Model of monitoring of oil soil pollution and its termination

Cover Page

Abstract


The assessment of impact of oil production economic activities on land pollution in Russia contributes to evolutionary management decision making. Oil industrial pollution affects negatively flora and fauna. Thus, it’s important to identify the level of its exposure and danger, the site of contamination. A system approach is needed. When studying the environment, it’s necessary to consider the presence of risk situations and stochastic irreversible changes. It’s essential to identify the nature and type of soil contamination with petroleum products using high-tech tools, intellectual procedures. The work considers modeling of such situation, forecasting and identification of oil contaminants. The submodel of optimal termination of monitoring is also considered. Ending monitoring of environmental optimization will result in lower monitoring costs, since monitoring oilcontaminated environments is an expensive and complex technological mechanism, often requiring satellite data. The proposed algorithm for modeling and system analysis is based on situational modeling. Evolutionary modeling allows to adapt the procedure (methodology) of forecasting and assessment to environmental risk factors. It increases the accuracy (formalization and evidence) and completeness of conclusions, the efficiency of situation analysis, which affects manageability of risk both for the oil complex and for individual enterprise in the industry. The results of the research may be used for development of software tools, in particular expert and predictive systems. Situational models are needed when oil companies are solving multi-criteria and multifactor problems.


Full Text

Введение

Задача экологической чистоты производственной инфраструктуры хозяйствующих субъектов в добыче нефти, нефтяной промышленности — весьма актуальна. Требования экологических служб, нормативов следует соблюдать, иначе можно столкнуться не только с издержками предприятий, ликвидацией ущерба, но и воздействием вредоносных загрязнителей на население, экологическую среду.

Проблема мониторинга почвенных нефтяных загрязнений актуальна для такой крупной нефтедобывающей страны, как Россия. Дистанционному зондированию почвы, мониторингу и моделированию уделяется много внимания, в т. ч. спутниковому, с применением БПЛА или высокоточных датчиков для облучения поверхности почвы и последующего анализа данных [1—6] и др.

Методы и процессы экологически грамотного функционирования нефтедобывающих и нефтеперерабатывающих предприятий часто сложны, требуют сложно реализуемого (даже если и эффективного) мониторинга для обеспечения экологически допустимых параметров среды. Они ориентированы на общие издержки и общую прибыль (предельные доходы и издержки).

Современный экомониторинг — совокупность высокоинформативных и высокотехнологических и методических мер, процедур организации и проведения наблюдения, оценки (прогноза) текущей ситуации в заданной экосреде.

Цель исследования — изучение состояния, техногенного воздействия, загрязнения (с выявлением причин, источников), ущерба и нагрузки на среду, идентификация параметров и факторов, необходимых для карт (ГИС), например, по аномалиям и ЧС, для оперативного, автоматизированного контроля и классификации типов загрязнения, регистрации и наблюдения.

Материалы и методы исследований

Релевантный инструментарий — прогнозирование и моделирование, не требующее сложного мониторинга, позволяющее управлять системными процессами нефтяного предприятия [7].

Пусть на предприятии нефтедобычи идет загрязнение почвы около рабочей (производственной) территории. Рассмотрим векторы концентраций загрязняющих факторов — x=(x1,x2,...,xn){x=(x_1,x_2,...,x_n)} и воздействия загрязнителей (ПДК) —  y=(y1,y2,...,yn){y=(y_1,y_2,...,y_n)}, причем xiyi{x_i \le y_i}, i=1,2,...,n{i=1,2,...,n}. Учитываем эффективность влияния полютанта на загрязненность:

R=i=1nxiyi,{R= \displaystyle \sum_{i=1}^n \dfrac{x_i}{y_i},}

а также эффект их «суммарного» воздействия — усиления токсических характеристик загрязнения, способность к биоаккумуляции (усиления) или, наоборот, трансформации (ослабления).

Несмотря на прогрессивность применения дистанционных методов, мониторинг на основе даже высокоточного инструментария (например, спутникового зондирования [8]) осложняется высокой стоимостью проведения и избыточностью обрабатываемой информации. Ни от первого, ни от второго фактора избавиться при достаточных критериях качества идентификации загрязнений не удается.

Одним из приемлемых (с точки зрения принятых критериев адекватности и эффективности) решений является инфологическое, технологическое использование Big Data [9], Data Mining [10] и других интеллектуальных систем анализа объемной информации, их селекции по информативности.

