Розробка імітаційної моделі моніторингу та управління екологічними ризиками при аваріях з небезпечними вантажами на залізничному транспорті
DOI:
https://doi.org/10.15587/1729-4061.2025.344643Ключові слова:
імітаційна модель, управління екологічним ризиком, невизначеність, небезпечні вантажі, залізничний транспортАнотація
Об’єкт дослідження – процес моніторингу та управління екологічними ризиками при аваріях на залізничному транспорті, що перевозить небезпечні вантажі.
Визначено проблему, яка полягає у відсутності єдиного, цілісного підходу до управління ризиками на транспорті, який би інтегрував методи просторово-часового прогнозування з формальною оцінкою невизначеності. Представлено математичну модель, яка дозволяє здійснювати обробку та аналіз даних, що надходять від мобільної автоматизованої системи моніторингу якості повітря (МАСМКВ). Викладені залежності сформували базу моделі машинного навчання та статистичного аналізу, що використовуються при роботі імітаційної моделі (ІМ) моніторингу та управління екологічними ризиками. Імітаційну модель на відміну від аналогічних розвинено в напрямках:
1) представлення даних і обробки пропусків;
2) побудови ймовірнісних карт ризику з урахуванням невизначеності і калібрування прогнозів стану забруднення навколишнього середовища на місці аварії;
3) адаптації моделі при варіативності даних на місці аварії;
4) багатокритеріальної оптимізації управлінських рішень.
У сукупності викладена у дослідженні імітаційна модель забезпечує особам, які приймають рішення, перспективу не тільки спрогнозувати ймовірність перевищення гранично допустимих концентрацій (ГДК) забруднюючих речовин на залізничній інфраструктурі, але й сформувати довірчі карти ризику. На відміну від аналогічних рішень, розроблена модель є ML-орієнтованою. Тобто, передбачення рівня ризику побудовано в просторово-часовій постановці на графі залізничної мережі з урахуванням даних, що надходять від МАСМКВ. Адекватність моделі підтверджена досягненням показника площі під ROC-кривою (AUC = 0,990), показника PR-аналізу (AP = 0,940)
Посилання
- Jalolova, M., Amirov, L., Askarova, M., Zakhidov, G. (2022). Territorial features of railway transport control mechanisms. Transportation Research Procedia, 63, 2645–2652. https://doi.org/10.1016/j.trpro.2022.06.305
- Yurchenko, O., Strelko, O., Rudiuk, M., Horban, A., Bernatskyi, A. (2023). Forecasting and Modeling of the Consequences of Transport Events During the Transportation of Dangerous Goods by Rail Transport. Smart Technologies in Urban Engineering, 378–389. https://doi.org/10.1007/978-3-031-46874-2_33
- Zaporozhets, O., Katsman, M., Matsiuk, V., Myronenko, V. (2024). Study of the functioning of a multi-component and multi-phase queuing system under the conditions of the implementation of disruptive technologies in air transportation. Reliability: Theory Applications, 19 (2 (78)), 576–593. https://doi.org/10.24412/1932-2321-2024-278-576-593
- Zelenko, Y., Dzhus, O., Dzhus, V., Yanchenko, D. (2019). Methodology of risk assessment and forms of environmental safety management for the transport of dangerous goods by railway transport. MATEC Web of Conferences, 294, 03011. https://doi.org/10.1051/matecconf/201929403011
- Akhmetov, B., Lakhno, V., Blozva, A., Shalabayeva, M., Abuova, A., Skladannyi, P., Sagyndykova, Sh. (2022). Development of a mobile automated air quality monitoring system for use in places of technogenic accidents on railway transport. Journal of Theoretical and Applied Information Technology, 100 (5), 1287–1300. Available at: https://www.jatit.org/volumes/Vol100No5/8Vol100No5.pdf
- Lakhno, V., Shalabayeva, M., Kryvoruchko, O., Desiatko, A., Chubaievskyi, V., Alibiyeva, Z. (2023). Hardware-Software Complex for Predicting the Development of an Ecologically Hazardous Emergency Situation on the Railway. International Journal of Electronics and Telecommunications, 707–712. https://doi.org/10.24425/ijet.2023.147691
- Ditta, A., Figueroa, O., Galindo, G., Yie-Pinedo, R. (2019). A review on research in transportation of hazardous materials. Socio-Economic Planning Sciences, 68, 100665. https://doi.org/10.1016/j.seps.2018.11.002
- Shen, X., Wei, S. (2021). Severity analysis of road transport accidents of hazardous materials with machine learning. Traffic Injury Prevention, 22 (4), 324–329. https://doi.org/10.1080/15389588.2021.1900569
- Vahabzadeh, S., Haghshenas, S. S., Ghoushchi, S. J., Guido, G., Simic, V., Marinkovic, D. (2025). A New Framework For Risk Assessment Of Road Transportation Of Hazardous Substances. Facta Universitatis, Series: Mechanical Engineering. https://doi.org/10.22190/fume240801007v
- Yu, S., Li, Y., Xuan, Z., Li, Y., Li, G. (2022). Real-Time Risk Assessment for Road Transportation of Hazardous Materials Based on GRU-DNN with Multimodal Feature Embedding. Applied Sciences, 12 (21), 11130. https://doi.org/10.3390/app122111130
