемы расположенных в этих районах. Применимых мер по обеспечению техносферной безопасности в настоящее время недостаточно, о чем свидетельствуют участившиеся аварийные ситуации и требуется применение современных технологий мониторинга и прогнозирования рисков в целях корректировки планов действия при возникновении ЧС и расчета требуемых сил и средств. Моделирование разлива нефти и нефтепродуктов проводится в целях проведения превентивных мероприятий по предупреждению чрезвычайных ситуаций. Методики оценки площади розлива нефтепродуктов, применяемые в настоящее время, особенно в арктической зоне, имеют ряд ограничений. В настоящей работе выполнено моделирование процесса розлива нефтепродуктов в целях для расчета распределения концентрации загрязняющих веществ и нейросетевое прогнозирование площади загрязнения вплоть до момента ее ликвидации. Для моделирования аварийной ситуации был программный продукт PHOENICS и методика нейросетевого прогнозирования с использованием библиотеки Scikit-Learn на языке программирования python. Результаты моделирования соотносились с данными, полученными при анализе аварии, возникшей из-за разгерметизации трубопровода при перекачке нефти с судна в резервуарный парк на реке Хатанга арктической зоны Красноярского края
чрезвычайная ситуация, нефть, риск, угроза, имитационное моделирование, прогнозирование, нейросетевая модель
1. Москвичёв В.В., Бычков И.В., Потапов В.П., Тасейко О.В., Шокин Ю.И. Информационная система территориального управления рисками развития и безопасностью // Вестник РАН, 2017. - том 87, No8. - с. 696-705. EDN: https://elibrary.ru/ZBBDCH DOI: https://doi.org/10.7868/S0869587317080035
2. Медведева О., Соловьева С. Методика стоимостной оценки ущерба, причиняемого загрязнением атмосферного воздуха / О. Медведева, С. Соловьева // Вопросы оценки. - 2016. - No 4 (86). - С. 2-6. EDN: https://elibrary.ru/XEHNZR
3. Купцов А. И., Гимранов Ф. М. Применение искусственных нейронных сетей для прогнозирования интенсивности испарения аварийной жидкости с поверхности пролива // Вестник технологического университета. 2016. Т. 19, No 24. С. 113-116. EDN: https://elibrary.ru/XDXXBB
4. Москвичёв В.В., Ничепорчук В.В., Потапов В.П., Тасейко О.В., Фалеев М.И. Информационное обеспечение мониторинга и рисков развития социально-природно-техногенных систем // Проблемы анализа риска. - 2018. - Т.15. - No2. - С. 56-77. EDN: https://elibrary.ru/XNSIWD
5. Grebnev Y. V., Moskalev A. K., Vershkov A. V., Gazizulina A. Yu. The practice of connectionist model for predicting forest fires in the Arctic zones of the Krasnoyarsk Territory // International Journal of System Assurance Engineering and Management. 2019. No 5. Pp. 1-9. EDN: https://elibrary.ru/QBVCDN DOI: https://doi.org/10.1007/s13198-019-00786-w
6. Хрулькевич А. Л., Гребнев Я. В., Овсяник А. И. Модель оценки влияния рассеяния хлора при его аварийных выбросах в атмосферу на потенциально-опасном объекте г. Красноярск // Технологии техносферной безопасности. - 2021. - Вып. 4 (94). - С. 105-116. EDN: https://elibrary.ru/MIJJQS DOI: https://doi.org/10.25257/TTS.2021.4.94.105-116
7. Нейроинформатика / А. Н. Горбань [и др.]. - Новосибирск: Наука, СО РАН, 1998.-296 с. EDN: https://elibrary.ru/THUBDT
8. Гребнев Я. В., Яровой А. В. Мониторинг и прогнозирование паводков на территории красноярcкого края использованием нейросетевых алгоритмов // сибирский пожарно-спасательный вестник. 2018. No 3 (10). С. 13-16. EDN: https://elibrary.ru/YLRUBF
9. Official website of Phoenics software [Электронныйресурс] URL: http://www.cham.co.uk/phoenics.php.
10. Python software [Электронныйресурс] URL: https://www.python.org.