Другое решение — математическое, оптимальное прекращение мониторинговых мероприятий, без достижения «уровня нерентабельности мониторинговых исследований». Рассмотрим примеры обоих подходов.

Результаты исследования и обсуждения

Подход, ориентированный на Big Data и Data Mining. При подобном подходе формируем Big Data, используя базы данных, например, загрязнителей (нефть и ее производные — бензин, дизельное топливо, керосин и др.), диапазонов изменений экспериментальных данных и предварительного статистического анализа [11]. Далее работают процедуры Data Mining: извлекается необходимая сигнальная информация, осуществляется нормировка и фильтрация данных, сравнение и анализ реальных сигналов с пороговыми значениями.

Для идентификации типа и вреда конкретного загрязнителя используется релевантное значение a1{a_1} результатов мониторинговых исследований и сравнение его близости к «эталонному» значению a2{a_2}. В качестве меры близости и пространства сходимости можно выбрать различные функционалы и пространства.

Например, для евклидового нормированного пространства можно использовать показатель интенсивности i(a){i(a)} отражения спутникового сигнала от загрязнителя (по Big Data) и аналогичное нормированное значение  I(λ){I(\lambda)} для незагрязненной поверхности, а в качестве метрики —

ρ(a1,a2)= |i(a2)i(a1)- I(a2)I(a1)|.{{\rho(a_1,a_2)} =  | \dfrac{i(a_2)}{i(a_1)} -  \dfrac{I(a_2)}{I(a_1)} |.}

Критерий близости (идентификации) — максимизация минимального (по эталонам базы) значения ρ(a1,a2){\rho(a_1,a_2)}:

F(ai,aj)maxij(minm,k(ρmk(a1,a2))),{{F(a_i,a_j)} \Rightarrow \max_{ij} (\min_{m,k} ({\rho_{mk} (a_1,a_2)})) ,}

где

ρmk(a1,a2)= |im(a2)im(a1)- Ik(a2)Ik(a1)|,{{\rho_{mk} (a_1,a_2)} =  | \dfrac{i^m(a_2)}{i^m(a_1)} -  \dfrac{I^k(a_2)}{I^k(a_1)} |,}

mm — вид нефтепродукта-загрязнителя;  kk — тип загрязняемой почвы.

Кроме вышеприведенного критерия близости загрязнителя к эталонному, отслеживается и критерий инструментальной точности, например, сигнал должен превышать значительно «шумы» («белый шум») измерений (правило «трех сигм»):

im(a2),im(a1),Ik(a2),Ik(a1)>3σ,{ i^m(a_2),i^m(a_1), I^k(a_2),I^k(a_1) > 3\sigma,}

где  σ\sigma — среднеквадратичное значение «шума» регистратора.

Интегрируя оба критерия, можно предложить предикатное тело процедуры идентификации:

1) если пороговые значения I* удовлетворяют условию

|I*(a2)I*(a1)||I(a2)I(a1)|,{ |\dfrac{I^*(a_2)}{I^*(a_1)}| \ge |\dfrac{I(a_2)}{I(a_1)}| ,}

то выбирается решение о загрязнении почвы;

2) если же выполнено условие

|I*(a2)I*(a1)|<|I(a2)I(a1)|,{ |\dfrac{I^*(a_2)}{I^*(a_1)}| < |\dfrac{I(a_2)}{I(a_1)}| ,}

то выбирается решение об отсутствии загрязнения.

Возможны и другие процедуры (критерии выбора решения), в т. ч. для идентификации загрязнения водной поверхности [12, 13].

Проблема прекращения наблюдений и ее решение. Важно определиться: когда и сколько времени проводить мониторинг, особенно с учетом стохастики процесса.

Пусть наблюдения можно описать марковскими цепями, определенными на множестве K={1,2,...,k}{K=\{1,2,...,k\}}, имеющими матрицу переходных вероятностей P=Pij{P=\|P_{ij}\|}, i=1,2,...,k{i=1,2,...,k}. Она определяема статистической обработкой данных. Задаем функции f(i){f(i)} выигрыша, если в состоянии ii прекращаются наблюдения за состоянием среды.