- Liu, L., Wu, Q., Li, S., Li, Y., Fan, T. (2021). Risk Assessment of Hazmat Road Transportation Considering Environmental Risk under Time-Varying Conditions. International Journal of Environmental Research and Public Health, 18 (18), 9780. https://doi.org/10.3390/ijerph18189780
- Li, Y., Xu, D., Shuai, J. (2020). Real-time risk analysis of road tanker containing flammable liquid based on fuzzy Bayesian network. Process Safety and Environmental Protection, 134, 36–46. https://doi.org/10.1016/j.psep.2019.11.033
- Dong, S., Zhou, J., Ma, C. (2020). Design of a Network Optimization Platform for the Multivehicle Transportation of Hazardous Materials. International Journal of Environmental Research and Public Health, 17 (3), 1104. https://doi.org/10.3390/ijerph17031104
- Ebrahimi, H. (2023). Analyzing the risks associated with railway transportation of hazardous materials and developing process models for railway incidents with high potential for release using machine learning and data analytics. Hadiseh Ebrahimi. https://doi.org/10.7939/r3-d5hg-3937
- Jin, G., Liang, Y., Fang, Y., Shao, Z., Huang, J., Zhang, J., Zheng, Y. (2024). Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey. IEEE Transactions on Knowledge and Data Engineering, 36 (10), 5388–5408. https://doi.org/10.1109/tkde.2023.3333824
- Sahili, Z. A., Awad, M. (2023). Spatio-temporal graph neural networks: A survey. Computer Science: arXiv. https://doi.org/10.48550/arXiv.2301.10569
- Jin, X.-B., Wang, Z.-Y., Kong, J.-L., Bai, Y.-T., Su, T.-L., Ma, H.-J., Chakrabarti, P. (2023). Deep Spatio-Temporal Graph Network with Self-Optimization for Air Quality Prediction. Entropy, 25 (2), 247. https://doi.org/10.3390/e25020247
- Prins, M., O’Connell, T. M., Earthperson, A., Alzahrani, Y. A., Diaconeasa, M. A. (2023). Leveraging Probabilistic Risk Assessment and Machine Learning for Safety and Cost Optimization in HAZMAT Transportation. Volume 13: Research Posters; Safety Engineering, Risk and Reliability Analysis. https://doi.org/10.1115/imece2023-114273
- Hüllermeier, E., Waegeman, W. (2021). Aleatoric and epistemic uncertainty in machine learning: an introduction to concepts and methods. Machine Learning, 110 (3), 457–506. https://doi.org/10.1007/s10994-021-05946-3
- Karagulian, F., Barbiere, M., Kotsev, A., Spinelle, L., Gerboles, M., Lagler, F. et al. (2019). Review of the Performance of Low-Cost Sensors for Air Quality Monitoring. Atmosphere, 10 (9), 506. https://doi.org/10.3390/atmos10090506
- Concas, F., Mineraud, J., Lagerspetz, E., Varjonen, S., Liu, X., Puolamäki, K. et al. (2021). Low-Cost Outdoor Air Quality Monitoring and Sensor Calibration. ACM Transactions on Sensor Networks, 17 (2), 1–44. https://doi.org/10.1145/3446005
- Lin, T.-Y., Goyal, P., Girshick, R., He, K., Dollar, P. (2017). Focal Loss for Dense Object Detection. 2017 IEEE International Conference on Computer Vision (ICCV), 2999–3007. https://doi.org/10.1109/iccv.2017.324
- Abdel-Mooty, M. N., El-Dakhakhni, W., Coulibaly, P. (2022). Data-Driven Community Flood Resilience Prediction. Water, 14 (13), 2120. https://doi.org/10.3390/w14132120
- Hamzah, F. B., Mohd Hamzah, F., Mohd Razali, S. F., Samad, H. (2021). A Comparison of Multiple Imputation Methods for Recovering Missing Data in Hydrological Studies. Civil Engineering Journal, 7 (9), 1608–1619. https://doi.org/10.28991/cej-2021-03091747
- Liu, B., Qi, Z., Gao, L. (2024). Enhanced Air Quality Prediction through Spatio-temporal Feature Sxtraction and Fusion: A Self-tuning Hybrid Approach with GCN and GRU. Water, Air, & Soil Pollution, 235 (8). https://doi.org/10.1007/s11270-024-07346-4
- Chen, Y., Xie, Y., Dang, X., Huang, B., Wu, C., Jiao, D. (2024). Spatiotemporal prediction of carbon emissions using a hybrid deep learning model considering temporal and spatial correlations. Environmental Modelling & Software, 172, 105937. https://doi.org/10.1016/j.envsoft.2023.105937
- Krishnan, R., Shalit, U., Sontag, D. (2017). Structured Inference Networks for Nonlinear State Space Models. Proceedings of the AAAI Conference on Artificial Intelligence, 31 (1). https://doi.org/10.1609/aaai.v31i1.10779
- Li, Y., Yu, R., Shahabi, C., Liu, Y. (2017). Diffusion convolutional recurrent neural network: Data-driven traffic forecasting. arXiv. https://doi.org/10.48550/arXiv.1707.01926
- Akhmetov, B., Lakhno, V., Malyukov, V., Omarov, A., Abuova, K., Issaikin, D., Lakhno, M. (2019). Developing a mathematical model and intellectual decision support system for the distribution of financial resources allocated for the elimination of emergency situations and technogenic accidents on railway transport. Journal of Theoretical and Applied Information Technology, 97 (16), 4401–4411.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Olena Kryvoruchko, Maira Shalabayeva, Svitlana Tsiutsiura, Mykola Tsiutsiura, Valentyna Makoiedova, Valerii Lakhno, Oleksandr Alieksieienko, Yaroslav Shestak, Alina Korchevska
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