Оптимальное состояние остановки наблюдений удовлетворяет [13, 14] соотношению

v(i)=max{f(i)-c(i)+j=1k Pijv(j)},{ v(i) = max \{f(i) - c(i) + \sum_{j=1}^k  P_{ij} v(j)\},}

где v(i){v(i)} — функция цены (продолжения-остановки), i=1,2,...,k{i=1,2,...,k}.

Данное рекуррентное соотношение может привести к оптимальному состоянию методом последовательных приближений:

v0(i)=f(i),i=1,2,...,k,{ v_0(i) = f(i), i=1,2,...,k,}

vn(i)=max{f(i)-c(i)+j=1k Pijvn-1(j)},{ {v_n(i)} = max \{ {{f(i)} - {c(i)} + \displaystyle \sum_{j=1}^k  P_{ij} {v_{n-1}(j)}}\},}   n1{n \ge 1}.

Эти приближения сходятся, не убывая, к v(i){v(i)}.

Задача эквивалентна задаче линейного программирования:

minvij=1kdivi,{ \min_{v_i} \sum_{j=1}^k d_i v_i,}

vif(i){ v_i \ge f(i) }, vi-c(i)+j=1kPijvi{ v_i \ge -c(i)+\sum_{j=1}^k P_{ij} v_i}, di0{ d_i \ge 0},   iK{ i \in K}.

Пусть c=(c1,c2,...,ck){c=(c_1,c_2,...,c_k)} — вектор стоимостей, фиксированных априори наблюдениями (экспертами). Тогда наблюдению ll соответствует марковская цепь xn(l){x_n^{(l)}} с матрицей переходных вероятностей:

Pn(l)=Pij(l){ P_n^{(l)} = \| P_{ij}^{(l)} \|}i,j=1,2,...,k{i,j=1,2,...,k}, l=1,2,...,L{l=1,2,...,L}.

Если задается функция f(i){f(i)} — выигрыш при остановке наблюдений в состоянии ii, то цена v(i){v(i)}удовлетворяет соотношению

vn(i)=max{f(i),max1lL(-ci+j=1k Pij(l)vn-1(j))},{ {v_n(i)} = max \{ {f(i)}, \max_{1\le l \le L} ({-c_i + \displaystyle \sum_{j=1}^k  P_{ij}^{(l)} {v_{n-1}(j)}} ) \},}   iK{i \in K}, n1{n \ge 1}.

В состояниях из множества

I={i:iE,v(i)=-cl+j=1kPij(l)v(j)}{ I= \{ { i: i \in E, {v(i)} = -c_l + \displaystyle \sum_{j=1}^k P_{ij}^{(l)} {v(j)} } \} }.

следует использовать наблюдение ll-го типа.

Оптимум может находиться по времени или суммарной выгоде (продолжения/ прекращения) наблюдений.

Это аналог задачи оптимизации получения максимального дохода за единицу времени. Можно перебирать поочередно все состояния марковского процесса в качестве начального состояния, сравнивать доходы, выбирать наибольшие (наилучшие) из них. В каждый момент времени решается проблема выбора: продолжать-останавливать наблюдения?

Факторы, влияющие на выигрыш, динамически и стохастически меняются, учитываются в переходных вероятностях при статистическом анализе с использованием технического инструментария конкретного мониторинга [15].

Выводы

В странах с развитым гео- и экомониторингом используют множество ГИС различного назначения и «мощности», электронные карты, компьютерные модели и интеллектуальные системы дистанционного зондирования, динамического картографирования состояния среды. Решаются задачи оптимизации инженерно-технической защиты.

Алгоритмическая структура, логичность мониторинговой системы определяет точность оценок геосреды. Например, используя метод эволюционного стохастического моделирования, можно упростить процедуры обработки данных, повысить оперативность принятия решения. Рассмотрение моделей таких задач — актуальная проблема.

About the authors

Svetlana Evgenievna Germanova

Рeoples’ Friendship University of Russia

Author for correspondence.
Email: germanova-se@rudn.ru
ORCID iD: 0000-0003-2601-6740
6, Miklukho-Maklaya st., Moscow, 117198, Russian Federation

Senior Lecturer, Department of Technospheric Security, Agrarian and Technological Institute

Tatiana Valeryevna Magdeeva

Рeoples’ Friendship University of Russia

Email: dremova-tv@rudn.ru
ORCID iD: 0000-0002-5584-5321
6, Miklukho-Maklaya st., Moscow, 117198, Russian Federation

Senior Lecturer, Department of Technospheric Security, Agrarian and Technological Institute

Vadim Gennadievich Pliushchikov

Рeoples’ Friendship University of Russia

Email: pliushchikov-vg@rudn.ru
ORCID iD: 0000-0003-2057-4602
6, Miklukho-Maklaya st., Moscow, 117198, Russian Federation

Doctor of Agricultural sciences, Professor, Director of Department of Technospheric Security, Agrarian and Technological Institute

References

  1. Trofimov SY, Ammosova YM, Orlov DS. Influence of oil on soil cover and the problem of developing a regulatory framework for the influence of oil pollution on soils. Moscow University Soil Science Bulletin. 2000; (2):30—34. (In Russ).
  2. Kulikov OV. Technogenic oil pollution of soil and water. Burenie i neft’. 2002; (12):24—27. (In Russ).
  3. Deryabin AN, Unguryanu TN, Buzinov RV. Population health risk caused by exposure to chemicals in soils. Health Risk Analysis. 2019; (3):18—25. (In Russ). doi: 10.21668/health.risk/2019.3.02
  4. Germanova SE, Ryzhova TA, Kocheva MV, Fedorova TA, Petukhov NV. Situational modelling of oil pollution risks monitored by distributed monitoring. Amazonia Investiga. 2020;9(25):44—48. (In Russ).
  5. Vasiliev AV, Bykov DE, Pimenov AA. Ecological monitoring of pollution of the soils by oily waste. Izvestia of Samara Scientific Center of the Russian Academy of Sciences. 2015. 17(4):269—272. (In Russ).
  6. Kalitsev DM. The pollution model of the «responsibility» zone of the production infrastructure of an oil and gas industry. Sovremennye nauchnye issledovaniya i razrabotki. 2018; 2(11):290—292. (In Russ).
  7. Gluhova LV, Kaziev VM, Kazieva BV. System rules of financial control and management of innovative business processes of the enterprise. Vestnik Volzhskogo universiteta im. V.N. Tatishcheva. 2018; 2(1):125—133. (In Russ).
  8. Timofeev YM, Berezin IA, Virolainen JA., Makarova MV, Nikitenko AA. Analysis of mesoscale variability of carbon dioxide in the vicinity of Moscow megacity based on satellite data. Current problems in remote sensing of the Earth from space. 2019; 16(4):263—272. (In Russ). doi: 10.21046/2070-7401-2019-16-4-263-270
  9. Chen SH, Yu T. Big data in computational social sciences and humanities: an introduction. In: Chen SH. (ed.) Big Data in Computational Social Science and Humanities. Cham: Springer; 2018. p.1—25. doi: 10.1007/9783-319-95465-3_1
  10. Miheeva TI. Data Mining in geo-information technologies. Vestnik of Samara State Technical University. Technical Sciences Series. 2006; (41):96—99. (In Russ).
  11. Abramov NS, Makarov DA, Talalaev AA, Fralenko VP. Modern methods for intelligent processing of Earth remote sensing data. Program Systems: Theory and Applications. 2018; 9(4):417—442. (In Russ). doi: 10.25209/2079-3316-2018-9-4-417-442
  12. Fedotov DV, Belov ML, Matrosova OA, Gorodnichev VA, Kozintsev VI. Method of detecting oil contamination on water surface based on registration of fluorescent radiation in two narrow spectral ranges. Herald of the Bauman Moscow State Technical University. Series Instrument Engineering. 2010; (2):39—47. (In Russ).
  13. Belov ML, Shteingart AD, Matrosova OA, Gorodnichev VA. Laser fluorescent method for monitoring leaks from petrol pipes based on the neural network algorithm. Science and Education. 2014; (1):5—69. (In Russ). doi: 10.7463/0114.0676410
  14. Fedotov YV, Matrosova OA, Belov ML, Gorodnichev VA. Method of detection of oil pollution on the Earth’s surface based on fluorescence radiation recording within three narrow spectral bands. Atmospheric and oceanic optics. 2013; 26(3):208—212. (In Russ).
  15. Krapivin VF, Mkrtchyan FA. Effectiveness of monitoring systems of detection. Ecological systems and devices. 2002; (6):3—5. (In Russ).

Statistics

Views

Abstract - 80

PDF (Russian) - 27

Cited-By


PlumX

Dimensions


Copyright (c) 2021 Germanova S.E., Magdeeva T.V., Pliushchikov V.G.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies