MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII...

229
MINISTERUL EDUCATIEI, CERCETARII, TINERETULUI SI SPORTULUI UNIVERSITATEA TEHNICA DE CONSTRUCTII BUCURESTI FACULTATEA DE INSTALATII MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII LA DEZVOLTAREA ECHIPAMEN- TELOR DE ACHIZITIE SI PRELUCRARE A DATELOR - TEZA DE DOCTORAT- Conducator stiintific Autor Prof. univ. dr. ing. Ovidiu Centea ing. Nicoleta Popovici (cas. Tanase) Bucuresti 2011

Transcript of MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII...

Page 1: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

MINISTERUL EDUCATIEI, CERCETARII, TINERETULUI SI SPORTULUI UNIVERSITATEA TEHNICA DE CONSTRUCTII BUCURESTI

FACULTATEA DE INSTALATII

MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII LA DEZVOLTAREA ECHIPAMEN-

TELOR DE ACHIZITIE SI PRELUCRARE A DATELOR

- TEZA DE DOCTORAT-

Conducator stiintific Autor Prof. univ. dr. ing. Ovidiu Centea ing. Nicoleta Popovici (cas. Tanase)

Bucuresti 2011

Page 2: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

MULTUMIRI,

Exprim întreaga mea recunostinta conducatorului stiintific, domnului

prof. univ. dr. ing. Ovidiu Centea, care cu competenta, generozitate, întele-

gere si tact mi-a îndrumat activitatea de elaborare a tezei de doctorat.

De asemenea îi multumesc pentru sprijinul constant acordat în clarifi-

carea problemelor teoretice, pentru numeroasele sugestii si sfaturi si pentru

observatiile pertinente asupra întregii lucrari.

Recunostinta mea se îndreapta catre seful de catedra, domnul prof.

univ. dr. ing. Sorin Caluianu, pentru aprecierile, sugestiile si observatiile

aduse continutului lucrari.

Calde multumiri domnului conf. univ. dr. ing. Iulian Nastac, de la

Universitatea Politehnica Bucuresti pentru sprijinul acordat pe parcursul ela-

borarii tezei de doctorat.

Multumesc domnului conf. univ. dr. ing. Viorel Petrehus de la catedra

de matematica pentru sprijinul constant acordat în clarificarea problemelor

teoretice asupra aparatului matematic.

Multumesc de asemenea colegilor mei de catedra, pentru discutiile ex-

trem de utile în definitivarea ideilor continute în teza.

Rezultatele eforturilor din ultimii ani sunt dedicate sotului si fiicei me-

le, pentru întelegerea si sprijinul acordat pe tot parcursul elaborarii tezei.

Page 3: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

5

CUPRINS Pag Cuprins 5 Introducere 9 Partea întâia 1.Generalitati asupra atmosferei 11 1.1. Atmosfera curata 11 1.1.1 Formarea atmosferei 11 1.1.2. Stratificarea atmosferei si dinamica ei 11 1.1.3. Constituentii de baza ai atmosferei 13 1.1.3.1. Azotul 14 1.1.3.2. Oxigenul 15 1.1.3.3. Bioxidul de carbon 16 1.1.3.4. Apa 16 1.2. Atmosfera poluata 17 1.2.1. Definitia poluarii atmosferei 17 1.2.2 Surse de poluare ale atmosferei 17 1.2.2.1. Surse naturale 17 1.2.2.2. Surse artificiale 18 1.2.3. Poluantii atmosferici 19 1.2.4. Efectul de sera 22 1.2.4.1. Gazele cu efect de sera 22 1.2.4.2. Contributia agentilor frigorifici la efectul de sera: freoni (CFC, HCHC, HFC) 22 1.2.4.3. Poluantii reglementati prin protocolul de la Kyoto. Legislatie 24 1.3. Factorii climatici 25 1.4. Modificarile în timp 28 1.5. Modificarile în spatiu, influenta reliefului si topografia zonei 28 1.6. Transformarile fizice ale poluantilor atmosferei 28 1.6.1. Modele de dispersie la scara locala pentru surse de poluare izolate cu emisie continua sau accidentala 29 1.6.1.1. Modelul gaussian de dispersie 29 1.6.1.1.1. Formule utilizate pentru calculul concentratiei 30 1.6.1.1.2. Parametrii meteorologici utilizati în medelul gaussian 31 1.6.1.2. Model de dispersie la scara locala pentru surse de poluare cu emisie accidentala 35 1.6.1.3. Model de dispersie din “noua generatie”, pentru surse de poluare cu emisie variabila în timp 36 1.6.2. Modele lagrangiene si euleriene pentru transportul poluantilor la scara regionala 37 1.6.2.1. Modelele de tip lagrangeian 38 1.6.2.2. Modelele de tip eulerian 39 1.7. Transformarile chimice ale poluantilor 39 1.8. Norme privind calitatea aerului 40

Page 4: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

6

2. Metode si echipamente pentru determinarea compozitiei Atmosferei 41 2.1. Introducere 41 2.2. Metode fizice si echipamente pentru determinarea compozitiei atmosferei 44 2.2.1. Analizoare de gaz prin metoda de absorbtie a radiatiilor 44 2.2.1.1. Masurarea intensitatii relative de absorbtie în infrarosu 46 2.2.1.2. Masurarea absorbtiei în doua benzi de lungime de unda 46 2.2.2. Analizorul de ozon (O3) 48 2.2.3. Analizoare de gaz prin metoda fluorescentei 49 2.2.3.1. Consideratii teoretice ale masurarii SO2 prin fluorescenta la UV 50 2.2.3.2. Analizorul de SO2 prin fluorescenta 52 2.2.4. Analizoare de gaz prin chemiluminiscenta 53 2.2.5. Masurarea prafului în mediul ambiant prin absorbtia radiatiei β 55 2.3. Metode electrochimice si echipamente pentru determinarea compozitiei atmosferei 56 Nota 2.2.1 58 3. Aparate electronice pentru masurarea si controlul calitatii aerului Sisteme de achizitie si prelucrare a datelor privind monitorizarea poluarii atmosferei 59 3.1. Aparate electronice pentru masurarea si controlul calitatii aerului 59 3.1.1. Structura si caracteristice generale ale aparatelor electronice de masura si control 59 3.1.1.1. Structura generala si evolutia AEMC 59 3.1.1.2. Caracteristicile generale ale aparatelor electronice de masura si control a marimilor neelectrice 63 3.1.2. Traductoare de gaz 67 3.1.3. Circuite electronice de prelucrare a semnalului 69 3.1.3.1. Circuite de masurare si adaptare pentru traductoare 69 3.1.3.2. Circuite de amplificare 69 3.1.3.3. Circuite de esantionare si memorare. Multiplexoare si demultiplexoare analogice 71 3.1.3.3.1. Circuite de esantionare si memorare 71 3.1.3.3.2 Multiplexoare si demultiplexoare analogice 72 3.1.3.4. Circuite de conversie analog – numerica (A/N) 73 3.2. Implementarea microprocesoarelor în AEMC 79 3.2.1. Structura aparatelor de masura cu microprocesor 79 3.2.2. Functiile microprocesorului în aparatura de masurare si control 80 3.3. Sisteme clasice de achizi tie si prelucrare a datelor 81 3.3.1. Probleme generale de achizitie de date 81 3.3.2. SAD cu un singur canal 83 3.3.2.1. Sisteme de achizitie utilizând conversia directa 83 3.3.2.2. Sisteme cu preamplificare si conversie directa 83 3.3.2.3. Sisteme utilizând circuite de esantionare si memorare S/H 84 3.3.3. Sisteme de achizitie multicanal 84

Page 5: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

7

3.3.3.1. Sisteme de achizitie cu multiplexarea iesirilor convertoarelor cu un singur canal 84 3.3.3.2. SAD cu multiplexarea intrarilor circuitelor de esantionare si memorare 86 3.3.4. Sisteme integrate de achizitie a datelor 86 3.3.5. Interfata sistemelor de achizitie de date 88 3.4. Sistemul de prelucrare si achizitie a datelor folosit în cadrul retelei de monitorizare a poluantilor la nivelul Municipiului Bucuresti 88 Partea a doua 4. Starea aerului în Municipiul Bucuresti 91 4.1. Sursele de poluare a aerului 91 4.2. Monitorizarea principalilor poluanti ai atmosferei Bucurestiului 93 4.2.1 Descrierea retelei de monitorizarea a poluantilor. Descrierea echipamentelor folosite pentru masurarea poluantilor la nivelul Bucurestiului 93 4.2.2. Studiul poluantilor masurati la statiile de trafic si la statiile industriale 95 4.2.2.1 Statiile de trafic Cercul Militar si Mihai Bravu 95 4.2.2.2. Statiile industriale Berceni, Drumul Taberei si titan 107 5. Analiza temporala a poluarii atmosferei 119 5.1. Corelatie statistica. Descrierea metodei celor mai mici patrate 119 5.2. Corelatii între statii de trafic 122 5.2.1. Corelatie între statiile Cercul Militar si Mihai Bravu masurând bioxidul de azot 122 5.2.2. Corelatie între statiile Cercul Militar si Mihai Bravu masurând pulberile în suspensie PM10 124 5.2.3. Corelatie între statiile Cercul Militar si Mihai Bravu masurând ozonul 126 6. Predictii în poluarea atmosferei 128 6.1. Retele neuronale artificiale (RNA) folosite în predictia poluarii.128 6.1.1. Retele neuronale artificiale – definitie, proprietati 128 6.1.1.1. Neuronul biologic 129 6.1.1.2. Neuronul artificial 130 6.1.1.3. Arhitecturi ale RNA 132 6.1.1.4. Tipuri si algoritmi de instruire 134 6.1.2. Retele neuronale de tip perceptron 137 6.1.2.1. Perceptronul simplu 137 6.1.2.2. RNA Adaline. Algoritmul LMS 138 6.1.2.3. Deducerea regulilor de modificare a ponderilor pentru cazul perceptronului simplu 139 6.1.2.4. Consideratii asupra valorii ratei de învatare (instruire) 140 6.1.2.5. Capacitatea perceptronului simplu 141 6.1.3. RNA de tip perceptron cu mai multe straturi 141 6.1.3.1. Algoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru RNA cu propagare înainte a semnalului 145 6.1.3.3. Fenomenul de generalizare în retelele neuronale 147

Page 6: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

8

6.1.3.4. Eroarea de învatare si eroarea de test 148 6.1.3.5. Analiza Componentelor Principale 149 6.1.3.6. Predictia Adaptiva 151 6.1.3.7. Procesul de antrenare si reantrenare a unei retele neuronal 153 6.1.4. Descrierea retelelor neuronale adaptive cu vectori de întârziere folosite în predictia bioxidului de azot de la statia de trafic Cercul Militar 156 6.1.4.1. Arhitectura RNA adaptive cu vectori de întârziere 157 6.1.4.2. Procedura de reantrenare adaptiva 159 6.1.4.3. Rezultatele experimentale 163 6.2. Predictia bioxidului de azot cu ajutorul modelului ARMA (Auto Regresive Moving Average) 176 6.2.1. Prezentarea modelului 176 6.2.1.1. Principalele concepte pe care se fundamenteaza metodologia Box-Jenkins 177 6.2.1.1.1. Functia de autocorelatie (AC) 177 6.2.1.1.2. Functia de autocorelatie partiala (PAC) 177 6.2.1.1.3. Procese nestationare 178 6.2.2. Etapele elaborarii unui model ARIMA (autoregresiv integrat medie mobila) 178 6.2.3. Utilizarea modelului ARMA în predictia bioxidului de azot 182 7. Concluzii si contributii originale 184 Bibliografie 191 Anexa 1 Depasiri ale valorii limita si ale pragului de alerta pentru CO; NO2, PM10 197 Anexa 2 Rezultatele experimentale obtinute cu RNA cu vectori de întârziere 206 Anexa 3 Rezultatele obtinute cu ajutorul modelului ARMA 227

Page 7: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

9

INTRODUCERE

Teza de doctorat „Monitorizarea poluarii atmosferei. Contributii la dezvoltarea echipamentelor de achizitie si prelucrare a datelor”, propune o noua abordare a prelucra-rii datelor din perspectiva retelelor neuronale adaptive cu vectori de întârziere, realizând un model adaptiv de prognoza folosit în predictia poluarii. Teza este o lucrare despre masurari, despre aprecieri cantitative ale poluarii aeru-lui cu ajutorul unor aparate electronice de masurare si control. Pornind de la acesta premiza, mi-am pus problema: Ce se masoara?, De ce se ma-soara?, Unde se masoara?, Când se masoara?, Cum se masoara?, Cum se prelucreaza da-tele? Cum se interpreteaza datele? Raspunsul la aceste întrebari este dat în cele sase capi-tole ale tezei de doctorat. Teza de doctorat este structurata în doua parti si anume: partea întâia cuprinde capitolele unu, doi si trei, iar partea a doua cuprinde capitolele patru, cinci, sase si sapte. Din teza mai fac parte trei anexe si o lista bibliografica. Capitolul 1 intitulat „Generalitatii asupra atmosferei” prezinta stadiul actual a poluarii, principalele sursele de poluare si cei mai importanti poluanti ai atmosferei. Sunt prezentate gazele cu efect de sera si agentii frigorifici care contribuie la efectul de sera. În ultima parte a capitolului se face o trecere în revista a factorilor determinanti ai calitatii aerului atmosferic si se trateaza principalele modele matematice folosite in dispersia po-luantilor. Capitolul 2 intitulat „Metode si echipamente pentru determinarea compozitiei at-mosferei”, propune o clasificare a metodelor pentru controlul si supravegherea calitatii aerului dupa principiile folosite în masurare, dupa forma de prelevare si analiza a gazelor, dupa forma de prezentare a rezultatelor analizei, dupa durata si frecventa determinarilor, dupa locul de analiza a mostrelor, punând un accent deosebit pe metodele fizice. Echipa-mentele folosite pentru determinarea compozitiei atmosferei, se numesc analizoare. Ana-lizoarele folosite în prezent pentru determinarea concentratiilor de gaze atmosferici sunt realizate pe principii fizice. Aceste analizoare sunt realizate pe baza diferitelor proprietati ale substantelor gazoase. Sunt descrise analizoarele de gaz prin metoda de absorbtie a ra-diatiilor, este descris analizorul de ozon prin fotometrie în ultraviolet, este de asemenea descris analizorul de bioxid de sulf prin fluorescenta în UV, este prezentat analizorul de oxizii de azot prin chimiluminescenta. Spre sfârsitul capitolului sunt trecute în revista metodele electrochimice si echipamentele realizate pe baza acestor metode. Capitolul 3 intitulat „Aparate electronice pentru masurarea si controlul calitatii aerulu. Sisteme de achizitie si prelucrare a datelor privind monitorizarea poluarii atmos-ferei”, trateaza în prima parte, aparatele electronice pentru masurarea si controlul calitatii aerului, caracteristicile generale ale aparatelor electronice, traductoarele de gaz, circuitele electronice de prelucrare a semnalului, circuitele de esantionare si memorare, multiple-xoarele si demultiplexoarele analogice, ciuruitele de conversie analog-numerica. În ulti-ma parte a capitolului sunt tratate sistemele clasice de achizitie si prelucrare a datelor, prezentând SAD cu un singur canal, SAD multicanal, sisteme integrate de achizitie a da-telor. Este de asemenea prezentat sistemul de achizitie al datelor pentru reteaua de moni-torizarea a calitatii aerului la nivelul orasului Bucuresti. Capitolul 4 intitulat „Starea aerului în Municipiul Bucuresti”, propune un studiu al poluarii acestui oras, prin identificarea principalele sursele de poluare si identificarea

Page 8: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

10

principalilor poluanti. În cadrul capitolului este descrisa reteaua de monitorizare a polu-antilor care este formata din opt statii de monitorizare, amplasate pe teritoriul orasului si în apropierea acestuia. Poluanti monitorizati în cadrul retelei sunt: bioxid de sulf, oxizii de azot, monoxid de carbon, ozon, benzen, particulele de praf cu diametrul PM10 si PM 2,5, plumb. În afara monitorizarii poluantilor, în cadrul fiecarei statii sunt masurati si pa-rametrii meteorologici. În urma studiul facut am constat ca poluarea aerului în orasul Bu-curesti este destul de îngrijoratoare. Poluantii la care se înregistreaza depasiri frecvente a valori limita si a pragului de alerta sunt bioxidul de azot si pulberile în suspensie PM10. Mediile anuale depasesc valoarea limita pentru pulberile în suspensie la aproape toate statiile, dar valorile cele mai mari ale acestor medii se înregistreaza la statiile de trafic. Depasirea mediei anuale peste valoarea limita se înregistreaza si în cazul bioxidului de azot provenit de la statiile de trafic. Principala sursa de poluare în Bucuresti o constituie traficul auto. Capitolul 5 intitulat „Analiza temporala a poluarii atmosferei”, propune stabilirea unor corelatii liniare între statiile de trafic Cercul Militar si Mihai Bravu, masurând ace-lasi poluant. Cercetarea realizata în cadrul acestui capitol are la baza studiul realizat în capitolului 4. Gasirea corelatiilor liniare între aceste statii masurând acelasi poluant (bio-xidul de azot, pulberile în suspensie PM10 si ozonul) s-a realizat cu ajutorul programului TabCurve creat pe principiul metodei celor mai mici patrate. Scopul gasirii acestor core-latii sta la baza idei de a estima poluare într-o intersectie similara, fara a mai masura po-luantii. Capitolul 6 intitulat „Predictii în poluare atmosferei”, propune un model adaptiv de prognoza, care foloseste retelele neuronale adaptive cu vectori de întârziere si care predicteaza evolutia bioxidului de azot (de la statia de trafic Cercul Militar) cu o anticipa-re impusa variind între o ora si sapte ore. Simularile au fost facute folosind pachetul Matlab specializat pentru lucrul cu retelele neuronale. În cadrul capitolului am realizat mai multe retele neuronale adaptive cu vectori de întârziere folosind diferite combinatii ale vectorilor de întârziere. Au rezultat un numar de noua retele neuronale notate cu RN1…RN9, care au folosit la intrare 21 de marimi si la iesire au avut bioxidul de azot. Marimile de intrare folosite sunt timpul, poluantii monitorizati si datele meteo. Cele mai bune rezultate le-am obtinut pentru RN5 (reteaua care predicteaza evolutia bioxidului de azot pentru un interval de timp de trei ore). Pentru retelele neuronale RN3 si RN5, am folosit aceeasi combinatie a vectorilor de întârziere dar am redus numarul de intrari de la 21 la 11, iesirea ramânând aceeasi, bioxidul de azot. În continuarea capitolului am utilizat modelul ARMA (folosit în prelucrarea statistica a seriilor de timp), pentru a prezice va-loarea bioxidului azot tot de la statia Cercul Militar. În final am comparat rezultatele ob-tinute cu cele doua modele. Capitolul 7 intitulat „Concluzii si contributii personale”, este un cuprins al con-cluziilor asupra domeniul abordat si asupra contributiilor personale. Sunt punctate, de asemenea, perspective de dezvoltare a ideilor sustinute în teza.

Page 9: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

11

PARTEA ÎNTÂIA 1. Generalitati asupra atmosferei 1.1. Atmosfera curata 1.1.1 Formarea atmosferei Atmosfera este un cuvânt compus de origine greaca (athmos = aer si spherein = sfera, învelis), care desemneaza învelisul de aer al Pamântului. Atmosfera planetei noas-tre ar trebui sa fie 100% gazoasa, dar ea contine si urme de substante solide si lichide, prezente în stare fin divizata. Atmosfera de astazi a Pamântului contine azot (sau nitrogen) bimolecular ( 2N ) în proportie de aproape 4/5 (78,2 %), oxigen bimolecular ( 2O ) (20,5 %), argon ( )Ar , (0,92 %), bioxid de carbon ( )2CO (0,03 %), ozon ( 3O ) si alte gaze, praf, fum, alte particule în suspensie etc. Compozitia atmosferei s-a schimbat de-a lungul celor aproximativ 2,5 - 2,8 mili-arde de ani de când exista, de la o atmosfera primitiva la cea actuala, trecând prin mai multe faze intermediare, în decursul carora atmosfera si-a schimbat nu numai compozitia chimica, dar si alte caracteristici precum ar fi densitatea, grosimea, transparenta etc. Eta-pele de formare a atmosferei sunt legate de compozitia chimica a ei, prin aceasta influen-tând procesele climatice. Procesul de racire lenta a pamântului si activitatea vulcanica aduce gaze la suprafata pamântului. În urma acestor procese a luat nastere o atmosfera cu o compozitie de 80% vapori de apa ( OH 2 ), 10% bioxid de carbon ( 2CO ) si pâna la 5 - 7% din hidrogen sulfurat ( )SH 2 . Aceasta combinatie de gaze poate fi si azi întâlnita la emanatiile si eruptiile vul-canice. Gazele mai usoare ca hidrogenul si heliul urca în straturile superioare ale atmosfe-rei, pe când gazele mai grele ca bioxidul de carbon se dizolva în mare parte în apa ocea-nelor. Azotul inert din punct de vedere chimic ramâne neschimbat în atmosfera, fiind îna-inte cu circa 3,4 miliarde de ani partea componenta cea mai importanta a atmosferei. Oxigenul care joaca si azi un rol deosebit de important în evolutia vietii pe pamânt, i-a nastere acum 3,5 miliarde de ani, prin activitatea de fotosinteza a bacteriilor. Oxigenul format se dizolva în mare parte în apa oceanelor oxidând metalele feroase. O parte din oxigen formeaza stratul de ozon prin ionizare. Atmosfera actuala s-a format ca urmare a unui proces îndelungat însotit si de evo-lutia hidrosferei, litosferei si biosferei. 1.1.2. Stratificarea atmosferei si dinamica ei Stratificarea atmosferei Atmosfera constituie un compartiment esential al ecosferei. Stratificatia sa, res-pectiv proprietatile fizico – chimice, conditioneaza fluxul solar care vine în contact cu suprafata ecosistemelor terestre si acvatice. Absorbtia unei fractiuni, variabile de altfel, a fluxului solar, sta la originea miscarii marilor mase de aer, care conditioneaza clima si în parte anotimpurile globului terestru. Stratificarea componentelor atmosferei este conditionata de variatiile ei termice si acestea în functie de altitudine (fig. 1.1).

Troposfera [P3] este stratul inferior al atmosferei, ocupa nivelul situat imediat deasupra Oceanului Planetar si are o înaltime de circa 12 km. Este zona cea mai densa a

Page 10: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

12

atmosferei, întrucât jumatate din masa totala a acesteia este situata sub circa 5 km altitu-dine.

Fig. 1.1 Stratificarea atmosferei Tropopauza este limita superioara a troposferei, se afla între 5 si 12 km altitudine. Temperatura descreste odata cu înaltimea. În troposfera se întâlnesc cele mai pu-ternice miscari ale maselor de aer pe orizontala si pe verticala; în troposfera au loc toate fenomenele meteorologice, aici regasindu-se si toate formatiunile noroase. Deasupra tropopauzei se afla stratosfera, în care temperatura creste odata cu alti-tudinea. În stratosfera paturile de aer prezinta o stratificatie regulata. Schimbarile pe ver-ticala, sunt foarte lente sau absente, ceea ce face ca un poluant ajuns în stratosfera (gaze toxice, particule radioactive etc.) sa se localizeze pentru foarte mult timp. Nivelul supra-fetei superioare a stratosferei nu depaseste limita de circa 40 km de la sol. Stratopauza se gaseste la limita superioara a stratosferei, pâna la altitudinea de circa 45 km. Mezosfera se afla deasupra stratopauzei. Temperatura de la C00 în stratosfera, ajunge la C090− la partea superioara a mezopauzei, circa 80 km de la sol. Deasupra mezopauzei se afla termosfera care, la 1000 km altitudine, are o tempe-ratura de C01400 , datorita absorbtiei radiatiilor si a razelor ultraviolete emise de soare. Spatiul atmosferei cuprins între 80 si 600 km se numeste ionosfera. Ultimul strat al atmosferei este magnetosfera, în care densitatea microorganisme-lor este foarte mica (de 1000 de ori mai mica decât cea din troposfera). Dinamica atmosferei Dinamica atmosferei este caracterizata de doua componente de baza si anume miscarea si stabilitatea, a caror existenta depinde de prezenta curentilor atmosferici de-numiti si vânturi. Vânturile din atmosfera sunt determinate de cinci forte si anume: forte

Altitudinea (km)

100

80

45

40

12

5

0

-1400 0 1400 Temp. (O C)

TERMOSFERA

MEZOPAUZA

MEZOSFERA

STRATOSFERA

TROPOPAUZA

TROPOSFERA

STRATOPAUZA

Page 11: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

13

gravitationale, fortele gradientului de presiune, fortele Coriolios datorate miscarii de rota-tie a pamântului, forte centrifugale, forte de frecare [I2]. De obicei se realizeaza un echilibru între doua sau trei dintre aceste forte, conside-rate principale, celelalte având o importanta mai mica. În atmosfera libera sunt considera-te principale fortele gradientului de presiune si fortele Coriolis, la care fluxurile sunt pa-ralele cu izobarele, iar în apropierea suprafetei terestre devin mai importante fortele gra-dientului de presiune. Astfel vânturile sunt considerabil influentate de modificarile de re-lief, cladirile singulare, configuratia strazilor si regimul de înaltime. Fenomenele de miscare în plan orizontal sunt completate de miscari verticale un-de rolul cel mai important îl are gradientul de temperatura. Modelarea matematica prece-data de teste în tunelul aerodinamic sunt metodele utilizate pentru studiul si prevederea comportarii curentilor de aer din atmosfera. 1.1.3. Constituentii de baza ai atmosferei Aerul este un amestec alcatuit din circa 1/5 O2 si 4/5 N. Alte componente ale ae-rului sunt gaze rare, apoi cantitati mici de 2CO si vapori de apa, în proportie diferita, dupa localitati (aerul din vecinatatea unei ape este mai bogat în vapori de apa, dupa cum cel de lânga centralele industriale este mai bogat în 2CO ). Aerul mai poate contine si cantitati variabile de praf, urme de 2SO si de hidrogen sulfurat, bacterii etc. Aerul pur este fara miros, fara gust, fara culoare si transparent. Privit în strat gros el apare albastru. Aerul uscat este rau conducator de caldura si electricitate. El poate fi lichefiat prin racire la o temperatura foarte joasa. Din cauza temperaturii de fierbere foarte joase a componentelor, aerul lichid lasat descoperit se evapora violent. Substantele tinute în aer lichid îsi pierd brusc unele proprietati. Proprietatile chimice si biologice ale aerului sunt cele ale gazelor din care este format. Rolul principal îl are 2O care îsi pastreaza în amestec toate proprietatile lui, mo-derate în masura diluarii sale cu 2N . Rolul secundar îl detine 2N , care este necesar vege-tatiei. În al treilea rând vine 2CO , care are si el un rol în nutritia plantelor. Vaporii de apa pastreaza conditiile de umiditate pentru viata animalelor si vegetalelor. Microorganismele care se gasesc în aer determina descompunerea materiilor organice, transformâ ndu-le în

2CO , OH 2 si amoniac (proces numit fermentatie). Aerul serveste la respiratia animalelor si plantelor, datorita 2O si 2CO pe care le contine. Unele plante si bacterii folosesc chiar si azotul din aer. Aerul are însa si însem-nate întrebuintari industriale: el este materie prima a multor ramuri din industria chimica. Astfel, aerul se foloseste în mod curent pentru prepararea 2O si a 2N , cum si a gazelor rare, la prepararea unor oxizi ca miniul (un oxid de plumb), albul de zinc (oxid de zinc) etc, la pregatirea unor minereuri cu sulf ca, de exemplu, pirita, din care se obtin cantitati mari de bioxid de sulf, materie prima pentru prepararea acidului sulfuric. În siderurgie si în metalurgia cuprului se folosesc de asemenea cantitati importante de aer. Întretinând arderea datorita oxigenului pe care-l contine, aerul constituie un factor important la ilu-minat si încalzit. În tabelul nr.1;1 este indicata compozitia aerului uscat, iar în tabelul 1;2 sunt prezentati componentii naturali gazosi ai atmosferei.

Page 12: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

14

Tab. 1;1 Compozitia aerului uscat Constituentul % de masa: % de volum: Oxigen (O2) 23,01 20,93 Azot (N2) 75,51 78,10 Argon (Ar) 1,286 0,9325 Dioxid de carbon (CO2) 0,04 0,03 Hidrogen (H2) 0,001 0,01 Neon (Ne) 0,0012 0,0018 Heliu (He) 0,00007 0,0005 Kripton (Kr) 0,0003 0,0001 Xenon (Xe) 0,00004 0,000009

Tab. 1;2 Componentii naturali gazosi ai atmosferei Componentul Concentratie Denumire Simbol % vol ppm ppb Azot N2 78,1 Oxigen O2 20,9 Argon Ar 0,0934 Bioxid de carbon CO2 0,0330 330 Neon Ne 20 Heliu He 5 Metan CH4 2 Kripton Kr 1 Hidrogen H2 0,5 500 Protoxid de azot N2O 300 Monoxid de carbon CO 100 Xenon Xe 90 Ozon O3 40 Dioxid de azot NO2 20 Amoniac NH3 6 Bioxid de sulf SO2 2 CH3Cl 0,5 Clorometilena C2H4 0,2 Tetraclorura de carbon CCl4 0,1 Tricloroflorcarbonul CCl3F 0,1

ppm – parti per milion, ppb- parti per miliard 1.1.3.1. Azotul Azotul este foarte raspândit în natura, alcatuind 78% volum din atmosfera. Azotul se întâlneste în natura si sub forma de combinatii ca de exemplu azotatul de potasiu si azotatul de sodiu. Deoarece face parte din compozitia proteinelor, azotul este un compo-nent indispensabil organismelor vii. Azotul este un gaz incolor, fara miros , mai usor decât aerul ( 396,0

2

−⋅= cmgNρ ).

În apa se dizolva mai putin decât oxigenul (la C00 , 1 l apa dizolva 23,2 ml 2N ). Azotul

Page 13: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

15

nu întretine arderea si deci nici viata; din aceasta cauza poarta numele de azot (de la cu-vântul grecesc azotos = fara viata). Vechea lui denumire este nitrum, adica generator de nitru (silitra); de aceea i se mai spune si nitrogen, iar simbolul lui a ramas N. Rolul azotului în natura este deosebit de mare. El intra în compozitia aminoacizi-lor – care constituie molecule complexe de proteine, acizi nucleici, protoplasma, formoni – a clorofilei si hemoglobinei, a unor vitamine, alcaloizi, fosfatide etc. Pentru dezvoltarea lor, plantele necesita cantitati mari de azot, fosfor, potasiu, calciu (ca macroelemente), precum si cantitati foarte mici de magneziu, fier, sulf, man-gan, molibden, zinc, cobalt, cupru, bor etc. (ca microelemente). Pe lânga cantitatile necesare, hotarâtor pentru dezvoltarea plantelor este si rapor-tul dintre substante, în special raportul N:P:K (azot, fosfor, potasiu). Daca unul dintre aceste elemente nu se încadreaza în raportul cerut, dezvoltarea plantei sufera, chiar daca celelalte elemente se gasesc în exces. Astfel, lipsa unei cantitati corespunzatoare de azot determina la plante o reducere a cresterii radacinii, tulpini si frunzelor; semintele si fruc-tele apar prea timpuriu si nu sunt dezvoltate. Plantele nu pot asimila direct azotul din aer; ele îl extrag din sol, care îl contine sub forma de amoniac, saruri de amoniu sau azotati, combinatii solubile care pot fi absor-bite cu usurinta de radacinile plantelor. Pe calea unor procese complicate care se petrec în organismele plantelor, compusii cu azot mentionati sunt transformati în proteine si alti compusi derivati. Animalele si omul nu pot asimila nici ei azotul din aer sau sub forma de compusi minerali, ci odata cu hrana lor îl primesc sub forma sintetizata de plante. În organismele animale compusii cu azot sufera diferite transformari si degradari. O parte din azot este eliminat prin excremente si urina. Urina contine uree ( )23NHCO care, sub influenta unei enzime, ureaza, reactioneaza cu apa si trece în 3NH si 2CO . În sol, amoniacul este trecut în saruri de amoniu sau oxidat de bacterii de nitrificare la azotati. Pe de alta parte, dupa moartea plantelor si animalelor, prin putrezire, azotul conti-nut în organismele lor revine în sol sub influenta bacteriilor de desaminare. 1.1.3.2. Oxigenul Oxigenul elementar apare în doua stari alotropice: oxigenul diatomic, obisnuit, O2 (dioxigenul), si oxigenul triatomic sau ozonul, O3 (trioxigenul). Aceste modificatii alo-tropice, se deosebesc, deci prin numarul de atomi din molecule. Oxigenul este cel mai raspândit element din natura; el reprezinta circa 50% din litosfera, hidrosfera si atmosfera. În stare libera, oxigenul se gaseste în aerul atmosferic, constituind a cincea parte din acesta (20,9% în volume, respectiv 23% în masa); în straturile superioare ale atmosfe-rei (peste 60 km înaltime) acest procent este mai scazut. Cea mai mare cantitate de oxigen din natura se gaseste însa sub forma de combi-natii astfel, numai în apa, el se gaseste în proportie de 88,81% (în masa). De asemenea, majoritatea mineralelor contin oxigen în compozitia lor, el alcatuind 47% (în masa) din litosfera. Oxigenul este un component al organismelor vii. În natura exista un continuu consum de oxigen, datorat proceselor de respiratie animala, putrefactiilor si, mai ales, in-dustriei, care consuma cantitati enorme de aer pentru combustie. Aceasta ar trebui sa du-ca la o permanenta scadere a procentului de oxigen din aer si la o crestere a continutului

Page 14: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

16

de bioxid de carbon. Pierderea este însa compensata prin punerea în libertate a oxigenului din bioxidul de carbon, în urma procesului de asimilatie clorofiliana a plantelor, prin ac-tiunea luminii solare. Prin aceasta se mentine un circuit al oxigenului în natura. Oxigenul este un gaz fara miros si fara gust. În strat subtire este incolor, în strat mai gros este albastru. Este de 1,1 ori mai greu decât aerul. Oxigenul se dizolva în apa, desi în cantitate mica (solubilitatea la 200C este de 2,9% în volume), facând astfel posibi-la prezenta vietuitoarelor din apa. Prin lichefiere oxigenul devine un lichid de culoare al-bastra care, prin solidificare, se transforma într-o masa cu aspect de zapada albastruie. 1.1.3.3. Bioxidul de carbon Bioxidul de carbon se gaseste liber în atmosfera, însa în cantitati mici (0,03%). În spatii închise se poate aglomera în cantitati mai mari, din cauza proceselor de ardere si respiratie, astfel încât poate stânjeni respiratia. Bioxidul de carbon se gaseste în stare combinata sub forma de carbonati: piatra de var si marmura 3CaCO , magnezit 3MgCO , diatomit 33CaCOMgCO etc. Dizolvat, 2CO se gaseste în mai toate apele naturale, mai ales în cele gazoase. Bioxidul de carbon este un gaz incolor mai greu decât aerul (are 53,1=ρ în raport cu aerul). Fiind mai greu, bioxidul de carbon se aduna în zonele joase, mai ales unde au loc fermentatii. Bioxidul de carbon nu arde si nici nu întretine arderea. Concentratii mici (1%) de 2CO nu sunt daunatoare organismului astfel, bioxidul de carbon existent în sânge are actiune excitanta asupra centrilor respiratori. În cantitati mari însa bioxidul de carbon produce sufocare. 1.1.3.4. Apa Apa este una dintre cele mai raspândite substante în natura, mai ales în stare lichi-da – forma în care acopera mai mult de 2/3 din suprafata globului terestru, alcatuind apele de suprafata. Se poate observa un circuit al apei în natura. Caldura soarelului cauzeaza evapora-rea apelor de suprafata, iar vaporii formati se ridica în atmosfera. Daca în atmosfera satu-rata cu vapori de apa intervine o scadere de temperatura, o parte din vapori se condensea-za si iau forma de nori, ceata, ploaie, zapada, grindina; în timpul noptilor racoroase din anotimpurile calduroase se depune roua, iar când temperatura solului este sub C00 , se depune bruma. Toate acestea formeaza ape meteorice. Apele cazute pe pamânt sau rezultate din topirea zapezilor umplu pe de o parte din nou lacurile, râurile, fluviile, marile si oceanele, iar pe de alta parte strabat prin stratu-rile de pamânt la diferite adâncimi, formând apele freatice. Daca în calea lor întâlnesc un strat impermeabil, cum ar fi un strat de argila, ele se aduna acolo si formeaza apele subterane. Daca apele subterane, circulând prin diferite straturi, se apropie din nou de suprafata si ies din pamânt, se formeaza izvoarele naturale. În natura apa nu este chimic pura. Apele naturale contin cantitati variate de diferi-te substante: gaze si saruri dizolvate, substante organice si bacterii. Când contin cantitati mici de saruri se numesc ape moi, iar când contin cantitati mari de saruri, mai ales de Ca si Mg, se numesc ape dure.

Page 15: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

17

Apa de ploaie este cea mai curata dintre toate apele naturale. Fiind însa în contact prelungit cu aerul, ea contine dizolvate componentele acestuia, cum si diferite impuritati din aer, ca: bioxid de carbon, amoniac, acid azotic, iar în regiunile industriale sau ale ma-rilor orase, bioxid de sulf, hidrogen sulfurat etc. Apele subterane au compozitia cea mai variata dintre toate apele naturale; cantita-tea si natura substantelor dizolvate depind de natura straturilor de pamânt strabatute si de timpul cât apele au fost în contact cu ele. Apele subterane care contin dizolvate cantitati mai mari de diferite substante solide sau gazoase, ajungând la suprafata, formeaza izvoare de ape naturale. Apa din râuri are o compozitie variabila, dupa compozitia afluentilor. Apa este un lichid incolor în cantitati mici; privita în straturi groase are o culoare albastrui – verzuie. Nu are miros si nici gust. Densitatea apei este maxima la 4 0C când ea este egala cu 1. Prin urmare apa se comporta diferit de celelalte lichide, a caror densitate scade continuu cu cresterea temperaturii. Aceasta are o mare importanta atât din punct de vedere climatic, cât si biologic. Caldura specifica a apei la 150C este gJ /18,4 (adica gcal /1 ). Ea, este, în gene-ral, mai mare decât la alte substante. Din aceasta cauza, temperatura cantitatilor mari de apa – cazul lacurilor si al marilor – se schimba cu mult mai lent decât temperatura rocilor si a solului care alcatuiesc uscatul. Temperatura mai constanta a apei are, de aceea, un rol regulator asupra temperaturii aerului. Proprietatea de dizolvant a apei are o mare importanta în tehnica, deoarece cele mai multe reactii chimice au loc în solutii apoase. Proprietatea de dizolvant a apei are un rol primordial si în natura: astfel, seva plantelor este o solutie apoasa de diferite saruri minerale extrase din sol; reactiile biochimice sunt reactii în solutii apoase între diferite substante din organismul animal etc. 1.2. Atmosfera poluata 1.2.1. Definitia poluarii atmosferei Definirea poluarii reprezinta o problema, deoarece implica mai multe aspecte si fiecare conduc la o alta explicatie. Cea mai potrivita pare a fi definitia data de Organizatia Mondiala a Sanatatii (O.M.S.): “Se poate vorbi despre poluarea atmosferica atunci cînd una sau mai multe sub-stante straine sau amestecuri de substante sunt prezente în atmosfera în cantitati sau pe o perioada de timp care pot fi periculoase pentru oameni, animale si plante si contribuie la punerea în pericol sau la vatamarea activitatiilor sau bunastarii persoanelor.” 1.2.2 Surse de poluare ale atmosferei 1.2.2.1. Surse naturale Sursele naturale produc o poluare accidentala, aceasta se încadreaza rapid în ciclul ecologic, iar cele mai multe sunt situate la distanta mare de centrele intens populate. Principalele surse naturale de poluare sunt:

- vulcanii care, în timpul eruptiilor, polueaza atmosfera cu cantitati uriase de pul-beri solide, gaze si vapori, uneori deosebit de toxici. Vulcanii activi polueaza con-tinuu atmosfera prin produsele lor gazoase, emise prin cratere si crapaturi. Vulca-nismul reprezinta cea mai intensa sursa naturala de bioxid de sulf si cea mai inten-

Page 16: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

18

sa sursa de particule solide în suspensie, care pot ajunge pâna la stratosfera, unde au un rol deosebit în reducerea tranparentei atmosferei pe timp îndelungat;

- furtunile de praf care, provocate de uragane, cicloane, furtuni etc. când sunt asoci-ate cu eroziunea solului, determina poluarea atmosferei pe o mare întindere. Aceasta poate cuprinde mai multe regiuni si poate trece de pe un continent pe al-tul;

- descompunerea reziduurilor organice care poate produce poluarea atmosferei cu metan, amoniac, hidrogen sulfurat, bioxid de carbon, protoxid de azot si altele; ea este datorata fenomenelor de fermentatie si putrefactie a reziduurilor organice la suprafata solului (descompunere aeroba) sau sub nivelul solului sau al apei (des-compunere anaeroba);

- sursele vegetale si animale care produc poluarea atmosferei cu particule organice, formate din tesuturi vii: polen, spori, ciuperci, bacterii, virusuri sau tesuturi moar-te: solzi de piele, fire de par, pene etc.;

- ionizarea atmosferei, care produce ioni pozitivi si negativi, prin schimbarile mete-orologice, radiatia solara, radioactivitatea naturala sau actiuni umane (instalatii radioactive, linii electrice de foarte înalta tensiune, materiale plastice usor electri-zabile). Ionii pozitivi, în general mai mari, produc disconfort si perturbari respira-torii si de ritm cardiac. Ionii negative au efecte benefice asupra sanatatii, dar sunt în general de dimensiuni mai mici, deci mai usor dispersabili si transportabili.

1.2.2.2. Surse artificiale Sursele artificiale de poluare sunt mult mai numeroase si cu emisii mai concentra-te decât sursele naturale, fiind totodata într-o dezvoltare continua. Principalele surse artificiale de poluare sunt: industria, mijloacele de transport, agricultura, CET-urile etc. Sursele industriale, care joaca un rol decisiv în poluare au o importanta dependen-ta de dezvoltarea tehnica a regiunii, tarii sau a ramurii industriale considerate. Acum se admite ca aceasta situatie era adevarata la un moment dat al istoriei, dar ca ea sufera o evolutie într- o prima etapa a dezvoltarii tehnico-economice. Întreprinderile au fost priori-tare, dar apoi mijloacele de transport au trecut pe locul I în ceea ce priveste sursele de poluare. În categoria surselor industriale fiecare sector se caracterizeaza prin anumite ca-racteristici si grad de poluare care evolueaza odata cu progresul tehnic. Astazi, în majori-tatea ramurilor industriale s-a ajuns la unitati de mare capacitate. Ele au înlocuit vechile întreprinderi mici, care nu permiteau decât posibilitati reduse de progres tehnic. Astfel, în domeniul industrial exista diferente în ceea ce priveste clasamentul pro-ceselor de productie din punctul de vedere al poluarii aerului. Astfel, în industria termoe-nergetica, care si-a asumat în mare parte procentul de încalzire a locuintelor, produsele arderii imperfecte au fost aproape radical suprimate, în plus evacuarea de praf a fost re-dusa la minimum de generalizarea instalatiilor de epurare. Separat, pentru gaze se aplica metoda diluarii si evacuarii prin cosuri de fum foarte înalte (peste 250-310 m). Motoarele cu ardere interna, cu aprindere prin scânteie sau prin compresie, sunt principalele mijloace de propulsie a autovehiculelor rutiere si feroviare precum si a va-poarelor. Folosind drept combustibil benzina, respectiv motorina, aceste motoare emit în atmosfera, în functie de însusirile lor (putere, capacitate cilindrica, raport de compresie,

Page 17: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

19

viteza, accelerare, frânare, mersul la relanti, existenta epuratoarelor, calitatea carburatoru-lui si a carburantului), cantitati mari de bioxid si monoxid de carbon, oxizi de azot, hidro-carburi, bioxid de sulf etc. În prezent peste 50% din poluarea marilor aglomerari urbane este datorata combustiei hidrocarburilor în motoarele automobilelor. Din pacate, motoarele cu ardere interna ale mijlocelor de transport nu si-au gasit solutii satisfacatoare si mari cantitati de noxe, provenita din arderea incompleta, continua sa fie emise în atmosfera. Se fac eforturi pentru ameliorarea proceselor de ardere si pen-tru retinerea poluantilor. Agricultura contribui si ea la poluarea atmosferei, prin mijloacele tehnice folosite pentru realizarea productiilor vegetale si animale. Mecanizarea agriculturii si transportul produselor agricole determina o poluare asemanatoare cu cea produsa de vehiculele rutiere. Folosirea îngrasamintelor chimice in-duce în atmosfera poluanti gazosi (bioxid de azot, amoniac) prin descompunerea lor sub influenta temperaturii si a radiatiilor solare. Ierbicidele si substantele pentru combaterea daunatorilor contribuie si ele la poluarea chimica a atmosferei, datorita reactiilor lor cu diferite componente ale mediului, al caror principal efect este emisia de substante toxice volatile. Cresterea concentratiei acestor componenti, într-o oarecare masura, peste valoarea naturala, poate reprezenta o sursa de poluare. Astfel, cresterea concentratiei de 4CH si de

2CO duce la aparitia fenomenului de efect de sera, cresterea concentratiei de 2SO si

xNO la aparitia ploilor acide. Cresterea concentratiei de halogenocarburi conduce, prin procese fotochimice, în straturile înalte ale atmosferei, la distrugerea stratului de ozon, cu scaderea protectiei la impactul cu radiatia ultravioleta solara. 1.2.3. Poluantii atmosferici Bioxidul de sulf ( 2SO ) Bioxidul de sulf este foarte iritant si datorita unei bune solubilitati în apa poate fi retinut în proportie de 90% pe traiectul respirator. La concentratii mari, daca este adsorbit pe particule de praf sau daca respiratia se face pe gura, poate sa ajunga în plamâni si sa produca iritatii, bronsite, infectii si chiar moartea. Bioxidul de sulf provine din procese industriale si din emisii ale motoarelor die-sel. OMS (Organizatia Mondiala a Sanatatii) recomanda valori limita maxime: - 20 3/ mgµ - valoarea limita pentru protectia ecosistemelor, anual; - 125 3/ mgµ - valoarea limita zilnica, (24h), pentru protectia sanatatii;

- 350 3/ mgµ - valoarea limita orara pentru protectia sanatatii umane. Prag de alerta: 500 3/mgµ - masurat timp de 3 ore consecutive, în puncte repre-zentative pentru calitatea aerului, pentru o suprafata de cel putin 100 km2 sau pentru o întreaga zona sau aglomerare. Oxizii de azot ( 2,, NONONOx ) Monoxidul de azot NO si bioxidul de azot 2NO sunt puternic iritanti si datorita unei solubilitati bune în apa pot fi retinuti în proportie de (80...90)% pe traiectul respira-

Page 18: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

20

tor. Efectele lor se manifesta asupra metabolismului iar daca sunt absorbiti produc acid azotic si azotati detectabili în sânge. Oxizii de azot se formeaza în procesul de combustie, atunci când combustibilii sunt arsi la temperature înalte, dar cel mai adesea sunt rezultatul traficului rutier, activita-tilor industriale, producerii energiei electrice. Oxizii de azot sunt responsabili pentru formarea smogului, a ploilor acide, deteri-orarii calitatii apei, efectului de sera, reducerea vizibilitatii în zonele urbane. OMS recomanda valori limita maxime: - 30 3/ mgµ - valoarea limita anuala pentru protectia vegetatiei; - 40 3/ mgµ - valoarea limita anuala pentru protectia sanatatii umane; - 200 3/ mgµ - valoarea limita orara pentru protectia sanatatii umane. Prag de alerta: 400 3/mgµ - masurat timp de 3 ore consecutive, în puncte repre-zentative pentru calitatea aerului, pentru o suprafata de cel putin 100 km2 sau pentru o întreaga zona sau aglomerare. Ozonul ( 3O ) Se formeaza dintr-o succesiune de reactii fotochimice în care intervin preferential hidrocarburile si oxizii de azot emisi prin arderea diversilor combustibili. Cantitatea de ozon care se formeaza depinde de reactivitatea compusului organic emis si de concentra-tia acestor compusi organici în gazele de esapament. Ozonul este un gaz foarte oxidant, foarte reactiv, cu miros înecacios. Se concen-treaza în stratosfera si asigura protectie împotriva radiatiei UV daunatoare vietii. Ozonul la nivelul solului se comporta ca o componenta a “smogului fotochimic”. OMS recomanda valori limita maxime: - 120 3/ mgµ - valoarea tinta la 8 h pentru protectia sanatatii umane; - 18000 3/ mgµ - valoarea tinta anuala pentru protectia vegetatiei. Prag alerta: 240 3/ mgµ - media pe ora. Obiectiv pe termen lung:120 3/ mgµ - valoarea tinta la 8 h pentru protectia sanata-

tii umane si 6000 3/ mgµ - valoarea tinta anuala pentru protectia vegetatiei. Monoxidul de carbon ( CO ) Este incolor, inodor, insipid si cu o solubilitatea scazuta în apa. În urma unei reac-tii ireversibile formeaza cu hemoglobina din sânge, carboxihemoglobina, o substanta de-osebit de toxica. Simptomele încep cu ameteala, apoi gradat apar, pierderea partiala a ve-derii, coloratia roz a pielii, paralizii si moartea. Se formeaza în principal prin arderea incompleta a combustibililor fosili. Mono-xidul de carbon se poate acumula la un nivel periculos în perioada de calm atmosferic din timpul iernii sau primaverii (acesta este mult mai stabil din punct de vedere chimic la temperaturi scazute), când arderea combustibililor fosili atinge un maxim. OMS recomanda valori limita maxime: - 10 3/mgµ - valoarea limita anuala pentru protectia sanatatii; - 10 mg/m3- valoarea maxima a mediilor pe 8 ore.

Page 19: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

21

Benzen ( 66HC ) 90% din cantitatea de benzen în aerul ambiental provine din traficul rutier. 10% provine din evaporarea combustibilului la stocarea si distributia acestuia. OMS recomanda valori limita maxime: - 5 3/ mgµ - valoarea limita anuala pentru protectia sanatatii umane. Pulberi în suspensie ( 5,210 PMPM ) Aceste pulberi reprezinta un amestec complex de particule foarte mici si picaturi de lichid. Ele provin din activitatea industriala si din traficul rutier. OMS recomanda valori limita maxime: Faza 1 (pâna la 1 ianuarie 2007): - 50 3/mgµ (PM10) – valoarea limita zilnica pentru protectia sanatatii umane;

- 40 3/ mgµ (PM10) – valoarea limita anuala pentru protectia sanatatii umane; Faza 2: (pâna la 1 ianuarie 2010) - 50 3/ mgµ (PM10) – valoarea limita zilnica pentru protectia sanatatii umane;

- 20 3/mgµ (PM10) - valoarea limita anuala pentru protectia sanatatii umane. Plumb si alte metale toxice (Cd , As , Hg ) Plumbul Este compusul poluant cel mai investigat atât în atmosfera cât si la locurile de munca, datorita efectelor lui, pe termen lung si de multe ori ireversibile asupra organis-mului uman. Plumbul se acumuleaza în oase iar simptomele se manifesta prin pierderea apetitului, slabiciune, dureri de cap, dureri musculare, anemie etc. Provine din combustia carbunilor, carburantilor, deseurilor menajere si din alte procedee industriale. OMS recomanda valori limita maxime: - 0,5 3/ mgµ /PM10 – valoarea limita anuala pentru protectia sanatatii Cadmiu Se absoarbe în organism prin hrana. Efectele nocive sunt: cresterea presiunii san-guine, miopatii, boli ale ficatului. OMS recomanda valori limita maxime: - 5 3/ mgµ /PM10 – valoarea tinta pentru continutul total din fractia PM10, medi-ata pe un an calendaristic. Arsenul Un metaloid foarte toxic sub diverse forme organice sau anorganice. Afecteaza sistemul nervos si ficatul, având un pronuntat efect cangerigen, o doza de 70..180 mg fi-ind letala. OMS recomanda valori limita maxime: - 6 3/ mgµ /PM10 – valoarea tinta pentru continutul total din fractia PM10, medi-ata pe un an calendaristic.

Page 20: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

22

Hidrocarburi aromatice policiclice HAP Sunt compusi formati din 4 pâna la 7 nuclee benzenice. Rezulta din combustia materialelor fosile (motoare diesel) sub forma gazoasa sau de particule. OMS recomanda valori limita maxime: - 1 3/ mgµ /PM10 – valoarea tinta pentru continutul total din fractia PM10, medi-ata pe un an calendaristic. 1.2.4. Efectul de sera 1.2.4.1. Gazele cu efect de sera Efectul de sera este fenomenul de încalzire globala a atmosferei datorita absorbti-ei radiatiei infrarosii, emisa de suprafata marilor si a uscatului care au primit radiatia so-lara. Absorbtia este realizata de moleculele unor gaze prezente în atmosfera precum bio-xidul de carbon (CO2), metanul (CH4), oxizii de azot (NOx), ozonul (O3), apa (H2O) si altele. [C1] Spectrele de absorbtie ale CO2, H2O si O3 arata ca ele îsi completeaza reciproc domeniul de absorbtie, astfel încât radiatiile infrarosii, emise la suprafata terestra, sunt aproape în întregime absorbite, ceea ce duce la cresterea temperaturii. S-a constatat ca concentratia de bioxid de carbon în atmosfera a crescut de la 280 ppm la sfârsitul secolului XIX, la 350 ppm în momentul actual, scenariile de dezvoltare anticipând o concentratie de 600 ppm în jurul anului 2050, ceea ce implica o atentie deo-sebita asupra acestui gaz, care contribuie cu mai mult de jumatate la efectul cumulat de încalzire a atmosferei. Celelalte gaze prezentate au si ele un rol deosebit în efectul de sera mai ales prin durata lor lunga de viata în atmosfera si prin posibilitatea de ridicare la altitudini mari. Este în special cazul metanului si al protoxidului de azot care, evaluat pe o perioada de 20 de ani, au un potential de încalzire globala a atmosferei de 63, respectiv 270 de ori fata de bioxidul de carbon. S-a estimat ca, în absenta unor schimbari importante în activitatea vulcanica si a radiatiei solare, efectul de sera cumulat al acestor gaze poate ridica temperatura medie a Terrei cu 2,50C pâna în anul 2030, ceea ce ar avea repercursiuni catastrofale asupra cli-matului terestru. Efectele imediate ar fi desertificarea unor zone întinse, actual fertile, to-pirea calotelor polare cu consecinta cresterii nivelului marii, deci inundarea zonelor de coasta de mica altitudine, furtuni puternice si distrugatoare pe toate latitudinile etc. 1.2.4.2. Contributia agentilor frigorifici la efectul de sera: freoni (CFC, HCHC, HFC) Freonii prezinta o poveste curioasa, plecând de la o inventie care a fost la început considerata drept revolutionara, apoi suspectata ca ar dauna atmosferei, ca în final sa fie privita ca o amenintare pentru viata pe pamânt. Punerea sub acuzatie a acestor substante, denumite si clorofluorocarbonati sau CFC, a venit dupa ce experimentele de laborator au aratat ca CFC-urile sunt potentialii distrugatori ai scutului de ozon stratosferic al atmosfe-rei noastre. [D1] CFC-urile au fost inventate în anii 1920 si considerate un triumf al tehnologiei fiindca sunt stabile, nereactive, de lunga durata, neinflamabile si sigure, într-o masura mult mai mare decât amoniacul, pe care l-au înlocuit în frigidere si în instalatiile de aer conditionat. În timp CFC-urile au capatat mai multe folosinte fiind propulsoare eficiente

Page 21: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

23

în tuburile cu spray pentru industria cosmetica si farmaceutica, sunt buni izolatori, sunt excelenti solventi pentru degresarea echipamentelor electronice. Natiunile lumii au luat imediat masuri împotriva deteriorarii scutului care ne pro-tejeaza împotriva razelor ultraviolete ce provin din radiatia solara. Asadar, au convenit, în 1987, la Montreal, sa micsoreze productia de CFC-uri. Aceasta hotarâre a fost luata înain-te sa existe o dovada clara a distrugerii stratului de ozon stratosferic de catre aceste sub-stante chimice. Oamenii de stiinta au prezis ca distrugerea stratului de ozon de catre aceste sub-stante se va face treptat si uniform; între timp în stratul de ozon de deasupra Antarcticii a aparut brusc o gaura care poate fi observata în fiecare luna octombrie. În anul 1974, în urma unor cercetarii efectuate de catre profesorul chimist Rowland Sherwood de la Universitatea din California si studentul acestuia Mario Molina, au fost publicat niste ipoteze conform carora CFC-urile pot distruge ozonul din stratosfe-ra, datorita unor reactii catalitice de descompunere a ozonului. Molecule de CFC fiind foarte stabile, pot traversa troposfera, ajungând în stratosfera. Nivelul ridicat de energie primit din exterior duce la descompunerea moleculelor de CFC în atomi de clor, care re-duc concentratia de ozon stratosferic micsorând astfel capacitatea de aparare a pamântu-lui de puternicele radiatii termice. Cei doi au anticipat ca una dintre substantele mai sim-ple rezultate, respectiv clorul, este dezastruos pentru stratul de ozon. Clorul actioneaza ca un catalizator, o singura molecula de clor poate elimina zeci de mii de molecule de ozon, prin participarea sa la ciclurile catalitice:

23 OClOOCl +→+ , (1-1)

2OClOClO +→+ , (1–2)

23 2OOO →+ . (1–3) La sfârsitul acestui ciclu, o molecula de ozon si un atom de oxigen s-au combinat, formând doua molecule de oxigen. Un atom de clor, aranjeaza astfel de „casatorii” care scot ozonul din atmosfera, apoi se retrage, ramanând liber, sa aranjeze alte „casatorii”. Dupa observatia facuta în 1974, în 1985, Joseph Farman si un cercetator de la Centrul britanic de urmarire Antartica au raportat o gaura aparuta în stratul de ozon dea-supra Antarcticii la o înaltime plasata între 10 si 30 km, ce se poate observa în cursul lu-nii octombrie. Motivul aparitiei acestei gauri în stratul de ozon se datoreaza unor reactii chimice, pe care oamenii de stiinta le-au ignorat la început. Aceste reactii chimice sunt reactii chi-mice eterogene, care se produc pe suprafetele particulelor. Particulele sunt cristale mi-nuscule de gheata din norii care se formeaza deasupra Antarcticii, atunci când temperatu-rile sunt extrem de scazute, în timpul lungii nopti polare. Pe aceste suprafete, anumite forme de clor, care nu reactioneaza de obicei cu ozonul, sunt transformate în forme care reactioneaza, dupa fotodisocierea efectuata de fotoni. Pentru a se distruge ozonul trebuie sa fie îndeplinite doua conditii: temperaturile trebuie sa fie atât de scazute, încât în stra-tosfera sa se formeze nori compusi de substante solide, si trebuie sa existe fotoni, care sa descompuna anumite molecule de clor. Abundenta de fotoni energetici este satisfacuta în timpul verii sudice, în noiembrie si decembrie. Cele doua conditii sunt îndeplinite, ambe-le, doar în septembrie si octombrie. Toata lumea este de acord ca cel care contribuie semnificativ la împutinarea ozo-nului este clorul, dar exista opinii diferite referitoare la principala sursa de clor din stra-tosfera.

Page 22: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

24

Clorul patrunde în atmosfera sub diverse forme: ca sare obisnuita, sub forma clorurei de hidrogen din eruptiile vulcanice, ca o componenta a moleculelor complexe CFC. În urma cercetarilor facute s-a ajuns la concluzia ca principala sursa de clor pentru atmosfera o constituie CFC-urile. 1.2.4.3. Poluantii reglementati prin protocolul de la Kyoto. Legislatie Când s-au pus bazele dezvoltarii industriale, în secolul XX, nu s-a facut o evalua-re a impactului poluantilor asupra mediului. S-au construit la centrale cosuri mai înalte, pentru a evita caderea poluantilor în imediata apropiere. În perioada 1950 -1980 numarul autovehiculelor s-a triplat în SUA, dar eficienta masinilor nu s-a schimbat. Transportul auto a devenit una din marile surse de poluare a aerului. Astfel state precum California, au adoptat masuri legislative referitoare la circu-latie, calitatea masinilor si a combustibilului. Si în Europa, normele de poluare auto au devenit din ce în ce mai restrictive. În afara de problemele cunoscute, cum sunt cele referitoare la poluarea datorata transportului, cercetarile din domeniul chimiei si fizicii atmosferei, precum si monitoriza-rea terrei cu ajutorul satelitilor, au facut ca fenomenele atmosferei sa fie mai bine cunos-cute. Se stiu mai multe despre stratul de ozon, despre efectul de sera care se formeaza da-torita acumularii unor gaze în atmosfera. Ozonul este de dorit sa existe în straturile super-ioare ale atmosferei, unde actioneaza ca un scut împotriva radiatiei ultraviolete la care este supus Pamântul. El este daunator (în straturile inferioare), în apropierea solului, deoarece constituie una din componentele smogului. In aceste straturi inferioare ozonul este produs de substantele organice volatile. Datele privind concentratia de poluanti de la nivelul solului sunt furnizate de sistemele de monitorizare a calitatii aerului. Începând cu anul 1972, anul în care a avut loc Conferinta de la Stockholom privid Mediul Uman si pâna în prezent, au fost puse în circulatie zeci de interpretari ale concep-tului de dezvoltare economica durabila. Dezvoltarea durabila urmareste sa evite pe termen mediu si lung producerea unor dezechilibre economice sau ecologice, fiind singurul tip de dezvoltare tolerat de mediu si deci capabil sa dureze. Semnificatia unei dezvoltari durabile sustinute este aceea a unei dezvoltari ascendente în conditiile în care se creaza un raport egal între dezvoltare si pro-cesul de regenerare a ecosistemului planetar. România a semnat Conventia Cadru a Natiunilor Unite pentru Schimbarile Clima-tice la 5 iunie 1992, la Rio de Janeiro. În cadrul Conventiei s-au stabilit regulile ce trebuie respectate pentru protectia mediului impuse de ritmul accelerat al dezvoltarii economice. Astfel se considera absolut necesara studierea mediului ambiant pentru a stabili în mod concret principalele surse de poluare si luarea de masuri urgente privind modificarea teh-nologiilor de valorificare a resurselor existente pentru ca impactul lor asupra mediului sa se înscrie în categoria “suportabil” [E1]. Revenind la ideea Conventiei cadru a Natiunilor Unite privind Schimbarile Cl i-matice din 1992 si anume la aceea ca se considera absolut necesara studierea mediului ambiant pentru a stabili în mod concret principalele surse de poluare si luarea de masuri urgente în vederea protejarii lui cât mai eficient, Conventia a fost ratificata de Parlamen-tul României prin Legea 24/1994, care are ca principal obiectiv stabilizarea concentratii-

Page 23: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

25

lor de gaze cu efect de sera în atmosfera, la un nivel care sa previna orice dereglare a sis-temului climatic (publicata în MO nr. 119/12.05.1994). La Kyoto, în Japonia, în 1-11 decembrie 1997, 161 de tari au finalizat un acord denumit „Protocolul de la Kyoto”, care stabileste termenii si regulile de punere sub con-trol a gazelor ce determina efectul de sera al terrei. Protocolul de la Kyoto exprima dorinta ca pâna în anul 2012, cantitatea medie de gaze cu efect de sera (principalele gaze), sa fie redusa cu 5,2% sub nivelul înregistrat în anul 1990. România a aderat în 1999 si a semnat Protocolul de la Kyoto. Dintre poluantii reglementati prin protocolul de la Kyoto în România se inventari-aza:

- bioxidul de carbon; - oxizii de azot xNO ;

- metanul 4CH . Urmeaza sa se inventarieze în perspectiva si celelalte gaze prevazute în protocol:

- hidrocarburi fluorurate; - perfluorocarburi; - hexafluorura de sulf.

Anul 2000 a continuat implementarea masurilor stabilite prin protocolul de la Kyoto, care are doua obiective de baza:

- respectarea angajamentelor de reducere a emisiilor de gaze cu efect de sera, în ca-zul României, angajamentul prevede o reducere cu 8% comparativ cu anul de ba-za 1989, pentru perioada 2008-2012;

- cooperarea cu alte tari. România a ratificat prin Legea 3/2001 Protocolul de la Kyoto (publicata în MO nr. 81/12.02.2001), care a devenit obligatoriu prin Lege la 16 februarie 2005 (publicata în MO nr. 81/16.02.2005) La nivelul Consiliului Uniunii Europene s-a adoptat Directiva 2003/87/CE pentru stabilirea unei scheme de schimb de emisii de gaze cu efect de sera alocate în cadrul Co-munitatii, amendata prin Directiva 2004/101/CE, numita Directiva de legatura. Guvernul României a adoptat în iulie 2005 prin HG nr. 645/2005 prima Strategie Nationala privind Schimbarile Climatice si în decembrie 2005 prin HG 1877/2005 Planul National de Acti-une privind Schimbarile Climatice. S-a realizat o inventariere a instalatiilor ce intra sub incidenta Directivei 2003/87/CE în vederea întocmirii Planului National de Alocare. S-a constatat ca la nivelul tarii noastre exista unitati, ale caror instalatii intra sub incidenta Directivei, astfel ca la 27 iunie 2006, prin HG nr. 780, Directiva 2003/87/CE a fost trans-pusa în legislatia româneasca. Suportul tehnic pentru implementarea Directivei îl repre-zinta ghidul de monitorizare si raportare al emisiilor de gaze cu efect de sera. 1.3. Factorii climatici Factorii climaticii sunt de doua feluri:

- factori de baza care au un rol important în difuzia si dispersia poluantilor, acestia fiind miscarea aerului, temperatura, turbulenta si precipitatiile, precum si factori macrometeorologici;

Page 24: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

26

- factori secundari cum sunt: umiditatea, ceata, zapada si alte fenomene meteorolo-gice, care contribuie într-o maniera scazuta la mentinerea poluarii la un nivel cres-cut [B1].

Miscarea aerului La iesirea de pe cos, miscarea aerului preia poluantii evacuati în directia deplasa-rii lor si îi împrastie în aer. Viteza de amestecare a poluantilor cu aerul si dilutia lor de-pind de viteza curentilor de aer. Directiile de deplasare pot fi orizontale sau verticale. De-plasarea orizontala este variabila atât ca directie cât ca si intensitate. În zona temperata, fiecare punct al solutiei are o anumita periodicitate în ceea ce priveste vântul; ea se carac-terizeaza prin existenta unui vânt dominant indicat prin directia în care miscarea aerului se produce cel mai des. Aceasta se stabileste prin înregistrarea meteorologica sistematica a directiei vântului si prin reprezentarea grafica a rozei vânturilor. Pentru a se stabili me-dia anuala, înregistrarile sunt efectuate în timpul mai multor ani. În afara de roza vanturilor, se mai utilizeaza si roza poluarii, construita dupa ob-servatii si masurari, stabilind directia de vânt dupa care se înregistreaza sursa poluanta. În afara directiei de vânt, viteza de deplasare a aerului are un rol important în di-fuzia impuritatilor. Când viteza vântului este mica, dispersia este mai scazuta, poluantii deplasându-se lent pâna la distante mari, într-un strat de aer putin activ si situat pe înaltimi. Daca vi-teza vântului este mare, poluantii sunt raspânditi la sol si dispersia se face rapid într-un volum mare de aer. Un fenomen defavorabil dispersiei este calmul atmosferic, denumit stabilitate (lipsa curentilor de aer). În aceasta situatie poluantii nu pot fi îndepartati, si se acumulea-za în apropierea locurilor de emisie. Acumularea si concentratia poluantilor este cu atât mai mare, cu cât perioadele de calm atmosferic sunt mai lungi. Temperatura aerului Temperatura are valori diferite la suprafata solului, datorita caracteristicilor termi-ce diferite si variatiilor de acumulare a caldurii solare. Când diferentele de temperatura se înregistreaza pe suprafete mari, ele determina aparitia vântului, iar când sunt pe suprafete restrânse, determina mici curenti ocazionali sau o simpla deplasare verticala. Convectia pe verticala reprezinta ascensiunea aerului unui strat inferior al atmosferei în vecinatatea solului, drept urmare a încalzirii solare, lucru datorat tot temperaturii. Convectia pe verti-cala are loc datorita gradientului termic al aerului în continua scadere cu înaltimea. Con-ventia ascendenta este unul din fenomenele cele mai importante ale autopurificarii, feno-menul este proportional cu gradul de încalzire a solului iar durata acestei încalziri este în functie de diferenta de temperatura între cea a aerului la sol si cea înregistrata la înaltimi mari ale atmosferei. Când aceasta diferenta se inverseaza, se obtine fenomenul de inver-siune termica. În momenul fenomenului de inversiune termica, poluantii se acumuleaza într-un strat de aer inferior, pâna la nivelul stratului de inversiune format de un strat ori-zontal de fum, situat la câteva zeci sau sute de metri altitudine. Cresterea concentratiei poluantilor pâna la acest nivel se datoreaza temperaturii crescute a gazelor evacuate de sursele de poluare. Fenomenul de inversiune termica are la baza doua cauze:

- oscilatia diurna a temperaturii;

Page 25: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

27

- deplasarea maselor de aer. Inversiunea termica se accentueaza în timpul noptii, find maxima dimineata. Când reapare soarele si se încalzeste solul, aerul stratului inferior atmosferic se încalzeste, apa-rând o noua convectie verticala de jos în sus. Acest fenomen al inversiunii termice este frecvent în vai si în vecinatatea masive-lor muntoase, datorita curgerii aerului rece pe versantii neexpusi la soare. Aici este sufi-cienta o poluare redusa pentru a determina o acumulare vizibila de impuritati în stratul de inversiune în perioada apusului de soare. Turbulenta aerului Turbulenta reprezinta agitatia si amestecul diferitelor portiuni ale maselor de aer având caracteristici diferite. Este un fenomen complex, determinat de o serie întreaga de procese mecanice, diferenta de temperatura, miscare, impuls si frecare. Dispersia poluan-tilor în aer se realizeaza mult mai repede când turbulenta aerului este mai mare. Turbu-lenta este proportionala cu viteza vântului, ea ia în calcul constructiile de la sol, diferente-le de relief, capacitatea de acumulare a caldurii. Altitudinea pâna la care se întâlneste tur-bulenta variaza între 300 si 3000 m. Precipitatiile Precipitatiile sub forma de ploaie, zapada etc. realizeaza spalarea, adsorbtia si an-trenarea spre sol a impuritatilor aerului. Dupa Willet, ploaia realizeaza spalarea atmosferei, în special a gazului, iar zapada a impuritatilor solide. Dupa Haagen-Smith, precipitatiile sunt insuficiente pentru a epura o atmosfera de particule cu diametru echivalent mµ2< . Fenomene macrometeorologice S-a constatat ca toate accidentele de poluare au avut loc în timpul unor anumite fenomene macrometeorologice cum ar fi: mase anticiclonice la presiune atmosferica crescuta, absenta miscarii aerului, conditii favorabile aparitiei cetii sau a inversiunii ter-mice. Umiditatea Un factor meteorologic defavorabil fenomenului de autopurificare este prezenta vaporilor de apa în atmosfera, deoarece ei împiedica difuzia impuritatilor sau provoaca aparitia unor impuritati mai agresive. Norii Când cerul este acoperit de nori (un plafon compact si stagnat de nori), dispersia impuritatilor nu se produce satisfacator. Cu cât durata si repetarea acestui fenomen este mai lunga în timpul anului, cu atât poluarea este mai mare. Norii în miscare si care nu acopera decât partial o regiune reprezinta un fenomen favorabil, deoarece ei pot antrena impuritatile, realizând o autopurificare.

Page 26: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

28

1.4. Modificarile în timp Concentratiile de poluanti în zonele urbane au o foarte mare plaja de variatie în timp. În apropierea surselor de poluare, modificarile de concentratii sunt mari si scad pe masura ce se îndeparteaza de surse, tinzând spre un nivel zonal de echilibru. În functie de durata si periodicitate, modificarile în timp ale concentratiilor de substante poluante se pot clasifica în: Modificari instantanee, care sunt datorate emisiilor de impulsuri, modificarilor directiei si vitezei vânturilor, curgerilor turbulente. Modificari ciclice:

- ciclul zilnic datorat succesiunii zi – noapte a vietii economice si sociale, precum si orarului de functionare zilnica a instalatiilor industriale si a mijloacelor de trans-port;

- ciclul saptamânal datorat orarului saptamânal de lucru al întreprinderilor, intensiitatii traficului de autovehicule în zonele aglomerate în zilele de lucru si în zilele sfârsitului de saptamâna si altor factori;

- cicul anual datorat atât succesiunii anotimpurilor, asociate cu schimbarile meteo-rologice specifice fiecarui anotimp, cât si ciclurilor anuale de productie.

1.5. Modificarile în spatiu, influenta reliefului si topografia zonei Concentratiile de poluanti prezinta o mare plaja de variatie în spatiu. Ele depind de viteza si directia vântului, de relieful zonei, de distanta panâ la sursa de poluare, de topografia locului, de prezenta apelor statatoare sau a apelor curgatoare. Topografia locului, în special cea a zonelor urbane, are un rol important în îm-prastierea poluantilor, datorita fenomenului de turbulenta a aerului, cauzat de prezenta cladirilor înalte, perpendicular pe directia vântului. Strazile lungi, paralele cu directia vîntului, formeaza tuburi de curent care antreneaza poluantii. Relieful influenteaza gradul de poluare al atmosferei, facilitând dispersia poluanti-lor sau concentrarea acestora într-o anumita zona. Prezenta unei ape în imediata apropiere a surselor de poluare favorizeaza adsor-btia poluantilor, deci autopurificarea atmosferei. 1.6. Transformarile fizice ale poluantilor atmosferei Transportul si dispersia poluantilor atmosferici depind de înaltimea la care sunt degajati în atmosfera, de intensitatea vântului, de marimea particulelor si de factorii cli-matici. Poluantii atmosferici sunt transportati de vânt si amestecati cu aerul înconjurator, pâna când concentratia lor, în stratul de aer în care sunt deversati, devine relativ unifor-ma. [I2] În plan orizonal dispersarea se desfasoara mult mai rapid decât în plan vertical, fiind favorizata de turbulenta crescuta a aerului care depinde de radiatia solara, de viteza vântului, de denivelarile suprafetei terestre si de nivelul stratului de nori. În plan vertical dispersia depinde de gradientul de temperatura al stratului de aer în care se produce de-versarea, un gradient mic defavorizeaza transportul pe verticala. Inversiunile termice apa-rute imediat deasupra nivelului de deversare micsoreaza posibilitatea dispersiei pe verti-cala a poluantilor. Problemele de poluare atmosferica pot fi clasificate potrivit unei scari spatiale ast-fel:

Page 27: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

29

- poluarea interioara - se refera la aerul din cladiri sau autovehicule; - poluarea locala - se aplica unor volume de aer ale caror dimensiuni variaza de la

zeci de m3 (o casa tipica) la zeci de km3 (strada de tip canion sau cartierul unui oras);

- poluare urbana - între 10 si 100 km3; - poluare regionala - între 100 si 1000 km3; - poluarea globala - la nivel mondial (efect de sera, distrugerea stratului de ozon). Analiza poluarii aerului poate fi tratata din punct de vedere matematic cu ajutorul

modelelor matematice. Acestea pot fi împartite în doua categorii: - modele empirice/statistice reprezinta relatiile dintre emisiile masurate, influentele

meteorologice si parametrii geometrici. Cele mai simple formule reprezinta pro-portionalitatea dintre concentratie si intensitatea sursei, faptul ca aceasta este in-vers proportionala cu viteza vântului si ca descreste o data cu cresterea distantei dintre punct si sursa. Utilizând aceasta metoda, cauza si efectul pot fi cercetate si în anumite limite poate fi obtinuta distributia concentratiei la nivelul solului.

- modele deterministe, expresiile analitice sau numerice descriu transportul com-plex si procesele chimice care afecteaza poluantii aerului. Modelele deterministe descriu de o maniera fundamentala procesele individuale care intervin în evolutia concentratiei de poluanti.

Aceste modele sunt bazate pe rezolvarea ecuatiilor de baza care guverneaza di-namica poluantilor. Printre modelele deterministe se disting: 1. Modelul Gauss; 2. Modelul Euler; 3. Modelul Lagrange. Exista doua sisteme de referinta prin care poate fi studiata dinamica poluantilor atmosferici:

- sistemul de coordonate euler, care este cel mai natural si care este fixat la suprafa-ta terestra;

- sistemul de coordonate lagrange, care se deplaseaza odata cu circulatia aerului, pastrând observatorul în contact permanent cu aceeasi particula.

1.6.1. Modele de dispersie la scara locala pentru surse de poluare izolate cu emisie continua sau accidentala 1.6.1.1. Modelul gaussian de dispersie Modelul de dispersie gaussian este utilizat în special pentru determinarea proprie-tatilor statistice (valori medii, frecvente de depasire a normelor sanitare etc.) ale câmpului de concentratii. Pentru estimarea concentratiilor sunt folosite frecvente de distributie ale parametrilor meteorologici obtinuti din masuratori pe un interval de timp suficient de ma-re pentru a fi posibila prelucrarea statistica. Coeficientii de dispersie utilizati în acest mo-del au fost determinati experimental pentru distante cuprinse între 10 m si 30 km. Mode-lul gaussian furnizeaza informatii corecte asupra nivelului de poluare pentru aceste dis-tante. Aplicatiile modelului pentru distante cuprinse între 20 km si 100 km pot fi utilizate numai pentru obtinerea unor informatii calitative privind ordinul de marime al concentra-tiilor de poluanti.

Page 28: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

30

1.6.1.1.1. Formule utilizate pentru calculul concentratiei Pentru evaluarea concentratiei de poluant în cadrul modelului gaussian se folosesc urmatoarele ecuatii [S1]: a) Daca înaltimea de amestec ( )sh este infinita, adica nu exista o inversiune termica se utilizeaza solutia gaussiana pentru o sursa punctiforma continua. Forma solutiei este urmatoarea:

( ) ( ) ( )

+−+

−−

−=

2

2

2

2

2

2

21

exp21

expexp2

,,zzyzy

HzHzyu

QzyxC

σσσσπσ, (1-4)

unde ( )zyxC ,, este concentratia medie în spatiu; Q reprezinta cantitatea de poluant emi-sa; yσ reprezinta parametrul de dispersie pe orizontala; zσ reprezinta parametrul de dis-

persie pe verticala; u reprezinta viteza medie a vântului la înaltimea efectiva a sursei; y reprezinta distanta pe orizontala de la centrul formei de dispersie; z reprezinta distanta pe verticala de la centrul formei de dispersie; H reprezinta înaltimea efectiva a sursei. În punctul de coordonate ( )H,0,0 actioneaza o sursa reala, iar în punctul de coor-donate ( )H−,0,0 o sursa imaginara, astfel solutia pentru concentratia de poluant în cazul suprafetei reflectante este ecuatia (1-4). b) Daca valoarea parametrului de dispersie sz h6.1>σ , iar stabilitatea atmosferica este instabila sau neutra, forma solutiei este:

( )

−=

2

2

2exp

2,,

ysy

yh

QzyxC

σσπ. (1-5)

În aceasta situatie, poluantul este uniform amestecat în stratul limita planetar, iar concentratia nu mai depinde de înaltimea z. Se numeste strat limita planetar (SLP), stratul cel mai de jos al atmosferei care este în contact direct cu suprafata pamântului si în care miscarea si proprietatile aerului sunt puternic influentate de interactia mecanica si termica dintre atmosfera si suprafata solului sau a oceanului. c) Daca stabilitatea atmosferica este instabila sau neutra, iar valoarea parametrului de dispersie este sz h6.1<σ , forma ecuatiei este:

( )syzy

hgyu

QC

−= 2

2

2exp

2 σσπσ, (1-6)

unde ( )shg este o serie convergenta infinita.

( ) ( ) ( )∑+=

−=

++−+

+−−=

4

42

2

2

2 221

exp2

21

expk

k z

s

z

ss

khHzkhHzhg

σσ. (1-7)

În functie de pozitia inversiunii termice fata de sursa de poluare se disting doua cazuri: c1) inversiunea se afla sub nivelul sursei

Page 29: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

31

În acest caz, concentratia de poluant se determina cu ajutorul relatiei,

( )

+−= 2

2

2

2

21

2,,

zyzy

zyu

QzyxC

σσσπσ în care înaltimea efectiva a sursei va fi ( )shH − .

Pentru nivelul shz < concentratia de poluant va fi nula, inversiunea jucând rol de protec-tie împotriva poluantilor. c2) sursa se afla sub nivelul inversiunii În acest caz, inversiunea va amplifica prin reflexie concentratia de poluant. Pentru simularea reflexiei penei la suprafata solului si la baza inversiunii, în modelul gaussian se utilizeaza metoda imaginilor propusa de Bierly si Hewson. În aceasta procedura fiecare reflexie este reprezentata de o “pana imagine”, produsa de o sursa imaginara cu înaltimea egala cu perpendiculara de la marginea penei pâna la punctul de reflexie pe sol. Reflexiile între suprafata solului si baza inversiunii situata la înaltimea ( )sh pot fi reprezentate în solutia gaussiana (1-7) printr-o serie convergenta infinita. Deoarece suma este rapid con-vergenta se poate face însumarea de la 4−=k pâna la 4+=k . Cu cât receptorul este mai departe de sursa cu atât numarul surselor secundare este mai mare, astfel încât la o anu-mita distanta de sursa, poluantul devine dispersat uniform pe verticala. 1.6.1.1.2. Parametrii meteorologici utilizati în modelul gaussian Principalii parametri meteorologici care determina procesul de dispersie al polu-antilor în atmosfera luati în considerare în modelele de dispersie locala sunt: Directia vântului Pentru a pune în evidenta modul în care directia vântului intervine în formulele de calcul al concentratiilor de poluant, notam cu SR sistemul de coordonate rectangular al carui plan orizontal este legat de grila de calcul. Sistemul de coordonate 'S se obtine prin rotirea celui dintâi în jurul axei verticale, cu unghiul α (α este directia vântului) si printr-o translatie a originii în sursa (figura 1.2)

Page 30: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

32

Fig. 1.2 Modul în care directia vântului intervine în formulele de calcul a concentratiilor

Coordonatele x si y ale receptorului în sistemul 'S se calculeaza cu formulele:

( ) ( ) αα sincos RSRS XXYYx −+−= , (1-8) ( ) ( ) αα cossin RSRS XXYYy −−−= , (1-9)

unde ( )SS YX , si ( )RR YX , sunt coordonatele sursei, respectiv ale receptorului în sistemul de coordonate fix SR. Profilul vertical al vitezei vântului Viteza medie a vântului la înaltimea h a sursei de poluare se calculeaza cu formu-la:

( )p

hohh

uhu

=

0

, (1-10)

unde, 0h este înaltimea la care se masoara viteza vântului, iar p este un exponent care de-

pinde de clasa de stabilitate atmosferica., 0hu este viteza medie a vântului la înaltimea

0h . În tabelul 1;3 prezint valorile exponentului din profilul vitezei vântului în functie de stabilitatea atmosferica A, B, C, D, E, F reprezinta clasele de stabilitate atmosferica: A – foarte instabil, B – in-stabil, C – usor stabil, D – neutru, E – slab stabil, F – stabil. Tab. 1;3 Valorile exponentului p Valoare exponent A B C D E F

Mediu urban 0,52 0,48 0,31 0,31 0,31 0,20 Mediu rural 0,37 0,32 0,26 0,18 0,14 0,12

Y

X

XS XR

YR

YS

y

x

vânt

x y

R

α SR

S’

Page 31: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

33

Parametrii de dispersie ai penei de poluant Valorile coeficientilor empirici obtinuti de Briggs din date experimentale sunt prezentate în tabelul 1;4. Tab 1;4 Valorile coeficientilor 1a , 1b , 1c , d1, 2a , 2b , 2c , 2d în functie de stabilitatea at-mosferica, pentru zona urbana Clasa de

stabilitate 1a 1b 1c d1

2a 2b 2c 2d

A 0,32 1 0,0004 -0,5 0,24 1 0,001 0,5 B 0,32 1 0,0004 -0,5 0,24 1 0,001 0,5 C 0,22 1 0,0004 -0,5 0,20 1 0,0 0,0 D 0,16 1 0,0004 -0,5 0,14 1 0,0003 -0,5 E 0,11 1 0,0004 -0,5 0,08 1 0,00015 -0,5 F 0,11 1 0,0004 -0,5 0,08 1 0,00015 -0,5

Tab. 1;4 pentru zona rurala Clasa de stabilitate

1a 1b 1c d1 2a 2b 2c 2d

A 0,22 1 0,0001 -0,5 0,20 1 0,0 0,0 B 0,16 1 0,0001 -0,5 0,12 1 0,0 0,0 C 0,11 1 0,0001 -0,5 0,08 1 0,0002 -0,5 D 0,08 1 0,0001 -0,5 0,06 1 0,0015 -0,5 E 0,06 1 0,0001 -0,5 0,03 1 0,0003 -0,5 F 0,04 1 0,0001 -0,5 0,016 1 0,0003 -0,5

În modelul gaussian parametrii de dispersie yσ (în plan orizontal) si zσ (în plan vertical) se calculeaza cu formulele propuse de Briggs:

( )( )

+=

+=22

11

22

11

1

;1db

z

dby

xcxa

xcxa

σ

σ. (1-11)

În cazul zonelor rurale parametrii de dispersie calculati cu aceste formule, cores-pund unei rugozitati 1,00 =z m si unui timp de mediere de 10 minute. În cazul unei ru-gozitati a terenului 0z diferita de 0,1 m sau al unui timp de mediere diferit τ de 10 minut, parametrii de dispersie se corecteaza astfel:

.

1,0

101,02,0

0

2,02,00

=

=

z

z

zzc

yyc

σσ

τσσ

(1-12)

Page 32: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

34

Supraînaltarea penei de poluant În cele mai multe cazuri, la iesirea dintr-o sursa de poluare, gazele de evacuare au o viteza considerabila si o temperatura ridicata. Atât factorul termic cât si cel mecanic contribuie la cresterea înaltimii medii a penei de poluant deasupra înaltimii fizice a cosu-lui. Consecintele fizice ale acestor fenomene care influenteaza înaltimea penei de poluant sunt cuantificate într-un singur parametru, numit supraînaltare ( )h∆ . La început, pana de poluant se ridica vertical, apoi pierdere progresiv din viteza si caldura, pentru a se stabiliza în final la înaltimea efectiva a sursei, adica înaltimea fizica plus supraînaltarea. Înaltimea efectiva poate fi definita ca fiind înaltimea la care densita-tea poluantilor devine egala cu densitatea aerului. Înaltimea efectiva a sursei este un pa-rametru important în calculele de dispersie, având în vedere, ca ea nu poate fi masurata experimental. Pentru estimarea supraînaltarii penei de poluant exista o serie întreaga de metode. În modelele practice de tip gaussian sunt frecvent utilizate formulele bazate pe recoma ndarile lui Briggs. În aceste modele pana de poluant mai întai se ridica si dupa aceea se deplaseaza; ambele procese fiind descrise independent. Gazele emise de o sursa de poluare se vor ridica în atmosfera pâna când se reali-zeaza echilibru termodinamic si mecanic cu mediul înconjurator. În faza initiala a ridica-rii, fortele ascensionale sunt responsabile pentru dilutia penei; în faza ulterioara procesele de dilutie devin dominante datorita turbulentei din aer. Pe masura ce pana de poluant se ridica atât viteza verticala cât si temperatura penei încep sa scada. Într-o atmosfera stabila temperatura penei scade mai rapid decât temperatura aerului, de aceea supraînaltarea în aceste conditii este în general mai mica.

a) Formula supraînaltarii penei de poluant în conditii instalabile În conditii instabile curentii verticali puternici, ascendenti si descendenti, vor de-termina o ridicare a penei de poluant destul de complicata. Dilutia penei, este de aseme-nea destul de puternica, asa încât fortele ascensionale sunt diminuate înainte ca pana de poluant sa ajunga la supraînaltarea finala. Supraînaltarea h∆ se calculeaza cu relatia:

53

15

=∆

z

b

uF

h , (1-13)

în care bF este fluxul ascendent de caldura, zu este viteza de frecare.

b) Formula supraînaltarii penei în conditii neutre si instabile Pentru starea neutra a atmosferei, la distante mici de sursa de poluare, se foloseste formula:

z

b

uxFh

32

31

6.1=∆ , (1-14)

unde 32

x este punctul în care turbulenta aerului devine dominanta în comparatie cu turbu-lenta interna a penei produsa de fortele ascensionale pentru surse mari de poluare. Pentru conditii neutre si distante mari supraînaltarea se determina cu formula:

z

b

uF

h6,039=∆ . (1-15)

Page 33: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

35

Pentru conditii stabile supraînaltarea se calculeaza cu formula: 3

1

6,2

∂∂

=∆

zu

TFh

az

ab

θ, (1-16)

unde z

a

∂∂θ

reprezinta gradientul local al temperaturii potentiale.

Daca z

a

∂∂θ este mai mare de 0,005 K/m, stratul este considerat stabil si se utili-

zeaza formula (1-16), daca nu se foloseste ecuatia (1-15). Se considera ca stratul atmosferic în care gradientul de temperatura este mai mare

de 0,005 K/m nu poate fi neutru sau instabil (în straturile neutre de aer uscat 0=∂

∂z

aθ, iar

în straturile de aer umed saturat ). De asemenea, se presupune ca turbulenta este generata la sol, astfel încât toate straturile care se gasesc deasupra unui strat în care intensitatea turbulentei este redusa prezinta si ele o turbulenta de intensitate mica, rezultând astfel o dispersie minora a penei de poluant. Se constata ca valoarea concentratiei de poluant într-un punct receptor dat ( )RR YX , , va depinde de coordonatele x si y (deci de directia vîntului α prin formulele (1-8) si (1-9), de stabilitatea atmosferica si de viteza vântului ( )hu . Deoarece coordonatele x si y din formula concentratiei gaussiene ( )zyxC ,, se calculeaza în functiei de directia vântului, se constata ca valorile acestor concentratii sunt

foarte sensibile la schimbarea directiei (D) prin factorul exp

− 2

2

2 y

. De aceea largimea

claselor de directie ar trebui sa fie de un grad, adica 360 de clase de directie. Reteau de meteorologie furnizeaza însa, informatii despre directia vântului pe 16 clase de directie (N, NNE, NE,.., NNV). Deci pentru o clasa data, directia vântului varia-za într-un sector de 22,50C. Daca presupunem ca directia vântului este uniform repartizata într-un sector de 22,50, atunci din frecventele climatologice date pe 16 directii obtinem frecventa directii-lor pentru sectoare de 2,50 utilizate în cadrul modelului gaussian. 1.6.1.2. Model de dispersie la scara locala pentru surse de poluare cu emisie acciden-tala Evaluarea concentratiilor de poluanti chimici sau radioactivi, produsi de surse cu emisie variabila în timp se poate realiza în prezent în tara, cu modelul de tip gaussian puff. În algoritmul de calcul al unui model de tip gaussian puff, denumit INPUFF, emi-siile sursei de poluare sunt tratate ca o serie de puff-uri (nor de poluant) emise în atmosfe-ra. Pe un interval de timp dat se presupune ca parametrii meteorologici de intrare ai mo-delului: stabilitatea atmosferica, directia, viteza vântului si înaltimea de amestec sunt con-stante, dar acesti parametrii sunt variabili de la un pas la altul. Pe durata fiecarui pas de

Page 34: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

36

timp, centrul norului de poluant, se deplaseaza de-a lungul traiectoriei masei de aer, iar în interiorul norului ditributia concentratiei se presupune a fi gaussiana. Deci, fiecare puff are un centru si un volum care sunt determinate de vântul me-diu, stabilitatea atmosferica si timpul de transport. În cadrul modelului se fac urmatoarele ipoteze:

- dispersia poluantului într-un puff se presupune a fi gaussiana atât în plan orizontal cât si vertical;

- se presupune ca poluantul este stabil din punct de vedere chimic si ramâne în at-mosfera o perioada mare de timp;

- parametrii de dispersie inclusi în acest model se bazeaza pe schemele empirice traditionale Pasquill – Gifford – Turner. Deoarece modelul INPUFF poate include conditii meteorologice variabile de la un pas de timp la celalalt, desi este un model de tip gauss, el este asilimat cu modelele euleriene în care se utilizeaza câmpuri de vânt spatiale si temporale. Dar, în timp ce un model de tip euler rezolva ecuatia de difuziune prin schema diferentelor finite, sau prin metoda spectrala, ceea ce necesita un timp de calcul foarte mare, modelul INPUFF efec-tueaza calculele de concentratii într-un timp mic. Spre deosebire de modelul gaussian, care este utilizat pentru surse de poluare cu emisie continua (deoarece în acest model se considera o uniformitate spatiala si tempora-la a conditiilor meteorologice), cu ajutorul modelului INPUFF se pot realiza aplicatii de mare actualitate în domeniul poluarii atmosferei si anume:

- determinarea concentratiilor de poluanti produsi într-o anumita zona de o sursa de poluare care se deplaseaza cu viteza constanta pe o anumita directie, un interval de timp specificat;

- calculul concentratiilor de poluanti determinate de surse de poluare cu emisie va-riabila în timp sau în cazuri de accidente chimice sau nucleare. Modelele de tip gaussian puff au fost dezvoltate în special pentru studierea emisii-lor nestationare, în conditii de dispersie neomogene. Modelul gaussian puff presupune ca fiecare emisie de poluant în intervalul t∆ injecteaza în atmosfera o masa tqQ ∆∆= , un-de q∆ este rata de emisie variabila în timp. Centrul norului de poluant (puff) care contine masa Q este deplasat corespunzator vectorului vânt variabil în timp. Daca la timpul t cen-trul pufului este situat în punctul (0,0,0) atunci concentratia produsa de puff-ul respectiv în punctul receptor ( )RRR ZYXR ,,= poate fi calculata cu formula:

( ) ( )( ) ( ) ( )i

yxzyx

RR ZgYtuXQ

YXC

−−= 2

2

2

2

3 2exp

2exp

20,,

σσσσσπ, (1-17)

( ) ( ) ( )∑+=

−=

++−+

+−−=

4

42

2

2

2

22

exp2

2exp

n

n z

ie

z

iei

nZHznZHzZg

σσ (1-18),

unde: ( )0,, RR YXC este concentratia de poluant la nivelul solului; Q este masa de poluant în puff; yσ este deviatia standard a distributiei gaussiene în plan orizontal; zσ este devia-tia standard a distributiei gaussiene în plan vertical; He este înaltimea efectiva a puffului; Zi este înaltimea stratului limita planetar. Concentratia totala într-un punct receptor la timpul t este calculata adunând con-tributiile ( )0,, RR YXC pentru toate puffurile generate de sursa de poluare.

Page 35: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

37

1.6.1.3. Model de dispersie din “noua generatie”, pentru surse de poluare cu emisie variabila în timp Modelele pentru evaluarea dispersiei poluantilor la scara locala, utilizate în pre-zent în mod operativ se bazeaza pe metoda empirica de determinare a parametrilor de dispersie si a claselor de stabilitate atmosferica propusa de Pasquill – Gifford – Turner. Acesti parametri de dispersie au fost obtinuti în cadrul unor experimente cu traso-ri, în care sursele de emisie erau joase (la nivelul solului). În ciuda acestor restrictii, mo-delele de dispersie în care sunt incluse aceste parametrizari sunt înca frecvent utilizate în lume, pentru surse de poluare înalte. Compararea rezultatelor acestor modele, cu masura-torile efectuate în cadrul unor experimente de dispersie, au aratat ca aceste modele nu pot fi utilizate pentru evaluarea câmpului de concentratii în jurul surselor de poluare înalte. În modelul de dispersie din “noua generatie”, parametrii de dispersie sunt estimati ca functii continue de parametrii fizici ai stratului limita planetar. Acest model este un model de dispersie bazat pe formularea gaussiana a penei de poluant. Ea este cea mai ma-re simplificare a modelului, deoarece studiile recente arata ca structura verticala a penei de poluant nu este totusi de tip gaussian. Alegerea ipotezei gaussiene a fost rezultatul unui compromis între scopul operati-onal al modelului si fundamentul fizic. De asemenea, formularea gaussiana a penei de poluant a fost aleasa în cadrul acestui model deoarece alte metode încercate pâna în prezent (cum este modelul stochas-tic Monte Carlo, bazat pe o functie de densitate probabilistica negaussiana) nu au condus la rezultate satisfacatoare decât în conditii convective. Principalele îmbunatatiri pe care le contin modele din “noua generatie“ în compa-ratie cu modelele traditionale sunt: noua metoda de determinare a dispersiei penei de po-luant; modificarea dispersiei turbulente datorita supraînaltarii; includerea proceselor de penetrare a penei în stratul de inversiune; tratarea speciala a dispersiei orizontale în cazul conditiilor de vânt slab. Concentratia de poluant într-un punct la suprafata solului este determinata în ca-drul modelului cu ajutorul ecuatiei:

( )

−=

2

2

25,0exp5,0exp0,,

yz

e

zy

yHu

QyxC

σσσσπ, (1-19)

unde: He este înaltimea efectiva, Q este emisia de poluant, iar zy σσ , sunt parametrii de dispersie orizontala si verticala. Reflexia la vârful stratului de amestec si la suprafata terestra este luata în conside-rare prin introducerea unei surse imaginare. Când parametrul de dispersie zσ este mai mare decât 1,2 din înaltimea de amestec se considera o distributie uniforma a concentratiei în tot stratul de amestec. 1.6.2. Modele lagrangiene si euleriene pentru transportul poluantilor la scara regio-nala Poluarea atmosferei terestre reprezinta astazi una din principalele probleme ale omenirii, transportul poluantilor depasind granitele tarilor în care au fost produsi, deter-minând modificari imprevizibile, directe si indirecte ale mediului. Principalul instrument

Page 36: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

38

de studiu al acestui fenomen complex este modelarea matematica a fenomenelor fizice si chimice implicate. Modelele de dispersie a poluantilor în atmosfera la aceasta scara sunt utilizate pentru determinarea contributiei diferitelor surse de poluare la valoarea totala a concen-tratiilor si a depunerilor, pentru studierea efectului cresterii sau descresterii emisiei surse-lor asupra concentratiei de poluanti etc. Transportul poluantilor la mare distanta este un factor important în problemele de mediu cum sunt: ploile acide, perioadele de smog, transportul în regiuni îndepartate si acumularea ulterioara a metalelor grele, transportul în stratosfera a poluantilor emisi în special de eruptiile vulcanice si exploziile nucleare. De aceea se acorda în prezent un interes deosebit activitatii de supraveghere a poluarii medi-ului înconjurator la scara continentala. Aceasta supraveghere se realizeaza pe de o parte, cu ajutorul statiilor de poluare de fond, iar pe de alta parte cu ajutorul modelelor de calcul al concentratiilor de poluanti la mare distanta. Scopul întaririi controlului poluarii este punerea în evidenta a modificarilor survenite în natura, explicarea influentei poluarii asu-pra mediului înconjurator precum si crearea bazelor pentru solutii stiintifice în domeniul protectiei atmosferei. Primul program pentru studiul transportului poluantilor la mare dis-tanta a fost initiat în Europa în anul 1972 si cuprindea supravegherea emisiei de poluanti, elaborarea de modele de dispersie cu verificare experimentala, masurarea precipitatiilor si concentratiilor de sulf din aer. În anul 1977 a fost initiat al doilea program pentru studiul transportului poluantilor la mare distanta, denumit: „Programul de monitorizare si evalua-re a transportului poluantilor la lunga distanta în Europa” (EMEP). În noiembriei 1986, în urma accidentului de la Cernobîl, trei organizatii internati-onale si anume: Comisia Comunitatilor Europene (CCE), Agentia Internationala pentru Energie Atomica (AIEA) si Organizatia Meteorologica Mondiala (OMM) au sponsorizat programul international denumit “Studiul de Evaluare a Modelelor de Transport Atmos-feric”(SEMTA). Desi în cadrul SEMTA s-au obtinut rezultate importante, totusi, termenii sursa legati de accidentul de la Cernobîl sunt foarte nesiguri (atât în ceea ce priveste emisia to-tala de poluanti radioactivi cât si caracteristicile de emisie). Aceasta nesiguranta limiteaza valoarea tuturor bazelor de date de la Cernobîl si deci rezultatele testarii modelelor de transport. De aceea, cele trei organizatii internationale, au sponsorizat în perioada 1992-1995 programul ETX, adica un experiment european cu trasori. Importanta cunoasterii nivelului si evolutiei poluarii de fond (produsa de transpor-tul poluantilor la mare distanta) de pe teritoriul tarii consta în faptul ca efectul poluantilor existenti în atmosfera este global. Pentru evaluarea transportului poluantilor la mare distanta exista doua categorii mari de modele: modelul de transport de tip lagrangeian si modelul de transport de tip euler. 1.6.2.1. Modelele de tip lagrangeian Un model lagrangeian de transport al poluantilor la mare distanta cuprinde:

- o metoda de evaluare a traiectoriei maselor de aer la scara sinoptica; - o metoda de determinare a concentratiei de poluant de-a lungul acestor traiectorii.

Traiectoria unei mase de aer este curba corespunzatoare pozitiilor succesive ale masei respective. Un mod simplu de estimare a traiectoriilor este cu ajutorul hartilor de suprafata si a hartilor aerologice. Daca presupunem ca un nor de poluant se gaseste în po-

Page 37: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

39

zitia P1 la momentul t1 , vântul vectorial din P1 permite extrapolarea liniara a deplasarii norului pâna în pozitia P2 la momentul t2. Noua pozitie P2 observata pe o harta sinoptica împreuna cu vântul vectorial din acest punct la momentul t2 vor permite extrapolarea în continuare a deplasarii norului de poluant. Dificultatile care apar în aplicarea unei asemenea metode de determinare a traiec-toriilor sunt urmatoarele: datele asupra înaltimii initiale a norului de poluant sunt insufi-ciente, numarul statiilor aerologice este insuficient pentru a masura caracteristicile vântu-lui la o scara mai mica decât cea sinoptica, lansarile baloanelor de radiosondaj sunt prea rare (la interval de 12 ore) pentru a permite interpolarea când vântul se schimba foarte repede, în general miscarile verticale nu sunt luate în considerare. O parte din aceste inconveniente pot fi eliminate prin determinarea traiectoriilor maselor de aer utilizând un câmp de vânt prognozat la scara continentala. În cadrul modelului lagrangeian de transport al poluantilor la mare distanta, ter-menul difuziei turbulente din ecuatia generala de difuziune devine neglijabil. Deci ecuatia bilantului masic al unui poluant într-un strat limita planetar în care poluantul este ameste-cat uniform este de forma:

RQtC

wyC

xC

utC

−=∂∂

+∂∂

+∂∂

+∂∂

ν , (1-20)

unde: u,v,w reprezinta câmpul vântului, Q emisia de poluant, iar R rata de eliminare a po-luantului. 1.6.2.2. Modelele de tip eulerian Modelarea transportului poluantilor la mare distanta, în cadrul unui model de tip eulerian se realizeaza în doua faze: prognoza câmpului meteorologic al miscarii aerului atmosferic si a conditiilor de difuzie, prognoza transportului poluantilor antrenati de aerul atmosferic. În prezent este imposibila rularea modelelor de tip eulerian pe intervale mari de timp dar dezvoltarea computerelor de mare putere este atât de rapid încât, peste câtiva ani, asemenea modele pot deveni operationale. Modelul de transport de tip eulerian MEDIA este un model de transport si de dis-persie atmosferica. Acest model descrie procesele care intervin în transportul si difuzia unui poluant în atmosfera, rezolvând ecuatia cunoscuta sub numele de ecuatia difuziei atmosferice, care nu este altceva decât o forma a ecuatiei de conservare a masei poluantu-lui. Domeniul pe care este efectuata simularea este divizat în celule, iar ecuatia urmatoare este rezolvata în fiecare punct al grilei:

zC

wyC

xC

uCwz

Cy

Cuxz

Cw

yC

xC

utC

∂∂

+∂∂

+∂∂

+∂∂

−∂∂

−∂∂

−=+∂∂

+∂∂

+∂∂

ννδδ

ν '''''' (1-21)

Aceasta ecuatia arata ca evolutia temporala a concentratiei de poluant într-un punct al grilei depinde de:

- advectia datorata vântului mediu prin intermediul termenului,

zC

wyC

xC

u∂∂

+∂∂

+∂∂

ν , (1-22)

- difuzia turbulenta reprezentata de termenul:

'''''' Cwz

Cy

Cux ∂

∂−

∂∂

−∂∂

− ν . (1-23)

Page 38: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

40

1.7. Transformarile chimice ale poluantilor Reactiile chimice care au loc în atmosfera, prezinta o mare importanta în studiul poluarii. O parte importanta a agentilor poluanti prezenti în atmosfera au tendinta de a trece în compusi cât mai stabili, prin reactii chimice facilitate de prezenta oxigenului, a vaporilor si a picaturilor de apa, a radiatiilor solare, a particulelor solide si lichide. Pe su-prafetele acestor particule pot fi adsorbiti si concentrati poluantii gazosi, fapt ce conduce la initierea si accelerarea reactiilor chimice, de multe ori aparând si fenomenul de catali-zare a anumitor reactii. Cele mai importante si studiate reactii chimce în atmosfera sunt cele care duc la formarea smogului oxidant si a celui reducator, precum si cele care duc la distrugerea stratului de ozon stratosferic. În atmosfera, sub influenta radiatiilor ultraviolete, bioxidul de sulf se oxideaza în trioxid de sulf, care în prezenta unor catalizatori se combina cu va-porii de apa si formeaza acidul sulfuros si acidul sulfuric, ei reprezinta principala cauza a ploilor acide. În procesul formarii smogului fotochimic, bioxidul de azot se disociaza sub actiu-nea radiatiilor ultraviolete în monoxid de azot si un atom liber de oxigen care, în prezenta unor catalizatori, se ataseaza unei molecule de oxigen trecând în ozon. Foarte importante sunt reactiile chimice ce au loc la nivelul stratosferei, si anume a celor care duc la formarea si distrugerea stratului de ozon care are un rol deosebit de important în absorbirea radiatiilor ultraviolete ale soarelui, foarte daunatoare vietii pe Terra. Stratul de ozon opreste cea mai mare parte a radiatiei ultraviolete de mare energie, deosebit de periculoasa pentru fiintele vii. De fapt popularea Terrei cu plante si animale s-a putut realiza numai dupa aparitia stratului de ozon stratosferic. Radiatia ultravioleta este deosebit de periculoasa pentru oameni si pentru animale-le superioare dar este mortala pentru majoritatea formelor inferioare de viata, fapt ce con-duce la autopurificarea de germeni patogeni a atmosferei si hidrosferei. Din acest fapt rezulta ca o cantitate redusa de radiatie ultravioleta în troposfera este absolut necesara. 1.8. Norme privind calitatea aerului Conform unui principiu general care se aplica în orice activitate în care intervine factorul de risc, acesta se calculeaza pentru conditiile naturale de desfasurare a acelei ac-tivitati. În mod similar si în situatia riscului implicat de poluarea atmosferei se aplica ace-lasi principiu enuntat anterior. Cu toate ca în poluarea atmosferei intervin factori potent i-ali de agravare a conditiilor asa-zise normale (conditile de dispersie, temperatura, umidi-tatea, precipitatiile, norii etc.), totusi normele privind asigurarea calitatii aerului au un singur scop si anume acela de a limita nivelul poluarii în conditii de emisii normale. In-terpretarea datelor obtinute din masurari, în sensul daca sunt sau nu aceptabile ca marime, se face prin comparatie cu normele de calitate a aerului, care fixeaza concentratiile ma-xime admise (CMA), pentru fiecare component poluant în parte. Aceste limite se fixeaza, în urma unor observatii si experimente, interpretându-se efectele poluantilor asupra starii de sanatate a oamenilor. Actiunile toxice se pot multipli-ca si atunci are loc procesul de sinergism, sau se poate reduce semnificativ având loc pro-cesul de antagonism.

Page 39: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

41

În România se aplica SR-EN-ISO 14001 denumit “Aer din zonele protejate”, care se refera la aerul atmosferic si stabileste concentratiile maxime admise ale unor substante poluante în aerul zonelor protejate. Prin zona protejata se întelege “teritoriul în care intra zonele de locuit, parcurile, rezervatiile naturale, zonele de interes balneoclimatic, de odihna si recreatie, dotarile social–culturale, precum si unitatile economice ale caror pro-cese tehnologice necesita o atmosfera lipsita de impuritati”. Concentratiile maxime admise (CMA) prevazute sunt stabilite astfel încât prin respectarea lor sa se asigure populatia neprotejata împotriva efectelor nocive ale acestor substante. La fiecare cinci ani standardele ISO sunt reînnoite pentru a tine pasul cu dez-voltari stiintifice si tehnologice. Standardul ISO/TC 146 „Air Quality” a fost emis în 1971 si scopul lui este stan-dardizarea în domeniul calitatii aerului, incluzând definirea termenilor, probelor de aer, tehnici de masurare, raportarea valorilor caracteristice pentru aer si sunt excluse valorile limita. Pentru evaluarea nivelului de poluare, tinând seama de tipul de poluant, timpul de expunere si efectul asupra sanatatii, Organizatia Mondiala a Sanatatii (OMS) a elaborat recomandarile privind calitatea aerului, pentru concentratii ale agentilor poluanti impor-tanti si efectele acestora.

2. Metode si echipamente pentru determinarea compozitiei atmosferei 2.1. Introducere Proprietatile fizico-chimice ale aerului si ale poluantilor acestuia

Pentru masurarea concentratilor constituentilor de baza ai atmosferei, precum si pentru masurarea concentratiilor de substante poluante, este necesar sa se cunoasca pro-prietatile fizice si chimice ale acestora, în vederea realizarii metodelor, dispozitivelor si aparatelor necesare îndeplinirii acestui scop [T1].

Constituentii de baza ai atmosferei si substantele poluante ale acesteia au fost des-crise pe larg în referatul nr. 1 “Calitatea atmosferei în contextul dezvoltarii durabile”, aici urmând a se prezenta doar proprietatile fizice si chimice ale acestora, necesare realizarii aparatelor si dispozitivelor pentru masurarea concentratiilor.

În tabelul 2;1. sunt prezentate pe scurt proprietatile fizice ale gazelor prezente în atmosfera. Tab. 2;1. Proprietatile fizice ale principalelor gaze prezente în atmosfera Nr. crt.

Natura gazului Simbol Densitate raportata la aer Conductivitate termica

Susceptibi-litate mag-netica raportata la oxigen

1 Aer - 100 100 100 + 21,6 2 Oxigen O2 110,5 108 103 + 100 3 Azot N2 96,7 95 100 - 0,42 4 Monoxid de car-

bon CO 96,7 95 101 - 0,21

5 Bioxid de carbon CO2 152,9 80 69 - 0,61 6 Vapori de apa la H2O 62,3 52 130 -

Page 40: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

42

00C 7 Hidrogen H2 6,95 48 738 - 012 8 Bioxid de sulf SO2 225 70 39 - 0,05

9 Monoxid de azot NO 103 - 93 + 43,8 10 Bioxid de azot NO2 158 - 65 + 6,2 11 Metan CH4 55,5 60 135 - 0,37 Densitatea, conductivitatea termica si vâscozitatea sunt raportate la aer, iar sus-ceptibilitatea magnetica este raportata la oxigen, gazele paramagnetice având sucepti-bilitatea magnetica pozitiva, iar cele diamagnetice având suceptibilitatea magnetica nega-tiva. Din analiza acestui tabel se poate observa ca hidrogenul este elementul care se poate detecta cel mai usor, pentru ca prezinta o densitate care este mult mai mica decât cea a aerului si o conductivitate termica mult mai mare decât a aerului. Tot pe baza de densitate ar putea fi detectate bioxidul de sulf, bioxidul de azot si bioxidul de carbon. Conductivitatea termica mare a hidrogenului si mica a bioxidului de carbon este folosita în aparate pentru masurarea concentratiilor acestor substante. Susceptibilitatea magnetica mare a oxigenului fata de celelalte gaze este folosita curent pentru determinarea concentratiei de oxigen în aer. Elementul care ar putea intro-duce erori într-o astfel de masurare este monoxidul de azot, dar concentratia acestuia în mediu este mult mai mica decât cea a oxigenului (cu patru – cinci ordine de marime). Pentru a putea detecta substantele gazoase aflate în concentratii foarte mici, de ordinul ppm, se folosesc proprietatile fizice si chimice specifice fiecarei substante. Dintre acestea cele mai importante sunt acelea care se refera la interactiunea dintre respectiva substanta cu radiatie electromagnetica de diferite lungimi de unda. Astfel: bioxidul de carbon, monoxidul de carbon si metanul prezinta benzi de absorbtie în zona de infrarosu a spectrului; ozonul prezinta benzi de absorbtie în zona de ultraviolet; bioxidul de sulf prezinta proprietatea de fluorescenta la iradierea cu raze în ultraviolet; bioxidul de azot obtinut din reactia ozonului cu monoxidul de azot, prezinta proprietatea de chimiluminescenta. Proprietatile chimice ale gazelor prezente în atmosfera, precum si puternicul ca-racter oxidant al ozonului sau al oxigenului si caracterul reducator al bioxizilor de sulf si azot, pot fi folosite în dispozitive si instrumente pentru determinarea concentratiilor de compusi ai atmosferei. Clasificarea metodelor pentru controlul si supravegherea calitatii aerului Masurarea concentratiilor diferitilor compusi gazosi ai atmosferei se poate face prin diferite metode. În functie de caracteristici, acestea pot fi clasificate în mai multe ca-tegorii: A. Dupa principiile folosite în masurare: 1. Metoda magnetica 2. Metoda chimica 3. Metode fizice - spectometria de masa a gazelor - absorbtia radiatiilor radioactive

Page 41: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

43

4. Metode fizico – chimice - cromatografia în faza gazoasa - spectroscopia atomica de masa - spectroscopia prin absorbtie atomica - metode electrochimice

- metoda combustiei catalitice - metoda depolarizarii electrochimice

5. Metoda optica - spectometrie de absorbtie în infrarosu 6. Metode termice - metoda conductiei caldurii - metoda caldurii de reactie 7. Metode biologice B. Dupa forma de prelevare si analiza a gazelor: 1. Metode manuale 2. Metode semiautomate 3. Metode automate C. Dupa forma de prezentare a rezultatelor analizei: 1. Metode cu citire directa a datelor 2. Metode cu afisare si memorare D. Dupa durata si frecventa determinarilor: 1. Analize continue 2. Analize periodice 3. Analize intermitente E Dupa locul de analizare a mostrelor: 1. Metode cu prelevare si transport a mostrelor de gaz si analiza ulterioara a datelor 2. Metode de analiza în timp real cu afisare imediata a datelor si posibilitati de alarmare F Din punctul de vedere al echipamentelor de analiza: 1. Echipamente fixe sau mobile 2. Echipamente care executa masuratori pentru un anumit parametru sau pentru un set complet de parametri Metodele manuale de analiza a calitatii aerului se bazeaza în cea mai mare masura pe principii chimice. Se extrag din mediu esantioane din gazul analizat, se transporta la laboratoare specializate si se analizeaza pe baza reactiilor chimice produse. Alta metoda chimica manuala consta în barbotarea mostrelor de aer prin solutii specializate un timp bine determinat si analiza ulterioara a produselor de reactie, pentru masurarea concentratiilor de componente gazoase în mostra respectiva. În metodele bazate pe principii chimice de cea mai mare importanta este esantio-narea – mijlocul de extragere a mostrei din aer – care depinde de pozitia sondei de prele-

Page 42: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

44

vare în mediu, tipul sondei, debitul de gaze, alegerea filtrelor si tubulaturii de esantionare. Toate aceste aspecte pot introduce erori mari în masurare, mai ales în cazul concentratii-lor mici de impuritati. De asemenea, transportul si analiza ulterioara pot introduce erori prin stratificare, depunere pe peretii vaselor, reactii chimice necontrolate între substantele analizate, variatii mari de temperatura si presiune. Din aceste motive analizoarele pe principii chimice sunt din ce în ce mai putin utilizate. În prezent se folosesc pentru determinarea concentratiilor de gaze atmosferice analizoarele realizate pe principii fizice. Analizoarele pe principii fizice sunt de obicei analizoare realizate pe o anumita componenta, sunt în acelasi timp analizoare automate care furnizeaza pe loc concentratia în mediul analizat a respectivei componente. Analizoarele pe principii fizice sunt realizate pe baza diferitelor proprietati ale substantelor gazoase cum ar fi:

- absorbtia radiatiilor electromagnetice (în infrarosu, vizibil sau ultraviolet); - spectroscopia optica; - reflexia, refractia, dispersia undelor electromagnetice; - fluorescenta; - chimiluminescenta; - susceptibilitatea magnetica; - densitatea si vâscozitatea; - puterea calorica a gazelor combustibile etc.

Analizoarele pe principii fizice sunt foarte precise, pot asigura o analiza continua a atmosferei, în timp real, cu posibilitati de memorare si alarmare dar sunt foarte scumpe, au un volum mare, necesita o aparatura complicata, mediu de lucru controlat si sunt ade-sea putin fiabile. Cele mai moderne metode de analiza a compozitiei aerului atmosferic se realizea-za pe principii fizico-chimice. Dintre acestea cele mai importante sunt:

- cromatografia în faza gazoasa; - spectroscopia atomica de masa; - spectroscopia prin absorbtie atomica; - metode electrochimice de analiza, realizate pe baza celulelor electrochimice sau

pe baza dispozitivelor cu proprietati speciale de suprafata. Daca primele trei metode sunt extrem de precise, dar foarte scumpe, care necesita o aparatura sofisticata si sunt aplicabile în special în laboratoare, metodele electrochimice de analiza sunt cele mai indicate în determinarea calitatii aerului atmosferic. Aceasta da-torita pretului lor relativ scazut, robustetii lor, posibilitatilor usoare de automatizare si raspunsului în timp real al sistemelor de semnalizare dotate cu senzori electrochimici. Acest ultim avantaj asigura masurarea si afisarea rezultatelor rapid si în locul indicat. Posibilitatea de miniaturizare a senzorilor electrochimici permite fabricarea de retele de microsenzori care, integrati în sisteme electronice functionale, dotate cu inteli-genta artificiala, ofera posibilitatea unei aprecieri atât cantitative cât si calitative a feno-menului de poluare a aerului. Dupa clasificarea metodelor si prezentarea echipamentelor necesare pentru evalu-area calitatii aerului atmosferic, în continuare prezint în detaliu metodele fizice si echi-pamentele realizate pe baza principiilor fizice.

Page 43: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

45

2.2. Metode fizice si echipamente pentru determinarea compozitiei atmosferei 2.2.1. Analizoare de gaz prin metoda de absorbtie a radiatiilor Metoda de radiatie se bazeaza pe proprietatile de transmisie, reflexie, refractie, dispersie, absorbtie si conversie ale radiatiilor de natura electromagnetica sau nucleara, de diferite lungimi de unda, la interactiunea acestora cu diferiti compusi ai atmosferei. Metodele de masurare prin radiatie sunt foarte exacte la niveluri mici de poluare, de ordinul 1 – 100 ppm, si în acelasi timp specifice, permitând identificarea precisa a po-luantului în conditiile unor factori perturbatori importanti. Acesti factori sunt:

- umiditatea; - temperatura; - presiunea variabila; - turbulenta aerului; - prezenta unor alti poluanti.

Identificarea cu precizie a concentratiei componentelor poluante gazoase ale at-mosferei se realizeaza prin folosirea unor proprietati specifice fiecarei componente în parte. Astfel:

- la masurarea concentratiei monoxidului de carbon si bioxidului de carbon se folo-seste proprietatea de absorbtie a radiatilor electromagnetice din domeniul infraro-su, dar fiecare componenta are spectrul sau de absorbtie, ceea ce face usoara iden-tificarea prin folosirea unor surse de radiatii cu frecvente corespunzatoare;

- masurarea concentratiei de bioxid de sulf se bazeaza pe proprietatea acestuia de fluorescenta la iradierea cu raze ultraviolete;

- la masurarea concentratiei de oxid de azot se foloseste proprietatea de chimilumi-nescenta a bioxidului de azot obtinut din reactia monoxidului de azot cu ozonul.

Folosirea acestei metode pentru determinarea concentratilor poluantilor atmosfe-rici necesita costuri destul de ridicate, instalatiile de masurare sunt scumpe, iar întretine-rea instalatiilor este destul de dificila. La trecerea radiatiei electromagnetice de banda larga printr-un mediu gazos are loc un fenomen de absorbtie a undelor electromagnetice de o anumita lungime de unda în acest mediu. Spectrul lungimilor de unda absorbite depinde de compozitia gazului anali-zat. Masurarea concentratiei unui anumit gaz dintr-o mostra prin determinarea gradu-lui de transmisie a unei radiatii electromagnetice de o anumita lungime de unda pe o dis-tanta data în mostra respectiva este numita metoda fotometriei nedispersive. Analizatoa-rele de gaze realizate pe baza acestei metode sunt destinate identificarii unui anumit gaz. Schema generala a unui dispozitiv pentru obtinerea spectrelor de absorbtie este prezentat în figura 2.1

Page 44: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

46

Fig. 2.1. Dispozitiv pentru obtinerea spectrelor de absorbtie

Radiatia electromagnetica emisa de sursa trece prin cuva care contine proba de analizat, apoi printr-un element dispersiv. Elementul dispersiv poate fi o prisma sau o re-tea de difractie si produce separarea radiatiei dupa frecventele componente. Metoda fotometriei nedispersive este aplicata în doua variante: metoda masurarii intensitatii relative de absorbtie; metoda masurarii absorbtiei în doua benzi de lungimi de unda. Metoda fotometriei nedispersive, în ambele variante, se bazeaza pe legea de ab-sorbtie a radiatiei electromagnetice în gaze, (legea Lambert – Beer), a carui formula este urmatoarea:

lcA ⋅⋅= ε , (2-1) unde: A reprezinta absorbanta, ε reprezinta coeficientul molar de absorbtie, c reprezinta concentratia solutiei si l este grosimea stratului strabatut de radiatie. Relatia (2-1) este demonstrata în nota 2.2.1 de la sfârsitul capitolului 2. 2.2.1.1. Masurarea intensitatii relative de absorbtie în infrarosu Principiul de masurare a analizorului de gaz în infrarosu. Mostra de masurat se introduce în incinta de masurare 4 (figura 2.2), în timp ce în incinta de referinta se gaseste un gaz neabsorbant de radiatii din domeniul infrarosu. Cele doua incinte, de dimensiuni identice, sunt strabatute de doua fascicule de ra-ze infrarosii, provenite de la aceeasi sursa, fascicule care, la intrarea în incinte, au ace-leasi intensitati I1. Pentru a asigura egalitatea riguroasa a intensitatilor celor doua fascicu-le, aparatele de masura sunt prevazute cu un dispozitiv de reglaj pentru echilibrare (regla-rea punctului de nul, “aducere la zero”). La iesirea din incinta de masurare fascicolul corespunzator este atenuat, în zona spectrului de absorbtie a gazului de masurat, proportional cu concentratia acestui gaz în mostra, în timp ce aceleasi radiatii trec neatenuate prin incinta de referinta, fapt ce deter-mina o diferenta a intensitatilor de iesire I2 a celor doua fascicule, în zona spectrului res-pectiv, proportionala cu concentratia de masurat. Diferenta de intensitate, în zona spectrului de absorbtie a unui gaz, a doua fascicu-le de radiatie în infrarosu, se determina cu senzori specifici fiecarui gaz, bazati pe princi-piul filtrajului pozitiv. Acest principiu arata ca un anumit gaz se încalzeste prin radiatie numai datorita radiatiilor care au spectrul de frecvente în interiorul benzilor de absorbtie ale gazului res-pectiv. Rezulta ca o incinta în care se gaseste gazul de masura, iluminata cu radiatia emergenta din incintele de masurare, este un senzor specific, încalzirea gazului din res-

Cuva care contine proba

Element dispersiv Detector Sursa de lumina

Page 45: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

47

pectiva incinta fiind proportionala cu intensitatea radiatiei din domeniul spectrului de ab-sorbtie.

1 2 3 4 5 6 7 8

9 10 11 12 13

Fig. 2.2. Principiul de masurare a analizorului de gaz în IR

2.2.1.2. Masurarea absorbtiei în doua benzi de lungime de unda Determinarea concentratiei de gaz poluant dintr-o mostra de gaz atmosferic prin metoda absorbtiei radiatiilor în infrarosu din doua benzi apropiate de lungime de unda consta din compararea la iesire a intensitatilor luminoase a doua fascicule de radiatii IR de banda îngusta, unul aflat în zona spectrului de absorbtie al gazului de masurat iar cela-lalt fiind într-o zona neabsorbanta de raze IR, care au parcurs acelasi drum prin mostra de masurat si au avut la intrare aceiasi intensitate [C2]. Principiul metodei este ilustrat în figura 2.3. O sursa de radiatie IR de banda larga 1 (filament de nichel – crom încalzit electric la rosu) emite directional doua fascicule de radiatii de aceeasi intensitate, obtinute prin chopare cu ajutorul unui disc crestat 3, rotit cu o turatie fixa. Fasciculele sunt trecute individual prin câte un filtru optic care determina cele doua fascicule de banda îngusta necesare, unul în banda de absorbtie a gazului de determinat 6, celalalt, de referinta 5, în afara spectrelor de absorbtie în IR. Fasciculele, de intensitati luminoase relativ egale, parcurg incinta în care se afla mostra de gaz studiat 7 si la iesirea din aceasta sunt comparate cu ajutorul unui senzor de IR cu semiconductoare 10 (celula fotoelectrica, fototranzistor, fotodioda). Diferenta între intensitatile luminoase ale celor doua fascicule, determinata de senzor sub forma de dife-renta de tensiune electrica si preluata de sistemul electronic de masurare si control, este o masura a concentratiei de gaz poluant în mostra de studiat. Metoda masurarii absorbtiei în doua benzi de lungime de unda prezinta avantajul ca murdaria ferestrelor incintei de masurare are un efect minor asupra rezultatelor masu-ratorii si prin alegerea corecta a filtrelor optice se asigura o foarte buna identificare a ga-zului de masurat. Pentru cresterea sensibilitatii instrumentelor si instalatiilor care folosesc aceasta metoda pentru determinarea concentratiei de poluant în atmosfera, se poate aplica princi-piul corelatiei filtrelor gazoase, care consta în folosirea unui singur fascicol de radiatie

1 – sursa IR; 2 – reflector; 3 – incinta de referinta; 4 – incinta de masurare; 5 – bloc optic; 6 – camera de filtrare; 7 – modulator optic (chopper disc); 8 – motor chopper; 9 – detector de radiatie infraro-sie; 10 – camera de absorbtie; 11 – camera de com-pensare; 12 – microsenzor de debit, 13 – bloc elec-tronic.

Page 46: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

48

IR, dar modulat în frecventa cu ajutor unui disc (choper), pe care sunt plasate cele doua filtre: de referinta si de interferenta (figura 2.4). Corelatia filtrelor determina o foarte bu-na discriminare a interferentelor cu alte gaze, iar folosirea unei incinte de masurare cu multireflectie a radiatiei asigura, prin cresterea distantei parcurse de radiatie prin mediul absorbant, o crestere a sensibilitatii analizorului.

1 1

5 6 7 8 9 10 11 12 13

1 2 3 4

Fig. 2.3. Analizor de gaze în IR cu masurarea absorbtiei în doua benzi de lungimi de unda

Metoda masurarii absorbtiei în doua benzi de lungimi de unda prin corelatia filtre-lor optice este folosita pentru realizarea analizoarelor de CO, CO2, CH4 în aerul atmosfe-ric, în cadrul laboratoarelor fixe si mobile de control al calitatii aerului. Aceste analizoare au un gabarit mare, necesita un debit constant în incinta de masurare si un gaz martor pentru calibrare.

Analizoarele asigura o foarte buna sensibilitate si selectivitate, compensarea deri-vei “nulului” la fiecare ciclu de masurare (rotatie a discului chopper), memorarea marimi-lor masurate, prelucrarea si achizitia datelor, precum si posibilitati de transmitere a aces-tora la unitatea centrala de analiza. O data cu dezvoltarea microelectronicii si a opticii de precizie s-au realizat sen-zori optici cu raze infrarosii de uz industrial, pentru detectarea contaminarii incintelor si zonelor industriale cu bioxid de carbon sau gaze combustibile cu pericol de explozie, res-pectiv gaze toxice (CO). Principiul de masurarea este acelasi: metoda masurarii absorbtiei în doua benzi de lungimi de unda a radiatiei IR, cu ajutorul unui singur fascicol, modulat în frecventa, dar în acest caz totul este miniaturizat si camera de masurare este larg des-chisa, patrunderea gazului în zona fascicolului IR facându-se prin convectie naturala.

Senzorii IR pentru detectarea gazelor combustibile sau a bioxidului de car-bon sunt mai scumpi decât altii, dar prezinta avantaje deosebite cum ar fi: o viteza mare de raspuns (2 - 3 secun-de); întretinerea usoara; posibilitati de comunicare rapida cu sistemul de supraveghere si control; spre deosebire de senzorii chimici si electrochimici, senzorii IR nu pot fi „otraviti” cu alte gaze; functioneaza cu succes într-o gama

1 – sursa de IR; 2 – fereastra; 3 – disc modulator; 4 – motor disc; 5 – filtru optic de referinta; 6 – fil-tru optic de interferenta; 7 – incinta de masurare; 8 – fereastra; 9 – celu-la de filtrare; 10 – senzor de IR cu semiconductor; 11 – amplificator; 12 – microprocesor; 13–AFISAJ NUMERIC.

IR chopper zero refer. incinta multireflexie detector IR

CO

Microprocesor pµ

zero

Fig. 2.4. Principiul analizorului de CO prin corelatia filtrelor optice

Page 47: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

49

larga de conditii atmosferice; temperatura, presiune, umiditate, fiind foarte stabili. Metoda masurarii în doua benzi de lungimi de unda poate fi folosita pentru supra-vegherea gazelor combustibile si toxice în zone întinse cum ar fi: platforme industriale, docuri, tunele etc. 2.2.2 Analizorul de ozon (O3) Determinarea concentratiei de ozon în aerul atmosferic se bazeaza pe proprietatea moleculei de ozon O3, de a absorbi radiatia electromagnetica de lungime de unda de 253,7 nm, aflata în domeniul ultraviolet al spectrului. Absorbtia radiatiei de catre ozon este conforma legii Lambert – Beer (www. environneme nt.s.a.). Aerul de analizat este adus într-o incinta de masurare de lungime constanta, prin care trece un fascicol de radiatie UV în banda de 253,7 nm. Esantionul de aer, prelevat continuu de o pompa plasata la celalalt capat al circuitului de aer (figura 2.5) traverseaza initial un filtru de praf din teflon, apoi este dirijat spre incinta de masurare optica, odata direct, si apoi prin parcurgerea unui filtru de ozon, comutatia facându-se la 5 secunde. Acest filtru consta dintr-o incinta în care se gaseste un catalizator care descompune, în special, toate moleculele de ozon. Masurarea concentratiei de ozon se realizeaza prin masurarea diferentei de ab-sorbtie a razelor ultraviolete de 253,7 nm de catre esantionul de gaz, în cele doua cazuri: cu ozon si fara ozon. Acest tip de masurare înlatura orice eroare datorata prezentei în esantion a prafului sau a unor gaze absorbante, cât si eroarea datorata îmbatrânirii sursei de radiatie UV. Cu ajutorul unor traductoare, microcontrolerul din structura analizorului de O3 urmareste în permanenta, temperatura, presiunea si debitul de gaz, precum si intensitatea sursei luminoase, reusind, printr-un calcul relativ simplu, sa determine valoarea absoluta a concentratiei de ozon în aerul analizat. Pentru evitarea erorilor în determinarea concentratiei de ozon se procedeaza în felul urmator: prin comanda electrovalvei se introduce în incinta de masurare gazul trecut prin filtrul de ozon si dupa un anumit timp se fac patru determinari ale intensitatii radiatiei UV care strabate esantionul. Media celor patru determinari reprezinta intensitatea de referinta I0; se comuta electrovalva si se introduce în incinta de masurare gazul direct de la prelevare. Dupa un anumit timp se fac patru determinari ale intensitatii radiatiei UV care strabate esantionul. Media celor patru determinari reprezinta intensitatea I a radiatiei neabsorban-te. În acelasi timp se fac si determinari de temperatura si de presiune a gazului; se revine în starea “fara ozon”, prin comutarea electrovalvei, si se face o noua determina-re a lui I0; media celor doua determinari de intensitati I0, I, determinarile de temperatura si presiune permit calculul concentratiei de ozon cu legea Lambert – Beer:

lceII ε−= 0 (2-2) Metoda permite determinarea concentratiilor de ozon de sub 1 ppm pâna la ordi-nul zecilor de ppm.

Page 48: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

50

Filtru de praf Incinta de masurare intrare esantion Filtru de ozon Electrovalva Lampa Detector UV de masurare UV iesire informatie O 3 Detector UV de referinta evacuare esantion Temperatura Debit Pompa

Microcontroler analiza O3.

Fig. 2.5. Analizorul de O3 prin absorbtie în UV

2.2.3. Analizoare de gaz prin metoda fluorescentei Principiul metodei Când o cuanta νh de raze X este absorbita de un atom are loc eliminarea unui electron de pe unul din straturile interne K, L, M... Un alt electron, aflat pe un strat super-ior celui de pe care s-a cedat primul electron, ocupa locul ramas liber pe stratul interior, eliberându-se în urma acestui transfer o cuanta 1νh de radiatii X caracteristice. Lungimea de unda (frecventa) λ a radiatiilor caracteristice emise de un atom este data de legea lui Moseley:

( )

−−= 22

2 111kn

ZR σλ

, (2-3)

unde: R este constanta lui Rydberg, Z este numarul atomic al elementului emitator, n si k numerele cuantice principale ale nivelurilor în care are loc tranzitia, σ este constanta de ecran care se determina experimental. Pentru excitarea electronilor din straturile L, M, N, ... se folosesc radiatii X din spectrul continuu. În fluorescenta de raze X nu sunt implicati electronii de valenta care afecteaza legatura chimica. Tranzitiile electronilor de pe straturile superioare pe straturile interioare au loc conform regulilor de selectie. Sunt permise numai tranzitiile pentru care numerele cuanti-ce secundare ale orbitalelor electronice se schimba prin l (adica 1±=∆l ). Radiatiile caracteristice emise de atomii probei de analizat se reflecta (se împras-tie) pe atomii unui cristal analizor (asezat sub un unghi de incidenta oarecare) conform relatiei lui Bragg:

λθ nd =sin2 , (2-4) unde: d este distanta interatomica, θ este unghiul de incidenta, n este nivelul superior de energie si λ este lungimea de unda a radiatiei.

Page 49: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

51

Din acest fapt rezulta posibilitatea analizei calitative: cunoscând unghiul de refle-xie θ si distanta interatomica d a cristalului analizor se determina lungimea de unda a radiatiilor caracteristice emise de atomii probei. Analiza cantitativa se bazeaza pe faptul ca intensitatea liniei caracteristice emise este functie de concentratia atomilor existenti în proba de analizat. 2.2.3.1. Consideratii teoretice ale masurarii SO 2 prin fluorescenta la UV Analizoarele de gaz prin fluorescenta la ultraviolet (UV) se bazeaza pe proprieta-tea radiatiei UV din zona lungimilor de unda de 215 nm de a excita molecula de SO2. Dezactivarea moleculei de SO2 se poate realiza prin doua mecanisme: un proces neradiant, care consta în transferul energiilor între molecule în cursul ciocniri-lor dintre acestea si un proces radiant, care consta în disiparea energiei prin emisia unei radiatii electromagne-tice (fluorescenta si fosforescenta). Procesul neradiant Teoria termocinetica a gazelor arata ca, într-un mediu dat, moleculele se întâlnesc (se ciocnesc) si au loc schimburi de energie între ele. Durata de timp medie între doua ciocniri succesive ale aceleiasi molecule este de ordinul 10 -10 la 10-13 s. Aceste date per-mit evaluarea timpului minim necesar unei molecule excitate de a se debarasa de energii-le sale de rotatie, de vibratie, respectiv electronice. Energiile de rotatie sunt usor schim-babile între molecule, deoarece o molecula în faza gazoasa are nevoie de un interval de 10-10 la 10-12 s pentru a realiza o rotatie completa, în timp ce energiile de oscilatie sunt greu schimbabile, deoarece starile energetice de vibratie au o durata de viata de ordinul 10-9 s, iar moleculele realizeaza mai multe cicluri oscilatorii înainte de dezactivare. Relaxarea electronica în urma proceselor de ciocnire moleculara este foarte putin probabila. Disiparea de energie, de la nivelul oscilatoriu (la cel mai scazut al starii elec-tronice excitate) la starea fundamentala, se face, în general, în urma unui proces radiant. Procesul radiant În cazul în care starile energetice excitate si starea fundamentala ale moleculei sunt separate printr-o energie suficient de mare pentru ca, curbele energiei potentiale sa nu se intersecteze, relaxarea electronica, între nivelul excitat cel mai coborât si starea fundamentala, este însotita de o emisie electromagnetica. Functie de multiplicitatea stari-lor electronice considerate, simple sau triple, emisia electromagnetica se realizeaza prin fluorescenta sau prin fosforescenta. Fluorescenta Fluorescenta reprezinta emisia unei radiatii electromagnetice prin dezactivarea unei stari excitate (a unei molecule) care are aceeasi multiplicitate ca si starea fundamen-tala. Într-o astfel de emisie frecventa radiatiei emise este mai mica decât cea a radiatiei absorbite. Durata de viata a acestui tip de dezactivarea electronica este de ordinul 10-9 la 10-4 s, deci relativ scurta. Totusi, daca în mediul de masurare exista si molecule de alta natura, molecula excitata sufera un anumit numar de ciocniri înaintea emiterii luminii, lucru ce complica fenomenul.

Page 50: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

52

Masurarea fluorescentei moleculelor de SO2, iradiate cu UV de 215 nm, permite masurarea concentratiei de bioxid de sulf în esantionul considerat. Determinarea intensi-tatii radiatiei fluorescente se face perpendicular pe directia radiatiei UV, valoarea acestei intensitati fiind proportionala cu concentratia de SO2

în esantion. Prezenta moleculelor de alta natura în esantionul analizat poate introduce erori de masurare în doua cazuri: prezenta în esantion a unor substante, de cele mai multe ori hidrocarburi, care prezinta si ele fenomenul de fluorescenta chiar în domeniul lungimilor de unda de SO2. Evitarea acestor substante se poate face numai printr-o filtrare prealabila a esantionului de gaz analizat, utilizând filtre chimice sau dispozitive permeabile la hidrocarburi; prezenta în esantion a unor molecule straine care au posibilitatea de a absorbi energia mo-leculei excitate de SO2 prin ciocnire cu aceasta, împiedicând astfel emisia de lumina. Probabilitatea unui astfel de fenomen este cu atât mai mare cu cât durata de viata în stare excitata a moleculei de SO2 este mai îndelungata. Scurtarea duratei de viata a moleculei excitate de SO2 se realizeaza prin iradierea foarte puternica a esantionului cu radiatii UV, astfel încât cele mai multe din moleculele de SO2 sa fie excitate cu energie maxima, ceea ce determina prezenta unui mare numar de molecule pe stari energetice superioare, deci puternic instabile. Instabilitatea pronuntata a celor mai multe molecule de SO 2 excitate scurteaza drastic durata de viata a acestora, micsorând astfel probabilitatea pierderii ener-giei prin ciocnire. Fosforescenta Fosforescenta este fenomenul de emisie spontana a unei radiatii electromagnetice de catre o molecula în cazul tranzitiei electronice între starea excitata si starea fundamen-tala, cele doua stari având multiplicitati diferite. Durata de viata a unei astfel de tranzitii este de ordinul 10-3 s pâna la un minut, ceea ce-i da o mica probabilitate de aparitie. În cazul moleculelor de SO2 fenomenul de fosforescenta se produce cu o intensi-tate mult mai mica decât fenomenul de fluorescenta, acesta din urma fiind puternic pre-dominant. 2.2.3.2. Analizorul de SO2 prin fluorescenta Schema de principiu a unui analizor de bioxid de sulf în aerul atmosferic prin flu-orescenta în ultraviolet este prezentata în figura 2.6 (www. environnement.s.a.). b a n c d e p e r m e a n t a c h o p p e r l i n i a r i e s i r e S O 2 f i l t r e d e z e r o i n f o r m a t i e Z E R O m i c r o p r o c e s o r e t a l o n a r e z e r o S O 2 S O 2

d e t e c t o r U V

f i l t r u d e t e f l o n i n t r a r e l a m p a e s a n t i o n U V c a m e r a d e a n a l i z a iesire f i l t r u h id roca rbu r i p o m p a

t u b f o t o m u l t i p l i c a t o r

Fig.2.6 Analizorul de SO2 prin fluorescenta

Page 51: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

53

Esantionul de gaz atmosferic este prelevat continuu cu ajutorul unei pompe, plasa-ta în partea terminala a circuitului pneumatic. Esantionul traverseaza un filtru de praf din teflon, apoi un filtru de hidrocarburi, intrând apoi în camera optica de analiza a SO2. Aici esantionul este supus unei puternice radiatii în UV, cu o lungime de unda în jurul valorii de 215 nm, produsa de o lampa cu vapori de zinc, care are un spectru de emisie de foarte mare intensitate la aceasta lungime de unda. Masurarea permanenta a intensitatii radiatiei UV incidente cu ajutorul detectorului UV, direct la nivelul camerei de analiza, permite o corectie automata a tuturor variatiilor eventuale de energie radianta. Acest control se face de microprocesor, iar actionarea se executa la nivelul sursei stabilizate de înalta frecventa a lampii UV. Puternica radiatie UV excita cea mai mare parte a moleculelor de SO2 care se de-zactiveaza printr-un proces radiativ cu emisie de radiatiei electromagnetica de frecventa mai scazuta (fluorescenta). Masurarea la 900C a acestei emisii este proportionala cu con-centratia de SO2 din cuva de masurare. Masurarea cu precizie a energiei de fluorescenta se realizeaza cu un tub fotomultiplicator de înalta sensibilitate, semnalul fiind ulterior amplificat si prelucrat de un microprocesor. Rezultatul masurarii este afisat direct în ppm sau 3/ mg⋅µ de SO2 în aerul atmosferic. Prezenta vaporilor de apa sau hidrocarburilor nu poate afecta masuratoarea deoa-rece lungimea de unda a radiatiei UV a fost aleasa corespunzator excitarii numai a mole-culei de SO2, iar hidrocarburile aromatice, ce pot crea fluorescenta, sunt total filtrate prin filtrul cu permeanta tip “Kicker”. Controlul de zero este realizat cu ajutorul filtrului de zero intern, iar controlul eta-lonarii se realizeaza cu ajutorul unui banc de permeanta cu SO2

controlat. Acest tip de analizor poate determina cu o precizie mai mare de 0,5 ppb (10-9 în volum) concentratii de bioxid de sulf de la 1 ppb la 10 ppm (10-6 în volum). Se observa ca acest tip de analizor este indicat a fi folosit numai în imisie, masu-ratori de poluare în mediul ambiant; masurari la emisie, unde concentratiile de SO2 sunt mult mai mari decât valorile indicate mai sus se fac prin alte metode mai putin sensibile, dar specializate. Determinarea concentratiei de gaz poluant în atmosfera prin metoda fluorescentei poate fi aplicata si în cazul masurarii concentratiei de hidrogen sulfurat, prin modificarea lampii de UV si a frecventei de receptie a tubului fotomultiplicator. 2.2.4. Analizoare de gaz prin chimiluminescenta Consideratii teoretice privind masurarea NOx prin chimiluminescenta Chimiluminescenta este fenomenul de aparitie a unei radiatii electromagnetice în spectrul vizibil ca urmare a reactiei chimice dintre doua substante. Acest fenomen poate fi folosit la determinarea concentratiei unei anumite substante specifice în cadrul unei amestec (www. environnement.s.a.). Este cazul monoxidului de azot care în combinatie cu ozonul, duce la formarea bioxidului de azot în stare excitata care, la trecerea în stare fundamentala, emite un foton luminos, conform relatiei:

νhNOONO +→+ 23 . (2-5) Fotonul, hν , emis în reactia de mai sus, are o lungime de unda (1100 nm) situata în domeniul rosu al spectrului.

Page 52: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

54

Reactia chimica arata ca, daca concentratia de ozon este fixa (si suficient de ma-re), intensitatea luminoasa emisa prin chimiluminescenta este proportionala cu cantitatea de NO prezenta în camera de reactie. Reactia de chimiluminescenta permite determinarea numai a concentratiei de NO din esantionul de masurat. Din aceasta cauza, determinarea concentratiei totale de oxizi de azot, NOx, respectiv a concentratiei de bioxid de azot, NO2, se realizeaza prin masura-rea concentratiei de NO dupa ce esantionul de masurat a fost trecut printr-un convertizor catalitic cu molibden, care asigura transformarea totala a bioxidului de azot în monoxid de azot ( )2 NONO → . Se masoara succesiv sau paralel prin chimiluminescenta concen-tratiile de NOx, respectiv NO în camerele de reactie, diferenta dintre cele doua concentra-tii reprezentând concentratia de NO2 în esantionul studiat. Pentru o corecta determinare a concentratiei de NOx este foarte important ca eficacitatea convertizorului cu molibden sa fie foarte buna, adica el sa aiba un randament de conversie mai ridicat de 97%. Preciza masuratorilor mai poate fi afectata si de alte eventuale substante chimilu-minescente sau fluorescente. Schema de principiu a unui analizor de oxizi de azot în aerul atmosferic este pre-zentata în figura 2.7. Esantionul de gaz este prelevat continuu din mediul înconjurator cu ajutorul unei pompe situate la sfârsitul circuitului de aer si trecut printr-un filtru de teflon pentru sepa-rarea de microparticule. Apoi el este introdus în camerele de analiza prin chimiluminescenta, o data direct, pentru determinarea concentratie de NO si alta data prin intermediul convertizorului cu molib-den (cuptor catalitic), pentru determinarea concentratiei de NOx. Ozonul, obtinut din aerul atmosferic prin uscare si iradiere cu UV în generatorul de ozon, este introdus de aseme-nea în camerele de analiza.

În urma reactiei chimiluminescente, amestecul de gaz produce o slaba lumina ro-siatica. Astfel lumina este transformata în semnal electric de catre un fotomultiplicator FM. Lumina emisa de camerele de analiza este periodic întrerupta de un disc opac crestat, chopper, ceea ce determina un semnal alternativ la iesirea fotomultiplicatorului.

Page 53: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

55

NO Zero pompa chopper NOX filtru uscator Camera NO generator Bloc intrare aer de ozon fotomultiplicator Camera NOX gaz de calibrare microprocesor intrare esantion Filtru NOX NO de teflon Convertizor cu molibden NO2

Fig.2.7. Analizorul de NO-NOx-NO2 prin chimiluminescenta Amplitudinile celor doua alternante sunt proportionale cu intensitatea radiatiei din fiecare camera. Semnalul este amplificat, esantionat, demodulat, masurat si convertit nu-meric pentru a putea fi prelucrat de microprocesor si ulterior afisat. Sistemul masoara di-rect concentratiile de NO si NOx, concentratia de NO2 obtinându-se prin scaderea celor doua concentratii masurate. Analizorul descris este foarte sensibil, el permitând determi-narea concentratiilor de NOx de sub 1 ppb, pâna la 10 ppm, cu o precizie de 0,35 ppb. Deoarece, în practica, lumina generata în camerele de reactie nu provine numai din reactia dintre NO si O3, este necesara o evaluare a “derivei de zero” a analizorului, care se face, la sisteme perfectionate, prin comutarea periodica a gazului de masurat printr-un prereactor în care se consuma total fenomenul de chimiluminescenta, ilumina-rea masurata ulterior în camera de analiza fiind datorata exclusiv elementelor contamina-te si peretilor celulei. Aceasta “deriva de zero dinamica” se scade din valorile masurate, obtinându-se astfel o buna fidelitate a analizorului. Principalii contaminati ai acestei me-tode de masurare sunt unele hidrocarburi si amoniacul. Pentru etalonarea instrumentului se face din când în când o calibrare a analizoru-lui prin trecerea prin camerele de analiza a unui gaz cu concentratie cunoscuta de oxizi de azot, extras din rezervorul cu gaz de calibrare. Acest tip de analizor este indicat a fi folosit numai în imisie, masuratori de polua-re în mediul ambiant; masurarile la emisie, unde concentratiile de NO sunt mai ridicate decât valorile indicate (1 ppb la 10 ppm), se fac prin alte metode mai putin sensibile, dar specializate. 2.2.5. Masurarea prafului în mediul ambiant prin absorbtia radiatiei β Radiatiile beta de mica energie sunt absorbite de corpurile solide. Fenomenul se datoreaza faptului ca energia cinetica a fasciculului de electroni se pierde în materialul

Page 54: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

56

corpului, prin ciocnirea cu electronii din care este format acesta. Densitatea electronilor din material este proportionala cu masa materialului respectiv. Absorbtia radiatiei beta este astfel proportionala cu masa materiei întâlnite, independent de natura fizico – chimi-ca a acesteia. Prin urmare, absorbtia radiatiei β de catre praful atmosferic nu depinde de proprietatile chimice ale prafului si nici de culoarea sau granulatia particulelor în suspen-sie în atmosfera. Principiul de masurare a concentratiei de particule solide si lichide din aerul at-mosferic consta în determinarea masei de substanta depusa pe un filtru, parcurs, un timp dat, de un debit cunoscut de aer prelevat din zona de masurat. Din cele aratate mai sus referitoare la absorbtia radiatiei beta de catre substante, aceasta determinare se realizeaza cel mai fidel prin masurarea absorbtiei radiatiilor beta de catre un filtru înainte si dupa filtrarea aerului. Radiatiile beta sunt absorbite urmând o lege exponentiala si determinarea cantita-tii de praf depuse pe un filtru consta în calcularea diferentei dintre absorbtia filtrului curat si absorbtia filtrului încarcat cu depozitul de praf (figura 2.8.). Relatiile matematice care stau la baza metodei sunt:

001

kmeNN −= , (2-6) unde: N0 este transmisia fara absorbant, m0 masa superficiala a filtrului, N1 transmisia cu filtrul curat,

( )mmkeNN +−= 002 , (2-7)

unde: N2 transmisia cu filtru încarcat, m masa superficiala a depozitului, k coeficientul de absorbtie masica. Masa superficiala a depozitului se calculeaza cu formula:

2

1ln1NN

km = (2-8)

Relatia (2-8). arata ca m, masa superficiala a depozitului de praf, nu depinde decât de rezultatele masuratorilor N1 si N2 si de coeficientul de absorbtie masica k. Coeficient k este functie doar de energia radiatiei β considerate, valoarea sa fiind foarte putin depen-denta de masele atomice ale eleme ntelor ce compun absorbantul. Relatia (2-8) arata ca intensitatea sursei de radiatii N0 nu intervine în rezultatul masuratorii, ea simplificându-se la realizarea raportului 21 NN < . Intervalul de timp între masurarile lui N1 si N2 este neglijabil în raport cu durata de viata a sursei radioactive, de-terminarile facându-se de regula la jumatate de ora. Schita de principiu al dispozitivului de masurare a prafului în atmosfera prin absorbtia radiatiei beta este prezentata în figura 2.8.

Sursa radioactiva β se gaseste în centrul unei conducte de aspiratie a aerului, în vârful duzei acesteia si iradiaza o banda de filtru din fibra de sticla care poate fi deplasata la fiecare ciclu de masurare.

Radiatia neabsorbita de filtru este determinata cu ajutorul unui numarator Geiger – Müller, dupa trecerea ei printr-o sita de protectie si limitata de un colimator.

Page 55: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

57

bobina debitoare

bobina receptoare

Conducta de aspiratie

Depozit de praf

Filtru din fibra de sticla

Port sursa

Sursa radioactiva β

Sita

Colimator

Contor Geiger - lleruM &&

Fig.2.8. Dispozitivul de masurare a concentratiei de particule în suspensie în atmosfera

prin absorbtia radiatiilor β . Toate aceste calcule sunt realizate automat de microprocesorul anexat instrumen-tului de masurat, cel care gestioneaza functionarea întregului aparat avansul benzii de fi l-tru, pozitionarea duzei, debitul de aer, numaratoarele, controlul sursei radioactive, al tu-bului G.M., compensarea de zero etc. Gama de masurarea a unui astfel de dispozitiv este de la 1 la 2000 3/ mgµ . 2.3. Metode electrochimice si echipamente pentru determinarea compozitie i atmos-ferei Una dintre cele mai importante sarcini ale sistemului de control si protectie a at-mosferei este determinarea prezentei si masurarea concentratiilor de gaze combustibile, cu pericol de explozie si a gazelor toxice, care pot conduce la accidente majore si în ma-sa. Cele mai sigure, moderne, rapide si mai ieftine sisteme de protectie sunt cele rea-lizate pe baza senzorilor de gaz care folosesc metode electrochimice de determinare. Principalele metode electrochimice folosite la determinarea concentratiilor de ga-ze periculoase în atmosfera sunt: metoda combustiei catalitice; metoda depolarizarii electrochimice; metoda adsorbtiei la suprafata. Echipamentele folosite pentru determinarea compozitiei atmosferei sunt: A. Senzorii - senzor de gaz prin combustie catalitica; - senzorii electrochimici de gaze toxice si anume: senzorul electrochimic NO, SO2, H2S, CO, CO2; - senzorul de gaz cu bioxid de staniu. B. Microsenzorii Determinarea gradului de poluare a atmosferei cu compusi gazosi si determinarea în timp si spatiu a modului de propagare a poluantilor, precum si a limitelor de dispersie a acestora, necesita masuratori concomitente ale concentratiei de gaze toxice din atmosfera în diferite amplasamente situate la distante mari între ele pe suprafete întinse.

Page 56: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

58

În acest tip de masuratori sunt necesari un numar mare de senzori de gaz, plasati în locuri diferite, care sa indice în acelasi moment concentratia unei anumite componente (noxa) în atmosfera. Acest lucru impune folosirea în reteaua de supraveghere a calitatii aerului a apara-telor de masurare automate, miniaturizate, de puteri mici, cu posibilitati de alimentare autonoma si de lunga durata (baterii, acumulatoare, celule solare etc.). Aparatele de masurare trebuie sa asigure esantionarea, masurarea si înregistrarea datelor, care apoi vor fi transmise spre un sistem central de achizitie, prelucrare si inter-pretare a datelor. Cele mai indicate aparate în acest sens sunt cele prevazute cu “microsenzori elec-tronici integrati”. Microsenzorii electronici sunt senzori electrochimici miniatura, realizati pe struc-turi semiconductoare, în tehnologia de fabricatie a transistoarelor si a circuitelor integra-te. Microsenzorii electronici contin dispozitive care transforma direct informatia chimica într-un semnal electric (chemosenzori). Din punct de vedere al principiilor fizice si chimice care se utilizeaza în realizarea microsenzorilor, acestia pot fi împartiti în mai multe categorii dupa cum urmeaza:

• Microsenzori care utilizeaza proprietatea straturilor subtiri ale anumitor materiale semiconductoare (în special oxizi metalici: de staniu SnO2, zinc ZnO2, titan TiO2, niobiu Nb2O5, ceriu CeO2) sau utilizeaza materiale organice care îsi modifica conductivitatea sau permitivitatea electrica atunci când sunt expuse la un anumit gaz. În acest caz este vorba de un dispozitiv de tip chemorezistenta sau chemocapacitate. Microsenzorii din aceasta categorie poarta denumirea de microsenzori cu semiconductoare.

• Microsenzori care utilizeaza proprietatea unor structuri semiconductoare neomo-gene, de tip jonctiune pn, jonctiune metal – semiconductor (Schottky), structuri MOS, în special TEC – MOS, de a-si modifica caracteristicile în prezenta unui gaz.

• Microsenzori care utilizeaza proprietatile piezoelectrice ale unor materiale semi-conductoare, în special proprietatea undelor acustice de suprafata de a-si modifica viteza de propagare functie de starea suprafetei mediului, asa numiti SAW sensors, microsenzori cu unda acustica de suprafata.

• Microsenzori în care proprietatile optice de suprafata ale unui ghid de unda se modifica în prezenta unei anumite substante, obtinându-se o modificare a vitezei de propagare a luminii prin ghid, senzorul chemooptic.

Sunt prezentate mai jos câteva tipuri de microsenzori electronici utilizati în de-terminarea calitatii aerului:

- microsenzori de gaz cu semiconductoare, - microsenzori de gaz pe structuri TEC – MOS, - microsenzori cu unda acustica, - microsenzori piezoelectrici cu unda acustica de volum, - microsenzori cu unda acustica de suprafata, - microsenzori chemo – optici.

Page 57: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

59

Nota 2.2.1 Pentru a ajunge la formula (2-1) care reprezinta legea Lambert – Beer s-a procedat în felul urma-tor: Absorbanta este definita prin relatia:

IIA 0lg= , (1)

unde: 0I reprezinta intensitatea radiatiei care cade pe cuva iar, I reprezinta intensitatea radiatiei care para-seste cuva, (fig.1)

Fig. 1

Se considera ca radiatia traverseaza lungimea infinitezimala dz . Variatia intensitatii radiatiei dI este proportionala cu intensitatea initiala I , cu concentratia solutiei c si cu lungimea stratului dz

dzcIdI ⋅⋅⋅−= α , (2.) în care α este un coeficient de absorbtie. Semnul – arata faptul ca intensitatea radiatiei scade datorita absorbtiei. Se integreaza relatia (2.1.-3) si se obtine relatia (2.1-4)

∫ ∫⋅⋅−=I

I

ldzc

IdI

0 0α , (3)

adica,

lcII

⋅⋅= α0ln , (4)

de unde rezulta,

lcII

II

A ⋅⋅===3026,210ln

lnlg

0

0 α, (5)

cu observatia ca:

3026,2αε = . (6)

0I I I dII +

l dz

Page 58: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

60

3. Aparate electronice pentru masurarea si controlul calitatii aerului Sisteme de achizitie si prelucrare a datelor 3.1. Aparate electronice pentru masurarea si controlul calitatii aerului 3.1.1. Structura si caracteristice generale ale aparatelor electronice de masura si control (AEMC) 3.1.1.1. Structura generala si evolutia AEMC Conducerea unui proces presupune informatii cât mai corecte si cât mai complete asupra parametrilor marimilor fizice care caracterizeaza acel proces. În cazul unui proces neautomatizat, condus manual de un operator, marimile fizice care nu sunt accesibile simturilor umane sunt masurate, cu aparate de masurat. Pe baza indicatiilor lor, operato-rul uman ia deciziile corespunzatoare. În cazul unui proces automatizat, conducerea sis-temului se face fara interventia omului pe baza informatiilor culese din proces cu ajutorul traductoarelor. Privite din acest punct de vedere, traductoarele pot fi definite ca dispoziti-ve care stabilesc o corespondenta între marimea fizica de masurat si o marime electrica cu un domeniu de variatie calibrat, apta de a fi receptionata si prelucrata de echipamente-le de conducere a procesului (regulatoare, calculatoare de proces etc.). Traductoarele sunt elemente tipice înglobate în cadrul aparatelor electronice de masurare si control (AEMC). Acestea sunt aparate destinate masurarii marimilor neelectrice (mecanice, termice, chimi-ce, optice etc.).[D4] Aparatele electronice de masurare si control preiau variatiile unei marimi neelectrice, le transforma în variatii ale unor marimi electrice, cu ajutorul traductoarelor, le amplifica si prelucreaza cu ajutorul mijloacelor electronice, apoi le furnizeaza observa-torului printr-un mijloc de afisare, indicare, sub forma usor detectabila de simturile uma-ne. Aparatele electronice de masurare si control sunt aparate care preiau, transforma si transmit informatia din mediul de masurare în sfera cunostintelor umane. Aparatele electronice pentru masurarea marimilor neelectrice, desi de o mare di-versitate, au în general o structura comuna care este reprezentata, sub forma simplificata, în figura 3.1.

Fig. 3.1. Structura generala a aparatelor electronice de masurat

Semnal de activare Informatia Semnal Semnal Informatia primita electric prelucrat valorificata

Generator de semnal de activare

Obiectul masurarii

Traductor Elemente de prelucrare

Indicator

Page 59: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

61

Aparatul se compune din trei parti principale: traductor (denumit uneori si traduc-tor de intrare), elemente de prelucrare (sau circuite modificatoare), indicator sau înregis-trator (denumit uneori si traductor de iesire). Traductorul genereaza semnalul electric de intrare, functie de marimea neelectrica de masurat. Daca obiectul masurarii poate ceda energia necesara masurarii, semnalul electric se obtine de obicei prin simpla conversiune a marimii neelectrice în marime elec-trica. În caz contrar, este necesar un semnal exterior, care poate fi numit “semnal de acti-vare”, pentru obtinerea semnalului electric corespunzator (de exemplu, la masurarea di-verselor proprietati de material). Elementele de prelucrare pun în evidenta variatia semnalului si în general îl trans-forma în tensiune electrica. De regula semnalul de intrare este slab si este necesara ampli-ficarea lui de aceea, în cele mai multe cazuri, aceasta parte a aparatului contine si ampli-ficatoare electronice. Daca este necesar, cu ajutorul modulatoarelor si al demulatoarelor se modifica legea de variatie în timp a semnalului. Alte elemente de prelucrat pot fi core-latoare, circuite operationale (însumatoare, multiplicatoare, logaritmoare etc.), convertoa-re analog-digitale etc. Indicatorul sau înregistratorul valorifica informatia de masurare, convertind-o sub o forma utilizabila de catre operator: vizibila direct, prin înregistrare, sau prin semnale electrice folosite pentru telemasurare, comanda automata, centralizare etc. Obiectul masurarii cuprinde concentratiile de agenti poluanti ai atmosferei (gaze, praf, aerosoli) iar spatiul marimilor sesizabile, poate fi optic sau acustic, indicatorul pu-tând fi un afisaj analogic sau numeric, un înregistrator, un tub cinescop, un difuzor etc. Din punct de vedere structural, aparatele de masurare a concentratiilor de impuri-tatii atmosferice au avut urmatoarea evolutie: au trecut initial prin faza aparatelor dedicate, specifice fiecarei marimi în parte cu afisaj electronic individual; a urmat perioada sistemelor de masurare si reglare automata unificata, în care se folosesc circuite si elemente tipizate direct interconectabile, iar semnalele de intrare si iesire sunt unificate, pentru a se realiza compatibilitatea; urmeaza în evolutia aparatelor electronice de masurare, o perioada numita numerica, în care marimea masurata este prelucrata si afisata sub forma numerica. Structura unui AEMC numeric este prezentat în figura 3.2. Traductorul masoara marimea de masurat si furnizeaza mai departe marimea elec-trica care în general este o tensiune sau un curent. Aceasta marime electrica este amplifi-cata cu ajutorul unui amplificator de precizie A, apoi semnalul este prelucrat (liniarizare, modulare) pentru a fi compatibil cu etajele ulterioare, este esantionat si memorat, si apli-

A

Fig. 3.2. Structura unui AEMC numeric

Traductor Conditionare semnal

Esantionare memorare

A/D Afisaj numeric

Page 60: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

62

cat la intrarea unui convertor analog-numeric, A/D, pentru a obtine valoarea numerica a marimii masurate, care este afisata sub o forma usor sesizabila ochiului. AEMC numerice pot masura o singura marime. Pentru masurarea, memorarea, prelucrarea si afisarea mai multor marimi masurate în acelasi timp si pentru controlul procesului de masurare, AEMC-urile numerice se integreaza într-un sistem de achizitie de date. Structura tipica a unui sistem de achizitie de date este prezentata în figura 3.3.

Fig.3.3. Structura tipica a unui sistem de achizitie de date

Traductorul masoara marimea de masurat si transmite mai departe semnalul elec-tric, care de cele mai multe ori este de nivel foarte mic de ordinul Vµ . Pentru a-l aduce la un nivel standard de 10V, semnalul este amplificat si prelucrat cu ajutorul amplificato-rului si al filtrului activ. La intrarea multiplexorului analogic sosesc semnale standard si de pe alte canale care masoara aceeasi marime în alt loc sau alte marimi, necesare interpretarii procesului, citirea fiecarui canal fiind conditionata de programul calculatorului. Iesirea multiplexoru-lui se aplica la intrarea unui circuit de esantionare si memorare (S/H) ce are rolul de a mentine constant semnalul de intrare în convertorul A/D pe durata conversiei. Prin inter-mediul magistralei de date a calculatorului, informatia este preluata de la convertorul A/D si este apoi memorata si prelucrata în calculator. Posibilitatile actuale de realizare a blocurilor functionale ale unui sistem de achi-zitie de date de dimensiuni foarte mici, sub forma de circuite hibride sau sub forma de circuite monolitice (integrate pe scara larga), precum si folosirea microprocesoarelor si în special a microcalculatoarelor integrate (microcontrolere), permit realizarea unui sistem de achizitie de date cu doar doua, trei circuite integrate pe scara foarte larga. În aceste conditii, realizarea fizica a unui astfel de sistem, devine o sarcina relativ simpla, de alege-re a componentelor, dar complexitatea problemei consta în realizarea programului de lu-cru al microcalculatorului, care trebuie sa asigure: masurarea, extragerea din zgomot, ca-librarea, liniarizarea, memorarea, prelucrarea si afisarea rezultatelor masurarii.

Marimea de masurat

Alte canale analogice

Multiplexor analogic

Semnal de control

A Filtru activ

S/H A/D

Programarea secventei de

masurare

Traductor

Page 61: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

63

Folosirea microcalculatoarelor integrate face trecerea de la logica cablata la logica programata. Structura unui aparat electronic de masurare si control cu microcontroler programat este prezentat în figura 3.4 Folosirea sistemelor de achizitie de date (sau AEMC-urile) dotate cu microcalcu-latoare integrate, prevazute cu memorie si posibilitati de comunicarea cu sistemele inteli-gente, aduce foarte mari avantaje utilizatorului, prin faptul ca sunt mici si au un consum mic de energie. Se pot realiza masurari în mediul de interes (atmosfera poluata), se poate face în prima faza procesarea rezultatelor masurarilor si memorarea acestora, urmând ca ulterior în laborator sa se realizeze transferul datelor unui calculator, care va face prelu-crarea datelor, va trage concluzii si va stabili prognoze. Toate cele prezentate pâna aici se refera la marimi masurabile direct si indirect, concentratii de gaze si impuritati în atmosfera de exemplu, deci se realizeaza o apreciere cantitativa a marimii de masurat. Este nevoie însa de multe ori doar de o apreciere pur calitativa a unui fenomen sau a unei marimi, adeseori nemasurabila, cum ar fi identifica-rea unei forme, a unui caracter, a unui sunet, a unui miros, evaluarea gradului de confort, de poluare etc. Daca s-ar folosi aparatele prezentate mai sus, de cele mai multe ori nu s-ar ajunge la rezultatele scontate, pentru ca aparatele, pentru o astfel de apreciere calitativa, necesita un volum mare de masurari si un program de calcul complicat. În aceste situatii se impune schimbarea modului de abordare a problemei si anume apropierea de gândirea umana. Acest lucru poate fi realizat, în prezent cu ajutorul retelelor de senzori (traductori) si a retelelor neuronale artificiale, care prin învatare si apoi utilizare a celor învatate, permit o apreciere mult mai rapida si mai corecta a schimbarilor calitative ale marimii de studiat, apropiata de modul de evaluare umana. Structura unui sistem de apreciere calitativa a unui fenomen este prezentata în fi-gura 3.5 Microcalculatorul cuprins în figura 3.5 are rol doar în procesul de învatare a re-

Comanda Date Panou intrare/iesire I/O

Fig.3.4 Structura unui AEMC cu microcontroler

Traductor primar

Bloc de condi-tionare a sem-

nalului Convertor A/D

Dispozitiv de afisaj

µC microcontroler programat

Interfata

Page 62: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

64

telei (stabilirea ponderilor retelei) si eventual, în înregistrarea codata a rezultatului evalu-arii, în rest sistemul lucrând si luând decizii independent de acesta. Se observa ca prin evaluarea proceselor calitative cu ajutorul retelelor neuronale artificiale (RNA), tehnologia electronica de realizare a AEMC–urilor s-a întors de la apa-ratele universale la aparatele dedicate. Aceasta întoarcere la aparatele dedicate se face totusi pe un nivel tehnologic mult mai ridicat. Ultimele realizari din domeniu fac trecerea de la electronica formala (clasica), prin electronica informationala, bazata pe o cantitate mare de informatie, la electronica functionala, orientata spre functiuni, mult mai apropiata de simturile si gândirea umana 3.1.1.2. Caracteristicile generale ale aparatelor electronice de masura si control a marimilor neelectrice Aceste caracteristici generale se refera la interdependenta marimilor de intrare si de iesire ale ansamblului de masurare (sistem de masurare, aparat de masurat etc.) sau ale elementelor acestuia. Ele sunt de trei tipuri: caracteristici de intrare, caracteristici de transfer si caracteristici de iesire. [D4]

• Caracteristicile de intrare reprezinta relatia între marimile de intrare ale sistemului si caracterizeaza interactiunea acestuia cu obiectul supus masurarii. Un exemplu de caracteristica de intrare este impedanta de intrare, în cazul unui element de in-trare de natura electrica. În mod analog se pot defini marimi similare impedantei si în cazul marimilor de intrare neelectrice (de exemplu impedanta mecanica, im-pedanta acustica etc.).

• Caracteristicile de transfer reprezinta relatia dintre o marime de intrare si o mari-me de iesire. Ele caracterizeaza functionarea traductorului în sine, fara a tine sea-ma de interactiunea acestuia cu elementele între care este intercalat. Caracteristi-cile de transfer sunt cele mai importante dintre caracteristicile generale. Ele pot fi statice sau dinamice, exprimate analitic si grafic, globale (integrale) sau locale (diferentiale).

• Caracteristicile de iesire reprezinta relatii între marimile de iesire ale sistemului si caracterizeaza interactiunea acestuia cu elementul care este cuplat la iesire.

Calitatea unui AEMC, implicit ale aparatelor constituente ale acestora, este data de caracteristicile statice, caracteristicile dinamice si de erorile aparatelor.

Fig. 3.5 Structura unui sistem de apreciere calitativa a fenomenelor dotat cu retea neu-

ronala artificiala

Retea neuronala artificiala

Afisare decizie

Microcalculator

Retea de microsenzori

Fenomen de studiat

Page 63: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

65

a)Caracteristica statica Cea mai importanta caracteristica statica este cea care exprima dependenta dintre marimea de intrare x si marimea de iesire y, valabila în regim stationar, în care marimile de intrare si de iesire nu variaza. Aceasta are expresia: y = f(x), (3-1) în care y si x îndeplinesc cerintele unei masurari statice. Relatia de dependenta poate fi exprimata analitic sau poate fi data grafic printr-o curba trasata pe baza perechilor de va-lori (x, y).

Fig. 3.6 Caracteristica statica Fig. 3.7 Caracteristica statica pentru un traductor cu discontinuitati O caracteristica statica cu discontinuitati este prezentata în figura 3-6 si ea cores-punde elementelor cu prag de sensibilitate (semnalul de iesire apare doar în momentul în care marimea de intrare depaseste un anumit prag ε ). Pentru traductoare, caracteristica statica tipica este cuprinsa întru-un anumit do-meniu, numit gama de lucru a elementului, un exemplu tipic fiind prezentat în figura 3-7. Gama de lucru referitoare la intrare este:

minmax xxx −= , (3-2) iar gama de lucru referitoare la iesire este:

minmax yyy −= , (3-3)

în care valorile maxminmaxmin ,,, yyxx constituie limitele domeniului sau gamei de lucru. Raportul celor doua game de lucru este numit coeficient static de transfer, ks, de-finit de:

xy

k s = . (3-4)

Coeficientul static de transfer caracterizeaza cantitativ proprietatile de transfer ale unui element. O apreciere calitativa a unui element este data de coeficientul de transfer dinamic, kd, definit de:

xy

dxdykd ∆

∆≅= , (3-5)

unde xy ∆∆ , sunt variatii mici, finite ale marimilor de iesire, respectiv de intrare, în jurul unui punct static de functionare.

0 xmin xmax

Ymin

ymax

y

x 0 1ε 2ε

Page 64: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

66

În cazul traductoarelor, coeficientul de transfer dinamic se mai numeste sensibili-tate diferentiala, Sd. Admitând caracteristica ideala liniara y = f(x), sensibilitatea este data de derivata functiei f(x):

xy

dxdySd ∆

∆== (3-6)

sau

minmax

minmax

xxyySd −

−= . (3-7)

Pentru o caracteristica neliniara se foloseste relatia:

ii xxxxd x

ydxdy

S== ∆

∆≅= . (3-8)

Unitatile de masura depind de unitatile de masura ale marimilor de intrare si de iesire. Daca marimile sunt de aceeasi natura si raportul este supraunitar, dS se numeste factor de amplificare, daca este subunitar se numeste factor de atenuare. Pentru a caracteriza mai intuitiv un traductor se foloseste o marime adime nsionala si anume sensibilitatea relativa Sr, definita ca raport între variatia relativa a marimii de iesire si variatia relativa a marimii de intrare, în jurul unui punct static de functionare, specificat.

xxyy

xdxydy

S r //

//

∆∆

≅= . (3-9)

Sensibilitatea relativa este utila când se compara traductoare cu domenii diferite. Datorita faptului ca atât marimea de intrare cât si marimea de iesire sunt variabile în timp, evaluarea comportarii în regim dinamic a unui element al AEMC –ului este data de caracteristica dinamica, definita ca variatia y(t) a marimii de iesire, care rezulta pentru o excitatie x(t). Ca semnale de intrare standard se folosesc saltul treapta si impulsul Dirac. b) Caracteristica dinamica Comportarea în regim dinamic a sistemelor sau elementelor de masurare este ca-racterizata în special prin ramânerea în urma a variabilei de iesire y în raport cu variabila x (eroare dinamica). În unele cazuri prezinta importanta si modul diferit de variatie în timp a lui y fata de x (de exemplu, o variatie periodica a lui y la variatia aperiodica a lui x). Comportarea elementelor în regim dinamic este exprimata prin caracteristica di-namica a elementului. Aceasta rezulta din ecuatia diferentiala care leaga variatiile mari-milor y(t) si x(t), în general de forma unei ecuatii diferentiale de ordinul n. În cele mai multe cazuri, aceasta ecuatie diferentiala poate fi liniarizata si adusa la forma:

,...... 0101 xbdtdx

bdt

xdbya

dxdy

adt

yda

m

m

mn

n

n +++=+++ (3-10)

în care m < n. Functia de transfer, K(s), se obtine aplicând transformata Laplace:

( ) ( )( )

,......

01

01

asasabsbsb

sxsy

sKn

n

mm

++++++== (3-11)

expresie care corespunde cazului în care toate conditiile initiale sunt nule.

Page 65: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

67

Functia de transfer permite o exprimare algebrica si deducerea raspunsului la ori-ce intrare. De asemenea ea mai permite o corelare între analiza teoretica a regimului di-namic si determinarile experimentale. Exista astfel doua metodologii de interpretare a caracteristicilor experimentale prin prisma semnificatiei functiei de transfer: în domeniul timp, pe baza raspunsului la functia impuls sau treapta, tinând seama de in-terpretarea functiei de transfer ca transformata Laplace a raspunsului la impulsul Dirac; în domeniul frecventa, pe baza raspunsului permanent armonic (la marimea de intrare sinusoidala). Prin prima metodologie se poate lucra cu marimea de intrare de tip impuls Dirac si trecând prin functia pondere, sa se deduca prin transformata Laplace functia de trans-fer. Mai accesibila este însa aplicarea la intrare a unui semnal treapta, raspunsul sistemu-lui purtând numele în acest caz de functie indiciala. A doua metodologie presupune aplicarea la intrare a unui semnal sinusoidal de forma tXx ωsin= . Marea majoritatea a elementelor constituente ale AEMC sunt caracterizate prin ecuatii diferentiale liniare de ordinul 1 (aperiodic) si de ordinul 2 (oscilatii amortizate). Elementele de ordinul 1 aperiodice se întâlnesc ca elemente electrice sub forma circuitelor rezistenta-capacitate (RC) sau rezistenta-inductanta (RL), ca elemente pneu-matice sub forma unui rezervor legat la o conducta de aer printr-o rezistenta, ca elemente mecanice sub forma unui resort legat la un amortizor, ca elemente termice sub forma unui corp care schimba caldura cu un alt corp etc. Caracteristica dinamica a unui element de ordinul 1 are ecuatia diferentiala:

,xydtdy

T =+ (3-12)

iar functia de transfer, obtinuta cu ajutorul transformatei Laplace este:

( )1

1+

=Tp

pK . (3-13)

Marimea T se numeste constanta de timp a elementului. Elementele de ordinul 2 se întâlnesc ca elemente electrice sub forma de circuite rezistenta-inductanta-capacitate (RLC), ca elemente mecanice continând mase inerte le-gate la resoarte si amortizoare etc. Ecuatia diferentiala a unui element de ordinul 2 este:

,12

22

2 xydtdy

Tdt

ydT =++ (3-14)

iar functia de transfer este

( )1

1

122

2 ++=

pTpTpK . (3-15)

Pentru masurarea concentratiilor de impuritati atmosferice se folosesc traductoa-rele si aparatele electronice. De un deosebit interes este cazul caracteristicilor dinamice de ordinul 1, care definesc cel mai bine comportarea dinamica a acestor aparate. Cele mai utilizate traductoare de gaze, senzori electrochimici si senzori electronici cu semiconductoare sunt elemente de ordinul 1, din punctul de vedere al comportarii di-namice. Raspunsul unui astfel de senzor la un salt brusc al concentratiei masurate de gaz (functia treapta) este data de ecuatia:

Page 66: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

68

( ) ,dtccDdc m−−= (3-16) unde: c este concentratia de gaz la nivelul elementului sensibil al senzorului, cm este con-centratia de gaz care se doreste a fi masurata, la un moment dat, D este constanta de difu-zie din mediul de masurat pâna la suprafata elementului sensibil al traductorului si t tim-pul. Rezolvarea acestei ecuatii se face prin separarea variabilelor astfel:

τdt

ccdc

m

−=−

, (3-17)

unde D1

=τ - este constanta de timp a difuziei.

Integrând aceasta ecuatie diferentiala se obtine:

τt

m eK

cc −=

−, (3-18)

unde K este o constanta ce depinde de conditiile initiale. Daca la momentul t = 0, valoarea concentratiei la nivelul elementului sensibil era c = c0, K = c0 – cm si solutia ecuatiei devine:

( ) ( ) τt

mm eccctc−

⋅−+= 0 . (3-19) Solutia pune în evidenta existenta unei erori dinamice, definita de:

( ),0 τ

t

m

m

m

m ec

ccc

tcc −⋅

−=

− (3-20)

determinata de conditiile de difuzie a poluantului, prin constanta τ si de marimea si sen-sul saltului, cm – c0, din momentul initial. Astfel pentru c0 = 0, pentru a avea o eroare di-namica mai mica de 1%, citirea instrumentului de masura trebuie sa se faca dupa un timp

τ6,4>t . Constanta de timp τ este în general de ordinul minutelor, iar pentru citirea corec-ta a concentratiei masurate este necesar sa se astepte în jur de 5 minute. Pentru îmbunatatirea raspunsului dinamic al instrumentelor de masurare se reali-zeaza circuite speciale în sistemul de conditionare a semnalului si se fac corectii soft prin programele de calcul ale microcalculatoarelor. 3.1.2. Traductoare de gaz Consideratii teoretice asupra traductoarelor Pentru a putea detecta si masura marimile fizice analogice variabile (cum ar fi temperatura, presiunea, debitul, forta, pozitia, viteza, intensitatea luminoasa, deplasarea etc.) se folosesc traductoare, care convertesc marimea fizica într-o marime electrica (ten-siune, curent sau rezistenta), pe care o transmit, fie unui circuit de adaptare, fie direct pla-cii de achizitie a datelor. De fapt, marea majoritate a semnalelor electrice provenite de la traductoare nu au caracteristicile necesare pentru a fi conectate direct la convertoarele analog-digitale. Dispozitivele de adaptare a semnalului amplifica si filtreaza semnalul provenit de la traductoare astfel încât el sa poata fi utilizat de placa de achizitie. Pentru a se obtine

Page 67: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

69

cele mai bune rezultate este necesar ca intervalul în care poate sa varieze amplitudinea semnalului de intrare sa fie identic cu intervalul de intrare al placii de achizitie. Semnalul electric provenit de la traductor este purtator de informatie, sistemul de achizitie a datelor realizând extragerea informatiei din acest semnal. Orice semnal electric poate fi clasificat ca fiind analogic sau numeric. Semnalul analogic îsi poate varia continuu nivelul tensiunii sau frecventei. Un semnal numeric are numai doua niveluri logice, ridicat (1 logic) si coborât (0 logic). Traductoarele ofera, în marea lor majoritate, un semnal de tip tensiune, curent sau rezistenta, care nu pune probleme din punctul de vedere al conversiei necesare pentru cu-plarea cu un sistem de achizitie a datelor. Multe tipuri de traductoare au nevoie de circuite speciale de adaptare. De exem-plu, termocuplele cer compensarea jonctiunii reci, iar marcile tensometrice au nevoie de surse speciale de excitatie. Toate aceste conditii trebuie sa fie satisfacute de catre sistemul de achizitie de date. O alta forma de adaptare a semnalului, care ofera importante avantaje (fiind întâl-nita în foarte multe aplicatii), este izolarea intrarii. În primul rând, se asigura protejarea calculatorului fata de efectele distructive ale tensiunilor ridicate, ce ar putea aparea acci-dental pe intrarile de masura. Apoi, se realizeaza protejarea obiectului masurat de eventu-alele tensiuni periculoase ce ar putea fi produse de catre defectarea computerului sau a sistemului de achizitie. În al treilea rând, izolarea intrarilor este o metoda foarte buna de eliminare a buclelor de masa. Traductoarele pot fi împartite dupa principiul de functionare în doua mari catego-rii:

a) traductoare parametrice, în care semnalul neelectric determina modificarea unei proprietati electrice a traductorului (rezistenta, capacitate, tensiune de polarizare, frecventa de oscilatie etc.);

b) traductoare generatoare, în care semnalul neelectric determina generarea unei ten-siunii electromotoare, a unui curent sau a unei sarcini electrice.

Din punct de vedere al modului în care are loc transformarea semnalului în tra-ductor, traductoarele pot fi:

a) traductoare directe, caracterizate prin aceea ca marimea neelectrica este convertita direct în semnalul electric de la iesire (cazul chemorezistentei sau a senzorului de gaz cu semiconductoare, de exemplu senzorul cu SnO2);

b) traductoare complexe, în care conversia semnalului neelectric se face în mai multe etape intermediare si structura traductorului se proiecteaza astfel încât sa fie pro-tejata fata de actiunea factorilor perturbatori (cazul senzorilor de gaz cu radiatii sau a senzorilor de gaz cu unda acustica de suprafata).

Traductoarele folosite în aparatele electronice pentru masurarea si prelucrarea da-telor privind poluarea atmosferei sunt în majoritatea cazurilor traductoare parametrice complexe cu iesire analogica. De o deosebita importanta în acest domeniu este folosirea traductoarelor integrate, bazate pe structuri semiconductoare, care pot fi usor adaptate tehnologiei de fabricatie a circuitelor integrate pe structura de siliciu sau alt semiconduc-tor.

Page 68: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

70

3.1.3. Circuite electronice de prelucrare a semnalului 3.1.3.1. Circuite de masurare si adaptare pentru traductoare Rolul circuitului de masurare este de a transforma marimea electrica pe care o ofera iesirea traductorului într-o tensiune (sau un curent) care este prelucrata mai departe în aparatul de masurat. Circuitele de masurare se realizeaza în mod diferit, în functie de natura traducto-rului utilizat, generator sau parametric. Pentru traductoarele generatoare, care ofera la iesire un semnal continuu se utili-zeaza în mod obisnuit compensatoare de tensiune (sau de curent, în functie de semnalul furnizat de traductor) manuale sau automate. Daca iesirea din traductor se face în curent alternativ, se prefera amplificarea directa a semnalului prin intermediul unui amplificator de masurare. Pentru traductoarele parametrice se utilizeaza ca circuite de masurare punti echili-brate si neechilibrate, alimentate în curent continuu sau alternativ, punti cu transformator, punti cu echilibrare automata si unele circuite de masurare speciale, cum ar fi de exemplu circuitul rezonant. În multe cazuri de realizare a aparatelor electronice pentru masurarea si prelucra-rea datelor privind poluarea atmosferei se folosesc traductoare rezistive (senzori bazati pe conductia termica, senzori de gaze combustibile, senzori cu semiconductoare). În aceste cazuri, o deosebita importanta prezinta masurarea cu precizie a variatiei rezistentei senzo-rului activ în raport cu un element martor. Acest lucru se face cel mai sigur, simplu si precis cu ajutorul puntilor electrice echilibrate si neechilibrate, formate din rezistente (puntea Wheastone). 3.1.3.2. Circuite de amplificare Amplificatoarele de masurare sunt circuite electronice care asigura adaptarea semnalului de mica amplitudine, de ordinul microvoltului sau al milivoltului, dat de tra-ductor sau puntea de masurare, la nivelul necesar circuitelor de prelucrare ulterioare, de multiplexare, esantionare si conversie analog – numerica. Amplificatoarele de masurare, denumite si amplificatoare de instrumentatie sau instrumentale si simplu amplificatoare diferentiale, sunt elemente componente aproape obligatorii în componenta oricarui sistem de masurare sau de achizitie de date. Performantele unui circuit de masurare sunt determinate de ansamblul sursa de semnal - amplificator - sarcina. Sursele de semnal pot fi foarte diverse: de tensiune, de curent, de sarcina etc., sarcinile, la rândul lor, trebuie comandate în curent sau în tensiune pentru impedante variind în limite largi, de la câtiva ohmi la 105…107 ohmi. Amplificatoarele de masura sunt, în general, amplificatoare diferentiale, care tre-buie sa satisfaca cerinte deosebite în ceea ce priveste sensibilitatea, stabilitatea, zgomotul propriu foarte redus, insensibilitatea la conditiile de functionare. Ele trebuie sa aiba erori statice minime si un raspuns în frecventa cunoscut. Amplificatoarele de masura sunt am-plificatoare diferentiale care au o rejectie foarte buna a semnalelor de mod comun la in-trare. În aparatele electronice de masurare si control a poluarii atmosferei, amplificatoa-rele de masurare sunt în configuratia amplificator de tensiune, ceea ce implica, pentru îndeplinirea criteriilor de performanta, urmatoarele cerinte pentru aceste amplificatoare: impedanta de intrare foarte mare în raport cu impedanta sursei de semnal;

Page 69: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

71

- impedanta de iesire foarte mica în raport cu impedanta sarcinii; - amplificare în tensiune fixa sau reglabila, dar foarte bine controlabila; - o foarte buna rejectie a semnalelor de mod comun; - o sensibilitate redusa a amplificarii la variatiile tensiunilor de alimentare, a tempe-

raturii si a altor factori perturbatori; - tensiunea de offset redusa si ajustabila; - curentul de polarizare si curentul de offset de valoarea foarte mica; - derivele tensiunii si curentilor de offset reduse; - produsul amplificare – banda stabil; - neliniaritatea amplificarii redusa.

Pentru a obtine performantele specificate, la realizarea amplificatoarelor de masu-rare se recurge la circuite cu reactie negativa puternica. Acest lucru asigura o valoarea predictibila si stabila a amplificarii si senzitivitati mici la factorii perturbatori, alaturi de asigurarea unei bune liniaritati si a unui raspuns îmbunatatit în frecventa. Aceeasi reactie puternica, în cazul amplificatoarelor de tensiune conduce la maximizarea impedantei de intrare concomitent cu minimizarea impedantei de iesire a amplificatorului. Pentru a obtine erori statice minime si o buna rejectie a semnalelor de mod co-mun, se folosesc circuite simetrice atât în structura schemei electronice cât si în realizarea tehnologica concreta. Toate acestea conduc la folosirea, în proiectarea amplificatoarelor de masurare, a amplificatoarelor operationale integrate conectate în structuri simetrice construite în teh-nologie hibrida (straturi subtiri sau straturi groase) sau chiar total integrate pe un singur microcip. Cea mai utilizata configuratie de realizare a unui amplificator de masurare, ampli-ficator de instrumentatie, este prezentat în figura 3.8. Schema este perfect simetrica si poate fi urmata de un amplificator în regim de inversor sau de integrator pentru îmbunata-tirea stabilitatii si a nivelului amplificarii. vi2 C R3 R5 R1 R2 vi4 R4 RV vo vo4 R1 R2 R3 R6 vi1 Fig.3.8. Amplificator de masurare.

+ AO1 -

- AO4 +

- AO3 +

- AO2 +

Page 70: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

72

Structura prezentata în figura 3.8. asigura o buna rejectie de mod comun data de:

312 CMR

RR

CMRV

= (3-21)

unde CMR3 este rejectia modului comun realizata de amplificatorul diferential creat în jurul lui AO3, care depinde în primul rând de împerecherea rezistentelor R3, respectiv R2. Amplificatoarele AO1 si AO2 sunt conectate simetric ca amplificatoare neinver-soare, asigurând o impedanta de intrare mare, iar AO3 este în configuratie de amplificator dife-rential. Întregul circuit este realizat pe structuri total integrate, dar de cele mai multe ori, pe structuri hibride foarte performante si fiabile, coroborate cu o dime nsiune redusa usor manevrabila. De multe ori este necesara o modificare a amplificarii, functie de nivelul semnalu-lui de intrare, respectiv de iesire. Acest lucru se poate realiza prin modificarea rezistoru-lui Rv si a rezistorului R5, dar acest tip de modificarea a amplificarii poate conduce la in-troducerea de zgomote suplimentare precum si la pierderea reactiei negative pe timp foar-te scurt, în momentul comutarii. Aceste fenomene se petrec daca comutarile se fac în afa-ra circuitului cu potentiometre si comutatoare mecanice; dar daca comutarile se realizea-za electronic cu comutatoare MOS programabile, cuprinse în acelasi circuit hibrid, aceste fenomene nu mai apar, obtinându-se un amplificator de masurare foarte performant si fiabil. 3.1.3.3. Circuite de esantionare si memorare. Multiplexoare si demultiplexoare ana-logice. 3.1.3.3.1. Circuite de esantionare si memorare Circuitele de esantionare – memorare sunt circuite de trecere de la prelucrarea analogica la cea digitala, ele facând discretizarea în momentul timp. Denumirea lor com-pleta este circuite de esantionare– urmarire– retinere (sample– track– hold, S/T-H) datori-ta functiilor pe care le pot îndeplini: de a preleva esantioane la momente precise de timp, de a transmite semnalul nedeformat (urmarire) si de a retine valoarea prelevata un timp suficient de mare (hold) necesar unei conversii analog – digitale cu precizia dorita. Circuite de esantionare –memorare (S/H ) neinversoare Aceste circuite se bazeaza pe proprietatea unui condensator de a pastra sarcina si prin urmare tensiunea într-un circuit deschis. În figura 3.9. este prezentata schema cea mai simpla de S/H neinversor.

- - AO1 K IIK IB AO2 vi + + vo RIC C vc

Fig.3.9. Circuitul de esantionare– memorare neinversor

Page 71: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

73

Receptorul de intrare cu AO1 asigura, prin comutatorul K, încarcarea condensato-rului C cu o constanta de timp:

( )Crz kI += 01τ , (3-22) unde z01 este impedanta dinamica la iesirea repetorului si rk este rezistenta serie a comuta-torului. Când comutatorul este deschis, tensiunea la bornele condensatorului C se modifi-ca datorita curentilor IIk de izolare a comutatorului si IB de polarizare a AO2, ca si prin descarcarea prin rezistenta de izolatie a condensatorului, RIC. Circuite de esantionare -memorare S/H inversoare Aceste circuite se bazeaza pe integratorul cu amplificator operational (AO). Ele pot oferi o amplificare în tensiune supraunitara cu schimbarea fazei. Structura de baza se vede în figura 3.10., în care se recunosc integratorul AO, C si R1, ca si circuitul de compensare a curentului de polarizare prin RC. Când comutatorul K este închis, AO primeste înca o reactie negativa prin R2. Din momentul deschiderii comu-tatorului K tensiunea pe condensator si tensiunea de iesire ramân neschimbate. Integrato-rul a trecut în regim de memorare. Caderea se poate datora neechilibrarii curentilor IC si IB, si curentilor de izolatie prin comutatorul deschis si prin condensator. Alegând conden-satoare de buna calitate si compensând corect cei doi curenti, contributia dominanta ra-mâne cea datorata curentului de izolatie prin comutatorul deschis.

Fig. 3.10. Circuitul S/H inversor cu reducerea curentului prin comutator 3.1.3.3.2 Multiplexoare si demultiplexoare analogice În sistemele de masurare moderne, care ating o rata a masuratorilor de 105-106 s-1, în care marimile masurate sunt lent variabile (102…103 Hz) si numarul variabilelor este mare, se poate obtine o reducere drastica a costului sistemului, atât pentru partea de ma-surare folosind multiplexoarele (MUX), cât si pe partea de actionare folosind demultiple-xoarele (DEMUX) Comutarile la intrare se realizeaza de catre un multiplexor, care realizeaza trans-miterea si prelucrarea informatiei de pe mai multe canale pe un trunchi comun de masura-re– interpretare– decizie. Comutarile la iesire sunt realizate de un demultiplexor, care dirijeaza informatia de la organul de decizie spre fiecare canal executor.

R1

V+ IC

V0 V1

R2

K

C

P

V-

RC

IB - AO +

Page 72: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

74

Multiplexarea se poate face prin partajarea benzilor de frecventa sau prin partaja-rea intervalelor de timp. Un MUX este un comutator cu n intrari si o iesire, iar un DEMUX este un comu-tator cu o intrare si m iesiri, care sunt apelate periodic sau în conformitate cu un algoritm de procesare. 3.1.3.4. Circuite de conversie analog – numerica (A/N) Marimile de iesire ale traductoarelor sunt de obicei semnale electrice analogice. În sistemele de achizitie si prelucrare a datelor cu un numar mare de surse de date se pune de regula problema prelucrarii acestora cu calculatoare numerice. Apare deci necesara transformarea datelor analogice în date numerice. Sub forma numerica, datele pot fi pre-lucrate precis, sortate si folosite mult mai rapid. Avantaje apar si în ceea ce priveste me-morarea si manipularea succesiva a datelor, deoarece acumularea erorilor este destul de mica. Rezulta necesitatea convertoarelor analog – digitale (denumite pe scurt convertoa-re A/D, ADC sau CAN), la care iesirea numerica constituie o aproximare a valorii semna-lului analogic de la intrare. Marimea de iesire are o variatie în trepte. În mod obisnuit, elementele de executie ale sistemelor de reglare automata trebuie comandate cu semnale analogice, aparând astfel necesara conversia digital-analog a sem-nalelor. Convertoarele digital-analog (denumite pe scurt convertoare D/A, DAC sau CAN) dau la iesire esantioane (valori discrete) ale semnalului analogic, potrivit valorii numerice de la intrare. La iesirea convertoarelor digital-analog sunt necesare si filtre, ex-ceptând cazurile în care elementele de executie pot realiza si functia de filtrare. 1.Convertoare analog – numerice (CAN) A. Conversia analog-numeric Cei mai multi senzori de masurare a temperaturii, presiunii sau a altor marimi cu variatie continua furnizeaza un semnal electric de iesire cu variatie, de asemenea, conti-nua, dependent de amplitudinea marimii fizice respective. Pentru a face posibila interpre-tarea unui astfel de semnal de catre un microprocesor, este necesara conversia valorilor continue ale acestui semnal în valori digitale. Acest proces poarta numele de conversie analog-numerica. Conversia analog numerica a unui semnal analogic (care este o functie continua în timp) reprezinta transformarea acestuia dintr-un semnal continuu într-un semnal discret, format din coduri numerice corespunzatoare amplitudinii instantanee a semnalului, care poate fi prelucrat de catre un calculator. Conversia analog-numerica este o operatie de comparare, în care semnalul este comparat cu o valoare de referinta si este convertit într-o fractie, care este apoi reprezentat sub forma unui numa r codificat numeric. Procesul este executat de catre convertorul analog numeric (CAN) care este, în fapt, unul dintre circuitele de baza din orice sistem de achizitie a datelor. Conversia analog numerica se bazeaza pe operatia de cuantificare a semnalului de intrare. Aceasta consta în împartirea intervalului de variatie continua a semnalului, în subintervale numerotate 0, 1 ,2,....., m, convertorul stabilind, în cadrul fiecarui subinter-val, codul numeric alocat acestuia, cod ce reprezinta numarul subintervalului. Dupa cum subintervalele sunt de latime egala sau nu, vorbim de cuantificare liniara (uniforma), sau

Page 73: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

75

despre cuantificare neliniara. În sistemele de achizitie de date prezinta interes numai cu-antificarea uniforma. Convertorul analog numeric prezinta la iesire un cuvânt binar, care codifica nu-marul de ordine al subintervalului de cuantificare în care se situeaza tensiunea de intrare. Pe baza acestui cuvânt binar, unitatea centrala calculeaza valoarea tensiunii de intrare co-respunzatoare marimilor fizico-chimice masurate. Performantele convertoarelor analog-numerice Conversia semnalelor electrice analogice continue în marimi digitale prelucrabile cu calculatorul se realizeaza cu ajutorul convertoarelor analog-numerice. De regula, un astfel de convertor se gaseste pe placile de achizitie a datelor ce pot fi montate în calcula-toarele personale. În afara acestui convertor analog numeric, placile de achizitie mai con-tin circuite de esantionare si memorare (sample & hold - S&H), de amplificare, de multi-plexare, baze de timp si circuite de sincronizare, precum si elemente de conditionare a semnalelor (figura 3.11.). De asemenea, nu pot lipsi circuitele logice necesare controlului transferului datelor în memoria computerului sau într-un registru intern. Alegerea unui anumit convertor analog-numeric pentru o aplicatie data trebuie sa tina seama de tipul semnalului oferit la iesirea traductorului ce urmeaza a fi conectata la intrarea convertorului. Dintre parametrii care trebuie, obligatoriu, avuti în vedere fac par-te: precizia, spectrul de frecventa al semnalului, nivelul maxim precum si dinamica aces-tuia. Cu toate ca, dupa cum s-a afirmat anterior, parametrul principal al unui convertor analog-numeric este rezolutia (adesea exprimata prin numarul de biti), este important ca aceasta sa nu fie confundata cu precizia absoluta a acestuia. Amplificarea semnalului (sau asa numitul câstig la intrare) poate fi folosita pentru a creste sensibilitatea aparenta, daca domeniul maxim prezumat al semnalului este mai mic decât domeniul de intrare al con-vertorului. Precizia absoluta a conversiei analog-numerice este functie atât de stabilitatea ten-siunii de referinta (adica a acelei tensiuni de referinta cu care se compara tensiunile necu-noscute), cât si de performantele comparatorului însusi. Cu toate acestea, precizia convertorului analog-numeric nu este prin ea însasi un parametru definitoriu al sistemului de achizitie din care face parte acesta, atât timp cât în structura acestuia mai gasim un multiplexor, un amplificator, precum si alte circuite care participa si ele la precizia globala a sistemului.

Amplificator

Circuit de esantionare si memorare

Convertor analog - numeric

Mul

tiple

xor

Conditionator de semnal

Conditionator de semnal

Conditionator de semnal Intr

ari d

e se

mna

l ana

logi

c

Iesi

re d

e se

mna

l

Fig. 3.11. Schema bloc a unui comutator analog numeric cu mai multe intrari

Page 74: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

76

Un alt parametru de baza al convertoarelor analog-numerice este viteza de trecere, ce caracterizeaza dispozitivele cu mai multe canale. Timpul total de parcurgere a sistemului de achizitie este, deci, egal cu timpul ne-cesar efectuarii celor trei operatii (conversie, achizitie si transfer), împartit la numarul de canale. Global, viteza sistemului depinde de timpul de conversie, de timpul de achizitie, de timpul de transfer si de numarul de canale ce trebuie deservite de catre sistem. Timpul de achizitie reprezinta timpul necesar circuitelor de intrare analogica pen-tru a achizitiona un semnal. Acest timp se mai numeste timp de deschidere (timp de aper-tura) si reprezinta timpul necesar convertorului sa „vada” marimea analogica (tensiunea) pentru a realiza si o conversie completa. Timpul de conversie este acel timp necesar pentru a produce o valoare numerica corespunzatoare valorii analogice date. Timpul de transfer este timpul necesar trimiterii valorii numerice în memoria cal-culatorului gazda. Rezolutia si rata de esantionare Rezolutia Procesul de conversie a valorilor continue ale semnalului furnizat de senzori si traductoare în valori digitale de baza ridica doua probleme de baza, problema cuantifica-rii si cea a esantionarii în timp. Cuantizarea se refera la incertitudinea introdusa dupa con-versia unei marimi analogice (tensiune sau curent) într-o marime digitala (un numar). Traductoarele si transmitatoarele ofera, tipic, la iesire semnale cu variatie conti-nua în domeniile 0 -10 V cc; ±5V cc; 0-100 mV cc sau 4-20 mA cc. Termocuplele si ter-mistorii ofera, de asemenea, la iesire tensiuni de nivel scazut. Rezolutia este un parametru de proiectare si nu unul rezultat în urma efectuarii de masurari. Rezolutia de intrare defineste cea mai mica variatie a semnalului de intrare ce poate fi detectata de catre sistem. Rezolutia unei conversii analog-numerice este, adese-ori, exprimata prin numarul de biti, astfel, cu cât numarul de biti este mai mare, cu atât rezolutia este mai buna. Sistemele de achizitie numerica a datelor au, în afara de cuantifi-carea din punctul de vedere al amplitudinii si rolul de a realiza o esantionare, adica o îm-partire a timpului în intervale. În general nu exista informatii referitoare la evolutia între doua puncte consecutive (deci în interiorul unui interval). Din acest motiv, trebuie luate masuri de precautie speciale, astfel încât sa nu fie pierdute date semnificative si interpola-rea între punctele înregistrate sa constituie o premisa corecta. Teorema lui Nyquist afirma ca valoarea minima a ratei de esantionare trebuie sa fie dublul valorii celei mai frecvente continute în semnalul înregistrat. Astfel, pentru esantionarea unui semnal sinusoidal de 1 Hz , rata trebuie sa fie minim de 2 Hz (desi o rata de esantionare de 8-16 Hz ar fi mult mai recomandabila pentru relevarea formei sem-nalului). Ignorarea criteriului lui Nyquist (prin adoptarea unei viteze de esantionare prea mici) va conduce la obtinerea din datele achizitionate a unei forme de unda inexistente în semnalul real, complet diferite si de frecventa mai mica decât acesta. Acest efect este de-numit aliasing. În concluzie, cu cât rezolutia este mai buna, cu atât este mai precisa conversia analog-numerica, dar si costul echipamentului este sensibil mai ridicat.

Page 75: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

77

TA

t

0

Fig. 3.12. Perioada de esantionare

Esantionarea. Rata de esantionare Esantionarea este procesul prin care semnalul electric continuu în timp este înlo-cuit prin impulsuri echidistante în timp, a caror amplitudine este egala sau proportionala cu amplitudinea semnalului continuu la momentele respective. Aceste impulsuri se nu-mesc esantioane, iar intervalul de timp dintre esantioane va fi numit perioada sau rata de esantionare.

Rata de esantionare reprezinta o masura a vitezei cu care placa A/D poate sa scaneze canalul de

intrare si sa identifice valoarea discreta a semnalului fata de valoarea de referinta. Frecventa de esantionare (notata cu f) este egala

cuAT

f1

= , (3-23)

unde TA este perioada de esantionare (figura 3.12.) Teorema esantionarii (Nyquist) arata ca un semnal continuu, cu spectrul de frec-venta limitat la o frecventa maxima fM este complet definit de esantioanele lui, daca frec-venta de esantionare este mai mare sau cel putin egala cu dublul frecventei maxime fM:

MfT

21≤ . (3-24)

Daca se cere ca esantioanele prelevate sa reprezinte cu suficienta precizie un sem-nal continuu de la intrare, fara a mai calcula valori intermediare pentru esantioanele pre-levate, frecventa de esantionare trebuie sa fie de cel putin de 8 - 10 ori mai mare decât frecventa celei mai înalte armonici. Perioada de esantionare nu poate fi mai mica decât timpul de conversie. Uzual, rata de esantionare se exprima în esantioane pe secunda Sa/sec (sau în multiplul ei MSa/sec) si mai rar în Hz. Multe interfete analog-digitale cu mai multe canale folosesc un convertor A/D si un multiplexor de intrari. Multiplexorul actioneaza ca un comutator care permite esantio-narea independenta a fiecarui canal. De aceea, rata maxima de esantionare pentru un ca-nal este rata maxima de esantionare a convertorului A/D împartita la numarul de canale de esantionat. Adesea, rata de esantionare este data considerând ca toate canalele au ace-lasi câstig. Modificarea câstigului de la un canal la altul poate sa reduca rata globala de esantionare. Tipuri de convertoare analog-numerice Atâta timp cât, din punctul de vedere al preciziei convertoarelor analog-numerice, parametrul hotarâtor este numarul de biti, modalitatile prin care convertoarele reusesc sa realizeze conversia analog-numerica variaza de la aparat la aparat si de la o firma produ-catoare la alta. Exista mai multe tipuri de convertoare utilizate pentru aplicatii de labora-tor si industriale, dintre care amintim: convertor cu conversie continua, cu aproximatii succesive, cu doua pante de integrare etc.

Page 76: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

78

Unele dintre acestea sunt optimizate din punctul de vedere al vitezei, altele repre-zinta un optim din punct de vedere economic si, în final, altele reprezinta un compromis optim între pret si performante. Cerintele tipice ale achizitiei de date impun convertoare de 12 pâna la 16 biti (12 fiind cele mai uzuale). În afara de tipul constructiv, modul de declansare (triggering) a convertorului A/D este si el un factor important. În aplicatiile de analiza cu FFT (Fast Fourier Transform = Transformata Fourier Rapida) a frecventei, orice abatere în timpul dintre esantionari va produce erori considerabile. De asemenea, pierderea unui esantion poate sa faca datele inutilizabile. Conversia A/D trebuie sa fie initiata direct de catre ceasul din hard sau de catre un ceas extern. Sistemele care folosesc rutine soft pentru startarea conversiei sunt pasibile de erori. Portile si declansarile hard permit un control mai bun al datelor si reduc consumul de memorie. De asemenea, prezinta importanta si modurile de esantionare. Unele produse pot sa înceapa achizitia datelor atunci când primesc un semnal de declansare, sa înceteze achizitia pe baza unui semnal de declansare sau sa achizitioneze date înainte si dupa o declansare. Aceste doua ultime moduri, pre-trigger si post-trigger, sunt utile atunci când datele ce prezinta interes cuprind si starea experimentului înainte sau dupa producerea acelui eveniment. Convertorul A/D cu conversie continua este un convertor analog numeric cu con-versie directa, cu reactie si comparare directa. Schema bloc a convertorului este prezenta-ta în figura 3.13. Acest convertor lucreaza dupa metoda numaratorului reversibil. Considerând ini-tial numaratorul sters, la “zero”, iesirea comparatorului este 0 logic si numaratorul numa-ra înainte direct. La iesirea convertorului D/A se obtine o tensiune în trepte crescatoare, pâna se ajunge la depasirea nivelului semnalului de intrare, vin situatie în care iesirea comparato-rului trece la nivelul 1 logic. În aceasta situatie numaratorul îsi schimba sensul de numa-rare, invers, numarând descrescator. Daca semnalul de intrare vin dupa ce este „prins” ra-mâne constant, regimul numaratorului continua cu schimbarea numai a bitului de semni-ficatie minima, putând apare erori.

- - C O M P +

C O N V E R T O R D / A

N u m a r a t o r r e v e r s i b i l O s c i l a t o r

I e s i r e n u m e r i c a

v i n

Fig. 3.13. Convertor A/D cu conversie directa

Page 77: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

79

Convertorul A/D cu aproximatii succesive asigura o viteza de lucru mare si o pre-cizie buna la un grad de complexitate mediu. Aceste convertoare se realizeaza sub forma unui circuit integrat unic. Schema simplificata a unui convertor analog digital cu aproximatii succesive cu un singur comparator si cu reactie este prezentata în figura 3.14. REGISTRU CU APROXIMATII SUCCESIVE START Sfârsit de conversie. TACT vin Iesire serie Comparator Fig. 3.14 Convertor A/D cu aproximatii succesive.

+ -

Logicã de

control

MSB LSB Convertor D/A

REGISTRU DE IESIRE

REGISTRU DE DEPLASARE

MSB Iesire paralel

LSB

La comanda START a sistemului care controleaza conversia, registrul de aproxi-matii succesive furnizeaza la iesire numarul 100…..0, care determina la iesirea converto-rului D/A o tensiune Vm/2. Daca tensiunea de intrare 2

mVinv > , comparatorul îsi pastreaza

starea si la al doilea impuls de tact registrul genereaza la iesire numarul 1100…..0; daca

2mV

inv < , comparatorul îsi schimba starea la iesire, ceea ce determina registrul sa genere-ze numarul 0100…0. La urmatorul tact se realizeaza fixarea celui de-al treilea bit, dupa un algoritm asemanator. Procesul de conversie se termina când se ajunge la ultimul bit (LSB). Convertorul A/D cu integrare cu doua pante. Acest tip de convertor analog nume-ric este cel mai utilizat în prezent datorita preciziei deosebite, a realizarii întregului an-samblu pe un singur cip de siliciu (circuit integrat pe scara larga), inexistentei reactiei, deci vitezei de conversie ridicate, la un pret de cost relativ redus. Schema bloc a unui ast-fel de convertor este prezentata în figura 3.15.

La începutul procesului de conversie, logica de control comanda descarcarea con-densatorului C prin intermediul comutatorului K2, încarca numaratorul reversibil cu un numar necunoscut N1 (care corespunde factorului de scala), fixeaza numaratorul sa nume-re invers, iar apoi pune comutatorul K1 pe pozitia V1N si deschide pe K2. La iesirea inte-gratorului se obtine o rampa pozitiva, deoarece V1N este negativ si prin intermediul com-paratorului se comanda deschiderea portii, permitând accesul impulsurilor oscilatorului la intrarea numaratorului reversibil. Acesta va ramâne înapoi în timpul t1 în care numarato-rul ajunge în starea „zero”, moment în care, prin intermediul logicii de control, se co-manda comutarea intrarii integratorului pe o tensiune de referinta VREF, de semn contrar tensiunii V1N. Numaratorul se comanda sa numere direct, iar tensiunea de la iesirea inte-gratorului scade în timpul t2 pâna ajunge la o valoare nula. Imediat dupa acest moment iesirea comparatorului îsi schimba starea si blocheaza poarta. Continutul numaratorului

Page 78: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

80

ramâne înghetat la o valoare N2, corespunzatoare numarului de impulsuri sosite la intra-rea sa în intervalul t2. Trecere prin zero RESET K2 Încarcare VREF>0 C initiala cu N1 Comparator K1 VIN< 0 R Integrator f Fig. 3.15 Convertor A/D cu doua pante de integrare.

Logica de control

- + -

+ Poarta Numarator

reversibil

Oscilator Afisaj N2

O proprietate importanta a convertorului cu doua pante consta în faptul ca rezulta-tul conversiei este independent de valorile frecventei oscilatorului a capacitatii si a rezis-tentei. Erorile care apar la convertoarele cu integrare sunt determinate de variatia rezis-tentelor comutatoarelor, de derivele integratorului si ale comparatorului, de sarcinile pa-razite injectate în capacitatea de integrare, de nesincronizarea impulsurilor oscilatorului cu începutul primei rampe, de instabilitatea tensiunii de referinta, de instabilitatea pe ter-men scurt a frecventei oscilatorului, de neliniaritatea rampelor si de zgomotele de mod comun. Pentru micsorarea timpului de conversie si pentru reducerea erorilor mentionate mai sus, mai ales pentru convertoarele analog numerice foarte performante cu rezolutia de 12-16 biti, se poate realiza conversia A/D cu dubla integrare cu trei, respectiv patru pante. 3.2. Implementarea microprocesoarelor în AEMC 3.2.1. Structura aparatelor de masura cu microprocesor Schema structurala a unui aparat de masurat cu microprocesor se prezinta ca în figura 3.16. Partea analogica a aparatului cuprinde traductorul primar si circuitele de conditio-nare a semnalului, înainte ca acesta sa fie aplicat la intrarea convertorului A/D. În aceasta noua structura, microprocesorul devine elementul central, cu rol de dispozitiv de coman-da microprogramat (controler microprogramat), adica dispozitiv care coordoneaza toate operatiile de prelucrare si transfer de informatie din aparat, pe baza unui program înscris în memoria ROM a microsistemului. Trasatura caracteristica a aparatelor de masurat cu microprocesor, care le deosebeste fundamental de aparatura de masurare având dispoziti-vul de comanda realizat cu logica cablata, consta în existenta unui “nod” de comunicatie pentru semnalele numerice. Acest nod este microprocesorul sau unul dintre microproce-soarele impleme ntate. [D4].

Page 79: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

81

3.2.2. Functiile microprocesorului în aparatura de masurare si control Majoritatea aparatelor electronice de masurare si control construite în prezent si toate sistemele de achizitie si prelucrare a datelor folosesc în structura lor microprocesoa-re sau microcontrolere integrate (microcalculatoare integrate). Aceasta se datoreaza fap-tului ca microcontrolerele actuale au dimensiuni reduse, performante remarcabile în ceea ce priveste viteza de calcul si posibilitatile de exploatare, îmbinate cu un cost scazut si existenta unor programe de utilizare (soft) foarte accesibile. Consecinta cea mai importanta a introducerii microcalculatoarelor integrate în structura AEMC este trecerea de la asa numita logica cablata, bazata pe circuite integrate interconectate electric si logic, la logica programata, care consta în realizarea functiilor aparatelor electronice de masurare si control cu ajutorul unui program format dintr-o suc-cesiune de instructiuni aritmetice sau logice compatibile cu microcontrolerul respectiv. Prezenta microprocesoarelor (microcontrolerelor) în aparatele electronice de ma-surare si control poate asigura urmatoarele functii: 1. functii de comanda a aparatului care cuprind: - selectarea automata a intervalului de masurare; - comanda regimului de functionare; - comanda portilor de intrare si iesire, a traductoarelor si a afisajului; - controlul functiei de interfata cu alte periferice; - controlul comunicatiei între blocurile functionale. 2. functia de corectare a erorilor introduse de blocurile componente, care consta în: - calibrarea automata la intervale de timp impuse de stabilitatea circuitelor; - corectia abaterilor punctuale (neliniaritati) ale caracteristicilor de transfer; - efectuarea de corectii, functie de conditiile impuse de mediul ambiant (temperatura, pre-siune, umiditate).

Marimi masurate Functiuni Date comandate Intrare / Iesire de pe panou (I / O)

Fig.3.16. Schema structurala a unui aparat de masurat cu microprocesor

Traductor primar

Bloc de con-ditionare a semnalului

Convertor A/D

Dispozitiv de afisaj

Dispozitiv de comanda microprogra-mat (controler microprogramat)

Interfata

Page 80: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

82

3. functia de creare prin program a blocurilor analogice virtuale, care consta în imple-mentarea prin soft a unor functii analogice realizabile prin hard, cum ar fi simularea de: - filtre; - convertoare de valoare medie; - convertoare de valoare efectiva; - detectoare de vârf. 4. functia de testare a blocurilor componente si de autotestare a aparatului, care consta în verificarea periodica a functionarii corecte a fiecarui bloc component, prin izolarea blocu-lui si stimularea lui cu semnale al caror raspuns este cunoscut si compararea acestuia cu cel obtinut prin testare, respectiv conectarea la intrarea aparatului de masurare a unei ma-rimi de referinta si compararea raspunsului cu cel etalon. 5. functia de memorare, prelucrare si redare a datelor pentru AEMC-urile individuale si sistemele locale de achizitie de date; 6. functia de comunicare cu alte sisteme inteligente, coordonate de calculatoare, pentru cazul integrarii AEMC – ului în sisteme complexe de achizitie si prelucrare a datelor, su-pravegheate de calculatoare electronice performante. Folosirea microprocesoarelor în aparatura electronica de masurare si control a at-mosferei a dus la câteva efecte deosebit de favorabile: - sporirea gradului de automatizare; - cresterea versalitatii aparatelor, - marirea preciziei masurarilor prin autoetalonare, corectia erorilor sistematice si de deri-va a nulului, eliminarea erorilor aleatoare etc.; - miniaturizare, prin scaderea numarului componentelor utilizate, micsorarea dimensiuni-lor acestor componente, reducerea numarului de conexiuni; - scaderea substantiala a consumului de energie, cu posibilitati de alimentare de la o sursa locala (baterie) de mica putere; - cresterea fiabilitatii aparatului. 3. 3. Sisteme clasice de achizitie si prelucrare a datelor 3.3.1. Probleme generale de achizitie de date Sistemele de achizitie de date (SAD) sunt circuite complexe, care au rolul de a realiza conversia A/D a unuia sau a mai multor semnale analogice, în scopul memorarii temporare a transmiterii, prelucrarii si vizualizarii informatiei achizitionate. Având în ve-dere aceste functii, utilizarea SAD s-a impus si în cadrul AEMC, mai cu seama în situatii-le în care este necesara prelucrarea numerica a semnalelor furnizate de mai multe traduc-toare. [D4] Elementul esential al oricarui SAD este convertorul A/D (unul sau mai multe), în jurul caruia sunt grupate circuite de prelucrare analogica a semnalului. Configuratia si tipurile de circuite utilizate într-un SAD sunt dependente de o serie de factori: - rezolutia si precizia cu care este necesar a fi efectuata conversia A/D; - numarul de canale analogice investigate; - frecventa si esantionarea pe fiecare canal; - capacitatea sistemului de prelucrare în timp real a datelor; - necesitatea conditionarii semnalului analogic de intrare; - costul.

Page 81: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

83

Conversia propriu-zisa este precedata, de regula, de esantionarea si memorarea temporara a valorilor esantioanelor prelevate. Frecventa de esantionare se stabileste func-tie de spectrul de frecvente al semnalelor de intrare, de viteza convertoarelor A/D si de precizia impusa procesului de prelucrare. O frecventa de esantionare egala cu dublul frecventei maxime din spectrul semnalului prelucrat este suficienta în cazul în care inte-reseaza parametrii statistici ai acestui semnal. Daca este necesar ca esantioanele prelevate sa prezinte cu precizie suficienta semnalul continuu de intrare, fara a mai calcula alte va-lori intermediare esantioanelor initiale, frecventa de esantionare trebuie sa fie de cel putin 8 –10 ori mai mare decât frecventa celei mai înalte armonici. Evident, perioada de esanti-onare nu poate fi mai mica decât timpul de conversie care, la convertoarele A/D curente, este de cca 15 sµ , ajungându-se în unele cazuri la 4 sµ sau 1 sµ . Eroarea finala a prelu-crarii cumuleaza componentele datorate atât esantionarii, cât si cuantizarii. În cazul în care datele achizitionate sunt prelucrate înainte de a fi transmise, per-formantele si structura SAD sunt influentate de capacitatea de prelucrare în timp real a procesorului. Performantele sistemului rezulta ca urmare a unui compromis între banda de frecvente a semnalelor de intrare si complexitatea algoritmilor de prelucrare în timp real care pot fi implementati utilizând procesorul sistemului. Caracteristicile semnalelor de intrare influenteaza de asemenea structura SAD prin tehnicile speciale de conditionare aplicate semnalului înainte de esantionare: ampli-ficarea cu câstig programabil, comutarea automata a intervalelor de masurare, compresia logaritmica, filtrarea semnalelor de intrare. SAD se pot clasifica în functie de : A. Conditiile de mediu: - sisteme care functioneaza în medii favorabile (într-un laborator cu profil electric); - sisteme destinate a fi utilizate în conditii de lucru grele (în echipamente militare, instala-tii telecomandate, în echipamente pentru comanda proceselor industriale). B. Numarul canalelor analogice monitorizate: - cu un canal; - cu mai multe canale. SAD cu un singur canal se pot regasi în una dintre urmatoarele variante de struc-tura: - varianta care include numai circuite pentru conversia directa a semnalului analogic; - varianta ce contine un preamplificator urmat de circuite de conversie; - varianta în care preamplificatorul este urmat de un circuit de esantionare si memorare (S/H) si apoi de circuitele pentru conversie analog-digital; - varianta cea mai complexa, care include dupa preamplificator circuite de conditionare a semnalului, urmate în continuare de celelalte elemente care figureaza în una dintre vari-antele mentionate mai sus. Configuratia adoptata, SAD multicanal se clasifica, în urmatoarele categorii: cu multiplexarea iesirilor unor convertoare A/D, fiecare convertor corespunzând unui singur canal; - cu multiplexarea iesirilor circuitelor de esantionare si memorare S/H; - cu multiplexarea intrarilor circuitelor de esantionare si memorare S/H; - sisteme de achizitii destinate multiplexarii semnalelor de nivel scazut.

Page 82: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

84

3.3.2. SAD cu un singur canal 3.3.2.1. Sisteme de achizitie utilizând conversia directa Schema bloc a sistemului este reprezentata în figura 3.17. Cuvântul de la iesirea convertorului A/D este memorat temporar într-un registru tampon, în vederea transmiterii lui la un calculator (direct sau prin intermediul unui canal de comunicatie). Acest cuvânt cuprinde rezultatul conversiei (în reprezentare binara), un bit de polaritate, precum si un bit pentru indicarea depasirii nivelului de masurare. Sistemul poate fi prevazut cu un dis-pozitiv de comanda locala care, primind de la convertor informatia de stare ce indica sfârsitul procesului de conversie, genereaza semnalul de start al procesului de conversie urmator. Rolul dispozitivului de comanda poate fi preluat de sistemul central de prelucra-re a datelor, semnalele de stare - respectiv declansare – a convertorului fiind vehiculate prin intermediul registrului tampon. 3.3.2.2. Sisteme cu preamplificare si conversie directa Schema bloc a sistemului este reprezentata în figura 3.18. Fig. 3.18. Sistem cu preamplificare si conversie directa Convertoarele A/D utilizate în SAD, mai cu seama cele integrate, au valori stan-dardizate pentru gama de valori a tensiunii de intrare (5 sau 10V). În consecinta apare în mod frecvent necesitatea de a mari sau micsora plaja de variatie a semnalului prelucrat, pentru a utiliza eficient rezolutia convertorului. Daca semnalul are deja o marime cores-

Vx La calculator sau canal de comutatie Stare convertor Start conversie

Fig. 3.17. Sisteme de achizitie cu conversie directa

Convertor A/D Registru tampon

Dispozitiv de comanda

Conve c-tor A/D

Registru tampon

Vx PA

Start conversie

Stare convertor

La calculator sau canalul de comunicatie

Preamplificare

Page 83: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

85

punzatoare, scalarea se poate realiza simplu cu ajutorul unui amplificator operational co-nectat într-o schema de amplificare. În situatia în care semnalul este prelevat din afara sistemului si este foarte mic, de ordinul milivoltilor, sau daca el prezinta o componenta de mod comun apreciabila, este necesara utilizarea unui amplificator diferential instrumental. Parametrii acestui circuit, în ceea ce priveste amplificarea, banda de trecere, factorul de rejectie a semnalului de mod comun si impedanta de intrare se stabilesc în functie de caracteristicile sursei de semnal. 3.3.2.3. Sisteme utilizând circuite de esantionare si memorare S/H Cresterea vitezei de variatie a semnalului supus conversiei A/D, fara diminuarea preciziei, poate fi realizata prin introducerea unui circuit S/H la intrarea convertorului A/D (figura 3.19.). 3.3. 3. Sisteme de achizitie multicanal 3.3.3. Sisteme de achizitie multicanal În sistemele de achizitie multicanal, unele elemente ale sistemului sunt distribuite între doua sau mai multe surse de semnal analogic. Exista mai multe variante de realizare a acestei distributii, în functie de caracteristicile specifice impuse. 3.3.3.1. Sisteme de achizitie cu multiplexarea iesirilor convertoarelor cu un singur canal Pentru un SAD multicanal se poate folosi un singur convertor A/D, la intrarea ca-ruia sunt multiplexate semnalele analogice ce urmeaza a fi convertite. Întrucât costul con-vertorului A/D este relativ scazut, se poate folosi varianta cu câte un convertor A/D pen-tru fiecare sursa de semnal. Schema unui asemenea SAD este prezentata în figura 3.20. Pe fiecare canal au fost prevazute, înaintea convertoarelor A/D, circuite de preamplificare (PA) si de conditionare a semnalului (CC), precum si un circuit S/H. Datele obtinute în urma conversiei sunt supuse unor operatii de prelucrare locala, cu ajutorul blocului pro-cesor aferent fiecarui canal, înainte de a fi multiplexate numeric si transmise în canalul de comunicatie. Registrele tampon înmagazineaza temporar informatia ce urmeaza a fi transmisa.

PA La calculator sau canal de comutatie Premplificator Stare convertor Stari conversie Esantinare/memorare

Fig. 3.19 Procesul de conversie a unei tensiuni liniar variabile în cazul unui sistem de achizitie

prevazut cu circuit de esantionare si memorare

S/H

Convertor A/D

Registru tampon

Dispozitiv de comanda

Page 84: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

86

Sistemele de achizitie cu conversie paralel prezinta o serie de avantaje fata de sis-temele cu multiplexare analogica. În primul rând, pot fi utilizate convertoare A/D relativ lente si deci ieftine, chiar daca este necesar sa se obtina o viteza mare de achizitie a date-lor. Sistemele cu conversie paralel se dovedesc deosebit de avantajoase în cazul unor aplicatii industriale, în care traductoarele sunt raspândite pe o suprafata mare. Prin con-versia locala si transmiterea rezultatelor sub forma numerica, se asigura o buna imunitate la perturbatii. Se mai adauga la acestea posibilitatea unei separari galvanice usoare a sur-sei de semnal împreuna cu convertorul A/D aferent, fata de restul sistemului. SAD multicanal cu conversie paralel sunt avantajoase si ca urmare a faptului ca, putând include pe fiecare canal câte un bloc procesor local, exista posibilitatea operarii asupra datelor numerice ce urmeaza a fi multiplexate, stabilind când si care dintre datele existente la un moment dat sa fie transmise spre calculatorul central. Aceasta facilitate nu exista în cazul sistemelor cu multiplexare analogica, deoarece calculatorul nu poate lua decizii pâna nu a receptionat datele transmise, ori atunci deciziile sunt tardive, datele fi-ind vehiculate deja în întregime prin canalul de comunicatie. Problema evitarii transmite-rii datelor redundante sau de mai mica importanta este deosebit de acuta în cazul în care canalul de transmisie este foarte aglomerat. O configuratie tipica pentru un sistem de achizitii, având convertoarele amplasate direct lânga sursele de semnal, este reprezentata în figura 3.21.

Pe fiecare canal pot exista circuite de preamplificare si conditionare a semnalului, precum si circuite S/H. Totodata, unul sau mai multe canale pot avea fiecare un anumit numar de subcanale multiplexate secvential, în special daca acestea prelucreaza semnale cu caracteristici similare. Data fiind distanta mare pe care trebuie transmise datele la ca-

PA La calculator sau la canal de PA comunicatie PA Preamplificator Conditionare Fig. 3.20 Sistem de achizitie cu multiplexarea iesirilor convertoarelor cu un singur canal

CC S/H Conve r-tor A/D

Procesor

Memo-rie tam-pon

M u l t i p l e x o r n u m e r i c

CC S/H Conve r-tor A/D

Procesor Memo-rie tam-pon

CC S/H Conve r-tor A/D

Procesor Memorie tampon

Page 85: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

87

patul fiecarei linii de transmisie este prevazut câte un amplificator de linie. Înainte de multiplexare, informatia serie-paralel receptionata este convertita în paralel-seri. Exista posibilitatea separarii galvanice usoare a sistemului fata de sursele de semnal si de con-vertoarele A/D aferente. 3.3.3.2. SAD cu multiplexarea intrarilor circuitelor de esantionare si memorare Schema unui asemenea SAD este prezentata în figura 3.22. Diferitele surse de semnal analogic sunt multiplexate la intrarea circuitului de esantionare si memorare, care retine, de fiecare data, valoarea unu esantion în vederea conversiei. Pentru o utilizare mai eficienta a timpului de achizitie, comutarea la urmatorul canal are loc pe durata cât circui-tul S/H al canalului precedent se gaseste în stare de memorare si tensiunea sa de iesire este supusa conversiei. Când procesul de conversie este încheiat, circuitul S/H este co-mandat în starea de esantionare, în vederea prelucrarii semnalului din canalul urmator, deja comutat. Multiplexarea se poate face secvential sau aleator. 3.3.4. Sisteme integrate de achizitie a datelor Datorita evolutiei din domeniul tehnologiei integrarii monolitice, este posibila realizarea de sisteme complexe de achizitie a datelor, în una sau cel mult doua capsule de

Vx1 Linie Linie Vx2 Fig.3.21. Sisteme de achizitie de date având convertoarele amplasate direct lânga sursele analogi-

ce de semnal

M u l t i p l e x o r

Vx1 Vx2 Vx3 La canalul de comunicatie Vx4 sau calculator Vx5 Stare convector Start conversie Esantionare memorare Fig.3.22 Sistem de achizitie cu multiplexarea intrarilor circuitelor de esantionare si me-

morare

Multi-plexor analo-

gic S/H Con-

vertor A/D

Registru tampon

Dispozi-tiv de

comanda

Conver-tor A/D

Amplifica-tor de izola-re

Ampli-ficator de linie

Conver-tor serie

Conver-tor A/D

Ampli-ficator de izola-re

Ampli-ficator de linie

Conver-tor serie

La calcula-tor sau ca-nal de co-municatie

Page 86: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

88

circuite integrate. Schema bloc simplificata a unui astfel de sistem, care asigura multiple-xarea a 16 canale si conversia A/D cu o rezolutie de 12 biti, este prezentata în figura 3.23. Sistemul consta din doua blocuri functionale realizate în capsule distincte: un bloc de intrare analogica si un convertor analog-digital. Sectiunea de intrare analogica contine doua circuite de multiplexare cu câte opt canale fiecare, un amplificator diferential, un circuit de esantionare si memorare si un re-gistru pentru adresa canalului selectat, împreuna cu logica de comanda aferenta. Multiplexoarele pot asigura conectarea la intrarea amplificatorului diferential fie a opt canale diferentiale, fie a 16 canale raportate fata de masa. Trecerea de la un regim de multiplexare la celalalt se face prin intermediul unui comutator analogic inter (Comutator de mod), comandat cu semnal logic. Aceasta facili-tate permite ca în timpul functionarii sistemului unele canale sa fie conectate diferential, iar altele nediferential, functie de necesitati, prin comanda dinamica a comutatorului de mod. Adresa canalului selectat este aplicata circuitului de multiplexare prin intermediul unui registru memorie. Pe durata cât semnalul de comanda existent la intrarea de memo-rare a adresei canalului selectat are valoarea logica 1, continutul acestui registru urmares-te codul adresa aplicat la intrarea sa. Acest cod poate fi pastrat în registrul memorie, sta-bilind nivelul semnalului de comanda la valoarea logica 0. Sincronizarea comutarii de la un canal la celalalt, cu modificarea modului de conectare diferential / nediferential, este asigurata de o logica de comanda.

Alimentare B1 MSB

Cond. Mem

B2 0 High B5 7 B6 0 B8 Low B10 B1 1 7 B1 2 Registru si logica +10V de comanda Stare convector Ciclu scurt Start conversie A3 A2 A1 A0 Memorare Selectie adresa conectare canal selectat diferentiala/nediferentiala

Fig. 3.23.Sistem de achizitie de date realizat pe cale integrata

Sectiune de intrare analogical Comutare Mod + SH - Amplificatorr diferential Esantionare Memorare

Multiplex Multiplex

Convertor analog/digital Comparator

C O N V E R T O R

Regis-tru cu aproximare succe-siva +10V

REF

OSC

Page 87: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

89

Circuitul de esantionare si memorare prezinta particularitatea ca necesita conecta-rea din exterior a condensatorului de memorare. Aceasta posibilitate faciliteaza utilizato-rului stabilirea unui compromis optim viteza / precizie, functie de natura aplicatiei: o ca-pacitate mai mica va determina un timp de achizitie mai redus, în timp ce o capacitate mai mare are drept urmare cresterea timpului de achizitie si îmbunatatirea preciziei. Comanda trecerii din starea de esantionare în starea de memorare si invers se rea-lizeaza, în mod obisnuit, cu semnale STARE furnizat de convertorul A/D. În intervalele dintre procesele de conversie, nivelul logic 0 al acestui semnal determina starea de esan-tionare pentru circuitul S/H, în timp ce pe durata efectuarii unei conversii este comandata starea de memorare. Daca semnalele de intrare se modifica destul de lent în timp, pentru ca variatiile acestora sa nu genereze erori în procesul de conversie A/D, circuitul S/H va fi în permanenta mentinut în starea de esantionare, prin conectarea la masa (0 logic) a in-trarii ESANTIONARE / MEMORARE. Se obtine astfel o viteza sporita de achizitie a datelor. Convertorul A/D este de tipul cu aproximare succesiva si include elementele ca-racteristice acestui tip de circuit: un convertor A/D, un registru cu aproximatii succesive si un comparator. Sursa de referinta si oscilatorul pentru impulsurile de tact, care modifi-ca continutul registrului cu aproximare succesiva, sunt integrate pe acelasi circuit. Con-vertorul este prevazut cu o intrare de comanda, denumita CICLUL SCURT. Aceasta permite încheierea procesului de conversie dupa obtinerea unui numar de biti pentru re-zultat mai mic de 12. În acest scop, iesirea corespunzatoare celui mai putin semnificativ bit al rezultatului scurtat se conecteaza la intrarea CICLU SCURT. Reducerea preciziei pe seama micsorarii corespunzatoare a timpului de conversie se poate dovedi extrem de utila în anumite aplicatii. 3.3.5. Interfata sistemelor de achizitie de date Structura circuitelor de interconectare a sistemelor de achizitie cu calculatorul este dependenta de modul în care sunt transmise datele rezultate în urma conversiei: serie, respectiv paralel. Transmisia serie este necesara atunci când distanta dintre sistemul de achizitie si calculator este mai mare de câtiva metri si / sau datele trebuie transmise printr-un mediu puternic perturbat din punct de vedere electric. În toate celelalte situatii este de preferat transmisia paralel, datorita vitezei sporite de vehiculare a informatiei si a unor circuite de interfata, în general, mai simple. 3.4. Sistemului de achizitie si prelucrare al datelor folosit în cadrul retelei de moni-torizare a poluantilor la nivelul municipiului Bucuresti Sistemul de masurare al poluantilor contine un sistem de achizitie si prelucrare date EnviDas pentru Windows, conceput pentru achizitia si prelucrarea datelor provenite de la echipamentele produse de Environnement SA. El este implementat pe un PC industrial, care se monteaza într-un sertar pe rastel si este alimentat cu 240V si 50 Hz. EnviDas pentru Windows (EnviDas_FW), este un sistem de achizitie de date inte-ligent, multifunctional si de înalta performanta. Este utilizat ca suport pentru achizitia de date si pentru control, în anumite domenii: monitorizarea calitatii aerului; monitorizarea emisiilor continue; monitorizarea meteorologica; monitorizarea calitatii apei si monitori-zarea gazelor toxice. Sistemul elementar EnviDas_FW sustine 16 intrari digitale si analo-

Page 88: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

90

gice, 16 iesiri digitale, 2 porturi de transfer de informatii. Intrarile analogice si digitale, precum si iesirile digitale sunt continute de placa de achizitie de tip Adventech PCI 1731 sau PCL 818L. În figura 3.24. sunt prezentate placile de achizitie de date multifunctiona-le.

PCI -1731 PCL-818L Fig. 3.24. Placi de achizitie multifunctionale Placa de achizitie este o placa multifunctionala cu interfata PCI. Caracteristicile placii sunt: 16 canale de mod comun sau 8 diferentiale, convertor A/D de 16 biti, cu o rata de esantionare de pâna la 1 Mhz, memorie FIFO (1024 esantioane), auto calibrare, 2 canale de iesiri analogice pe 16 biti, 16 canale de intrare analogice, 16 canale de iesire digitala, interfata PCI universala, numarator programabil, rata de esantionare este de pâna la 1 Mhz/s. Fiecare componenta a placii de achizitie este descrisa pe larg în capitol. Programul EnviDAS_FW este flexibil si usor de utilizat. Este înzestrat cu urma-toarele caracteristici:

- prelucreaza pâna la 64 masuratori analogice sau canale de calculare; - prelucreaza 16 canale de intrare analogice; - prelucreaza 16 canale de iesire analogice; - suport de iesire analogic; - sustine pâna la 16 canale RS232C; - rate de masurare la fiecare 1,25 sau 10 secunde; - conexiune cu sistemul de utilizare a datelor privind mediul ScanAIR 2000 prin re-

tea, linie telefonica (celular, linie închiriata), serie directa sau radio; - tabele de stocare a datelor MSDE; - web-site sau transmisie de date XML (optional); - acces de la distanta pentru încarcarea si descarcarea configuratiei, pentru initierea

etalonarii; - vizualizarea masuratorilor curente si control de la distanta; - calcularea statisticilor matematice sau meteorologice; - corectare si control a etalonarii automate prin relee; - aparate de etalonare sau comenzi seriale ale analizoarelor; - listare zilnica a datelor; - raport asupra etalonarii; - protectie pe baza de parola;

Page 89: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

91

- transfer de informatii via RS232C catre analizoare inteligente ( multidrop dispo-nibil),

- transfer de informatii câtre PLC; - colectare si listare a informatiilor de stare a analizorului; - controlul secventei de etalonare via RS232C si\sau iesiri digitale;

caracteristica deviere transfer de informatii pentru conectarea directa a analizorului de la distanta; 4 nivele de alarma cu raportare automata la centru. În figura 3.25. prezint sistemul de achizitie si prelucrare al datelor pentru monito-rizarea poluarii atmosferei aferent fiecarei statii de monitorizare.

În care AF21M este analizorul pentru masurarea concentratiilor de bioxid de sulf; AC 31M este analizorul pentru masurarea concentratiilor de oxizii de azot; CO11M este analizorul pentru masurarea concentratiilor de monoxid de azot; O341M este analizorul pentru masurarea concentratiilor de ozon; MP101M este un echipament mic cu filtru pen-tru masurarea concentratiilor de pulberi în suspensie PM10 si PM2,5 În sistemele moderne de achizitie de date privind mediul ambiant, multe dintre interfetele analizoarelor sunt seriale. Placile de achizitie de date sunt însotite de softul ScanAIR 2000 ScanAIR 2000 PE este o aplicatie Windows XP\ 2000\ pentru controlul de super-vizare, analiza manageriala si raportare de date în cadrul unei statii de monitorizare a me-diului. Aceasta aplicatie lucreaza în conjunctie cu EnviDAS pentru baza de date Win-dows implementata în MSDE sau Microsoft SQL Server 2000PE. ScanAIR 2000 PE permite utilizatorului sa priveasca, sa analizeze, sa raporteze si sa distribuie date referitoare la calitatea mediului, precum si informatii, printr-o varietate de mijloace. ScanAIR 2000 PE ruleaza sub Win98 sau NT\2000\Xp. Asigura acces extins la informatiile colectate de catre EnviDAS pentru Windows (EnviDAS_FW). Datele sis-temului sunt stocate într-o baza de date deschisa. Prin utilizarea acestui soft (ScanAIR 2000), utilizatorul poate prezenta: -rapoarte sub forma de text, sub forma grafica sau tabelara; - rapoarte privind datele statiei (datele pot fi prezentate, zilnic, saptamânal, lunar sau pe-riodic); - un rezumat lunar al datelor matriciale, pe ore sau pe zile; - analize a poluantilor pe o zi, o saptamâna, o luna sau un an.

Fig. 3.25. Sistemul de achizitie si prelucrare al datelor aferent unei statii de monitorizare

Page 90: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

92

PARTEA A DOUA

4. Starea aerului în Municipiul Bucuresti Poluarea atmosferei este una dintre cele mai importante probleme ale societatii actuale, atât din punct de vedere temporal, având efecte pe termen scurt, mediu si lung, cât si din punct de vedere spatial [T2]. Poluarea aerului în Bucuresti are un caracter mai specific, datorita conditiilor de emisie a poluantilor, existentei surselor multiple de poluare, înaltimilor diferite ale surse-lor de poluare, precum si repartitiei neuniforme a acestor surse, dispersate pe întreg teri-toriul orasului. 4.1. Sursele de poluare a aerului Sursele de poluare a aerului sunt sursele fixe industriale, de obicei concentrate pe mari platforme industriale dar si intercalate cu zone de locuit intens populate (cu dezvol-tari preponderent pe verticala), circulatia auto, în special de-a lungul marilor artere inclu-zând si traficul greu. Sursele de poluare a aerului se pot grupa în câteva mari categorii principale astfel: 1. Industria În zonele industriale, din considerente preponderent economice, s-au realizat an-sambluri de locuinte colective, dimensionate în medie pentru 250 000 – 400 000 de locui-tori. S-a ales aceasta solutie în ideea valorificarii dotarilor edilitare create pentru industrie si reducerea deplasarilor. Aceasta a condus la relatia de vecinatate dintre zonele de locu-inte si cele industriale, sursa principala de disconfort pentru locuire. Gama substantelor evacuate în mediu din procesele tehnologice este foarte varia-ta: pulberi organice si anorganice care au si continut de metale (Pb, Zn, Al, Fe, Cu, Cr, Ni, Cd), gaze si vapori (SO2, NOx, NH3, HCL, CO, CO2, H2S ), solventi organici, funin-gine etc. 2. Traficul auto În urma unor studii au rezultat peste 150 de compusi si grupe de compusi. Este imposibil de masurat toti acesti poluanti rezultati din trafic si atunci se moni-torizeaza doar acei poluanti care au cel mai larg impact asupra sanatatii oamenilor sau care sunt considerati buni indicatori. Poluanti monitorizati pentru evaluarea impactului generat de traficul auto asupra calitatii aerului sunt împartiti în mai multe categorii:

- gazele anorganice: oxizii de azot (NOx), bioxidul de sulf (SO2), monoxidul de car-bon (CO), ozonul (O3);

- pulberi: pulberi totale în suspensie, particule cu diametrul aerodinamic mai mic de 10 mµ sau decât 2,5 mµ , fumul negru;

- componente ale pulberilor: carbon elementar, hidrocarburi policiclice aromatice, plumb;

- compusi organici volatili: benzen, butadiena. Prin arderea completa a combustibililor în motoarele autovehiculelor rezulta ur-matoarele substante principale: vapori de apa, bioxid de carbon si azot. Daca arderile sunt incomplete, în functie de calitatea amestecului, se mai formeaza monoxid de carbon (CO) si oxigen (O2) în cazul amestecurilor foarte sarace. Mai rezulta în urma arderii în propor-tii reduse, oxizi de azot, hidrocarburi, produsi oxidanti, oxizi de sulf, particule.

Page 91: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

93

Combustia benzinei sau a motorinei în motoarele autovehiculelor este generatoare de emisia a peste 100 de compusi chimici. Poluarea aerului cauzata de traficul auto este mare în zonele construite si cu artere de trafic supraaglomerate, unde dispersia poluantilor este dificil de realizat. Concentratiile poluantilor atmosferici sunt mai crescute în zonele cu artere de tra-fic strajuite de cladiri înalte sub forma compacta, care împiedica dispersia. La departare de marile artere de trafic intens, poluarea aerului scade rapid si este destul de rar semnalata în zonele suburbane. 3. Santierele de constructie Cu toate ca ponderea activitatilor de constructii a scazut foarte mult, aceste santie-re ramân surse potentiale de poluare a aerului, în special cu pulberi. 4. Centralele electrotermice CET-urile reprezinta surse importante de poluare a aerului în zonele urbane, din cauza modului de functionare cu combustibili lichizi ce au un continut ridicat de sulf, de-versând în atmosfera cantitati de bioxid de sulf (SO2), oxizi de azot (NOx), monoxid de carbon (CO), bioxid de carbon (CO2), pulberi, fum, cenusa volanta.

Aceste centrale nu sunt prevazute cu instalatii de epurare, nu au cosuri înalte pen-tru evacuarea poluantilor, combustia este de cele mai multe ori incompleta datorita neautomatizarii arderii, randamentului redus si a unei supravegherii precare, ceea ce de-termina degajari de noxe deloc neglijabile care se disperseaza exact în zonele de locuinte, intens populate, pe care aceste centrale le deservesc. In figura 4.1. este prezentata repartizarea principalele surse de poluare ale Bucurestiului.

Fig.4.1. Principalele surse de poluare ale Bucurestiului

Page 92: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

94

4.2. Monitorizarea principalilor poluanti ai atmosferei Bucurestiului 4.2.1 Descrierea retelei de monitorizarea a poluantilor. Descrierea echipamentelor folosite pentru masurarea poluantilor la nivelul Bucurestiului La începutul anului 2004, în cadrul unui program PHARE 2000, a fost pusa în functiune reteaua automata de monitorizare a calitatii aerului în Bucuresti, care respecta cerintele directivelor Uniunii Europene. Poluantii masurati în cadrul retelei sunt: bioxid de sulf SO2, oxizii de azot NOx, monoxid de carbon CO, ozon O3, benzen, particule de praf cu diametrul aerodinamic mai mic de 10 mµ (PM 10) si cu diametrul mai mic de 2,5 mµ (PM 2,5), plumb Pb. Concen-tratiile masurate sunt furnizate în timp real inclusiv publicului si provin de la cele 8 statii automate, repartizate astfel:

- statie de fond regional Balotesti, este statia de referinta pentru determinarea calita-tii atmosferei, este situata la distanta de toate sursele de poluare majore;

- statie de fond suburbana Magurele; - statie de fond urbana Lacul Morii (APM Bucuresti), este situata într-o zona neex-

pusa direct traficului si industriei locale; - 2 statii de trafic Sos. Mihai Bravu si Cercul Militar National; - 3 statii industriale Drumul Taberei, Titan si Berceni.

Punctele de informare pentru public sunt în numar de sase amplasate astfel: 3 panouri de afisaj Piata Universitatii, Piata Sergiu Celibidache si la Mc Donald’s Obor, 3 display-uri montate la Ministerul Mediului si Gospodaririi Apelor, la Primaria Munici-piului Bucuresti si la APM Bucuresti. Figura 4.2 prezinta repartizarea celor 8 statii de monitorizare a poluantilor, pe su-prafata Bucurestiului.

Fig.4.2. Repartizarea statiilor de monitorizare a poluarii

Page 93: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

95

Bucurestiul este situat în Câmpia Româna, la o altitudine de 60, 90 m. Clima este temperat –continentala, fiind influentata de caracteristicile zonei de contact al maselor continentale estice cu cele vestice si sudice. Predominante sunt masele de aer rece, din cauza carora verile sunt fierbinti si iernile aspre. Influenta maselor de aer din vest si sud explica existenta toamnelor lungi si caldu-roase, a iernilor blânde sau a unor primaveri timpurii. Bucurestiul prin clima sa specifica, sufera de un deficit de umiditate fata de valoa-rea optima medie, fapt ce creeaza o stare de disconfort fizic. Atmosfera urbana este supusa unui proces de încalzire prin radiatii si advectie din mai multe cauze: - exista o diminuare a radiatiei terestre, datorita mentinerii aerului cald în apropie-rea solului, ca urmare a efectului de sera generat de poluarea aerului cu pulberi si gaz; - pierderi de caldura de la cladiri; - limitarea miscarii curentilor de aer datorita cladirilor înalte, fapt care conduce la diminuarea evapotranspiratiei, prin care se pierde caldura. Suprafata Bucurestiului este ocupata de constructii si de reteaua de transport auto. Principalele probleme cu care se confrunta Bucurestiul sunt: suprafata mica, dezvoltarea preponderent pe verticala, lipsa spatiilor verzi, salubrizarea deficitara, trafic auto intens, în special în zona centrala a orasului. Statia Balotesti este situata în afara Bucurestiului, amplasata pe un dâmb de pa-mânt de aproximativ 3 m înaltime, într-o mica pajiste, din padurea Balotesti. Directia predominanta a vântului SV. Distanta pâna la primele obstacole este de aproximativ 80 metri, înaltimea obstacolelor (copaci) aproximativ 6 m. Cel mai apropiat drum este un drum judetean situat la 1km distanta de statie. Raza arie de masurare este de 200 – 500 Km. Statia Magurele este situata în afara Bucurestiului, amplasata în incinta facultatii de Fizica de la Magurele. Distanta pâna la primele obstacole aproximativ 30 m, înaltimea obstacolelor 10 m. Cel mai apropiat drum, este drumul judetean situat la 20 m de statie. Raza arie de masurare este de 25 – 150 km. Statia Lacul Morii este situata într -o zona periferica a orasului, amplasata în in-cinta Agentiei de Protectie a Mediului. Din punctul de vedere al traficului, acesta este în-tre 2000 si 10 000 de vehicule pe zi. Raza arie de masurare este de 1 – 5 km. Statia Mihai Bravu este situata într-o zona centrala, amplasata pe bulevardul Mihai Bravu, sector 2, într-o zona inte ns circulata, în apropierea liceului Iulia Hasdeu si în apropierea unor blocuri de locuinte. Din punctul de vedere al traficului, acesta este ma-re, peste 10 000 de vehicule pe zi. Raza arie de masurare este de 10 – 100 m. Statia Cercul Militar este situata într-o zona centrala, amplasata pe Calea Victo-riei numarul 32-34, sector 1, lânga cladirea Cercului Militar, în vecinatatea intersectiei bulevardului Regina Elisabeta cu Calea Victoriei. Este o zona cu trafic intens, mai mare de 10 000 de vehicule pe zi, strazile sunt de tip canion. În afara traficului nu sunt alte sur-se importante de emisii. Raza arie de masurare este de 10 – 100 m. Statia Drumul Taberei este situata într-o zona periferica, amplasata în incinta statiei ApaNova sector 6, intr-o zona deschisa. Statia este definita ca fiind industriala, dar ea se comporta ca o statie de trafic, fiind situata în vecinatatea unei artere importante de circulatie. Din punctul de vedere al traficului, acesta este mare, peste 10 000 de vehicule pe zi. Raza arie de masurare este de 100 m – 1 Km.

Page 94: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

96

Stati Titan este situata într-o zona periferica a orasului, amplasata în cartierul Ti-tan, strada Rotunda, sector 3, în apropierea zonei de demarcatie dintre obiectivele indus-triale de pe platforma Pallady si zonele rezidentiale. Din punctul de vedere al traficului, acesta este redus, mai putin de 2000 de vehicule pe zi. Raza arie de masurare este de 100 m – 1 km. Statia Berceni este situata într-o zona periferica a orasului, amplasata în incinta spitalului Obregia, sector 4. Din punctul de vedere al traficului acesta este între 2000 – 10000 de vehicule pe zi. Raza arie de masurare este de 100 m – 1 km. Poluantii masurati la cele opt statii sunt: bioxid de sulf SO2, oxizii de azot NOx, monoxid de carbon CO, ozon O3, benzen, particule de praf PM 10, PM 2,5, plumb Pb. Parametrii meteorologici masurati la cele opt statii sunt: temperatura, viteza vân-tului, directia vântului, umiditatea relativa, presiunea atmosferica, radiatia solara. Statiile sunt echipata cu:

- analizor de monoxid de carbon model CO 11 M2, principiul de masurare este me-toda spectrometrica în infrarosu nedispersiv, prezentat în capitolul 2 paragraful 2.2.1.2.

- analizor de ozon, model O3 41 M2, principiul de masurare este metoda fotometri-ca în UV, prezentat în capitolul 2 paragraful 2.2.2.

- analizor de bioxid de sulf, model AF 21 M2, principiul de masurare este metoda fluorescentei în UV, prezentat în capitolul 2, paragraful 2.2.3.2.

- analizor de bioxid de azot, model AC 31 M2, principiul de masurare este metoda prin chemiluminiscenta, prezentat în capitolul 2, paragraful 2.2.4.

- prelevator de pulberi, model Derenda LVS 31/PNS 2.1-15, are drept principiu de masurare colectarea pe filtre a fractiunii PM 10 a pulberilor în suspensie si deter-minarea masei acestora cu ajutorul metodei gravimetrice (EN 12341).

Caracteristici de prelevare: - punctul de prelevare este în curti, - prelevarea se face la o înaltimea de 4 – 5 m, - timp de prelevare, o ora pentru SO2, O3, CO, NO2 NO NOx si 24 de ore pentru

PM 10. 4.2. 2. Studiul poluantilor masurati la statiile de trafic si la statiile industriale 4.2.2.1. Statii de trafic: Cercul Militar si Mihai Bravu A. Monoxidului de carbon Monoxidul de carbon a fost descris în capitolul 1, paragraful 1.2.3. În tabelul 4;1 este prezentata evolutia anuala a concentratiei monoxidului de car-bon de la cele doua statii de trafic, la nivelul anilor 2007, 2008, 2009. Tab 4;1

Concentratie CO [mg/m3] Statii/An 2007 2008 2009

Cercul Militar 0.74 0.64 0.53 Mihai Bravu 1.22 0.77 0.56

Page 95: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

97

Figurile 4.3, 4.4, 4.5, prezinta valoarea concentratiei monoxidului de carbon la nivelul anilor 2007, 2008, 2009 de la cele doua statii de trafic Cercul Militar si Mihai Bravu.

0

0.5

1

1.52

2.5

33.5

4

4.5

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2007

Cercul MilitarMihai Bravu

Fig.4.3.

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2008

Cercul MilitarMihai Bravu

Fig. 4.4.

00.10.20.30.40.50.60.70.80.9

1

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2009

Cercul MilitarMihai Bravu

Fig.4.5.

Page 96: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

98

În perioada rece a anului (lunile de iarna si primavara), când arderea combustibili-lor fosili atinge un maxim, valoarea concentratiei monoxidului de carbon are o valoare mai ridicata fata de perioada calda a anului (lunile de vara, toamna). În figura 4.6. prezint evolutia concentratiei monoxidului de carbon de la cele doua statii de trafic în ziua de 5 ianuarie 2008.

Evolutia concentratiei monoxidului de carbon in ziua de 5 ianuarie 2008

0

0.5

1

1.5

2

2.5

3

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

CO

[mg/

m3]

Cercul MilitarMihai Bravu

Fig. 4.6.

Pe parcursul unei zile, la cele doua statii de trafic, concentratia monoxidului de carbon are o evolutie crescatoare. Valoarea limita maxima a mediilor pe opt ore care este de 10 mg/m3 a fost depasi-ta la aceste doua statii (anexa 1).

În figurile 4.7. si 4.8. prezint spre exemplificare evolutia concentratiei monoxidu-lui de carbon, în zilele de 12 ianuarie 2007 si 22 octombrie 2007, de la statiile Mihai Bravu si Cercul Militar. În aceste zile, la cele doua statii au fost înregistrate depasiri ale valorii limita.

Evolutia concentratiei monoxidului de carbon in ziua de 12 ianuarie 2007

0

2

4

6

8

10

12

14

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

CO

[mg/

m3]

Mihai Bravu

Fig. 4.7.

Page 97: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

99

Evolutia concentratiei monoxidului de carbon in ziua de 22 octombrie 2007

02468

1012141618

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratia

CO

[mg/

m3]

Cercul Militar

Fig. 4.8.

Depasirile ale acestei valori au fost înregistrate numai la nivelul anului 2007. B. Ozonul Ozonul a fost descris în capitolul 1, paragraful 1.2.3. Tabelul 4;2 prezinta evolutia concentratiei de ozon la cele doua statiile pe perioa-da celor trei ani, 2007, 2008, 2009. Tab.4;2

Concentratie O3 [ 3/ mgµ ] Statii/An

2007 2008 2009 Cercul Militar 16.44 13.56 38.27 Mihai Bravu 22.1 18.02 33.43

Figurile 4.9., 4.10., 4.11., prezinta valoarea concentratiei ozonului de la cele doua statii pe perioada celor trei ani.

0

5

10

15

20

25

30

35

40

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei ozonului in anul 2007

Cercul MilitarMihai Bravu

Fig.4.9.

Page 98: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

100

0

5

10

15

20

25

30

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei ozonului in anul 2008Cercul MilitarMihai Bravu

Fig.4.10.

0

10

20

30

40

50

60

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de ozon in anul 2009Cercul MilitarMihai Bravu

Fig.4.11.

De remarcat la aceste grafice este faptul ca daca creste concentratie de ozon la o statie creste si la cealalta. Înseamna ca exista o corelatie între aceste statii masurând ozo-nul (analiza facuta în capitolul 5). În figurile 4.12. si 4.13. prezint variatia concentratiei de ozon de la cele doua statii de trafic în decursul unei zile.

Evolutia concentratiei de ozon in ziua de 1 martie 2007

0

10

20

30

40

50

60

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

O3

[ug/

m3]

Cercul MilitarMihai Bravu

Fig. 4.12.

Page 99: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

101

Evolutia concentratiei de ozon in ziua de 13 august 2007

0102030405060708090

100

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

O3

[ug/

m3]

Cercul MilitarMihai Bravu

Fig. 4.13.

Intervalul orar în care concentratia de ozon creste este 9-18. Se observa din figura 4.13. ca în perioada de vara, când intervalul de iluminare diurna este mare, reactiile fotochimici din atmosfera sunt accelerate, fapt ce are ca rezul-tat cresterea concentratiei de ozon. În decursul anilor 2007-2009, la nici una din cele doua statii, nu a fost depasita valoarea limita de 120 3/ mgµ care reprezinta valoarea medie la 8 h pentru protectia sa-natatii oamenilor. C. Bioxidul de sulf Bioxidul de sulf a fost descris în capitolul 1, paragraful 1.2.3. Tabelul 4;3 prezinta evolutia concentratiei de bioxid de sulf la cele doua statiile pe perioada celor trei ani, 2007, 2008, 2009. Tab.4;3

Concentratie SO2 [3/ mgµ ] Statii/An

2007 2008 2009 Cercul Militar 9.39 8.78 5.74 Mihai Bravu 38.04 6.19 11.45

Figurile 4.14., 4.15., 4.16., prezinta valoarea concentratiei bioxidului de sulf de la cele doua statii pe perioada celor trei ani.

Page 100: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

102

0

5

10

15

20

25

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de bioxid de sulf in anul 2007

Cercul MilitarMihai Bravu

Fig.4.14.

05

1015202530354045

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de bioxid de sulf in anul 2008

Cercul Militarmihai Bravu

Fig.4.15.

0

5

10

15

20

25

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de bioxid de sulf in anul 2009

Cercul MilitarMihai Bravu

Fig.4.16.

Page 101: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

103

În figura 4.17., este prezentata variatia bioxidului de sulf în decursul unei zile.

Evolutia concentratiei bioxidului de sulf in ziua de 29 ianuarie 2007

0

10

20

30

40

50

60

70

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratia

SO

2 [u

g/m

3]

Cercul MilitarMihai Bravu

Fig.4.17.

Intervalul orar in care valoarea bioxidului de sulf creste este 9-13. La nici una din statii pentru acest poluant nu a fost depasita valoarea limita zilnica de 125 3/ mgµ D. Bioxidul de azot Bioxidul de azot a fost descris în capitolul 1, paragraful 1.2.3. Tabelul 4;4 prezinta evolutia concentratiei de bioxid de azot la cele doua statiile pe perioada celor trei ani, 2007, 2008, 2009. Tab.4;4

Concentratie NO2 [ 3/ mgµ ] Statii/An

2007 2008 2009 Cercul Militar 115.01 79.65 64.68 Mihai Bravu 63.37 69.8 73.4

Figurile 4.18., 4.19., 4.20., prezinta valoarea concentratiei bioxidului de azot de la

cele doua statii pe perioada celor trei ani. Se constata ca daca la o statie creste sau descreste valoarea concentratiei bioxidu-

lui de azot, creste sau descreste si la cealalta. Pe baza acestei observatii în capitolul cinci este prezentata corelatia dintre cele doua statii, masurând bioxidul de azot.

Page 102: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

104

0

20

40

60

80

100

120

140

160

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2007

Cercul Militar

Mihai Bravu

Fig.4.18.

0

20

40

60

80

100

120

140

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2008

Cercul MilitarMihai Bravu

Fig.4.19.

0

20

40

60

80

100

120

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2009

Cercul MilitarMihai Bravu

Fig.4.20.

Page 103: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

105

În figurile 4.21., 4.22., 4.23. este prezentata variatia concentratiei bioxidului de azot pe parcursul unei zile.

Evolutia concentratiei bioxidului de azot in ziua de 8 februarie 2007

050

100150200250300350400450500

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratia

NO

2 [u

g/m

3]

Cercul MilitarMihai Bravu

Fig.4.21.

Evolutia concentratiei de bioxid de azot in ziua de 26 februarie 2008

050

100150200250300350400450500

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

NO

2 [u

g/m

3]

Cercul MilitarMihai Bravu

Fig. 4.22.

Evolutia concentratiei de bioxid de azot in ziua de 24 decembrie 2009

050

100150200250300350400450

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

NO

2 [u

g/m

3]

Cercul MilitarMihai Bravu

Fig.4.23.

Page 104: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

106

Intervalul orar în care valoarea concentratiei bioxidului de azot creste este 7-13 si 18-22. Din figurile 4.21., 4.22., 4.23., rezulta ca variatia concentratiei bioxidului de azot în cursul unei zile, la cele doua statii este similara. Înseamna ca statiile sunt similare din punct de vedere al numarului de masini care le tranziteaza. Bioxidul de azot este poluantul pentru care s-au înregistrat depasiri a valorii limita orara pentru protectia sanatatii umane, precum si depasiri ale pragului de alerta, pe toata perioada analizata. O parte din aceste valori sunt prezentate în anexa 1. Valoarea limita orara pentru protectia sanatatii umane este de 200 3/ mgµ , iar valoarea pragului de alerta (masurat timp de trei ore consecutiv) este de 400 3/ mgµ . Valoarea limita anuala pentru protectia sanatatii umane este de 3/40 mgµ , iar pentru protectia vegetatiei valoarea limita anuala este de 3/30 mgµ . Am constatat ca au fost depasite aceste valori la cele doua statii. E. Pulberi în suspensie Pulberile în suspensie au fost descris în capitolul 1, paragraful 1.2.3. Tabelul 4;5 prezinta evolutia concentratiei de pulberi în suspensie PM 10 la cele doua statiile pe perioada celor trei ani, 2007, 2008, 2009. Tab.4;5

Concentratie PM10 [ 3/ mgµ ] Statii/An

2007 2008 2009 Cercul Militar 33,82 47,12 47,3 Mihai Bravu 56,3 56,3 48,3

Figurile 4.24., 4.25., 4.26., prezinta evolutia concentratiei pulberilor în suspensie

PM 10 pe perioada celor trei ani Se constata si pentru acest poluant ca daca creste sau descreste valoarea concen-tratiei pulberilor în suspensie PM 10 la o statie, creste sau descreste si la cealalta. Pe baza constatarii facute, în capitolul cinci al tezei am realizat niste corelatii între cele doua statii masurând acest poluant.

0

10

20

30

40

50

60

70

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de pulberi in suspensie PM 10 in anul 2007

Cercul MilitarMihai Bravu

Fig.4.24.

Page 105: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

107

0

10

20

30

40

50

60

70

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de pulberi in suspensie PM 10 in anul 2008

Cercul Militar

Mihai Bravu

Fig.4.25.

0

10

20

30

40

50

60

70

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratie de pulberi in suspensie in anul 2009

Cercul MilitarMihai Bravu

Fig.4.26.

În figurile 4.27., 4.28. este prezentata variatia concentratiei pulberilor în suspensie pe parcursul unei saptamâni.

Evolutia concentratiei pulberilor in suspensie PM 10 in saptamana 1-7 ianuarie 2007

0

20

40

60

80

100

120

1 2 3 4 5 6 7

Zile

Con

cent

ratia

PM

10 [u

g/m

3]

Cercul MilitarMihai Bravu

Fig.4.27.

Page 106: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

108

Evolutia concentratiei pulberilor in suspensie PM 10 in saptamana 2-8 august 2008

0102030405060708090

1 2 3 4 5 6 7

Zile

Con

cent

ratie

PM

10

[ug/

m3]

Cercul MilitarMihai Bravu

Fig.4.28.

Acest poluant a înregistrat depasiri ale valori limita (care este de 50 3/ mgµ , va-loarea limita zilnica pentru protectia sanatatii umane) pe toata perioada analizata. A fost depasita valoarea limita anuala pentru protectia sanatatii umane care este de 20 3/ mgµ la ambele statii. În anexa 1 sunt prezentate o parte din aceste depasiri. 4.2.2.2. Statii industriale: Berceni, Drumul Taberei si Titan Statia Berceni- principalele sursele de poluare sunt CET Progresu si Doosan IMGB. Statia Drumul Taberei- principalele surse de poluare CET Vest, CET VestEnergo si Lasselsberger (producator de placi ceremice) si traficul auto. Statia Titan- principala sursa de poluare este CET Titan. A. Monoxidul de carbon În tabelul 4;6 este prezentata evolutia anuala a concentratiei monoxidului de car-bon la cele trei statii industriale, la nivelul anilor 2007, 2008, 2009. Tab. 4;6

Concentratie CO [mg/m3] Statii/An 2007 2008 2009

Berceni 0.26 0.91 0.93 Drumul Taberei 0.28 0.55 0.6

Titan 0.37 0.78 0.61 Figurile 4.29., 4.30., 4.31. prezinta valoarea concentratiei monoxidului de carbon la nivelul anilor 2007, 2008, 2009 de la cele trei statii industriale Berceni, Drumul Tabe-rei si Titan.

Page 107: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

109

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2007

Berceni

Drumul TabereiTitan

Fig. 4.29.

0

0.2

0.4

0.6

0.8

1

1.2

1.4

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2008

BerceniDrumul TabereiTitan

Fig. 4.30

0

0.2

0.4

0.6

0.8

1

1.2

1.4

Concentratie CO [mg/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei monoxidului de carbon in anul 2009

BerceniDrumul TabereiTitan

Fig. 4.31.

Page 108: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

110

În figura 4.32. este prezentata evolutia concentratiei de monoxid de carbon în de-cursul unei zile la statiile Berceni, Drumul Taberei si Titan.

Evolutia concentratiei monoxidului de carbon in ziua de 2 noiembrie 2007

0

0,2

0,4

0,6

0,8

1

1,2

1,4

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratia

Co

[mg/

m3]

Drumul TabereiBerceniTitan

Fig.4.32.

Se observa din acest grafic ca în intervalele orare 7-10 si 17-21, valoarea concen-tratiei monoxidului de carbon creste. Pentru nici una din cele trei statii pe perioada analizata nu s-au înregistrat depasiri ale valori limita si a pragului de alerta. B. Ozonul În tabelul 4;7 este prezentata evolutia anuala a concentratiei de ozon la cele trei statii industriale, la nivelul anilor 2007, 2008, 2009. Tab.4;7

Concentratie O3 [3/ mgµ ] Statii/An

2007 2008 2009 Berceni 45.52 35.42 33.4

Drumul Taberei 32 33.34 37.24 Titan 43.43 39.25 43.43

Figurile 4.33, 4.34, 4.35, prezinta valoarea concentratiei de ozon la nivelul anilor 2007, 2008, 2009 de la cele trei statii industriale Berceni, Drumul Taberei si Titan.

Page 109: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

111

0

10

20

30

40

50

60

70

80

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de ozon in anul 2007BerceniDrumul TabereiTitan

Fig.4.33.

0

10

20

30

40

50

60

70

80

90

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei de ozon in anul 2008BerceniDrumul TabereiTitan

Fig.4.34.

0102030405060708090

100

Concentratie O3 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratie de ozon in anul 2009BerceniDrumul TabereiTitan

Fig.4.35.

Page 110: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

112

În figura 4.36. este prezentate evolutia concentratiei de ozon în decursul unei zile la statiile Berceni, Drumul Taberei si Titan.

Evolutia concentratiei de ozon in ziua de 28 iulie 2007

0

20

40

60

80

100

120

140

160

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

[ug

/m3]

Drumul TabereiBerceni

Titan

Fig.4.36.

Intervalul orar în care concentratia de ozon creste este 9-21 la toate cele trei statii. Singura depasire a valorii limita a fost la statia Titan, în ziua de 28 iulie 2007, când s-a înregistrat timp de opt ore consecutiv depasirea valorii de 120 3/ mgµ . C. Bioxidul de sulf În tabelul 4;8 este prezentata evolutia anuala a concentratiei bioxidului de sulf la cele trei statii industriale, la nivelul anilor 2007, 2008, 2009. Tab. 4;8.

Concentratie SO2 [3/ mgµ ] Statii/An

2007 2008 2009 Berceni 10.36 13.07 18.89

Drumul Taberei 17.5 15.06 6.2 Titan 9.48 6.41

La nivelul anului 2008, la statia Titan nu s-a masurat bioxidul de sulf. Figurile 4.37., 4.38., 4.39., prezinta valoarea concentratiei bioxidului de sulf la nivelul anilor 2007, 2008, 2009 de la cele trei statii industriale Berceni, Drumul Taberei si Titan.

Page 111: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

113

0

5

10

15

20

25

30

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de sulf in anul 2007BerceniDrumul TabereiTitan

Fig. 4.37.

0

10

20

30

40

50

60

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de sulf in anul 2008BerceniDrumul TabereiTitan

Fig. 4.38.

0

5

10

15

20

25

30

35

40

Concentratie SO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de sulf in anul 2009BerceniDrumul TabereiTitan

Fig. 4.39.

Page 112: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

114

În figura 4.40. este prezentata evolutia concentratiei bioxidului de sulf în decursul unei zile la statiile Berceni, Drumul Taberei si Titan.

Evolutia concentratiei de bioxid de sulf in ziua de 18 martie 2009

0

5

10

15

20

25

30

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

SO

2 [u

g/m

3]

Drumul TabereiBerceniTitan

Fig.4.40.

Valorile concentratiei bioxidului de sulf sunt în limite acceptate de Organizatia Mondiala a Sanatatii. Nu au fost înregistrate la nici una din statii depasiri ale valori limita si ale pragului de alerta. D. Bioxidul de azot În tabelul 4;9 este prezentata evolutia anuala a concentratiei bioxidului de azot la cele trei statii industriale, la nivelul anilor 2007, 2008, 2009. Tab.4;9

Concentratie NO2 [3/ mgµ ] Statii/An

2007 2008 2009 Berceni 37.27 37.97 32.90

Drumul Taberei 57.08 47.61 54.56 Titan 48.07 39.96 13.08

Se poate observa ca au fost depasite la cele trei statii valoarea limita anuala pentru

protectia vegetatiei (30 3/ mgµ ), iar la statia Drumul Taberei, a fost depasita si valoarea limita anuala pentru protectia sanatatii umane (40 3/ mgµ ). Figurile 4.41., 4.42, 4.43, prezinta valoarea concentratiei bioxidului de azot la ni-velul anilor 2007, 2008, 2009 de la cele trei statii industriale Berceni, Drumul Taberei si Titan.

Page 113: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

115

0

10

20

30

40

50

60

70

80

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2007BerceniDrumul TabereiTitan

Fig.4.41.

0

10

2030

40

50

60

7080

90

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2008 BerceniDrumul TabereiTitan

Fig.4.42

0

1020

30

4050

60

7080

90

Concentratie NO2 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei bioxidului de azot in anul 2009BerceniDrumul TabereiTitan

Fig.4.43

Page 114: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

116

În figurile 4.44., 4.45. sunt prezentate evolutiile concentratiei bioxidului de azot în decursul unei zile la statiile Berceni, Drumul Taberei si Titan.

Evolutia concentratiei de bioxid de azot in ziua de 17 octombrie 2007

050

100150200250300350400450

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratia

NO

2 [u

g/m

3]

Drumul TabereiBerceniTitan

Fig.4.44.

Evolutia concentratiei de bioxid de azot in ziua de 24 decembrie 2009

0

50

100

150

200

250

300

350

01:00

03:00

05:00

07:00

09:00

11:00

13:00

15:00

17:00

19:00

21:00

23:00

Ore [h]

Con

cent

ratie

NO

2 [u

g/m

3]

Drumul TabereiBerceniTitan

Fig.4.45.

Valoarea cea mai mare a concentratiei bioxidului de azot de la cele trei statii, s-a înregistrat la statia, Drumul Taberei. Explicatia valori mari consta în faptul ca statia Dru-mul Taberei se comporta ca o statie de trafic, desi este definita ca o statie industriala. Numarul masinilor care circula în zona statiei este de 10 000 de autovehicule /zi similar cu numarul de autovehicule de la cele doua statii de trafic. La aceasta statie în anul 2007 s-au înregistrat depasiri ale valori limita orare pentru protectia sanatatii umane (care este de 200 3/ mgµ ) si depasiri ale pragului de alerta (care este de 400 3/ mgµ masurat timp de trei ore consecutiv), în toate lunile anului, la fel ca la statiile de trafic. La nivel anilor 2008 si 2009 s-au înregistrat depasiri pe o perioada de timp mai scurta (de ordinul a 2-3 luni). Statiile Berceni si Titan au înregistrat depasiri ale valori limita pe perioada anali-zata.. O exemplificare a acestor depasiri este prezentata în anexa 1.

Page 115: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

117

E. Pulberi în suspensie PM 10 În tabelul 4;10 este prezentata evolutia anuala a concentratiei pulberilor în sus-pensie PM 10 la cele trei statii industriale, la nivelul anilor 2007, 2008, 2009. Tab.4;10

Concentratie PM 10 [ 3/ mgµ ] Statii/An

2007 2008 2009 Berceni 46,73 48 44,06

Drumul Taberei 32,1 50,6 45,67 Titan 46,5 42,2 35,3

La cele trei statii industriale a fost depasita valoarea limita anuala pentru protectia

sanatatii umane care este de 20 3/ mgµ . În anexa 1. sunt prezentate o parte din aceste de-pasiri. Figurile 4.46, 4.47, 4.48, prezinta valoarea concentratiei pulberilor în suspensie la nivelul anilor 2007, 2008, 2009 de la cele trei statii industriale Berceni, Drumul Taberei si Titan.

0

10

20

30

40

50

60

70

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei pulberilor in suspensie PM 10 in anul 2007

BerceniDrumul TabereiTitan

Fig.4.46.

0

10

20

30

40

50

60

70

80

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei pulberilor in suspensie PM 10 in anul 2008BerceniDrumul TabereiTitan

Fig.4.47.

Page 116: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

118

0

1020

30

4050

6070

8090

Concentratie PM 10 [ug/m3]

Ianuarie Martie Mai Iulie Septembrie Noiembrie

Evolutia concentratiei pulberilor in suspensie PM 10 in anul 2009BerceniDrumul TabereiTitan

Fig.4.48

În figura 4.49., este prezentata variatia concentratiei pulberilor în suspensie pe parcursul unei saptamâni.

Evolutia concentratiei pulberilor in suspensie PM 10 in saptamana 1-7 mai 2009

0102030405060708090

100

1 2 3 4 5 6 7

Zile

Con

cent

ratia

PM

10

[ug/

m3]

Drumul TabereiBerceniTitan

Fig.4.49.

Acest poluant a înregistrat depasiri ale valori limita zilnica pentru protectia sana-tatii umane (care este de 50 3/ mgµ ) pe toata perioada analizata la cele trei statii industri-ale. Din cele prezentate mai sus se constata ca situatia cea mai grava se înregistreaza în zona centrala a orasului, unde principala sursa de poluare o constituie traficul auto. Valori mai mari decât media, înregistrate în partea centrala si estica a orasului, se datoreaza directiei dominante a vântului. Directia dominanta a vântului în Bucuresti este N-E. Statia Cercul Militar este situata în centru orasului, iar statia Mihai Bravu este amplasata în partea de centru, cen-tru-est.

Page 117: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

119

Poluanti pentru care s-au înregistrat depasiri ale valorii limita si a pragului de alerta sunt bioxidul de azot si pulberile în suspensie. PM 10. Pentru acesti doi poluanti este necesara alcatuirea unor programe de actiune pentru reducerea concentratiilor în zo-nele de trafic. Situatia în cea ce priveste poluarea cu pulberi în suspensie , nu este critica ci doar îngrijoratoare. Exista câteva masuri, care, daca sunt aplicate pot reduce concentratii-le de pulberi. Acestea sunt:

- refacerea patului carosabil si a îmbracamintei asfaltice pe toate arterele cu trafic intens, precum si întretinerea permanenta a acestora;

- exigenta privind starea tehnica a autovehiculelor trebuie crescuta la inspectiile tehnice;

- întretinerea corespunzatoare a spatiilor verzi si a plantatiilor de aliniament; - o mai buna salubrizare a orasului, atât a arterelor de circulatie cât si eliminarea

depozitelor necontrolate de deseuri. Situatia în ceea ce priveste poluarea cu bioxid de azot este mai grava din doua motive:

- la concentratii mari el devine toxic, - participa nemijlocit la formarea smogului fotochimic.

Concentratia bioxidului de azot pe perioada analizata a avut o evolutie descresca-toare, dar tot mare. Acest lucru se datoreaza înnoirii parcului national auto si îmbunatati-rii calitatii carburantilor auto. Pentru îmbunatatirea calitatii aerului, Comisia Europeana a introdus adoptarea normelor EURO 5 începând cu data de 1 septembrie 2009, norme superioare nivelului EURO 4, care a intrat în vigoare la data de 1 ianuarie 2005. Prin adoptarea acestor norme, se urmareste:

- reducerea cu pâna la 80% a emisiilor de pulberi în suspensie pentru autovehicule-le pe motorina;

- reducerea cu pâna la 75% a emisiilor de pulberi în suspensie pentru autovehicule-le pe benzina;

- diminuarea cu pâna la 20% a emisiilor de oxizi de azot (NOx) pentru autovehicu-lele pe motorina;

- diminuarea cu pâna la 25% a emisiilor de oxizi de azot (NOx) pentru autovehicu-lele pe benzina.

Reducerea emisiilor provenite din transportul rutier sunt vazute ca un important factor de îmbunatatire a calitatii aerului. De aceea preocuparile Comisiei Europene sunt permanente, iar din 2014 se doreste a fi introduse standardele Euro 6. Daca evolutiile acestor poluanti ar putea fii anticipate, masurile luate în vederea reducerii concentratiilor lor ar fi mai eficiente.

Page 118: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

120

5. Analiza temporala a poluarii atmosferei 5.1. Corelatie statistica. Descrierea metodei celor mai mici patrate O problema importanta pentru cercetarea corelatiilor este problema determinarii functiei de regresie, care sa exprime relatia cantitativa dintre fenomenul efect si fenome-nul cauza. Pentru ajustarea seriei de valori empirice trebuie sa se aleaga acea ecuatie care oglindeste în modul cel mai corespunzator caracterul legaturii cercetate. De buna alegere a functiei de regresie depinde rezultatele analizei de corelatie, valoarea estimatiilor varia-bilei dependente. Stabilirea formei legaturii tine seama de natura dependentei fenomenu-lui cercetat. De obicei se reprezinta grafic. La fenomenele simple, unde cauzele actioneaza separat, relatia dintre fenomenul-efect si fenomenul-cauza se reprezinta sub forma: y=f(x), (5-1) unde x reprezinta cauza, iar y efectul. La fenomenele complexe, dependenta se exprima sub forma generala: y = f(x1 , x2 ,..., xn). (5-2) Fenomenul y este generat de actiunea comuna a factorilor x1 ,x2 ,.., xn (cauze), din care luam însa în calcul numai o parte. În cazul când se considera numai doua variabile, se pot stabili corelatii simple, iar când numarul variabilelor este mai mare de doi, avem corelatii multiple. Din punct de vedere al formei unei relatii statistice, spunem ca ea este directa atunci când cresterea unei variabile, duce la o crestere a celeilalte variabile, si o denumim inversa când o crestere a unei variabile duce la o descrestere a celeilalte. Relatiile statistice definite prin corelatii pot avea aspect liniar sau neliniar; prin urmare vom distinge corelatii liniare si corelatii neliniare sau curbilinii. În cazul în care sunt implicate mai multe variabile vom avea corelatie partiala. Metoda celor mai mici patrate Dependenta functionala a unei variabile y fata de alta variabila x poate fi studiata empiric, pe cale experimentala, efectuându-se o serie de masuratori asupra variabilei y pentru diferite valori ale lui x. Rezultatele se pot prezenta sub forma de tabel sau grafic. Problema care se pune în acest caz este de a gasi reprezentarea analitica a depen-dentei functionale cautate, adica de a alege o formula care sa descrie rezultatele experi-mentului. Formula se alege dintr-o multime de formule, de exemplu: y = a + bx, y = a + bx + cx2, y = a + cebx, y = a + h sin( ? t + f ). (5-3) Cu alte cuvinte, problema consta în a determina parametrii a, b, c, ai formulei, în timp ce tipul formulei este cunoscut dinainte ca urmare a unor considerente teoretice sau dupa forma prezentarii grafice a materialului empiric. La modul general când avem n parametrii, dependenta functionala se exprima ast-fel: y = f(x; a0 ,a1 ,...,an). (5-4) Parametrii a0, a1,..., an nu se pot determina exact pe baza valorilor empirice y1, y2,...,yn ale functiei, deoarece acestea din urma contin erori aleatoare. Este vorba de obti-nerea unei estimatii "suficient de bune".

Page 119: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

121

Daca toate masuratorile valorilor functiei sunt y1, y2,...,yn, atunci estimatiile para-metrilor a0, a1,..., an se determina din conditia ca suma patratelor abaterilor valorilor ma-surate yk de la cele calculate f(xk; a0, a1,..., an), adica expresia,

∑=

−=n

knkk aaaxfyS

1

210 )],...,,;([ , (5-5)

sa ia valoarea minima. Consideratia formulata se pastreaza si pentru determinarea estimatiilor parametri-lor unei functii de mai multe variabile. Adica un efect si doua cauze. De exemplu, pentru functia z de doua variabile x si y, estimatiile parametrilor a0, a1,..., an se determina din conditia ca expresia:

∑=

−=n

knkkk aaayxfzS

1

210 )],...,,;,([ , (5-6)

sa fie minima. Aflarea valorilor parametrilor a0, a1,..., an, care conduc la cea mai mica valoare a functiei:

),...,,( 10 naaaSS = , (5-7) revine la rezolvarea sistemului de ecuatii

00

=∂∂aS

, 01

=∂∂aS

,…, 0=∂∂

naS

. (5-8)

Daca formula empirica depinde liniar de parametrii necunoscuti, atunci sistemul de mai sus va fi de asemenea liniar. Dreapta de regresie. Coeficientul de corelatie În cazul cel mai simplu se studiaza numai doua variabile X, Y si se doreste gasirea dependentei: Y = a+ b X, (5-9) unde Y este valoarea prezisa (estimata) a variabilei dependente, a este termenul liber al dreptei de regresie (valoarea pentru X=0), b este coeficientul de regresie (cantitatea cu care se modifica Y, atunci când X se modifica cu o unitate), X este valoarea variabilei in-dependente). În urma celor n probe se cunosc datele (xi ,yi), i=1,..., n si trebuie sa se determine coeficientii a si b astfel încât suma,

∑=

−+=n

iii ybxabaS

1

2)(),( , (5-10)

sa fie minima. Se obtine:

xyx

y

yx

xy

x

y

x

xy rcc

b ⋅=⋅==σσ

σσσσ

σ 2 , xbya ⋅−= , (5-11)

unde σx2 este dispersia variabilei x iar σy

2 este dispersia variabilei y. Marimea

yxyxcxy ⋅−= , (5-12) se numeste corelatia variabilelor X si Y.

Page 120: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

122

Raportul yxxyxy cr σσ/= se numeste coeficient de corelatie a variabilelor X, Y si masoara intensitatea dependentei liniare dintre variabilele X si Y. În final se va obtine ecuatia de regresie:

)( xXryY xyx

y −=−σσ

. (5-13)

Aceasta dependenta reprezinta o dreapta numita dreapta de regresie a variabilei Y în raport cu variabila X. În figura 5.1. este reprezentata dreapta de regresie.

Fig. 5.1. Dreapta de regresie a lui Y în raport cu X

Se poate vorbi si de dependenta variabilei X în functie de Y. Urmând un calcul asemanator se ajunge la dreapta de regresie a variabilei X în raport cu Y:

)( yYrxX xyy

x −=−σσ . (5-14)

Se observa ca cele doua drepte de regresie coincid daca si numai daca 12 =xyr . Dreapta de regresie asociata unei tabele de date exprima o legatura între doua va-riabile aleatoare Y si X, dar nu de tip cauzal (cauza-efect). Norul de date da o prima indi-catie vizuala, intuitiva astfel: daca punctele respective sunt situate în jurul dreptei de re-gresie, atunci între ele exista o relatie puternica sau cum se mai spune o corelatie din mo-tive de simetrie. Dreapta de regresie permite realizarea unor predictii. Observatii. 1. Indiferent de gradul de împrastiere a punctelor, întotdeauna se poate gasi o dreapta de regresie; 2. Coeficientul de corelatie este o marime foarte importanta în cadrul regresiei liniare. El masoara gradul de dependenta liniara si are o valoare cuprinsa între –1 si 1. Daca: - 0=r , atunci Y si X sunt independente; - 0≅r , atunci norul de date nu se aseaza în jurul dreptei de regresie; - 1±=r , atunci datele sunt coliniare; - r este apropiat de +1 datele sunt în vecinatatea dreptei de regresie, deci dreapta de re-gresie este crescatoare; - r este apropiat de -1 dreapta de regresie este descrescatoare.

Page 121: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

123

5.2. Corelatii între statiile de trafic În cadrul capitolului patru, facând o analiza a poluarii, am constatat ca poluantii cei mai importanti pentru care s-au depasit valorile limita si pragul de alerta sunt bioxidul de azot si particulele în suspensie PM10. În cazul bioxidului de azot, depasirile au fost înregistrate la statiile de trafic, Cercul Militar si Mihai Bravu, pentru pulberile în suspen-sie depasiri s-au înregistrat la aproape toate statiile, dar procentul cel mai mare al depasi-rilor a provenit din trafic. În urma studiul facut, am constatat ca exista o dependenta între poluantii monito-rizati la statiile de trafic si anume: daca la statia Cercul Militar, creste valoarea concentra-tia bioxidului de azot, atunci creste si la statia Mihai Bravu; daca scade la statia Cercul Militar, atunci scade si la statia Mihai Bravu, acelasi lucru se întâmpla cu pulberile in suspensie si cu ozonul. Explicatia acestei dependente (pentru bioxidul de azot si pulberile în suspensie) ar fii numarul aproximativ acelasi de masini care circula în zonele respective, peste 10 000 de autovehicule/zi, amplasarea celor doua statii pe directia dominanta a vântului N-E (ele fiind situate în centru si centru-est), neexistenta altor surse de poluare, în afara traficului rutier. Dependenta concentratiei de ozon de la cele doua statii de trafic este strâns legata de dependenta concentratiei bioxidului de azot. Nu exista o dependenta între concentratia bioxidului de sulf de la statia Cercul Militar si concentratia bioxidului de sulf de la statia Mihai Bravu, cum nu exista nicio dependenta între concentratia monoxidului de carbon de la cele doua statii de trafic. Explicatia independentei dintre acesti doi parametrii ar fi innexistenta altor surse de poluare. Cu ajutorul programului TableCurve am realizat niste corelatii între statiile de tra-fic masurând acelasi poluant. Corelatiile pe care le-am stabilit sunt corelatii liniare de for-ma:

bxay += , (5-15) în care a, b sunt parametrii care trebuie determinati. Programul TableCurve este realizat pe principiul metodei celor mai mici patrate. 5.2.1. Corelatie între statiile Cercul Militar si Mihai Bravu masurând bioxidul de azot Pe baza observatiei facute în cadrul capitolului patru, cu ajutorul programului Ta-bleCurve am stabilit niste corelatii liniare între statiile Cercul Militar si Mihai Bravu, ma-surând bioxidul de azot. În tabelul 5;1 prezint valoarea coeficientului de corelatie. Deoarece valorile coeficientului de corelatiei sunt apropiate de +1, datele se afla în vecinatatea dreptei de regresie, deci dreapta de regresie este crescatoare. Analiza de regresie este o metoda pentru a permite predictii, adica sa se estimeze o valoare a unei variabile Y atunci când dispun de o valoare a variabilei asociate X. De multe ori nu se stie cu exactitate care variabila este independenta sau care este dependen-ta în sensul cerut de practica, dar se poate determina daca variabilele sunt asociate si gra-dul de asociere a lor cu ajutorul coeficientului de corelatiei. Variabila dependenta este pe axa verticala OY, iar cea independenta este pe orizontala OX.

Page 122: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

124

Tab. 5;1 Valoarea coeficientului de corelatie pentru statiile Cercul Militar si Mihai Bravu masurând NO2

Valoarea coeficientului de corelatie (r) An Ian Feb Mar Apr Mai Iun Iul Aug Sep Oct Nov Dec

2007 1 0,86 0,8 * 0,8 0,7 0,75 0,76 0,76 0,83 0,72 2008 0,8 0,66 0,76 0,71 0,8 0,88 0,8 0,82 0,81 0,81 0,83 0,83 2009 0,81 0,84 0,78 0,77 0,88 0,76 ** 0,7 0,84 0,84 0,84 0,94 * coeficientul de corelatie nu este bun deoarece sunt foarte multe date lipsa atât la statia Cercul Militar cât si la statia Mihai Bravu ** nu exista valori ale concentratiei bioxidului de azot la statia Mihai Bravu În tabelul 5;2 sunt prezentate ecuatiile dreptelor de regresie, realizate (cu ajutorul programului TableCurve) pentru corelatiile liniare dintre bioxidul de azot masurat la cele doua statii de trafic, Cercul Militar si Mihai Bravu, pe perioada celor trei ani, 2007, 2008, 2009. Tab.5;2. Ecuatiile dreptelor de regresie

Ecuatia dreptei de regresie Ani Luni

2007 2008 2009 Ianuarie xy = xy 76.066.45 += xy 65.084.23 +=

Februarie xy 86.026.54 += xy 56.024.93 += xy 83.076.12 += Martie xy 9.074.63 += xy 48.023.33 += xy 7.09.16 += Aprilie * xy 69.032 += xy 63.008.21 +=

Mai * xy 77.04.37 += xy 63.048.16 += Iunie xy 01.142.49 += xy 9.012.14 += xy 73.043.12 += Iulie xy 47.293.69 += xy 87.084.15 += **

August xy 04.35.53 += xy 87.039.13 += xy 78.072.17 += Septembrie xy 07.464.35 += xy 9.074.63 += xy 02.173.6 += Octombrie xy 53.169.48 += xy 01.142.49 += xy 03.133.1 += Noiembrie xy 52.141.24 += xy 72.09.14 += xy 67.031.10 += Decembrie xy 9.04.40 += xy 71.038.15 += xy 6.001.16 +=

În figurile de mai jos, prezint diagrama de împrastiere a datelor, dreapta de regre-

sie, ecuatia dreptei si valoarea coeficientului de corelatie pentru bioxidul de azot masurat la cele doua statii de trafic. Pentru exemplificare în figurile 5.2., 5.3., prezint o parte din diagramele de împrastiere a datelor.

Page 123: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

125

Corelatie NO2/NO2 Statile CM/MB Ian2007Rank 5 Eqn 1 y=a+bx

r2=1 DF Adj r2=1 FitStdErr=3.70624658e-152 Fstat=1.76368888e+309

a=0 b=1

0 100 200 300 400NO2/MB

0

50

100

150

200

250

300

350

400

450

NO

2/C

M

Corelatie NO2/NO2 Statiile CM/MB Dec2009Rank 4 Eqn 1 y=a+bx

r2=0.886409451 DF Adj r2=0.885994887 FitStdErr=14.1881935 Fstat=4284.14858

a=16.018638 b=0.60013225

0 100 200 300 400NO2/MB (ug/m3)

0

50

100

150

200

250

300

No2

/CM

(ug

/m3)

Dreapta de regresie are expresia:

xy =

Fig. 5.2. Corelatia bioxidului de azot la statiile de trafic luna ianuarie 2007 Dreapta de regresie are ex-presia:

xy 6.001.16 +=

Fig. 5.3. Corelatia bioxidului de azot la statiile de trafic luna decembrie 2009 5.2.2. Corelatie între statiile Cercul Militar si Mihai Bravu masurând pulberile în suspensie PM10 În capitolul patru am analizat acest poluant la cele cinci statii de monitorizare a poluarii. Am constat ca s-au înregistrat depasiri ale valorii limita la aproape toate statiile, dar cele mai mari depasiri peste valoarea limita au fost remarcate la cele doua statii de trafic. Am stabilit o corelatie liniara între cele doua statii de trafic masurând pulberile în suspensie. Rezultatele coeficientului de corelatii sunt cuprinse în tabelul 5;3. Tab. 5;3 Valoarea coeficientului de corelatie pentru statiile Cercul Militar si Mihai Bravu

masurând PM Valoarea coeficientului de corelatie (r)

An Ian Feb Mar Apr Mai Iun Iul Aug Sep Oct Nov Dec 2007 0,92 0,91 0,7 0,85 * * 0,86 0,81 0,83 0,94 0,76 * 2008 * 0,84 * * * * * * 0,94 0,91 0,74 * 2009 * * 0,83 * * * * * * 0,8 0,88 0,99 * nu exista valori masurate pentru acest poluant în lunile mentionate mai sus

Page 124: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

126

CorelatiePM10/PM10 Statile CM/MB Ian2007Rank 13 Eqn 1 y=a+bx

r2=0.863407006 DF Adj r2=0.862949408 FitStdErr=7.57393245 Fstat=3779.96977a=9.4400704

b=0.62872154

0 50 100 150PM10/MB

0

10

20

30

40

50

60

70

80

90

PM

10/C

M Valoarea coeficientului de corelatiei este apropiata de +1, ceea ce înseamna ca dreapta de regresie este crescatoare.

În tabelul 5;4 sunt prezentate ecuatiile dreptelor de regresie, realizate (cu ajutorul programului TableCurve) pentru corelatiile liniare dintre pulberile în suspensie PM 10 masurate la cele doua statii de trafic, Cercul Militar si Mihai Bravu, pe perioada celor trei ani, 2007, 2008, 2009. Tab.5;4. Ecuatiile dreptelor de regresie

Ecuatia dreptei de regresie Ani Luni

2007 2008 2009 Ianuarie xy 62.044.9 += * *

Februarie xy 32.041.3 += xy 91.055.0 += * Martie xy 14.087.4 += * xy 74.06.16 += Aprilie xy 24.057.0 +−= * *

Mai * * * Iunie * * * Iulie xy 67.092.2 += * *

August xy 52.063.9 += * * Septembrie xy 66.066.2 +−= xy 87.063.5 += * Octombrie xy 75.087.6 +−= xy 89.036.5 += xy 78.005.12 += Noiembrie xy 27.068.11 += xy 72.001.16 += xy 78.012.9 += Decembrie * * xy 96.096.1 +=

În figurile 5.4., 5.5., prezint diagrama de împrastiere a datelor, dreapta de regresie,

ecuatia dreptei si valoarea coeficientului de corelatie.

Dreapta de regresie are expresia:

xy 62.044.9 +=

Fig. 5.4. Corelatia pulberilor în suspensie la statiile de trafic luna ianuarie 2007

Page 125: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

127

Corelatie PM10/PM10 Statiile CM/MB Sep08Rank 3 Eqn 1 y=a+bx

r2=0.907199856 DF Adj r 2=0.907038324 FitStdErr=5.04513476 Fstat=11242.2222

a=5.6392561

b=0.87705848

20 40 60 80PM10/MB

10

20

30

40

50

60

70

80

PM

10/C

MDreapta de regresie are expresia:

xy 87.063.5 +=

Fig. 5.5. Corelatia pulberilor în suspensie la statiile de trafic luna septembrie 2008 5.2.3. Corelatie între statiile Cercul Militar si Mihai Bravu masurând ozonul Ozonul se formeaza dintr-o succesiune de reactii fotochimice în care intervin pre-ferential hidrocarburile si oxizii de azot emisi prin arderea diversilor combustibili. În ta-belul 5;5 prezint valorile coeficientului de corelatie.

Tab. 5;5 Valoarea coeficientului de corelatie pentru statiile Cercul Militar si Mihai Bravu

masurând ozonul Valoarea coeficientului de corelatie (r)

An Ian Feb Mar Apr Mai Iun Iul Aug Sep Oct Nov Dec 2007 0,82 0,71 0,8 0,8 0,82 0,85 0,88 0,81 0,91 0,86 * 0,7 2008 * 0,76 0,88 0,87 * 0,74 0,86 0,77 0,8 0,77 0,75 * 2009 * * * * 0,7 0,71 * * * * * 0,74 * nu exista valori masurate pentru acest poluant în lunile mentionate mai sus Tab.5;6. Ecuatiile dreptelor de regresie

Ecuatia dreptei de regresie Ani Luni

2007 2008 2009 Ianuarie xy 59.002.1 += * *

Februarie xy 36.041.2 += xy 53.02.0 +−= * Martie xy 55.031.2 +−= xy 82.015. +−= * Aprilie xy 7.057.4 +−= xy 76.067.2 += *

Mai xy 79.017.6 +−= * xy 74.03.1 += Iunie xy 82.093.6 +−= xy 69.079.1 +−= xy 79.056.0 += Iulie xy 94.082.4 +−= xy 94.05.2 +−= *

August xy 76.004.1 +−= xy 99.031.3 += * Septembrie xy 95.01.1 += xy 98.038.2 += * Octombrie xy 75.001.3 += xy 94.019.0 += * Noiembrie * xy += 25.1 * Decembrie xy 54.098.1 += * xy 74.04.1 +−=

Page 126: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

128

Corelatie O3/O3 Statile CM/MB Sep2007Rank 2 Eqn 1 y=a+bx

r2=0.837636152 DF Adj r 2=0.837182621 FitStdErr=4.92752615 Fstat=3699.00767

a=1.1088556

b=0.95060596

0 20 40 60O3 (ug/m3) (MB)

0

10

20

30

40

50

60

70

O3

(ug/

m3)

(CM

)În tabelul 5;6 sunt prezentate ecuatiile dreptelor de regresie, realizate (cu ajutorul

programului TableCurve) pentru corelatiile liniare dintre ozon masurat la cele doua statii de trafic, Cercul Militar si Mihai Bravu, pe perioada celor trei ani, 2007, 2008, 2009.

Am constatat, folosind programul TabCurve, ca exista o corelatie liniara între sta-tiile de trafic masurând ozonul. Explicatia acestei corelatii se bazeaza pe faptul ca exista o corelatie între statiile de trafic masurând bioxidul de azot; iar bioxidul de azot sta la ba-za formarii ozonului.

În figura 5.6. este prezentata diagrama de împrastiere a datelor, dreapta de regre-sie, ecuatia dreptei si valoarea coeficientului de corelatie

Dreapta de regresie are expresia:

xy 95.01.1 +=

Fig.5.6. Corelatia ozonului la statiile de trafic luna septembrie 2007 Ecuatiile dreptelor de regresie obtinute permit realizarea unor predictii atunci când se cunoaste valoarea x si se doreste a se face o predictie pentru valoarea y. În cazul regresiei liniare, r2 este egal cu patratul coeficientului de corelatie, deci

2rr = . Se considera ca r este cuprins între 0,8-0,9 modelul este foarte bun, 7.0=r , mo-delul este bun, r este cuprins între 0,3-0,7 model insuficient elaborat, r este cuprins între 0-0,3, model incorect. În urma analizei facute cu ajutorul programului TabCurve am constatat ca exista o corelatie liniara între statii de trafic similare (din punctul de vedere al numarului de ma-sini care le tranziteaza) masurând acelasi poluant (bioxidul de azot, pulberile în suspensie si ozon). Pe baza acestei observatii, înseamna ca se poate estima poluarea într-o intersec-tie similara, fara a mai masura poluantii. Aceasta estimare este posibila prin generalizarea unor rezultate masurate într-o intersectie. Se poate evalua nivelul de poluare si în alte intersectii similare, fara a mai fi nevo-ie de masuratori continue, ci doar de minime informatii legate de flota care o traverseaza si de starea vremii.

Page 127: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

129

6. Predictii în poluarea atmosferei În mod normal, în multe orase exista cel putin o statie de monitorizare a poluari, care înregistreaza date necesare pentru analiza emisiilor. În Municipiul Bucuresti, exista opt astfel de statii de monitorizare a poluarii. Statiile sunt împartite în functie de sursele de poluare astfel: statii industriale, statii de trafic, statie de fond urban, de fond regional si de fond suburban. Poluanti monitorizati la aceste statii au fost analizati în cadrul tezei de doctorat, în capitolul patru. În cadrul acestui capitol propun doua modele de predictie a emisiilor de poluanti. Atentia se concentreaza în predictia bioxidului de azot, deoarece concentratia lui în aer a înregistrat depasiri ale valorii limita si a pragului de alerta, sursa fiind traficul rutier. Primul model propus este un model adaptiv de prognoza, care foloseste retelele neuronale adaptive cu vectori de întârziere si care predicteaza evolutia bioxidului de azot cu o anticipare impusa variind între o ora si sapte ore. Simularile au fost facute fo-losind pachetul Matlab specializat pentru lucrul cu retelele neuronale. Al doilea model folosit face parte din prelucrarea statistica a seriilor de timp, de-numit modelul ARMA (Auto Regresive Moving Average), cu ajutorul carui am prezis va-loarea bioxidului de azot. Simularile au fost realizate cu ajutorul programului ITSM 2000. 6.1. Retele neuronale artificiale (RNA) folosite în predictia poluarii. 6.1.1. Retele neuronale artificiale – definitie, proprietati Retelele neuronale artificiale (RNA), denumite uneori procesoare paralel distribu-ite, neurocomputere sau modele conexioniste, reprezinta o încercare de a simula, cel pu-tin partial, structura si functiile creierului uman [T17]. RNA reprezinta un sistem de procesare al semnalelor, compus dintr-un numar ma-re de procesoare elementare interconectate, denumite neuroni artificiali sau noduri si care coopereaza pentru rezolvarea unor sarcini specifice. RNA au fost dezvoltate ca o genera-lizare matematica a modului de gândire uman, bazat pe urmatoarele cunostinte:

- procesarea informatiei are loc la nivelul câtorva elemente simple numite neuroni; - semnalele care se transfera între neuroni se realizeaza prin interconexiuni; - fiecarei interconexiuni îi este asociata o pondere, care, în retelele neuronale clasi-

ce, multiplica semnalul transmis; - fiecare neuron aplica asupra rezultantei semnalelor de intrare (suma ponderata a

semnalelor de intrare) o functie de activare neliniara pentru a furniza semnalul sau de raspuns.

Prin analogie cu neuronul biologic, un neuron artificial are un anumit numar de intrari si o singura iesire, care se poate conecta la intrarea mai multor neuroni. Fiecare intrare are asociata o pondere, care reprezinta importanta pe care o are impulsul, prezent pe linia respectiva, la activarea neuronului. O retea neuronala artificiala este caracterizata de: modul de legare a neuronilor numit topologia retelei (arhitectura), metodele de stabilire a ponderilor conexiunilor, nu-mite proces de învatare (antrenarea retelei), functia de activare a iesirii neuronului (func-tie neliniara). Caracteristicile cele mai importante ale RNA sunt:

1. Capacitatea de a învata. RNA nu necesita programe de calcul puternice ci sunt în primul rând rezultatul unor antrenamente asupra unui set de date. Dându-se un

Page 128: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

130

set de intrari (eventual si iesirile dorite), în urma procesului de antrenament RNA se autoorganizeaza, astfel ca pot rezolva problemele pentru care au fost proiectate.

2. Capacitatea de generalizare. Daca au fost antrenate corespunzator, RNA sunt capabile sa dea raspunsuri corecte si pentru intrari diferite fata de cele cu care au fost antrenate, atât timp cât acestea nu sunt foarte diferite. Este foarte important de mentionat ca RNA genereaza automat problemele pentru care au fost antrenate, ca urmare a structurii lor, nu cu ajutorul unui program special creat în acest scop de om.

3. Capacitatea de sinteza. RNA pot lua decizii sau trage concluzii când sunt con-fruntate cu informatii complexe, cu zgomote irelevante sau rezultate partiale.

Se observa ca RNA prezinta un anumit numar de caracteristici specifice creierului uman. Marele avantaj al RNA, fata de sistemele logice clasice, este ca ele pot descrie o problema si în acelasi timp sa o rezolve, prin autoorganizarea lor si nu prin program. Se face astfel saltul de la logica programata, în cele mai multe cazuri bivalenta la logica multivalenta, de organizare specifice mintii umane. Prin urmare se trece de la evaluarile cantitative la cele calitative, de la electronica formala la cea functionala.

Calitatile deosebite ale RNA le-a adus acestora o multitudine de aplicatii într-o mare diversitate de domenii. Putem aminti telecomunicatiile, recunoasterea formelor, a caracte-relor scrise, a sunetelor si a mirosurilor, controlul si comanda robotilor casnici si industri-ali, medicina, recunoasterea vocilor si vorbirea artificiala, afaceri si nu în ultimul rând în predictia poluarii (aplicatie care intereseaza de fapt în aceasta lucrare).

Realizarea unui sistem capabil sa reproduca functiile cognitive ale mintii umane, într -un mod asemanator cu aceasta, implica cunoasterea functionarii sistemului nervos cen-tral, a creierului uman, responsabil de posibilitatile de cunoastere ale omului.

6.1.1.1. Neuronul biologic Creierul uman consta dintr-o retea de 1010 – 1011 neuroni puternic interconectati. În figura 6.1. este prezentata structura unei celule nervoase.

Fig. 6.1. Structura celulei nervoase (neuron) încorporeaza materialul genetic si un

aparat metabolic complex

Se pot distinge urmatoarele parti constituente: - soma sau corpul celulei reprezinta partea centrala a celulei care realizeaza majori-

tatea functiilor logice ale neuronului. Corpul celulei contine mecanismul genetic si metabolic necesar mentinerii activitatii neuronului;

Page 129: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

131

- axonul (iesirea celulei) reprezinta o prelungire a corpului celulei (citoplasma), unica si în general nearborizata. Functia axonilor este aceea de a conduce influxul nervos de la corpul celular la dendritele sau la corpul celular al altui neuron sau la o celula efectore;

- dendritele (intrarile neuronului) sunt prelungiri ale citoplasmei relativ scurte, groase si bogat ramificate. Functia lor este aceea de a receptiona excitatii si de a le conduce pâna la corpul neuronului. În functie de tipul neuronului el poate avea pâna la 104 dendrite;

- contactul dintre neuroni se realizeaza prin intermediul sinapselor. Sinapsele între doi neuroni se realizeaza în trei feluri: între butonii terminali ai axonului unui ne-uron si dendritele altui neuron (sinapse axo-dendritice), între butonii terminali ai axonului unui neuron si corpul altui neuron (sinapse axo-somatice), între butonii terminali ai axonului unui neuron si portiunea incipienta a axonului altui neuron (sinapse axo-axonale). Din punct de vedere functional, sinapsele sunt de doua fe-luri: excitatorii si inhibitorii. Stocarea informatiei în neuroni presupune ca este efectuata prin intermediul conexiunilor sinaptice, mai precis tiparele pe care le formeaza acestea si prin ponderea pe care o are fiecare legatura în parte.

Conform acestui model simplificat al neuronului, corpul celulei primeste semnale de la alti neuroni prin intermediul conexiunilor sinaptice ajustabile. Când un neuron este excitat, produce impulsuri nervoase care sunt transmise, fara atenuare, de-a lungul axonu-lui, spre alti neuroni. Rata impulsurilor iesirii neuronului depinde atât de intensitatea semnalelor de intrare cât si de ponderile sinaptice aferente acestora. Se poate spune ca neuronul opereaza într-o forma mixta, digital-analogica. Informatia transmisa între neu-roni, sub forma impulsurilor nervoase (potentiale de actiune), poate fi considerata semnal digital. Densitatea impulsurilor este cea care codeaza informatia si poate fi privita ca un semnal analogic. 6.1.1.2. Neuronul artificial Neuronul artificial denumit uneori procesor elementar sau, mai simplu nod, în-cearca sa imite structura si functionarea neuronului biologic. Exista numeroase modele prezentate în literatura, dar cel mai raspândit are la baza modelul elaborat de McCulloch-Pitts în 1943. Astfel se poate considera ca neuronul artificial este format dintr-un numar de intrari, fiecare dintre acestea fiind caracterizata de propria pondere sinaptica. De exemplu, semnalul x j prezent la intrarea sinapsei j este conectat la neuronul k prin multi-plicarea cu ponderea wk j. În figura 6.2. este prezentat modelul neuronului artificial. O alta componenta a modelului neuronului artificial prezentat în figura de mai jos o reprezinta sumatorul destinat însumarii intrarilor ponderate. Rezultatul obtinut în urma însumarii este:

∑=

=N

jjkjk xwu

1

, (6-1)

denumita intrare neta. Pentru limitarea amplitudinii semnalului de iesire al neuronului, acesta este pre-vazut cu o functie de activare ( ).ϕ :

( ) ( )kkkkk buuy +=−= ϕθϕ , (6-2)

Page 130: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

132

în care kθ reprezinta valoarea pragului de activare al neuronului. Uneori intrarea neta es-

te majorata prin termenul kb denumit factor al deplasarii scarii (bias); deplasarea scarii reprezinta deci negativul pragului de activare.

Fig. 6.2. Modelul neuronului artificial

Valoarea kkk u θν −= , poarta denumirea de potential de activare. Functia de acti-vare este de regula o functie neliniara. Cele mai raspândite tipuri de functii de activare sunt prezentate în tabelul 6;1

Tabelul 6;1 Tipuri de functii de activare Tipul functiei Expresia functiei Functia prag

( ) ≥

=altfeldaca

001 ν

νϕ

Functia prag simetrica sau functia signum ( )

−≥

=altfel

daca1

01 ννϕ

Functia sigmoid ( ) ave−+

=1

1νϕ cta =

Functia tangenta hiperbolica ( ) ν

ν

νϕ2

2

11

+−=

ee

Functia liniara ( ) ννϕ = Functia liniara cu saturatie

( )

>≤≤

<=

1110

00

ννν

ννϕ

dacadacadaca

Functia liniara cu saturatie, simetrica

( )

>

≤≤<−

=

11

1001

ν

ννν

νϕ

daca

dacadaca

Functia gaussiana ( ) ( )2exp νϕ −=x

x1

xj

xn

wk1

wkj

wkn

ϕ uk

yk

Page 131: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

133

Functiile liniara si sigmoid reprezinta functiile de activare folosite la RNA în ca-drul acestei teze.

Analizând comparativ modelele neuronului real si neuronului artificial se pot face urmatoarele observatii: 1.Din punct de vedere al implementarii este practic imposibil si chiar ineficient ca modelul artificial al neuronului sa copieze exact comportamentul si structura celui biologic. 2. RNA sunt proiectate pentru rezolvarea unor probleme

specifice si deci arhitectura si trasaturile RNA depind de problema pe care trebuie s-o rezolve.

3. Un neuron real produce la iesire o secventa de impulsuri si nu o anumita valoare cum este cazul celui artificial. Re-prezentarea ratei de activare printr-un singur numar (yk) ig-nora informatia care ar putea fi continuta de exemplu în fa-za impulsurilor. 4. Unele celule nervoase biologice efectueaza o însumare neliniara a intrarilor. Pot exista chiar operatii logice (SI,

SAU, NU) efectuate la nivelul dendritelor. 5. Iesirile neuronilor nu se modifica în timp sincron si nu toti au acelasi tip de întârziere. 6. Cantitatea de substanta transmitatoare (mediator chimic) eliberata la nivelul sinapsei poate sa varieze într-un mod imprevizibil. Fenomenul este aproximat grosier prin inter-mediul functiei de activare. 6.1.1.3. Arhitecturi ale RNA

Se pot distinge doua mari categorii în modul de structurare al unei RNA si anume: A. RNA feedforward (cu propagare înainte) B. RNA recurente (feedback, cu propagare înapoi) A. RNA feedforward

Sunt caracterizate de prezenta unui strat de neuroni de intrare, un numar de stra-turi ascunse (posibil si fara) si un strat de neuroni de iesire.

În figura 6.3. este prezentata arhitectura unei RNA feedforward cu un singur strat ascuns.

Definitoriu pentru acest tip de RNA este faptul ca un neuron primeste semnale doar de la neuroni aflati în stratul/straturi precedent/precedente. Se spune despre o RNA ca este total conectata daca fiecare nod din fiecare strat este conectat la fiecare neuron din stratul precedent.

Functia liniara

Functia sigmoid

Page 132: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

134

Fig. 6.3. RNA feedforward total conectata

Daca anumite conexiuni sinaptice lipsesc se spune ca RNA este partial conectata.

RNA total conectata are un caracter general, în sensul în care pot fi folosite într-o gama larga de probleme, dar rezultatele nu sunt întotdeauna cele mai bune. RNA partial conec-tate introduc anumite restrângeri, care reprezinta tocmai cunostintele apriorice despre problema de rezolvat si care reduc gradul de generalitate al unei RNA.

RNA partial conectate pot da rezultate mai bune decât RNA total conectate în re-zolvarea anumitor probleme specifice, cu conditia exploatarii cunostintelor apriorice des-pre problema data.

În figura 6.4. se prezinta RNA feedforward partial conectata

Fig. 6.4. RNA feedforward partial conectata

B. RNA recurente

RNA recurente se individualizeaza prin existenta unui semnal de reactie, din par-tea neuronilor de ordin superior, pentru cei de ordin inferior sau chiar pentru propriile lor intrari. În figura 6.5. se prezinta RNA recurenta.

Page 133: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

135

Fig. 6.5. RNA recurenta

6.1.1.4. Tipuri si algoritmi de instruire

RNA achizitioneaza cunostintele prin instruire (învatare). Învatarea presupune adaptarea parametrilor liberi ai RNA (ponderi, praguri, rata de învatare, uneori chiar for-ma functiei de activare sau structura retelei) ca urmare a stimulilor mediului în care se gaseste reteaua.

Vectorii de instruire sunt prezentati în RNA în mod secvential iar ponderile sinap-tice, care memoreaza practic cunostintele retelei, sunt adaptate pentru a extrage informa-tia pe care acesti vectori o contin.

Tipul de învatare este determinat de maniera în care sunt ajustati parametrii liberi ai RNA. În figura 6.6 este prezentata o clasificare a algoritmilor si a tipurilor de învatare.

Fig. 6.6. Tipuri si algoritmi de instruire

TIPURI DE INSTRUIRE

SUPERVIZATA NESUPERVIZATA PRIN ÎNTARIRE

CORECTIA ERORILOR

BOLTZMAN

HEBBIAN COMPETITIV

WIDROW-HOFF (LMS sau REGULA DELTA)

PROPAGAREA ÎNAPOI A ERORII

ALGO-RITMI

Page 134: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

136

Învatarea de tip supervizat Este caracterizata de prezenta unui supervizor care cunoaste cu exactitate modul

de asociere al intrarilor RNA cu iesirile acesteia, conform figurii 6.7. Parametrii RNA sunt modificati sub influenta combinata a vectorilor de antrena-

ment si a semnalului de eroare (diferenta dintre raspunsul dorit si cel actual). Scopul final al algoritmului de antrenament este ca RNA sa emuleze, optim în sens statistic, supervi-zorul.

Fig. 6.7. Arhitectura unui sistem cu învatare supervizata

Învatarea de tip nesupervizat (cu autoorganizare)

Este caracterizata de absenta unui semnal sau supervizor care sa aprecieze corecti-tudinea asociatiilor intrare-iesire. În figura 6.8. este prezentata schema unui astfel de sis-tem. RNA va descoperi singura legitatile continute în datele de intrare printr-o reprezen-tare interna adecvata vectorului de intrare.

Fig. 6.8. Sistem cu învatare de tip nesupervizat

Învatarea prin întarire

Urmareste maximizarea unei marimi scalare (indice de performanta sau semnal de întarire) în urma unei actiuni efectuate de catre sistemul supus învatarii. Daca modificari-le aduse conduc spre o stare mai buna decât cea precedenta, tendinta sistemului de a pro-duce acea actiune particulara este întarita. Algoritmi de învatare bazati pe corectia erorii

Fie x(n) vectorul de intrare aplicat unei RNA. daca se noteaza iesirea neuronului k prin yk(n), semnalul de eroare poate fi definit ca fiind diferenta dintre iesirea dorita pentru neuronul k si ceea ce furnizeaza în etapa actuala de catre acelasi neuron:

SISTEM SUPUS ÎNVATARII

Vector de intrare

SISTEM SUPUS

ÎNVATARII

SUPERVIZOR

Vector de intrare

Raspuns dorit

Raspunsul actual

Semnal de eroare

+

-

Page 135: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

137

( ) ( ) ( )nyndne kkk −= . (6-3) Scopul final al algoritmilor bazati pe corectia erorii este de a minimiza asa-numita functie de cost. Unul dintre criteriile frecvent utilizate în alegerea functiei de cost este cel al erorii patratice medii, care urmareste minimizarea valorii medii patratice pentru suma erorilor patratice aferente stratului de iesire al RNA:

( )

= ∑k

k neEJ 2

21

, (6-4)

în care [ ].E semnifica media în sens statistic. Una dintre metodele de minimizare a functiei de cost J în raport cu parametrii RNA este metoda gradientului descendent. De cele mai multe ori proprietatile statistice ale procesului nu sunt cunoscute. În acest caz se ofera o solutie aproximativa pentru problema de optimizare, prin utilizarea drept functiei de cost a valorii instantanee a sumei erorilor patratice:

( ) ( )∑=k

k nen 2

21ε . (6-5)

O metoda în acest sens o ofera Widrow si Hoff (regula delta):

( ) ( ) ( ) ( )nxnewy

new

nw jkkj

kk

kjkj ηη

εη =

∂∂

−=∂∂

−=∆ , (6-6)

în care η reprezinta rata de învatare a RNA. Graficul functiei J în functie de ponderile RNA poarta denumirea de suprafata erorii. Minimizarea erorii unui neuron liniar este mai usoara decât minimizarea unui ne-uron neliniar (sigmoidal). Doar pentru cazul neuronului liniar eroarea are un minim glo-bal, în rest suprafata erorii poate avea minime locale. Algoritmi de învatare de tip Boltzmann Sunt inspirati din teoria informatiei si din termodinamica, neuronii constituind o structura recurenta caracterizata de asa-numita functie energie:

∑∑−=i j

ijji sswE21 , (6-7)

unde si reprezinta starea neuronului i, adica +1 (neuron activ) sau -1 (neuron inactiv). Algoritmi de învatare de tip hebbian Conform postulatului lui Hebb, modificarea ponderii sinaptice wkj este dependenta de activarea pre si postsinaptica.

( ) ( ) ( )( )nxnyFnw jkkj ,=∆ . (6-8) O forma particulara a ecuatiei (6-8) este:

( ) ( ) ( )nxnynw jkkj η=∆ , (6-9)

cu η o constanta pozitiva reprezentând rata de învatare. Dezavantajul acestei reguli îl re-prezinta faptul ca ea conduce la o crestere exponentiala a wk j. Una dintre metodele propu-se ulterior presupune introducerea unui termen de uitare (forgetting factor):

( ) ( ) ( ) ( ) ( )nwnynxnynw kjkjkkj αη −=∆ . (6-10)

Page 136: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

138

Algoritmi de învatare de tip competitiv Este caracterizat de competitia între neuronii de iesire RNA, câstigatorul acesteia urmând sa fie activat. Spre deosebire de RNA care se bazeaza pe algoritmi de învatare de tip hebbian si la care exista posibilitatea ca mai multi neuroni sa fie activi simultan, la RNA bazate pe algoritmi de învatare de tip competitiv doar un singur neuron este activ la un moment dat. Practic, fiecare neuron al unei astfel de RNA va deveni specializat, în urma proce-sului de învatare, în recunoasterea unei anumite trasaturi prezenta în datele de intrare. Acest lucru este posibil având în vedere modalitatea de adaptare a ponderilor.

( ) −

=∆altfel

competitiacastigatajneuronuldacawxw jij

ji ,0

,η. (6-11)

Prin aceasta, ponderea wj a neuronului j, câstigator al competitiei, se apropie si mai mult de tiparul x prezentat la intrare. 6.1.2. Retele neuronale de tip perceptron Printre primii autori care au fundamentat principiile teoretice legate de perceptronul simplu-multistrat se regasesc Rosenblatt, Widrow, Rumelhart, Hilton, Williams. Cei din urma autori fundamenteaza si celebrul algoritm de antrenament pentru RNA-MLP si anume algoritmul cu propagare înapoi a erorii (BP, backpropagation). Interesul deosebit fata de aceste retele neuronale a fost generat, printre altele, de capacitatea acestora de a generaliza adica de a opera cu date diferite de cele prezentate în etapa de antrenament si de a învata plecând de la o distributie aleatoare a ponderilor si-naptice ale retelei. 6.1.2.1. Perceptronul simplu Perceptronul simplu reprezinta o particularizare a modelului McCulloch-pitts al neuronului artificial pentru cazul în care functia de activare este de tip treapta unitate bi-polara. În figura 6.9. este prezentata arhitectura perceptronului simplu.

Fig. 6.9. Arhitectura perceptronului simplu

Ideea dupa care a fost conceput perceptronul simplu este de a clasifica în una din cele doua clase disponibile (y=+1 sau y=-1) un set de stimuli exteriori.

-

I N T R A R I

x1

x2

xN

w1

wN θ

-1

v

( )vϕ

+1

-1

y

e d

I E S I R E

-

Page 137: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

139

Functionarea sa poate fi descrisa prin urmatoarele ecuatii:

∑=

−=N

iii xwv

1

θ , (6-12)

( ) ( ) ( )( )

∈−

∈+===

2

1

,1

,1sgn

Cnxdaca

Cnxdacavvy ϕ . (6-13)

Regiunile de decizie vor fi separate de catre un hiperplan definit de relatia:

∑=

=−N

iii xw

1

0θ (6-14)

Perceptronul simplu poate fi folosit cu succes doar în cazul particular al clasifica-rii tiparelor liniar separabile, adica a tiparelor care sunt situate, într-un caz general, de-o parte si de alta al unui hiperplan. Considerând urmatoarele notatii:

( ) ( ) ( ) ( )[ ]TN nxnxnxnx ,,.........,,1 21−= - vector de intrare,

( ) ( ) ( ) ( ) ( )[ ]TN nwnwnwnnw ,....,,, 21θ= - vectorul ponderilor sinaptice,

( )nθ - prag, ( )ny - raspunsul actual, ( )nd - raspunsul dorit, ( )nη - rata de învatare, de regula 10 <<η ,

pasii algoritmului (tip Rosenblatt) de antrenament aferent perceptronului simplu vor fi: a) Initializarea: ( ) 00 =w ; b) Calculul raspunsului actual: ( ) ( ) ( )[ ]nxnwny Tsgn= , în care functia sgn(.)

reprezinta functia signum; c) Modificarea ponderilor sinaptice: ( ) ( ) ( ) ( )[ ] ( )nxnyndnwnw −+=+ η1 în

care ( ) ( )( )

∈−

∈+=

2

1

,1

,1

Cnxdaca

Cnxdacand ;

d) Incrementarea lui n cu o unitate si salt la punctul b). 6.1.2.2. RNA Adaline. Algoritmul LMS Algoritmul celor mai mici patrate (LMS- Least Mean Square), cunoscut si sub denumirea de algoritmul Widrow-Holf sau regula delta, este destinat antrenarii unei RNA formata dintr-un singur neuron liniar. Ceea ce-l diferentiaza de algoritmul de antrenament al perceptronului simplu este modul de calcul al semnalului de eroare, care în acest caz nu este cuantizat iar functia de activare poate fi liniara. Algoritmul LMS poate fi descris astfel:

1. Etapa de initializare: pentru ( ) Nkwk ,...,2,1,00 == ; 2. Etapa de filtrare:

( ) ( ) ( )∑=

=N

jjj nxnwny

0

,

( ) ( ) ( )nyndne −= , ( ) ( ) ( ) ( ) Nknxnenwnw kkk ,...,2,1,1 =+=+ η .

Page 138: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

140

Algoritmul poate fi utilizat si la rezolvarea problemelor de filtrare temporala, con-siderând ca x(n) reprezinta esantioane ale vectorului de intrare la momente de timp diferi-te:

( ) ( ) ( )( )[ ]TNnxnxnxnx 1,...,1, +−−= . (6-15) Structura unei RNA ADALINE (Adaptive linear Element) care utilizeaza algo-ritmul de antrenament LMS (Widrow-Hoff) în scopul clasificarii tiparelor este prezentata în figura 6.10. În timpul etapei de antrenament, tiparele sunt aplicate direct RNA, ea ur-mând sa descopere singura caracteristicile acestora. Experienta acumulata de catre RNA este continuta în valorile Nww ,.....,1 si θ .

Fig. 6.10. Structura RNA ADALINE

6.1.2.3. Deducerea regulilor de modificare a ponderilor pentru cazul perceptronului simplu Algoritmul de modificare a ponderilor urmareste minimizarea erorii la nivelul ne-uronului sau al stratului neuronal de iesire. Eroarea la nivelul neuronului de iesire k are urmatoarea formula:

( ) ( ) ( )ηkkk yndne −= . (6-16) Pentru cuantificarea erorii la nivelul neuronului, neuronilor de iesire se defineste o functie de cost, uneori denumita si criteriu de performanta. Forma acesteia este:

( )

= ∑k

nkeEJ 2

21

, (6-17)

unde [ ].E reprezinta media în sens statistic. Una dintre metodele folosite pentru obtinerea minimului functiei J este bazata pe gradientul acesteia. Conform acestei metode incrementul de modificare a ponderilor este dat de ecuatia:

( )wJJnw

∂∂−=∇−=∆ ηη . (6-18)

Deoarece proprietatile statistice nu sunt prea cunoscute, se poate folosi în loc de J, suma erorilor patratice instantanee:

v

e

x1

x2

xN

w1

wN

∑ y

-

d

θ−

Page 139: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

141

( ) ( )∑=k

av nkenE 2

21

. (6-19)

Înlocuind expresia 6-19, în 6-18 se obtine:

( ) ( ) ( ) ( )∑ ∂∂−=

∂∂−=∆

k

kk

av

wne

new

nEnw ηη , (6-20)

dar, ( ) ( ) ( ) ( ) ( )( )nndnyndne kkkkk νϕ−=−= , (6-21)

în care ϕ reprezinta functia de activare si kν potentialul de activare. Rezulta:

( ) ( ) ( )( ) ( )∑=∆k

k nxnknenw νϕη ' . (6-22)

6.1.2.4. Consideratii asupra valorii ratei de învatare (instruire) Rata de învatare pentru algoritmi de antrenament prezentati mai sus, trebuie sa satisfaca conditia: ct=<< ηη ,10 , pentru a asigura convergenta algoritmului. Daca η este aleasa la o valoarea prea mica, rezulta un proces lent de învatare, vectorul pondere modificându-se foarte putin de la o iteratie la alta. Daca η este prea ma-re, algoritmul poate sa nu sesizeze punctul de minim, ceea ce conduce la un proces de învatare oscilant care s-ar putea sa nu convearga niciodata. Exista câteva procedee (figura 6.11.) prin care rata de învatare poate fi modificata de-lungul epocilor de antrenament, obtinându-se astfel o rata de învatare variabila:

- metoda aproximarii stochastice: ( ) ctcnc

n == ,η ;

- metoda cauta apoi converge: ( ) .,,1

00 ctn

n =+

= τη

τ

ηη

Fig. 6.11. Metode de modificare a ratei de învatare

( )nη

Algoritm standard

Cauta apoi converge

Aproximare stochastica

Numar de epoci (itera-tii) de antrenament

Page 140: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

142

6.1.2.5. Capacitatea perceptronului simplu Se refera la numarul de tipare maxim, pmax care poate fi stocat într-o retea cu N intrari. Pentru cazul unitatilor care furnizeaza valori continue (liniare sau neliniare) nu-marul maxim de tipare intrare-iesire este dat de conditia de independenta liniara:

Np ≤max . Pentru cazul unitatilor cu neliniaritate de tip prag: Np 2max = . 6.1.3. RNA de tip perceptron cu mai multe straturi Perceptronul multistrat (RNA-MLP, Multilayer perceptron) reprezinta o generali-zare a perceptronului simplu. Este o RNA de tip feedforward (cu propagare înainte a semnalului) compusa dintr-un strat de intrare, unul sau mai multe straturi ascunse si un strat de iesire. În figura 6.12. este prezentat perceptronul cu doua straturi.

Fig.6.12. Perceptron cu doua straturi

6.1.3.1. Algoritmul de antrenament Se deosebesc doua etape în realizarea unei RNA. Prima reprezinta etapa de antre-nament sau de învatare în care sunt aplicate perechi de tipare intrare-iesire corect asocia-te, iar RNA îsi modifica parametrii liberi pentru a învata aceste asociatii. A doua etapa presupune utilizarea propriu-zisa a RNA; se pot aplica în acest caz vectori de intrare dife-riti de cei din etapa de antrenament, urmând ca RNA, pe baza capacitatii de generalizare, sa furnizeze un raspuns adecvat. Pentru deducerea algoritmului de antrenament corespunzator RNA-MLP se defi-neste eroarea la nivelul neuronului j din stratul de iesire, în a n-a iteratie:

( ) ( ) ( )nyndne ijj −= , (6-23)

unde jd reprezinta raspunsul dorit, iar jy raspunsul actual al RNA-MLP. Eroarea instantanee la nivelul stratului de iesire poate fi definita ca suma erorilor patratice ale neuronilor de iesire:

( ) ( )∑=j

j nen 2

21

ε . (6-24)

Fie T numarul total de tipare de antrenament. Eroarea întregului set de date de an-trenament reprezinta functia de cost ce va trebui minimizata:

x1

x2

xN

I

Q

I

P

y1

y2

yM

I N T R A R I

I E S I R I

Strat de intrare Strat ascuns

nr.1 Strat ascuns nr.2

Strat de iesire

Page 141: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

143

( ) ( )∑=

=T

nav n

Tn

1

1 εε . (6-25)

În cursul etapei de antrenament, ponderile se pot adapta în doua moduri si anume: modul tipar cu tipar (pattern by pattern) în care dupa aplicarea fiecarei perechi de tipare intrare-iesire ponderile sunt actualizate;

Modul lot de tipare (batch), în care ponderile sunt calculate o singura data pe baza tuturor perechilor de tipare intrare-iesire disponibile. Descrierea algoritmului cu propagare înapoi a erorii (BP- Backpropagation Algorithm) Algoritmul descris în continuare este dedus pentru modul tipar cu tipar. Conform principiului gradientului descendent:

( ) ( )( )nwn

nji

ji ∂∂

−=∆ε

η , (6-26)

in care: ( )( )

( )( )

( )( )

( )( )

( )( )nw

n

n

ny

ny

ne

nen

nwn

ji

j

j

j

j

j

jji ∂

∂∂

=∂∂ ν

νεε

, (6-27)

deoarece:

( ) ( ) ( )( ) ( )nenen

nen jjj

j =∂∂

⇒= ∑ εε 2

21

, (6-28)

( ) ( ) ( ) ( )( ) 1−=

∂∂

⇒−=nyne

nyndnej

jjjj , (6-29)

( ) ( )( ) ( )( ) ( )( )nn

nynny j

j

jjj νϕ

ννϕ '=

∂⇒= , (6-30)

( ) ( ) ( ) ( )( )

( )nynwn

nynwn iji

j

jijij =

∂∂

⇒= ∑ν

ν . (6-31)

Deci: ( )( ) ( ) ( )( ) ( )nynnenw

nijj

ji

νϕε '−=

∂∂ , (6-32)

se defineste gradientul local ( )njδ care are expresia:

( ) ( ) ( )( ) ( )( )

( )( ) ⇒

∂∂

−=+=n

ny

nyn

nnenj

j

jjj ν

ενϕδ '' , (6-33)

( ) ( ) ( )nynnw jjji ηδ=∆ . (6-34) Formula (6-34) este valabila pentru cazul în care neuronul j apartine stratului de iesire. Pentru cazul în care neuronul j apartine unui strat ascuns, trebuie redefinit gradien-tul local astfel:

( ) ( )( )

( )( )

( )( ) ( )( )nnyn

n

ny

nyn

n jjjj

j

jj νϕ

εν

εδ '

∂∂

−=∂

∂∂

−= , (6-35)

în care:

Page 142: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

144

( ) ( )∑=k

k nen 2

21ε , (6-36)

unde k este indicele corespunzator neuronilor stratului de iesire. Atunci:

( )( ) ( ) ( )

( )( )( )

( )( )∑ ∑ ∂

∂∂∂

=∂∂

=∂∂

k k j

k

k

kk

j

kk

j nyn

nne

enyne

nenyn ν

νε , (6-37)

deoarece,

( ) ( ) ( ) ( ) ( )( ) ( )( ) ( )( )nnne

nndnyndne kkk

kkkkkk νϕ

ννϕ '−=

∂∂

⇒−=−= , (6-38)

( ) ( ) ( )( ) ( )nwnyn

nywn kjj

k

jjkjk =

∂∂

⇒= ∑ νν , (6-39)

rezulta: ( )( ) ( ) ( )( ) ( ) ( ) ( )∑∑ −=−=

∂∂

kkjkkjkk

kk

j

nwnnwnnenyn

δνϕε ' . (6-40)

Pentru cazul în care neuronul j apartine unui strat ascuns, formulele gradientului local si a ponderii sunt:

( ) ( )( ) ( ) ( )∑=k

kjjjj nwnnn δνϕδ ' (6-41)

si:

( ) ( )( ) ( ) ( ) ( )nynwnnnw jk

kjkjjji

=∆ ∑δνϕη ' . (6-42)

Acest algoritm BP standard este de tip gradient descendent, ca si regula de învata-re Widrow-Hoff., adica presupune modificarea ponderilor în sensul negativ al functiei de cost. Denumirea este justificata de modalitatea de adaptare a ponderilor, acesta facându-se începând de la stratul de iesire spre cel de intrare, prin calculul recursiv al gradientului local. Observatii 1. Proprietatile functiei de activare ( ).ϕ Calcularea lui δ pentru fiecare neuron necesita determinarea derivatei functiei de activare ( ).ϕ . Deci ( ).ϕ trebuie sa fie o functie continua, derivabila si de regula neliniara. O astfel de functie este functia sigmoid. 2. BP cu moment Valoarea ratei de învatare η trebuie sa fie suficient de mica pentru a asigura con-vergenta algoritmului dar si suficient de mare pentru a genera un proces de învatare rapid. O metoda simpla pentru cresterea ratei de învatare, cu evitarea instabilitatii proce-sului de antrenament reprezinta introducerea unui termen denumit moment în legea de variatie a ( )nw ji∆ :

( ) ( ) ( ) ( )1−∆⋅+=∆ nwnynnw jiijji αηδ (6-43)

Se poate scrie ( )nw ji∆ ca o serie de timp:

Page 143: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

145

( ) ( ) ( ) ( )( )twt

tytnwji

jn

t

ni

n

t

nji j ∂

∂⋅=⋅=∆ ∑∑

=

=

− εαηδαη

0

1

0

1 . (6-44)

Introducerea termenului moment are un efect de stabilizare a unui proces oscilato-riu de învatare. Termenul moment poate fi privit si ca o inertie introdusa în modificarea ponderilor, prin acest fapt evitându-se întepenirea RNA în minime locale ale suprafetei erorii. 3. Criterii de stabilitate Fie w un vector pondere pentru care suprafata erorii are un minim (local sau glo-bal). O conditie necesara ca w* sa fie un punct de minim este ca vectorul gradient g(w) al suprafetei erorii sa fie egala cu zero în w=w*. În acest sens se pot formula câteva criterii de stop pentru algoritmul BP:

a. se considera ca algoritmul BP a convers daca norma euclidiana a vectoru-lui gradient e suficient de mica: ( ) ε<finalwg ;

b. se considera ca algoritmul BP a convers daca rata modificarii erorii patra-tice este suficient de mica (0,1…1%/epoca);

c. se considera ca algoritmul BP a convers daca ( ) τε ν ≤wa , cu τ un prag su-ficient de mic al erorii.

Momentul în care algoritmul de antrenament se opreste influenteaza si capacitatea de generalizare a RNA. Daca reteaua se supraantreneaza, eroarea finala obtinuta pentru datele de antrenament va fi deosebit de scazuta în schimb acest lucru va afecta în mod negativ capacitatea de generalizare, în sensul în care RNA nu va raspunde corect pentru date de intrare diferite de cele din etapa de antrenament. 4. Determinarea numarului de straturi ascunse si de neuron /strat ascuns. Numarul optim de straturi ascunse si de neuroni/strat ascuns este dificil de preci-zat apriori. În general un singur strat ascuns este suficient pentru rezolvarea majoritatii problemelor. În mod cu totul deosebit se pot folosi doua, cel mult trei straturi ascunse. De regula, numarul de neuroni aferenti straturilor de intrare respectiv iesire este dictat de natura aplicatiei. Neuronii structurilor ascunse au rolul foarte important de a de-tecta trasaturile, regularitatile continute în tiparele de antrenament. Un numar prea mare de neuroni ascunsi-strat influenteaza în mod negativ capacitatea de generalizare a RNA. Totodata conduce la sporirea volumului de date care urmeaza a fi procesat si deci la o durata sporita pentru etapa de antrenament. Un numar prea mic de neuroni nu este sufici-ent pentru formarea unei reprezentari interne a datelor adecvata si poate conduce la o eroare mare corespunzatoare nu numai datelor de test ci si celor de antrenament. Numarul optim de neuroni ascunsi se va determina experimental. Pasii algoritmului cu propagare înapoi a erorii

1. Initializarea Se definesc numarul de straturi si neuroni/strat. Se initializeaza ponderile sinapti-ce si pragurile cu valori aleatoare mici, uniform distribuite. Ponderile si pragurile se vor

distribui uniform în intervalul

ii FF4,2

,4,2 în care iF reprezinta numarul de intrari pen-

tru neuronul i.

Page 144: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

146

2. Prezentarea tiparelor de antrenament Pentru fiecare pereche de tipare de antrenament ( ) ( )[ ] Nnndnx ,...2,1;, = se vor efectua pasii 3 si 4. Prezentarea celor N tipare de antrenament este denumita epoca de an-trenament.

3. Propagarea înainte Începând de la primul strat ascuns si sfârsind cu stratul de iesire se calculeaza pentru fiecare neuron j al stratului l potentialul intern de activare:

( ) ( ) ( )( ) ( ) ( )∑ −= nynwn li

lji

lj

1ν , (6-45) dupa care, prin aplicarea functiei de activare se calculeaza iesirile acestora. Pentru fiecare neuron al stratului de iesire se calculeaza eroarea ( )ne j ca fiind diferenta dintre iesirea

dorita ( )nd j si iesirea actuala ( )ny j astfel:

( )ne j = ( )nd j - ( )ny j . (6-46) 4. Propagarea înapoi

Se calculeaza gradientul local al RNA, strat cu strat, începând cu cel de iesire, apoi sunt modificate ponderile sinaptice ale RNA în stratul l conform regulii delta gene-ralizate (BP cu moment).

5. Iteratia Se continua pasii 3 si 4 pentru toate perechile de vectori de antrenament. Dupa fiecare epoca de antrenament se evalueaza criteriul de stop al algoritmului (rata schimba-rilor parametrilor liberi sub un anumit prag, eroarea patratica medie suficient de mica, numar maxim de epoci atinse etc). 6.1.3.2. Algoritmi rapizi de antrenament pentru RNA cu propagare înainte a semna-lului Algoritmul BP standard descris anterior prezinta o serie de dezavantaje. Printre acestea se pot enumera convergenta lenta si dependenta acesteia de parametrii liberi ai retelei (ponderi, praguri, forma functiei de activare, rata de învatare etc). Algoritmi rapizi ofera o alternativa la BP. Ei converg în mult mai putine epoci spre valori optime ale pon-derilor decât BP însa implica o complexitate ridicata a calculelor. În cazul unor retele de dimensiuni mari convergenta într-un numar mai mic de epoci nu înseamna implicit si un timp de antrenament mai scurt deoarece calculele aferente unei epoci pot sa dureze foarte mult. Folosirea unuia sau altuia dintre algoritmii de antrenament este determinata de pro-blema concreta ce se doreste a fi rezolvata. Metoda Newton Functia de cost ( )wε poate fi aproximata dezvoltarii în serie Taylor în jurul punc-tului w0 astfel:

( ) ( ) ( ) ( ) ( )( )002

0000 21

wwwwwwwww T −∇−+∇−+= εεεε . (6-47)

Matricea cu derivate partiale de ordinul doi se numeste hessian si are formula:

jiij ww

H∂∂

∂=

ε2

. (6-48)

Pentru ca w sa fie un punct de minim se anuleaza derivata relatiei precedente:

Page 145: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

147

( ) ( ) ( ) 000 =−+∇=∇ wwHww εε , (6-49) ( ) ( )

10

10

0 −−

∇−=∆⇒∇−=⇒H

wwH

www εηε. (6-50)

Relatia (6-50) reprezinta metoda lui Newton, care folosita iterativ, conduce la gasirea mi-nimului într-un numar extrem de redus de epoci de antrenament. Dezavantajul metodei consta în complexitatea extrem de ridicata a calculelor ce trebuie efectuate la fiecare iteratie. Metoda Newton îsi gaseste aplicabilitatea practica, destul de restrânsa. Metoda Levenberg-Marquardt Elimina partial dezavantajele metodei lui Newton prin aproximarea hessianului cu matricea ( )[ ]Iw νε +∇2 , în care ν reprezinta un factor de regula pozitiv iar I matricea identica:

( )( )[ ] 12

0−+∇

∇−=∆Iw

ww

νε

εη . (6-51)

Metoda Levenberg-Marquardt reprezinta una dintre cele mai rapide metode folo-site în practica, dar este imposibil de folosit în cazul în care vectorii de antrenament au dimensiuni mari (sute de componente) din cauza cerintelor de memorie si putere de cal-cul Metodele de tip cvasi-Newton Aceste metode folosesc doar informatia provenita din derivata de ordinul 1, com-binata cu asa numita cautare dupa o linie:

dww η+= 0 , (6-52) în care η reprezinta pasul iar d directia în care se face cautarea. Ideea care sta la baza metodelor de tip cvasi-Newton este aceea de a aproxima H-1 printr-o matrice Hk care sa tina cont doar de informatia obtinuta pe baza derivatelor parti-ale de ordinul 1. Una din cele mai sofisticate metode cvasi-Newton este algoritmul BFGS (Broyden-Fletcher-Goldfarb-Shanno). Metode bazate pe gradientul conjugat Conform metodei gradientului descendent vectorul directie de-a lungul caruia ajusteaza vectorul pondere, reprezinta negativul vectorului gradient ( )0wd ε−∇= . Pasii succesivi ai acestui algoritm sunt în mod necesar perpendiculari deoarece:

( )( ) ( ) ( )10 0 +∇=+∂∂= nndndw εηεη

, (6-53)

adica noul vector gradient este perpendicular pe vechea directie de cautare. O solutie mai buna consta în alegerea noi directii ca un compromis între directia gradientului si vechea directie de cautare:

( ) ( ) ( ) ( )ndnnnd βε ++−∇=+ 11 , (6-54) aceasta înseamna ca noua directie trebuie aleasa astfel încât sa nu modifice componenta gradientului de-a lungul directiei anterioare, care a fost tocmai anulata:

( ) ( )( ) 010 =++∇ ndwnd ηε , (6-55)

Page 146: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

148

adica: ( ) ( ) 01 =+nHdnd . (6-56)

Vectorii d(n+1) si d(n) sunt conjugati, de unde si denumirea acestor algoritmi de antre-nament. Exista mai multe modalitati de alegere a lui β :

- Polak-Ribiere: ( ) ( ) ( ) ( )[ ]( ) ( )ngng

ngngngn

T

T −++=

11β ,

- Fletcher-Reeves: ( ) ( ) ( )( ) ( )ngng

ngngn T

T 11 ++=β ,

în care cu g(n) s-a notat vectorul gradient ( )nε∇ si ( ) ( ) ( )( ) ndnwnn

⋅+= ηεη minarg .

Din punct de vedere al rapiditatii convergentei si al complexitatii algoritmului, metoda gradientului conjugat se situeaza între metoda gradientului descendent si cea de tip cvasi-Newton. 6.1.3.3. Fenomenul de generalizare în retelele neuronale Dupa încheierea unui proces obisnuit de învatare, structura neuronala este caracte-rizata de un set de parametri (ponderi, praguri) cu valori fixe. Reteaua este testa pe un set de date diferite de cel de învatare. Scopul final este minimizarea erorii pe setul de date test, ceea ce implica generalizarea cunostintelor acumulate de modelul neuronal pe setul de învatare [N4]. Daca nu ar avea capacitatea de generalizare, retelele neuronale ar suscita un inte-res limitat. Prin urmare se impune evaluarea modelului neuronal si din acest punct de ve-dere, nu numai din cel al dimensiunilor structurii si vitezei de convergenta în procesul de învatare. Se poate defini generalizarea ca fiind:”abilitatea de a estima cantitativ caracteris-ticile unui fenomen care nu a fost întâlnit anterior, pe baza similitudinilor sale cu alte fenomene deja cunoscute”. Daca reteaua neuronala învata prea bine setul de date, are loc un fenomen de „supraînvatare” care conduce la performante slabe ale modelului neuronal. Aceasta problema a generalizarii implica distingerea trasaturilor specifice de cele generale. Pentru obtinerea unei bune generalizari este necesara selectarea corecta a setu-lui de învatare, a parametrilor de control ai învatarii si a dimensiunilor retelei. Scopul urmarit este evaluarea reducerii volumului scanat din spatiul ponderilor, datorita învatarii a P exemple date. Pe baza acestora se poate calcula capacitatea de gene-ralizare, care depinde numai de arhitectura si de constrângerile apriori asupra ponderilor. Evaluarea generalizarii medii permite apoi, predictia numarului de exemple necesare pen-tru învatarea retelei, în scopul obtinerii unei performante medii dorite. Pentru determinarea generalizarii medii se face estimarea erorii medii obtinute pe setul de test (eroarea de generalizare medie). Functia de cost C este de cele mai multe ori, o suma de doi termeni: eroarea de învatare Einv (numita si termen standard) si un termen de regularizare Eg (numit eroare de generalizare sau de test).

ginv EEC += . (6-57) Analizând relatia de mai sus , rezulta ca pentru minimizarea functiei cost este necesara atât minimizarea erorii de învatare Einv cât si a erorii de generalizare. Eroarea de aproxi-

Page 147: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

149

mare pe setul de învatare poate fi anulata prin aplicarea metodelor de interpolare. Eroarea medie de generalizare este suma urmatoarelor componente:

PFPEPME zgomotg ++= 2σ , (6-58)

în care: 2zgomotσ este dispersia zgomotului în datele de test, EPM este eroarea patratica

medie de învatare, PFP este termenul de penalizare datorat fluctuatiilor ponderilor. Obti-nerii valorii Eg minime se realizeaza prin compromisul dintre ultimii doi termeni: EPM poate fi redusa prin învatarea sau cresterea complexitatii modelului (numarul de parame-trii), iar PFP creste, de regula, în timpul învatarii. 6.1.3.4. Eroarea de învatare si eroarea de test Pentru determinarea setului de parametrii W ai retelei neuronale multistrat prin antrenarea si evaluarea aproximarii realizate de aceasta se executa doua etape: învatarea propriu-zisa si testul de veridicitate. Prima se realizeaza prin compararea valorii iesirii obtinute cu cea dorita. Rezultatul este setul de parametri (ponderi) ai modelului [N4]. Dupa încheierea acestei prime faze, reteaua poate fi verificata pe un set de date de test, diferit de cel de învatare, dar cu aceeasi distributie a datelor. Daca rezultatul testarii este considerat corespunzator, atunci setul de parametrii este rezultatul final al învatarii, altfel se reia învatarea retelei. Eroarea obtinuta în timpul învatarii este media pentru toate seturile de date de an-trenare, a valorii functiei cost având ca argument diferenta dintre valoarea dorita si cea obtinuta. Reprezentarea grafica se numeste curba de eroare. Aceasta se poate face în functie de numarul iteratiilor sau de cel al epocilor. Daca la fiecare iteratie/epoca, carac-terizata de o anumita valoare a erorii de învatare, se verifica reteaua pe setul de test si se reprezinta grafic, se obtine curba de test. De regula pe parcursul primelor epoci, atât eroarea de învatare cât si cea de test au tendinta descrescatoare, dupa care desi eroarea de învatare tinde sa scada, cea de test în-cepe sa creasca. Rezulta ca, desi setul datelor de învatare este aproximat din ce în ce mai bine de modelul neuronal, pentru date de test din afara acestuia, dar cu aceeasi distributie, va fi incapabil sa realizeze o aproximare corecta. Reteaua neuronala nu va putea generali-za. Fenomenul se numeste supraînvatare si se poate datora urmatoarelor aspecte:

- datele de învatare sunt incomplete, sau contin neregularitati, pe care reteaua tinde sa le învete,

- reteaua are mai multe grade de libertate (parametri, în principal ponderi), decât numarul esantioanelor datelor de instruire, deci nu exista suficient de multe exemple pentru a impune constrângerile retelei.

În figura 6.13. prezint graficul curbei de eroare. Pentru evitarea aparitiei fenomenului de supraînvatare se pot mentiona:

- estimarea capacitatii de generalizare a retelei în timpul antrenarii si stoparea aces-teia atunci când eroarea de test începe sa creasca,

- limitarea numarului de parametri ai retelei (reducerea numarului de noduri ascun-se), pentru a nu putea utiliza corelatiile întâmplatoare dintre date.

Page 148: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

150

Fig. 6.13. Curba de eroare 6.1.3.5. Analiza Componentelor Principale Implementarea sistemelor de retele neuronale cu învatare supervizata reprezinta pâna în prezent solutia cea mai comoda si cea mai utilizata. Totusi acest tip de învatare are anumite limite care nu pot fi trecute cu vederea si care pot fi surmontate prin utiliza-rea sistemelor cu instruire nesupervizata. Astfel procesarea supervizata devine costisitoa-re în cazul multimilor mari de date. Daca, caracteristicile sistemului studiat se schimba în timp, modificarile pot fi urmarite mult mai eficient cu un clasificator nesupervizat. Instru-irea nesupervizata poate furniza informatii a priorii despre structura datelor de intrare ale unui sistem sau ale unui fenomen care urmeaza a fi evaluat [N4]. Exista mai multe modalitati prin care se poate realiza instruirea nesupervizata a unei retele neuronale. Una din cele mai naturale cai este ca reteaua sa detecteze marimile semnificative existente în multimea datelor realizând structura lor. O astfel de abordare porneste de la conceptul de analiza a componentelor principale (Principal Component Analysis - PCA). Analiza Componentelor Principale (PCA) este o tehnica prin care un numar de variabile initiale este transformat într-un set redus de variabile necorelate. Procedura con-sta în a transforma vectorii Xi (i = 1…l), dintr-un spatiu n –dimensional (oricare vector având componentele ( )nxxx ,..., 21 ), în vectorii Zi (i = 1…l) aflati în spatiul m - dimensio-nal ( )mzzz ,..., 21 , unde nm < . Putem considera multimea de vectori:

( )lXXXV ,...,, 21= . (6-59) Fiecare element al multimii reprezinta un punct din spatiul euclidian n - dimensional. Multimea V poate fi, asadar, considerata drept un nor de puncte din spatiul Rn.. Componentele principale ale norului V sunt directii din Rn de-a lungul carora alungirea norului este cea mai marcanta. Cunoasterea acestor directii poate servi atât pen-tru scopuri de clasificare, cât si pentru detectarea celor mai relevante caracteristici ale no-rului de puncte. Proiectând norul pe directiile date de componentele sale principale se realizeaza o comprimare a informatiei din multimea datelor initiale. În cazul unei retele neuronale acest lucru determina o reducere a dimensiunii formelor de intrare si implicit, micsorarea numarului intrarilor. Reducerea în dimensiune a unui spatiu de intrare este însotita de pierderea unei cantitati de informatie. Scopul în cadrul reducerii dimensionalitatii datelor este acela de a pastra cât mai mult posibil din informatia initiala.

W optim

Eroarea

W (iteratie / epoca)

Eroarea de învatare

Eroarea de test

Page 149: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

151

Algoritmul începe prin calcularea mediei vectorilor Xi pentru a-i transforma ulte-rior (prin scaderea acesteia) în vectori de medie zero. Datele se distribuie într-un nor care are centrul de greutate în originea axelor de coordonate ale spatiului n- dimensional. Apoi se estimeaza matricea de covariatie:

=

221

22221

1122

1

....

................

....

....

nnn

n

n

sss

sss

sss

S , (6-60)

unde 2is este estimatul variantei iar covarianta este data de relatia:

( )11 11

−=

∑ ∑∑= ==

ll

xxxxls

l

k

l

k

kj

l

k

ki

kj

ki

y , (6-61)

pentru orice combinatie a indicilor, nji ...1, = Corelatiile între doua componente xi si xj se poate calcula cu ajutorul formulei:

21

12

sss

rij = . (6-62)

Metoda componentelor principale se bazeaza pe faptul ca o matrice nxn simetrica si nesingulara, cum este de pilda matricea de covariatie S, poate fi redusa la o matrice di-agonala L prin înmultirea la dreapta si la stânga cu o matrice ortogonala speciala U, res-pectiv transpusa acesteia, astfel încât:

SUU ' =L. (6-62) Elementele iλ de pe diagonala metricii L (care pot fi distribuite în ordine descres-catoare) se numesc radacinile caracteristice, radacini latente sau valori proprii, iar coloa-nele ui ale matricei U, sunt denumite vectorii caracteristici sau vectorii proprii (care sunt ortonormati) corespunzator valorii proprii. Dupa cum se poate usor remarca exista n pe-rechi de valori – vectori proprii astfel încât :

iii uuS ⋅=⋅ λ . (6-63) Vectorii proprii, ce corespund celor mai mari m valori proprii, formeaza un nou spatiu (al componentelor principale) iar vectorii initiali ( )liX i ...1= sunt proiectati pe noile axe obtinând astfel vectorii Zi în spatiul m – dimensional. Eroarea introdusa prin reducerea dimensionalitatii (de la n la m) atunci când este utilizata analiza componentelor principale poate fi evaluata folosind relatia:

∑+=

=n

mjjmE

121

λ , (6-64)

în ipoteza ca valorile nλλλ ,..., 21 au fost ordonate descrescator, utilizând n-m dintre ele reprezentând valorile cele mai mici. În unele aplicatii tipurile de date initiale pot fi extrem de numeroase, ceea ce im-plica un spatiu de dimensiune foarte mare, fiind astfel de dorit ca dupa calcularea vectori-lor si valorilor proprii sa fie retinute un numar restrâns , m (m<n) de componente princi-pale, adica din cele mai reprezentative. Problema consta în determinarea granitei ce deli-miteaza importanta valorilor proprii, adica cât de mare sa fie m. Un m mare, apropiat ca

Page 150: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

152

valoare de n, conduce la o mare acuratete a modelului PCA; în schimb nu reduce semni-ficativ dimensiunea spatiului initial. Daca însa, m are o valoare mica, comparativ cu n, rezulta o prelucrare ulterioara mai facila cu riscul pierderii de informatie. Rezulta ca de-terminarea lui m devine o problema de optim solutionata printr-o varietate de metode cum ar fi: testul de semnificatie, testul SCREE, dispersia rezidurilor individuale, metoda broken stick, cross-validation etc. care ne furnizeaza vectorii proprii necesari corespunza-tori primelor m (cele mai mari) valori proprii. Analiza componentelor principale se bazeaza pe o tehnica liniara, ea identificând doar corelatiile liniare dintre variabile. 6.1.3.6. Predictia Adaptiva În multe situatii reale cum ar fi un sistem energetic national, o centrala nucleara, o situatie economica, o prognoza meteo sau o situatie de monitorizare a poluarii, este de mare însemnatate daca nu vital sa anticipam evolutia fenomenului studiat pentru a lua masurile necesare care se impun. Desi principiul „e mai usor sa previi decât sa combati” e cunoscut si acceptat de toata lumea, punerea sa în practica ridica adesea serioase proble-me. Extragerea corelatiilor care determina evolutia, nu prezenta ci viitoare a sistemului, necesita experienta, personal calificat si deseori o putere de calcul apreciabila (atunci când se foloseste un model matematic de predictie) datorita, în special, numarului mare de intrari avute în vedere. Parametri si date aparent lipsite de importanta majora, pot în corelatie sa duca la evolutii neasteptate ale sistemului [N4]. Foarte importanta este durata de raspuns a predictorului, care, daca cere un timp de calcul si analiza prea mare, nu îsi mai justifica existenta. Aceasta si datorita faptului ca evenimentele cele mai bogate în informatia utila pentru studierea unui posibil fenomen se afla în vecinatatea imediat anterioara (ca fereastra de timp) a respectivului fenomen. În aceasta vecinatate corelatiile sunt „tari” (informatiile sunt „fierbinti”) si scad în semnifi-catii pe masura ce anterioritatea creste. Dupa cum se cunoaste din teoria probabilitatilor în cadrul functiilor aleatoare, parametrul corelatie care face legatura dintre doua momente diferite ale unei functii aleatoare este maxim când valorile dupa care acesta se calculeaza, coincid. Predictorul trebuie sa îndeplineasca doua conditii: sa aiba un numar mare de in-trari (pentru a evalua cât mai multe implicatii posibile) si sa fie rapid. La o prima vedere cele doua cerinte intra în contradictie pentru ca în mod normal cu cât avem mai multe in-trari, vom efectua mai multe calcule si timpul de raspuns se mareste foarte mult. Creste-rea este exponentiala, daca operatiile se efectueaza pe un sistem secvential, pentru ca se evalueaza corelatiile fiecarei intrari cu celelalte. Aceasta conduce la o problema de optim: cât de mare sa fie numarul intrarilor astfel încât timpul de calcul sa se încadreze în valori rezonabile? Se remarca faptul ca prelucrarea cu procesoare paralele ar elimina, aparent aceasta problema, însa ne punem întrebarea daca ne permitem si este realizabil un astfel de sis-tem de predictie pentru câteva zeci sau sute de intrari. Solutia pare sa vina tot din domeniul generos al retelelor neuronale. Daca folosim o structura clasica feedforward, timpul de raspuns, practic nesemnificativ, al predicorului, va depinde doar de numarul de straturi al retelei, nicidecum de numarul de intrari. Spre comparatie, se stie ca rapiditatea creierului uman este data nu de timpul relativ mare de

Page 151: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

153

raspuns electro-chimic pentru transmiterea unui semnal de-a lungul terminatiilor nervoa-se ci de uriasul grad de paralelism. În figura 6.14. este ilustrata ideea de baza în ceea ce priveste antrenarea unei rete-le pentru a fi un predictor. Se presupune ca liniile din partea de sus a figurii sunt purtatoa-re de semnale ale caror valori se doresc a fi anticipate.

Fig. 6.14. Utilizarea unei retele neuronale pentru o predictie adaptiva

Pentru a realiza antrenarea, intrarile retelei constau în valori întârziate ale semna-lelor, iar iesirile în valorile curente ale acestora. Reteaua va încerca sa potriveasca valori-le curente ale semnalelor ajustându-si functia (si implicit ponderile) de transformare a vechilor valori. Asadar, atunci când intrarile retelei vor ocoli întârzierile (se va elimina blocul de întârziere), iesirile retelei vor fi un predictor al valorilor viitoare ale semnalelor. Presupunând ca întârzierea se face pe pentru un interval de timp de τ unitati, fata de care perioada de raspuns a retelei se considera a fi neglijabila, atunci putem spune ca reteaua furnizeaza un estimat al valorilor semnalelor, dintr-o fereastra aflata cu τ pasi de timp în viitor. Se poate realiza câte o unitate de întârziere pentru fiecare intrare a retelei neuronale, cu propriul sau timp de întârziere, asta daca se considera necesar în procesul de predictie. Predictia adaptiva se sprijina pe presupunerea ca folosim o clasa parametrizata de modele unde exista o relatie functionala între valorile trecute si curente ale semnalelor. Daca fenomenele sunt pur aleatoare predictia nu are însemnatate. Cu cât sursa de infor-matie este mai bogata, adica avem mai multe semnale de intrare ce descriu un fenomen, iesim de sub incidenta evenimentelor pur aleatoare, deoarece existenta corelatiilor este inevitabila. Din pacate aceste corelatii sunt cu atât mai puternice cu cât timpul τ este mai mic. Un parametru de estimare al metodei este probabilitatea cu care, dupa antrenarea retelei, predictiile oferite se apropie de valori avute într-o functionare reala. Schema ilustrata în figura 6.14. este doar un caz simplu dintr-o clasa de scheme mai generale de predictii unde unitatile de întârziere în cascada sunt utilizate ca intrari,

Bloc de întârziere

RNA

W Ajustare

Evaluare

Page 152: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

154

iar modelele recursive si de autoregresie sunt folosite la iesirile predictorului (a se vedea spre exemplu Widrow si Stearns). 6.1.3.7. Procesul de antrenare si reantrenare a unei retele neuronale Aceasta abilitate a retelelor neuronale, de a extrage informatii semnificative, dintr-un set initial de date, permite atât o interpolare (între puncte a priori definite) cât si o extrapolare în afara domeniului marginit de punctele extreme din setul de antrenare. Extragerea informatiilor necesare dintr-un set de date de antrenare favorizeaza generali-zarea [N4]. Procesul de antrenare a unei retele neuronale necesita un numar foarte mare (care poate ajunge si chiar depasi ordine de sute de mii) de cicli de prelucrare. Faza de antrena-re, în care ponderile sunt continuu ajustate pâna la obtinerea unui minim în spatiul functi-ei cost este mare consumatoare de timp. Cu cât aplicatia care se doreste a fi implementata prin intermediul unei retele neuronale este mai complexa, creste si procesul de învatare. Aceasta înseamna, ca, în cazul unei modificari oarecare a proiectului initial, faza de an-trenare a noii retele neuronale ar trebui reluata în întregime, cu toate neajunsurile ce de-curg din aceasta, cum ar fi un timp mare de prelucrare sau posibilitatea obtinerii unui mi-nim local, nedorit, în spatiul functiei cost. Printr-o metoda nou propusa se încearca înlatu-rarea acestui neajuns. Se va utiliza o memorie anterioara, „scalata” cu o anumita valoare convenabila. Este sugestiva asemanarea cu un proces de reamintire a vechilor cunostinte dobândite în perioada precedenta de învatare. Initializarea ponderilor la prima antrenare Dupa stabilirea unei arhitecturi preliminare, în cadrul primei operatii de antrenare a unei retele neuronale, se initializeaza ponderile legaturilor cu valori mici uniform alea-toare, de exemplu în domeniul (0,0.1). Se aleg valori relativ mici deoarece în urma antre-narii, ponderile au tendinta sa creasca, iar daca procesul de învatare este îndelungat, mari-rea excesiva a ponderilor duce la paralizarea retelei. Aceasta înseamna ca algoritmul de învatare, dupa aparitia fenomenului de paralizare, numai influenteaza reteaua decât într-un mod nesemnificativ. Experimental s-a constatat ca, pe lânga valorile initiale mici ale ponderilor, alegerea unei rate reduse de învatare mareste sansele evitarii starii de parali-zare, dar marimea ratei de învatare este relativa si nu se poate afirma ca o rata de învatare mica pentru o aplicatie oarecare este mica si pentru o alta. Pentru orice sistem tehnic dupa o perioada de functionare se impun cerinte noi si prin urmare modificari ale proiectului initial, astfel încât ne punem firesc întrebarea: cum reluam procesul de antrenare în cazul unei retele neuronale? Daca pornim de la zero vom antrena reteaua exact ca în prima faza de proiectare considerând însa, de aceasta data, no-ile cerinte impuse. În acest caz, efortul de calcul ramâne acelasi. Pe de alta parte se poate încerca utilizarea informatiilor anterioare, obtinute în prima etapa de realizare a retelei, pentru a reduce efortul de reproiectare. Problema consta însa în extragerea informatiilor utile din primul proiect astfel încât ele sa fie folosite în faza de reantrenare a retelei neu-ronale. Reteaua neuronala, pastreaza informatia distribuita în toate ponderile retelei. Transmiterea unei informatii catre o retea neuronala se face pe canalul secvential de an-trenare, printr-o metoda oarecare de învatare ce determina modificarea ponderilor. Extra-

Page 153: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

155

gerea informatiei dintr-o retea neuronala direct din structura si ponderile sale, constituie o directie practic neexplorata înca. Procedura de reantrenare a unei retele neuronale Se considera un mecanism practic de extragere de informatii direct din ponderile unei prime retele neuronale pentru a fi folosite în antrenarea unei alte retele identice ca structura dar care prezinta diferente în ceea ce priveste functia globala de transformare intrare-iesire, ce se doreste a fi implementata [N4]. Procedura consta în operatia de scalare, cu un coeficient γ , a ponderilor obtinute din prima retea neuronala pentru a fi folosite ca ponderi initiale, înaintea operatiei de an-trenare, pentru cea de-a doua retea. Se vor compara apoi vitezele de convergenta pentru cele doua retele. Prima retea, anterior fazei de antrenare, a avut ponderile initializate cu o distributie uniform aleatoare. Daca statistic se obtine o diminuare de ordinul procentelor pentru viteza de convergenta a celei de-a doua retele, atunci mecanismul îsi justifica utili-zarea deoarece chiar si câteva procente astfel obtinute pot contribui la reducerea timpului necesar antrenarii unei retele neuronale de mare complexitate. Acest mecanism de rean-trenare (ce porneste de la ponderile scalate) poate fi analizat în cazurile: - aceeasi functie si acelasi set initial de antrenare (identic cu cel folosit la prima instruire, anterioara procesului de scalare); - aceeasi functie si set diferit de antrenare; - functie diferita cu set nou de date de învatare. Regula generala de actualizare a ponderilor este:

kkk www ∆+=+1 . (6-65) Principalul scop urmarit îl constituie micsorarea numarului de cicli de învatare. Procedura de reantrenare a retelei necesita, scalarea ponderilor obtinute în prima faza de antrenare, cu un factor de scalare γ . Noile ponderi obtinute dupa scalare reprezinta, în sine, baza de la care începe noul proces de învatare. Pentru stabilirea factorului de scalare optim si a consecintelor procedurii în sine se poate reface faza de antrenare pentru mai multe valori ale acestui coeficient. Se constata, în final, cum variaza numarul de cicli de învatare, pentru diferite metode de antrenare, functie de factorul de scalare γ . Acesta va avea o valoarea optima optimγ atunci când va determina un numar minim de cicli de antre-nare. Descrierea algoritmului procedurii de reantrenare pentru retele ce implementeaza functii bidimensionale 1) Se stabileste functia f si setul de antrenare astfel: - functia f este o functie predefinita bidimensional [ ] [ ]edcbf ,,: → , unde domeniul [ ]cb, este domeniul valorilor de intrare, iar [ ]ed , este domeniul valorilor de iesire; - aceasta functie f va fii modelata de reteaua neuronala prin intermediul propriei aplicatii

[ ] [ ]edcb ,,: →ϑ ; - numarul ν ce determina punctele echidistante pe axa abciselor în care se calculeaza eroarea de disimilaritate, Ed; - numarul n. Pe graficul functiei f se aleg doua seturi de n perechi de puncte (xi, f(xi)) si

( )( )', ii xfx , unde ,,,..1 '1

'1 ++ <<= iiii xxxxni x1 si '

1x apartin vecinatatii superioare a lui b,

Page 154: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

156

iar xn si 'nx apartin vecinatatii inferioare a lui c (pentru comoditate se poate alege

bxx == '11 si cxx nn == ' ).

2) Se stabileste o functie g cu un grafic asemanator cu cel al functiei f, definita pe acelasi domeniu de valori (pentru aprecierea fenomenului de „reamintire” a unei expe-riente anterioare, care nu se deosebeste prea mult de cea prezenta). Diferentele între curbele celor doua grafice vor fi apreciate, în practica, ca o mo-dificare a proiectului initial. Pentru ca reteaua neuronala sa poata învata forma functie g, se alege un set de antrenare adecvat, format din coordonate ale unui numar (ce poate va-ria în jurul valorii lui n) de puncte de pe graficul lui g. Se fixeaza: - pragul prestabilit de eroare Ep; - numarul maxim de cicli de antrenare S. Aceasta determina terminarea unei etape de an-trenare, atunci când reteaua s-a blocat într-un minim local, iar etapa de învatare este com-promisa neputându-se verifica conditia (normala de închidere a unui proces de antrenare):

pa EE ≤ ; - rata de învatare a si daca este cazul, constanta momentul m. 3) Se alege arhitectura de retea neuronala cu unul sau mai multe straturi ascunse si se fixeaza numarul de neuroni de pe fiecare strat. 4) Se selecteaza un algoritm de antrenare. 5) Se construiesc reprezentari ale lui f si g, împreuna cu setul de puncte de antre-nare (selectate la 1) de pe graficele acestor. Se urmareste daca schimbarea seturilor de date de învatare, sau a formei graficului functiei, afecteaza procedura de antrenare. 6) Pentru reteaua neuronala definita anterior se initializeaza ponderile cu valori mici dintr-o distributie uniform aleatoare. 7) Se antreneaza reteaua neuronala cu perechile de date ( )( )ii xfx , astfel încât sa poate fi simulata functia f. Procesul de învatare se opreste când pa EE ≤ sau SV ≥ , unde V este numarul de cicli curent. La sfârsitul perioadei de antrenare se memoreaza numarul de cicli V care au fost necesari învatarii. 8) Se atribuie, succesiv, coeficientului γ un numar de L valori. Se ia cea mai mica valoarea a lui γ si se scaleaza (prin înmultire cu γ ) ponderile obtinute în etapa anterioara. Dupa scalare, pentru setul de antrenare se reia procedura de învatare care dureaza pâna când ( ) pa EE ≤1γ sau ( ) SV ≥1γ . Se înregistreaza valorile

( )1γaE , ( )1γV si ( )1max γE unde ( ) ( )jij

xxfE ϑν

−== ..1

max max . Se repeta operatia de instruire

pentru toate valorile lui γ , în ordine crescatoare, memorându-se: ( )1γaE , ( )1γV si

( )1max γE .

9) Optional, se poate repeta punctul 8 pentru setul de antrenare: ( )( )'' , ii xfx . 10) Se repeta pasul 8 pentru cazul unei functii g (definita la punctul 2) având se-tul de învatare: ( )( )'''' , ii xgx . 11) Optional, se revine la punctul4 si se selecteaza o alta procedura de antrenare dupa care se executa pasii 5-10. Se poate repeta acest ciclu pâna când se epuizeaza toate tehnicile de instruire stabilite initial.

Page 155: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

157

12) Se sare, optional, la pasul 3 având posibilitatea alegerii unei arhitecturi de retea neuronala dupa care se executa etapele 4-11.

13) Se revine, tot optional, la punctul 1, putându-se modifica, individual sau în grup, oricare din parametrii initiali, dupa care se parcurg pasii 2-12. 14) Atunci când nu se mai doreste nici o schimbare, într-una din etapele descrise si se considera suficiente datele obtinute, algoritmul de evaluare a efectelor procedurii de reantrenare se încheie, urmând a se face o analiza a rezultatelor. Observatie Domeniile în care functiile f, g si ϑ îsi iau valori si sunt definite, pot fi usor extin-se la alte domenii de dimensionalitate mai mare. Functia neuronala ϑ se remodeleaza practic dupa fiecare perioada de instruire. S-a ales în algoritmul de mai sus, retele ce im-plementeaza functii bidimensionale doar pentru usurinta exemplificarii metodei de lucru a operatiilor si interpretarilor. Generalizarea este imediata datorita faptului ca algoritmii efectivi de antrenare ramân neschimbati pentru retelele neuronale cu numar oarecare de intrari si-sau iesiri. Tehnica de reantrenare descrisa mai sus este independenta de algoritmul de antre-nare propus. 6.1.4. Descrierea retelelor neuronale adaptive cu vectori de întârziere folosite în pre-dictia bioxidului de azot de la statia de trafic Cercul Militar În urma analizei realizate în cadrul capitolelor patru si cinci si pe baza statisticilor realizate pe ultimii trei ani de catre Agentia pentru Protectia Mediului Bucuresti, poluan-tul pentru care s-au înregistrat depasiri ale valorii limita si ale pragului de alerta este bio-xidul de azot. Acesta este un poluant deosebit de periculos atât pentru sanatatea oameni-lor cât si pentru vegetatie. Pentru a veni în sprijinul Agentiei pentru Protectia Mediului Bucuresti, Directiei de Sanatate Publica precum si Inspectoratului pentru Situatii de Ur-genta, am realizat aceste retele neuronale adaptive cu vectori de întârziere pentru a antici-pa evolutia acestui poluant si pentru a lua masurile care se impun în vederea reducerii concentratiei sale.

Retele neuronale artificiale au fost larg raspândite pentru prognoza problemelor. Legile care definesc seriile de timp pot fi adesea exprimate ca un sistem dinamic determinist. Totusi aceste ecuatii deterministe nu sunt în mod obisnuit date explicit. Pre-dictia se bazeaza pe descoperirea unor regularitati empirice desprinse din observarea ex-perimentala a sistemelor. RNA sunt eficiente în aceste aplicatii datorita capabilitatii lor de aproximare universala, deci ele ramân alegerea optima pentru sisteme cu multe intrari si iesiri cu dependente complicate. Seriile de timp sunt în mod inerente nestationare si cu zgomot. Caracteristica nes-tationara implica faptul ca distributia seriilor de timp se schimba de-a lungul timpului. Mai mult pot sa apara schimbari graduale în dependenta dintre variabilele de intrare si iesire. Datele recente pot oferi informatii mult mai importante decât datele din punctele mai îndepartate. Pentru aceste retele utilizez un algoritm de reantrenare (descris în para-graful 6.1.3.7.) care sa tina cont de acest aspect. Scopul tezei de doctorat este de a gasi un model matematic practic care sa descrie relatiile dintre n variabile de intrare (toate având o influenta masurabila) si o variabila de iesire. Toate intrarile si iesirile variaza dinamic si pot sa apara întârzieri mari în timp.

Page 156: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

158

Schimbând o variabila de intrare poate avea ca rezultat schimbarea iesirii, care sa înceata câteva minute mai târziu si sa tina câteva ore. 6.1.4.1. Arhitectura RNA adaptive cu vectori de întârziere Arhitectura retelei neuronale artificiale este un factor crucial care va determina performanta [N2]. În cadrul tezei de doctorat am realizat noua retele neuronale având 21 de intrari si o iesire, care prezic valoarea bioxidului de azot de la statia de trafic Cercul Militar, la diferite intervale de timp. Pentru doua din cele noua retele neuronale am redus numarul intrarilor de la 21 la 11, pentru a vedea în ce masura se modifica rezultate, daca fenomenul este descris de un numar mai mic de date de intrare. Întârzierea în timp este des întâlnita în sistemele de monitorizare a poluarii atmos-ferei. În figura 6.15. prezint schema generala a unui sistem cu n de intrari si o iesire.

Fig. 6.15. Arhitectura RNA

Intrarile sistemului pentru cele noua retele neuronale sunt în numar de 21 si repre-zinta: anul, luna, ora, monoxidul de azot, oxizii de azot, bioxidul de sulf, ozonul, mono-xidul de carbon, directia vântului, viteza vântului, umiditatea, temperatura masurata la 10 m deasupra solului, temperatura masurata la 2 m deasupra solului, radiatia solara, presiu-nea atmosferica, temperatura si umiditatea interioara (masurate în incinta în care se afla montate echipamentele), diferenta de temperatura (dintre temperatura masurata la 10m si cea de la 2 m), diferenta de umiditate dintre cea exterioara si cea interioara, particulele în suspensie PM10, particulele în suspensie PM2,5. Iesirea sistemului este reprezentata de bioxidul de azot. Valorile parametrilor sunt din ora în ora pe o perioada de trei ani (ianua-rie 2007 - decembrie 2009). Cu aceasta configuratie a retelei neuronale, am realizat noua astfel de retele notate: RN1, RN2, RN3, RN4, RN5, RN6, RN7, RN8 si RN9, folosind diferite combinatii ale vectorilor de întârziere. Pentru RN3 si RN5 folosind aceleasi com-binatii ale vectorilor de întârziere, am redus numarul intrarilor de la 21 la 11, pastrând: anul, luna, ora, monoxidul de azot, oxizii de azot, ozonul, viteza vântului, umiditatea, temperatura masurata la 2 m deasupra solului, radiatia solara, particulele în suspensie PM10, iesirea retelei ramânând aceeasi. Astfel au rezultat retelele neuronale RN3* si RN5*. Ideea dezvoltata în teza este antrenarea feedforward a unei retele neuronale adap-tive astfel încât aceasta din urma sa devina un predictor. În figura 6.16. prezint schema retelei neuronale adaptive cu vectori de întârziere pentru procesul de antrenare, în care rândurile întârziate de date de intrare sunt folosite pentru a simula o situatie curenta. Pen-tru procesul de învatare, intrarile retelei implica multe blocuri cu câteva valori întârziate în timp ale intrarilor sistemului si câteva blocuri cu iesirile întârziate ale sistemului.

intrare_1(t)

intrare_2(t) intrare_3(t) intrare_n(t)

iesire_1(t) Sistem

Page 157: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

159

La o valoare curenta a momentului t, iesirea (iesire_1(t)) din figura de mai jos es-te influentata de intrarile din diferiti timpi anteriori ( )nditdit _,...,_ 1 −− si de asemenea de iesirile altor timpi anteriori ( )mdotdot _,...,_ 1 −− . Notez cu DelIn _ si DelOut _ , doi vectori întârziere care contin întârzierile de care tin cont:

[ ]ndididiDelIn _,...,_,__ 21= , (6-66) [ ]mdododoDelOut _,...,_,__ 21= . (6-67)

Pe baza arhitecturii din figura 6.16. am realizat noua retele neuronale cu diferite combinatii ale vectorilor de întârziere, având n = 21 de intrari si doua retele neuronale pentru care am pastrat combinatiile vectorilor de întârziere de la RN3 si RN5, având n = 11 intrari. Aceste retele neuronale sunt definite mai jos, astfel:

Fig. 6.16. Schema retelei neuronale folosita în procesul de antrenare RN1: [ ]13,12,11,0,1,9,8,7_ =DelIn si [ ]6_ =DelOut ; RN2: [ ]12,11,10,9,8,7,6_ =DelIn si [ ]5_ =DelOut ; RN3: [ ]11,10,9,8,7,6,5_ =DelIn si [ ]4_ =DelOut ; RN4: [ ]10,9,8,7,6,5,4_ =DelIn si [ ]3_ =DelOut ; RN5: [ ]9,8,7,6,5,4,3_ =DelIn si [ ]2_ =DelOut ; RN6: [ ]8,7,6,5,4,3,2_ =DelIn si [ ]1_ =DelOut ;

Diferenta

intrare_1(t)

W Ajustare

RNA

PCA

Întaarziere (t-i_d1)

Întaarziere (t-i_d2)

Întaarziere (t-i_dn)

Întaarziere (t-0_d1)

Întaarziere (t-0_d2)

Întaarziere (t-0_dm)

P R E P R O C E S A RE

P O S T P R O C E S A R

intrare_2(t) intrare_n(t)

iesire_1(t)

Page 158: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

160

RN7: [ ]11,10,9,8,7,6_ =DelIn si [ ]7,5_ =DelOut ; RN8: [ ]10,9,8,7,6,5_ =DelIn si [ ]6,4_ =DelOut ; RN9: [ ]9,8,7,6,5,4_ =DelIn si [ ]5,3_ =DelOut .

Distributia componentelor vectorilor de întârziere este similara unei distributii Gamma. Componentele fiecarui vector sunt ordonate crescator, în consecinta valorile maxime ale oricarui vector întârziere sunt: ndi _ , respectiv mdo _ . Relatia recurenta îndeplinita de modelul care prezice iesirea este urmatoare:

( ) ( )( ) ( )( )( )jDelOuttyiDelIntXFty _,_11 11 −−+=+ , (6-68) unde x este vectorul de intrare, i = 1…n, j = 1..m. RNA utilizata este o retea cu un strat de intrare, doua straturi ascunse si un strat de iesire. Rezultatele obtinute cu aceasta arhitectura a retelei neuronale, (cu doua straturi ascunse) sunt mai mult bune decât cele obtine cu retele neuronale cu un singur strat as-cuns. În figura 6.17. prezint schema retelei neuronale cu doua straturi ascunse. În cadrul procesului de învatare se rafineaza ponderile retelei. Învatarea este su-pervizata, adica se cunoaste setul de iesiri ideale pentru fiecare vector de intrare. Tehnica de rafinare a ponderilor implica un algoritm de tip „backpropagation”, (descris în para-graful 6.1.3.1.) adica prin procesul de instruire se realizeaza o reactie negativa, eroarea dintre iesirea ideala si iesirea reala fiind utilizata pentru a rafina ponderile retelei. Dupa ce au fost stabilite toate influentele asupra vectorilor la momentul t, aplic Analiza Componentelor Principale (PCA), pentru a reduce dimensiunea datelor principale cu pastrarea a cât mai mult din informatia pe care o poarta. Descrierea PCA a fost realiza-ta în paragraful (6.1.3.5). Înainte de utilizarea PCA am preprocesat intrarile si iesirile utilizând: înlocuirea valorilor lipsa, detectarea si înlocuirea vârfurilor, normalizarea. Preprocesarea pregateste datele ce vor fi utilizate pentru modelul de prognoza si le transforma într-un format care va fi procesat mult mai usor. 6.1.4.2. Procedura de reantrenare adaptiva Obtinerea unui echilibru între capabilitatea de învatare si puterea de generalizare a modelului este foarte importanta în modelarea neuronala. Pentru antrenarea si reantrenarea retelelor neuronale am folosit algoritmul Gradi-entul de Scala Conjugat (SCG), chiar daca nu este cel mai rapid. Acest algoritm a fost descris în paragraful 6.1.3.2. Marele sau avantaj este ca poate fi folosit foarte eficient pentru retele cu numar foarte mare de ponderi; nu necesita memorie mare de calcul, are o buna convergenta si este foarte robust. Deoarece am utilizat metoda de oprire timpurie în timpul antrenarii, este bine sa se evite algoritmi care converg prea rapid cum ar fi Levenberg-Marquardt (LM). Algoritmul SCG se potriveste bine cu metoda de validare timpurie. Cu toate aceste este destul de usor sa înlocuim algoritmul SCG cu un alt algo-ritm din moment ce tehnica de reantrenare adaptiva este flexibila si independenta de algo-ritmul de antrenare de baza.

Page 159: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

160

Fig. 6.17. Reteaua neuronala cu doua straturi ascunse

( )11,111 bpIWfa +⋅= ; ( )211,222 baLWfa +⋅= ; ( )322,333 baLWfay +⋅== (6-69)

( )( )[ ]3211,111,222,33 bbbpIWfLWfLWfy +++⋅⋅⋅= ; (6-70)

( )( )[ ]3211,11,22,3 tantan bbbpIWsigLWsigLWpureliny +++⋅= (6-71)

X1

X2

X3

XN

Σ

Σ

Σ

IW1,1 1,1

IW1,1

1

1

1

f1

f1

f1

11b

12b

11Hb H1N1

11n

12n

11Hn

Σ

Σ

Σ

11a

12a

11Ha

1,1 LW2,1

LW2,1 H2H1

1

1

1

21b

22b

22Hb

21n

22n

22Hn

f2

f2

f2

21a

22a

22Ha

Σ

LW3,2

LW3,2 1

1H2

f3 y

Primul strat ascuns

31b

Intrare Iesire

Al doilea strat ascuns

Page 160: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

161

Caracteristica de aproximator functional universal adauga puterea si flexibilitatea retelei neuronale la procesul de învatare a modelelor complexe. Riscul potential este aparitia fe-nomenului de supraînvatare descris în paragraful 6.1.3.4. Pentru a evita fenomenul de supraînvatare, am aplicat o metoda de „validare stop” în timpul procesului de antrenare. Apoi rezultatul este utilizat si îmbunatatit prin aplica-rea tehnicii de reantrenare, într-un mod special. Aceasta tehnica este un mecanism pentru extragerea de informatii practice direct din ponderea unei RNA de referinta care a fost deja antrenata într-o etapa preliminara. Procedura de reantrenare reduce ponderea de refe-

rinta a retelei printr-un factor de scalare γ , cu conditia ca 10 << γ . Ponderea redusa este folosita ulterior ca pondere initiala într-o noua secventa de antrenare de la care se asteapta o precizie îmbunatatita. Întreaga tehnica de reantrenare a fost descrisa în paragraful 6.1.3.7. În cele ce urmeaza am sintetizat tehnica de reantrenare în urmatoarele faze: antrenarea RNA într-un mod natural cu un „validation stop” si cu o pondere initiala mica si uniform distribuita;

- reducerea ponderii primei retele prin utilizarea factorului de scalare γ ; - reantrenarea retelei cu o noua pondere initiala; - compararea erorii de validare sau erorii de antrenare.

Avantajul major al acestei tehnici de reantrenare îl reprezinta micsorarea semnifi-cativa a numarului de cicluri de antrenare comparativ cu metoda clasica. Tehnica de reantrenare permite îmbunatatirea modelului în timp prin utilizarea de noi baze de date. În figura 6.18. prezint tehnica reantrenarii pas cu pas.

Fig. 6.18. Tehnica reantrenarii pas cu pas

Stabilirea aplicatiei

Stabilirea functiei f1 si a setului de antrenare

Alegea arhitecturii RNA

Antrenarea Ntc(numarul ciclilor de

antrenare)

Îmbunatati-rea struc turii

Utilizare

Modificarea aplicatiei

Stabilirea noii functii f 2 si a setului de antrenare

Structura RNA ramâne aceeasi

Reantrenare NTC (numarul ciclurilor de reantrenare)

tcTC NN << îmbunatatirea erorii de

iesire

Reutilizare

Page 161: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

162

Datele folosite în model contin ndi _8808 − perechi de intrare – iesire în fiecare faza de antrenare sau reantrenare. Ca si criteriu de împartire, am folosit în mod aleatoriu 85% din date pentru setul de antrenare si restul de 15% din date pentru setul de validare. Am impus si o conditie suplimentara si anume trval EE 5

6≤ , pentru a evita diferenta mare dintre eroarea setului de antrenare (Etr) si eroarea setului de validare (Eval). Astfel, feno-menul de supraînvatare asupra setului de testare este considerabil redus. În cele ce urmeaza descriu pasii urmati în vederea adaptarii modelului folosit pen-tru retelele neuronale realizate în cadrul tezei. Pasul 1 Alegerea numarului adecvat de neuroni ascunsi pentru fiecare strat ascuns ( 1HN si 2HN ). Fiecare sesiune de antrenare începe cu initializarea ponderilor, pentru va-lori mici, uniform distribuite. Am testat câteva RNA piramidale cu 1HN si 2HN , valori luate în imediata vecinatate a mediei geometrice a straturilor vecine, respectând urmatoa-rele reguli:

iHH NNNN ≤≤≤ 120 , (6-72)

5*5* 212 +≤≤− HiHHi NNNNN , (6-73)

55 01201 +⋅≤≤−⋅ NNNNN HHH , (6-74)

unde Ni reprezinta numarul intrarilor si N0 reprezinta numarul iesirilor ( 10 =N deoarece sistemul are o singura iesire). În tabelele 6;2 prezint numarului de neuroni din straturile ascunse. Alegerea nu-marului neuronilor s-a facut experimental prin încercari repetate. S-a ales cel mai bun model pe baza celei mai mici erori dintre iesirea simulata si iesirea dorita. Aceasta eroare a fost calculata pentru ndi _8808 − de date care contin atât seturile de date utilizate la antrenare cât si cele folosite pentru validare. În anexa 2 prezint tabelele cu numarul de încercari experimentale pentru fiecare retea neuronala în vederea stabiliri numarului de neuroni din cele doua straturi ascunse. Functia de activare a neuronilor din straturile ascunse este functia sigmoid, iar cea a neuronilor din stratul de iesire este liniara (tansig, purelin).

Tab. 6;2 Numarul de neuroni din straturile ascunse si valoarea erorii Nr. NH1 NH2 ERR

RN1 29 8 926,64 RN2 28 2 988,09 RN3 30 8 916,38 RN4 20 9 793,38 RN5 25 9 669,07 RN6 29 11 545,19 RN7 27 11 897,21 RN8 29 12 885,91 RN9 29 2 777,90

RN3* 20 13 998,17 RN5* 19 3 761,08

RN3*, RN5* - retelele neuronale cu numarul redus de intrari (11)

Page 162: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

163

Pasul 2 Am prezis 720 de valori ale iesirilor în intervalul 8801-9520, în mod sec-vential. În scopul obtinerii unei singure iesiri la momentul t, reteaua utilizata a folosit ca intrare, iesirile estimate (pe lânga intrarile reale), care au fost calculate în pasul anterior prin folosirea altor iesiri simulate si asa mai departe. Utilizând acest proces iterativ, o es-timare poate fi extinsa cu oricât de multi pasi sunt necesari. Exista riscul ca, cu fiecare pas sa creasca eroarea de estimare. Eroarea reprezinta precizia de aproximare a datei de iesire, în orizontul de estimare a N pasi de timp. Formula de calcul a erorii este:

( )sfO

OOERR

N

s Fks

FksRksN ⋅

−= ∑

=1

100 , (6-75)

în care N=720 numarul de pasi de timp, RksO este iesirea reala k la timpul s, FksO iesirea

estimata la timpul s, ( )s

sf+

=720

720 este functia pondere care scade cu numarul de pasi

de timp. Pasul 3 Am utilizat o tehnica de reantrenare pentru un interval de timp modificat 721-9520. Am folosit în aceasta etapa arhitectura RNA care a rezultat la finalul etapei anterioare. Am utilizat aceasta tehnica pentru fiecare valoare a factorului

( )9,0....1,0=γγ pastrând reteaua neuronala care a dat eroarea minima ca retea de referin-ta. Am repetat acest pas de cinci ori si în mod aleatoriu am reconstruit de fiecare data se-turile de antrenare si validare. Pasul 4. Am estimat 720 de valori de iesire (în intervalul de pasi de timp 9521-10240) în acelasi mod secvential utilizat la pasul 2. Pasul 5 Am repetat (L=20) pasii 3 si 4 pe intervale succesive modificate de 8800 pasi de timp pentru procesele de reantrenare si 720 pasi de timp pentru estimarea secven-tiala. Decisiv în alegerea celui mai bun model a fost „eroarea medie patrata a diferente-lor” dintre iesirile reale si cele simulate pentru ndi _8800 − de rânduri de date care au inclus atât seturile de antrenare cât si pe cele de validare. Tehnica de reantrenare, adap-teaza sistemul RNA, cu scopul de a învata în mod continuu ultima evolutie a procesului de poluare. Procesul de reantrenare poate fi vazut ca un proces de reamintire a vechilor cunostinte obtinute în fazele anterioare de învatare. 6.1.4.3. Rezultatele experimentale Am realizat pasii descrisi în paragraful 6.1.4.2. pentru cele unsprezece retele neu-ronale (noua dintre ele având 21 de intrari, iar doua având 11 intrari), cu combinatii dife-rite pentru vectorii de întârziere. De fiecare data, primul pas, în care a fost determinata arhitectura optima, a necesitat un timp mai îndelungat (1-2 zile). Arhitectura optima de-pinde foarte mult de vectorii de întârziere. Pentru fiecare faza de reantrenare, programul a rulat în jur de o ora. A existat o diferenta clara între primul proces de antrenare, care a necesitat un timp îndelungat pentru gasirea arhitecturii optime si procesele ulterioare de reantrenare. Poate fi destul de usor sa se reantreneze o buna arhitectura a RNA, de câteva ori, prin uti-lizarea unui set de antrenare modificat. În tabelul 6;3 sunt prezentate valorile erorii pentru fazele de antrenare si reantre-nare succesiva. Pentru rezultatele prezentate în acest tabel am folosit urmatorii vectori de întârziere:

Page 163: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

164

RN5: [ ]9,8,7,6,5,4,3_ =DelIn si [ ]2_ =DelOut . Am ales rezultate pentru RN5. Se observa ca vectorii de întârziere au fost bine alesi, din moment ce, în medie, se constata o descrestere a erorii, o data cu realizarea re-antrenarilor succesive. Cu toate aceste admit ca exista câteva intervale în care predictiile nu sunt chiar bune. În figura 6.19. prezint tendinta erorii seturilor de testare pentru prima antrenare si pentru L=20 faze succesive de reantrenare. Figura prezinta tendinta erorii pentru cazul prognozei unei ferestre de timp de trei ore.

Tab. 6;3 Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 174,0649 49,0880 Reantrenarea 1 721-9520 9521-10240 30,7998 22,15081 Reantrenarea 2 1441-10240 10241-10960 26,8429 21,3568 Reantrenarea 3 2161-10960 10961-11680 26,6906 21,0360 Reantrenarea 4 2881-1168 11681-12400 22,7910 19,1654 Reantrenarea 5 3601-12400 12401-13120 26,6251 23,8049 Reantrenarea 6 4321-13120 13121-13840 22,9006 20,5178 Reantrenarea 7 5041-13840 13841-14560 24,8429 22,0365 Reantrenarea 8 5761-14560 14561-15280 17,2995 15,7838 Reantrenarea 9 6481-15260 15281-16000 22,6530 18,8927

Reantrenarea 10 7201-16000 16001-16720 17,0340 15,5951 Reantrenarea 11 7921-16720 16721-17440 19,1055 16,7831 Reantrenarea 12 8641-17440 17441-18160 28,2147 23,71028 Reantrenarea 13 9361-18160 18161-18880 34,5995 26,0838 Reantrenarea 14 10081-18880 18881-19600 22,9916 18,6266 Reantrenarea 15 10801-19600 19601-20320 20,4041 17,03185 Reantrenarea 16 11521-20320 20321-21040 21,1982 19,1969 Reantrenarea 17 12241-21040 21041-21760 23,9434 21,3282 Reantrenarea 18 12961-21760 21761-22480 30,9002 24,8322 Reantrenarea 19 13681-22480 22481-23200 20,7981 19,0337 Reantrenarea 20 14401-23200 23201-23920 34,6534 21,8839

IS- Interative Simulations – Simulari Iterative ale iesirilor; ASI – Always real inputs – Intrarile reale

Se poate remarca o îmbunatatire vizibila a modelului când faze de reantrenare succesive s-au efectuat, chiar daca descresterea graficului erorii nu este absolut monoto-na. Graficul din stânga arata evolutia erorii când s-a folosit simularea iterativa a iesi-rilor (IS) iar cea din dreapta arata evolutia erorii atunci când sistemul utilizeaza intrari întotdeauna reale (ARI) care contin iesiri anterioare reale si nu unele estimate. Simularea iterativa prezinta valori destul de apropiate (în mod obisnuit usor mai mari) ale erorii comparativ cu situatia când se folosesc doar valori reale ale intrarilor în sistem. Este de remarcat faptul ca nu exista o diferenta vizibila între cele doua grafice. Se pare ca mode-lul este robust si functioneaza foarte bine cu iteratii simulate (IS) precum si cu (ARI). O prognoza poate fi implementata utilizând doar o simulare iterativa.

Page 164: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

165

Fig. 6.19. Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesi-

ve de reantrenare Calitatea predictiei poate fi de asemenea analizata din punct de vedere grafic, prin introducerea zonei limita în jurul iesirilor reale, data de o functie de forma:

( ) qnAnf ⋅+= , (6-76) unde: A eroarea de estimare (predictie acceptata), q este factorul de crestere, n este numa-rul de pasi de timp estimati. Valorile estimate ale marimilor de iesire vor trebui sa se gaseasca în intervalul out(n) +/- f(n). În figura 6.20 a, b, c, d ,e, f, g, h, prezint graficele aferente intervalelor de testare de reantrenare ale RNA. Datele reale sunt reprezentate cu linie albastra iar valorile retelei neuronale cu li-nie rosie. Zona limita (linia punctata) exista în jurul datelor reale si este data de functia

( ) nnf ⋅+= 005.015 , pentru n = 1…30 . Exceptând câteva cazuri, în aproape toate reprezentarile grafice ale predictiilor, tendinta a fost bine prezisa prin utilizarea modelului propus.

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Always real inputs

Ore

NO

2 [ug/m

3]

Fig. 6.20. a Datele prognozate pentru intervalul de testare de reantrenare 8 (Prognoza

NO2)

Page 165: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

166

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. b Datele prognozate pentru intervalul de testare de reantrenare 9

(Prognoza NO2)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. c Datele prognozate pentru intervalul de testare de reantrenare 10

(Prognoza NO2)

Page 166: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

167

1.67 1.68 1.69 1.7 1.71 1.72 1.73 1.74 1.75

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.67 1.68 1.69 1.7 1.71 1.72 1.73 1.74 1.75

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. d Datele prognozate pentru intervalul de testare de reantrenare 11

(Prognoza NO2)

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. e Datele prognozate pentru intervalul de testare de reantrenare 13

(Prognoza NO2)

Page 167: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

168

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. f Datele prognozate pentru intervalul de testare de reantrenare 16

(Prognoza NO2)

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. g Datele prognozate pentru intervalul de testare de reantrenare 17

(Prognoza NO2)

Page 168: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

169

2.24 2.25 2.26 2.27 2.28 2.29 2.3 2.31 2.32 2.33

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.24 2.25 2.26 2.27 2.28 2.29 2.3 2.31 2.32 2.33

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.20. h Datele prognozate pentru intervalul de testare de reantrenare 19

(Prognoza NO2)

Valorile actuale ale iesirilor (linia albastra) au fost foarte bine prezise de model (linia rosie) care este aproape întotdeauna în interiorul tubului folosit pentru a evalua va-lorile prognozate. În tabelul 6;4 sunt prezentate o parte din valorile masurate ale bioxidului de azot precum si o parte a valorilor prezise cu ajutorul retelelor neuronale adaptive cu vectori de întârziere.

Tab 6;4 Valorile masurate si prezise ale NO2 NO2

Data Ora VM VP Data Ora VM VP Data Ora VM VP 1/1/07 10:00 64 64,95 1/1/07 18:00 79 62,99 1/2/07 02:00 32 37,41 1/1/07 11:00 64 65,91 1/1/07 19:00 75 74,13 1/2/07 03:00 27 47,39 1/1/07 12:00 42 58,38 1/1/07 20:00 82 77,73 1/2/07 04:00 24 38,58 1/1/07 13:00 45 62,46 1/1/07 21:00 68 59,27 1/2/07 05:00 23 18,51 1/1/07 14:00 51 66,08 1/1/07 22:00 60 38,48 1/2/07 06:00 23 18,63 1/1/07 15:00 53 53,87 1/1/07 23:00 46 41,84 1/2/07 07:00 33 26,32 1/1/07 16:00 59 51,89 1/1/07 24:00 39 34,75 1/2/07 08:00 50 55,80 1/1/07 17:00 68 52,14 1/2/07 01:00 35 32,25 1/2/07 09:00 75 80,25 VM- valoarea masurata (datele obtinute de la Agentia de Protectie a Mediului) VP – valoarea prezisa cu ajutorul retelelor neuronale adaptive cu vectori de întârziere Diferenta între valoarea masurata si cea prezisa este nesemnificativa. Modelul propus ne ofera posibilitatea sa ne facem o idee despre ce sa va întâmpla în viitorul apro-piat, ne permite realizarea unor simulari si luare unor decizii.

Page 169: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

170

În cadrul tezei de doctorat, am realizat unsprezece retele neuronale, (asa cum am prezentat mai sus), fiecare din ele, prezicând valoarea bioxidului de azot, la diferite inter-vale de timp, dupa cu urmeaza:

- RN1 dupa un interval de timp de sapte ore; - RN2 si RN7, dupa sase ore; - RN3 si RN8 dupa cinci ore; - RN4 si RN9 dupa patru ore; - RN 5 dupa trei ore; - RN6 dupa doua or - RN3* dupa cinci ore cu un numar de 11 intrari; - RN5* dupa trei ore cu un numar de 11 intrari.

Cea mai buna predictie am obtinut-o pentru RN5, dupa un interval de timp de trei ore. Pentru reteaua neuronala RN5* am folosit aceeasi combinatie a vectorilor de în-târziere de la RN5, dar am redus numarul de intrari de la 21 la 11. Rezultatele obtinute cu o astfel de retea sunt prezentate în cele ce urmeaza.

În tabelul 6;5 sunt prezentate valorile erorii pentru fazele de antrenare si reantre-nare succesiva

Tab. 6;5. Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 40,986 28,141 Reantrenarea 1 721-9520 9521-10240 25,358 16,563 Reantrenarea 2 1441-10240 10241-10960 18,015 16,149 Reantrenarea 3 2161-10960 10961-11680 21,869 19,466 Reantrenarea 4 2881-1168 11681-12400 16,949 16,035 Reantrenarea 5 3601-12400 12401-13120 46,181 25,423 Reantrenarea 6 4321-13120 13121-13840 27,235 20,078 Reantrenarea 7 5041-13840 13841-14560 21,981 20,433 Reantrenarea 8 5761-14560 14561-15280 20,646 19,059 Reantrenarea 9 6481-15260 15281-16000 66,945 37,104

Reantrenarea 10 7201-16000 16001-16720 15,87 14,744 Reantrenarea 11 7921-16720 16721-17440 21,235 19,216 Reantrenarea 12 8641-17440 17441-18160 25,723 20,547 Reantrenarea 13 9361-18160 18161-18880 23,232 20,562 Reantrenarea 14 10081-18880 18881-19600 19,402 17,605 Reantrenarea 15 10801-19600 19601-20320 20,327 17,362 Reantrenarea 16 11521-20320 20321-21040 19,35 18,234 Reantrenarea 17 12241-21040 21041-21760 24,927 22,256 Reantrenarea 18 12961-21760 21761-22480 22,754 20,389 Reantrenarea 19 13681-22480 22481-23200 20,127 18,937 Reantrenarea 20 14401-23200 23201-23920 32,03 25,236

IS- Interative Simulations – Simulari Iterativeale iesirilor; ASI – Always real inputs – Intrarile reale

În figura 6.21. prezint tendinta erorii seturilor de testare pentru prima antrenare si pentru L=20 faze succesive de reantrenare. Figura prezinta tendinta erorii pentru cazul prognozei unei ferestre de timp de trei ore.

Page 170: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

171

0 10 2010

20

30

40

50

60

70

ER

R

Iterative Simulation

0 10 2010

15

20

25

30

35

40

ER

R

Always real inputs

Fig. 6.21. Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze

succesive de reantrenare Pentru aceasta retea neuronala graficul erorii nu are o tendinta descrescatoare. Graficul din stânga arata evolutia erorii când s-a folosit simularea iterativa a iesi-

rilor (IS) iar cea din dreapta arata evolutia erorii atunci când sistemul utilizeaza intrari întotdeauna reale (ARI) care contin iesiri anterioare reale si nu unele estimate. Simularea iterativa prezinta valori destul de apropiate (în mod obisnuit usor mai mari) ale erorii comparativ cu situatia când se folosesc doar valori reale ale intrarilor în sistem. Este de remarcat faptul ca nu exista o diferenta vizibila între cele doua grafice. Se pare ca mode-lul este robust si functioneaza foarte bine cu iteratii simulate (IS) precum si cu (ARI). O prognoza poate fi implementata utilizând doar o simulare iterativa. În figura 6.22 a, b, c, d ,e, f, g, h, prezint graficele aferente intervalelor de testare de reantrenare ale RNA.

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Always real inputs

Ore

NO

2 [ug/m

3]

Fig. 6.22. a Datele prognozate pentru intervalul de testare de reantrenare 8

(Prognoza NO2)

Page 171: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

172

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-50

0

50

100

150

200

250Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-50

0

50

100

150

200

250Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. b Datele prognozate pentru intervalul de testare de reantrenare 9

(Prognoza NO2)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. c Datele prognozate pentru intervalul de testare de reantrenare 10

(Prognoza NO2)

Page 172: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

173

1.67 1.68 1.69 1.7 1.71 1.72 1.73 1.74 1.75

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.67 1.68 1.69 1.7 1.71 1.72 1.73 1.74 1.75

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. d Datele prognozate pentru intervalul de testare de reantrenare 11

(Prognoza NO2)

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. e Datele prognozate pentru intervalul de testare de reantrenare 13

(Prognoza NO2)

Page 173: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

174

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

-50

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

-50

0

50

100

150

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. f Datele prognozate pentru intervalul de testare de reantrenare 16

(Prognoza NO2)

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-50

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-50

0

50

100

150

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. g Datele prognozate pentru intervalul de testare de reantrenare 17

Page 174: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

175

(Prognoza NO2)

2.24 2.25 2.26 2.27 2.28 2.29 2.3 2.31 2.32 2.33

x 104

-50

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.24 2.25 2.26 2.27 2.28 2.29 2.3 2.31 2.32 2.33

x 104

-50

0

50

100

150

200Always real inputs

Ore

NO

2 [u

g/m

3]

Fig. 6.22. h Datele prognozate pentru intervalul de testare de reantrenare 19 Diferenta intre valorile masurate si cele prezise este semnificativa. În tabelul 6;6 sunt prezentate o parte din valorile masurate ale bioxidului de azot

precum si o parte a valorilor prezise cu ajutorul retelelor neuronale adaptive cu vectori de întârziere.

Tab 6;6 Valorile masurate si prezise ale NO2 NO2

Data Ora VM VP Data Ora VM VP Data Ora VM VP 1/1/07 10:00 64 84,85 1/1/07 18:00 79 80,42 1/2/07 02:00 32 36,26 1/1/07 11:00 64 87,47 1/1/07 19:00 75 84,94 1/2/07 03:00 27 30,91 1/1/07 12:00 42 84,05 1/1/07 20:00 82 77,67 1/2/07 04:00 24 19,35 1/1/07 13:00 45 79,98 1/1/07 21:00 68 67,53 1/2/07 05:00 23 28,55 1/1/07 14:00 51 71,00 1/1/07 22:00 60 58,6 1/2/07 06:00 23 48,08 1/1/07 15:00 53 66,35 1/1/07 23:00 46 59,9 1/2/07 07:00 33 45,82 1/1/07 16:00 59 71,96 1/1/07 24:00 39 53,13 1/2/07 08:00 50 52,21 1/1/07 17:00 68 74,14 1/2/07 01:00 35 45,80 1/2/07 09:00 75 75,48 VM- valoarea masurata (datele obtinute de la Agentia de Protectie a Mediului) VP – valoarea prezisa cu ajutorul retelelor neuronale adaptive cu vectori de întârziere

Page 175: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

176

Facând o comparatie între retelele neuronale RN5 si RN5* am constatat ca pre-dictia este cu atât mai buna cu cât sursa de informatie este mai bogata, adica avem mai multe semnale de intrare ce descriu un fenomen. Rezultatele experimentale pentru celelalte retele neuronale sunt prezentate în ane-xa 2. Abilitatea RNA de a extrage informatii importante din datele sale de antrenare ofera un cadru valoros pentru reprezentarea relatiilor care sunt prezente în structura date-lor. Aceasta permite atât interpolarea printre punctele definite anterior, cât si extrapolarea în afara limitelor impuse de punctele extreme ale setului de antrenare. Evaluarea erorii arata ca tehnica de antrenare adaptiva poate îmbunatati gradul, ca medie, rezultatele obti-nute. Este o diferenta clara între procesul de antrenare care a necesitat un timp îndelungat pentru gasirea celei mai bune arhitecturii si procesul de reantrenare. Este destul de usor sa reantrenezi o buna arhitectura RNA, de câteva ori, prin utilizarea unor seturi de antrenare modificate. Marele avantaj al tehnici de reantrenare este ca anumite aspecte relevante sunt pastrate (amintite) nu doar din faza de antrenare imediat anterioara dar si din fazele anterioare acesteia. Poate totusi sa apara un proces lent de uitare, astfel este mult mai usor pentru RNA sa-si aminteasca aspecte specifice ale antrenarii anterioare comparativ cu prima antrenare. Asta înseamna ca vechile informatii acumulate în antrenarile precedente vor fi usor uitate si procesul de învatare va fi adaptat la cele mai noi evolutii ale poluarii atmosferei.

Utilizând aceasta tehnica adaptiva de reantrenare, scopul tezei de docto-rat de a gasi o retea neuronala adaptiva cu vectori de întârziere, folosita în predictia bi-oxidului de azot a fost atins. 6.2. Predictia bioxidului de azot cu ajutorul modelului ARMA (Auto Regresive Moving Average). 6.2.1. Prezentarea modelului Analiza seriilor dinamice sunt cunoscute în literatura de specialitate si sub denu-mirea de analiza seriilor de timp. Box & Jenkins (1970) au propus o metodologie de previziune a unei variabile, utilizând ca si baza de date doar trecutul si prezentul acesteia. Aceste modele se bucura de o larga popularitate datorita calitatii previziunilor generate, flexibilitatii modelelor, rigurozitatii privind fundamentarea matematica a modelului. Un model de tip autoregresiv-medie mobila ARMA(p,q) are o componenta de tip autoregresiv si o componenta de tip medie mobila astfel:

tqtqttptpttt bbbYaYaYaaY εεεε +−−−−++++= −−−−−− LL 221122110 , (6-77)

unde p este ordinul partii autoregresive, q ordinul mediei mobile iar tε este un proces de tip zgomot alb (acesta fiind o succesiune de variabile aleatoare independente si identic repartizate, cu medie zero). Atunci când q=0 se obtine modelul autoregresiv de ordin p, notat AR(p):

ptpttt YaYaYaaY −−− ++++= L22110 , (6-78) iar pentru p=0, se obtine modelul medie mobila de ordin q, notat MA(q):

tqtqttt bbbaY εεεε +−−−−= −−− L22110 . (6-79)

Page 176: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

177

6.2.1.1. Principalele concepte pe care se fundamenteaza metodologia Box-Jenkins Se considera o clasa particulara de procese aleatoare, numite procese stationare. Un proces stationar de ordinul doi verifica urmatoarele trei conditii: - ( ) tYE t ∀= ,µ media este constanta în timp,

- ( ) 2σ=tYVar varianta este constanta în timp, - ( ) stYY kst ≠= ,,cov γ , unde tsk −= , covarianta dintre doua variabile este functie doar de lungimea intervalului de timp ce separa cele doua variabile. Pentru un proces stationar, functia de autocovarianta devine:

( )( )[ ]µµγ −−= stk YYE , (6-80) unde tsk −= . 6.2.1.1.1. Functia de autocorelatie (AC) Functia de autocorelatie kr se defineste prin:

( )( )[ ]( )[ ]2

0 µ

µµγγ

−−== −

t

kttkk

YE

YYEr pentru Zk ∈ (6-81)

si masoara corelatia liniara dintre doua variabile Yt si Yt-k separate de k unitati de timp. Estimarea functiei de autocorelatie este o etapa importanta în faza de identificare a unui model. Graficul functiei de autocorelatie se numeste corelograma si ofera informa-tii importante privind comportamentul seriei. Estimarea functiei revine la calculul unor coeficienti de autocorelatie (corelatie liniara) pentru fiecare cuplu (Yt, Yt-k). 6.2.1.1.2. Functia de autocorelatie partiala (PAC) Deseori corelatia între doua variabile este determinata de faptul ca ambele sunt corelate cu o a treia variabila. In acest context o mare parte din corelatia intre doua varia-bile Yt si Yt-k poate apare urmare a unui efect indirect, de corelare a ambelor variabile cu variabilele intermediare 121 ,, −−−− kttt YYY . Pentru a se evita acest fapt se utilizeaza coefici-entul de autocorelatie partiala, acesta masurând efectul direct al lui Yt-k asupra variabilei Yt (se izoleaza influenta variabilei Yt-k). Definitia acestuia este similara cu a coeficientului de corelatie partiala din econometrie. Coeficientul de autocorelatie partiala între doua variabile separate de k unitati de timp notat prin kc este coeficientul de regresie a variabilei ktY − în modelul autoregresiv AR(k):

tktkttt YcYaYaaY ε+++++= −−− L22110 (6-82) si masoara informatia aditionala adusa de variabila ktY − în explicarea comportamentului prezent tY (cu câte unitati se modifica tY daca ktY − creste cu o unitate iar celelalte vari-abile 121 ,, −−−− kttt YYY ramân nemodificate). Astfel, coeficientul de autocorelatie partiala

masoara corelatia între tY si ktY − , în conditiile în care celelalte variabile 121 ,, −−−− kttt YYY sunt mentinute constante (se izoleaza influenta variabilei ktY − ). Astfel, coeficientul de autocorelatie partiala între tY si 2−tY , adica 2c , este egal cu coeficientul de autocorelatie

2r daca tY si 2−tY sunt ambele necorelate cu 1−tY .

Page 177: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

178

Functia de autocorelatie partiala consta în setul de coeficienti kc , unde k=1, 2, 3. Pentru k=1 coeficientul de autocorelatie si coeficientul de autocorelatie partiala coincid

11 cr = . Coeficientii de autocorelatie partiala înregistreaza valori între -1 si 1. 6.2.1.1.3. Procese nestationare Un proces este nestationar daca nu verifica una sau mai multe din cerintele proce-sului stationar. Modelele ARMA sunt adecvate seriilor stationare. Acestea au fost generalizate pentru serii nestationare ce devin stationare prin diferentiere. Modelele rezultate fiind de-numite modele autoregresive-integrate-medie mobila ARIMA(p, d, q) unde d este ordinul de diferentiere necesar pentru stationalizarea seriei. 6.2.2. Etapele elaborarii unui model ARIMA (autoregresiv integrat medie mobila) Etapele de elaborare a unui model ARIMA (p,d,q) sunt urmatoarele:

1. Identificarea modelului, se precizeaza valorile adecvate pentru p, d si q; 2. Estimarea parametrilor modelului, estimarea coeficientilor ai, bi,

2εσ ;

3. Testarea validitatii modelului. Daca modelul nu este valid atunci se reface mode-lul (alte valori plauzibile pentru p,d,q) si se reiau etapele anterioare;

4. Utilizarea modelului în generarea de previziuni (odata ce a trecut testele de vali-dare).

Modelarea ARIMA presupune urmatoarele: - verificarea stationalitatii. Daca se constata ca seria este nestationara atunci se diferentia-za pâna când devine stationara, rezultând ordinul de diferentiere d (de regula d = 1, 2); - tinând seama de forma functiei de autocorelatie si de autocorelatie partiala (estimate) ( kr si kc ) pentru seria diferentiata se stabilesc valori plauzibile pentru p respectiv q ; - se estimeaza modelul selectat; - se testeaza validitatea modelului, facând teste privind comportamentul si teste privind semnificatia coeficientilor ai, bi; - generarea previziunilor, în baza modelului estimat. 1. Identificarea modelului Este etapa cea mai importanta dar si cea mai dificila. Sunt utile functiile de autocorelatie si de autocorelatie partiala estimate. Forma acestora indica modele posibile (teoretice), adica cele mai plauzibile valori pentru p, q si d. Comparând functiile estimate cu cele teoretice specifice fiecarui model se vor alege unu sau mai multe modele teoretice ce par adecvate. a) Stabilirea ordinului de diferentiere . Daca o serie este nestationara în medie (media nu este constanta în timp) se vor calcula diferentele de ordin 1 eventual 2, în scopul stabilirii ordinului de diferentiere d. b) Stabilirea valorilor plauzibile pentru p respectiv q. Dupa eventuale diferentieri si alte transformari aplicate datelor initiale (exemplu logaritmare), în scopul stationarizarii seriei, se trece la stabilirea unui model adecvat, de tip autoregresiv medie mobila ARMA(p,q), pentru datele obtinute în urma diferentierii (care sunt stationare). Daca nu pare adecvat un model AR(p) sau MA(q) cu numar mic de

Page 178: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

179

parametri (p respectiv q ≤ 4) atunci se va încerca un model mixt ARMA ce combina am-bele parti. În tabelul 6;7. sunt prezentate cele mai întâlnite modele cu urmatoarele proprietati ale functiei de autocorelatie si autocorelatie partiala. Tab.6;7. Prezentarea modelelor si a proprietatilor functiilor de autocorelatie si autocorelatie partiala

Model Functia de autocorelatie kr Functia de autocorelatie par-tiala ck

AR(1)

t1t1t YaY ε+= − - descreste exponential daca a1 > 0 - descreste sinusoidal, daca a1 < 0

- c1 semnificativ (> 0 daca a1 > 0 si <0 daca a1 < 0); - ck = 0, ∀ k ≥ 2

AR(2)

t2t21t1t YaYaY ε++= −− - descreste exponential sau si-nusoidal. Forma exacta de-pinde de semnul si valoarea coeficientilor a1 si a2

- c1 si c2 semnificativi - ck = 0, ∀ k ≥3

AR(p)

tptp1t1t YaYaY ε+++= −− L - descreste exponential sau si-nusoidal. Forma functiei de-pinde de semnul si valoarea coeficientilor a1, …, ap

-c1, …, cp – semnificativi -ck = 0, ∀ k ≥ p+1

MA(1)

1t1tt bY −−= εε - 1r semnificativ (> 0 daca b1< 0 si 0< daca b1 > 0) - rk = 0, ∀ k ≥ 2

- exponential daca b1 > 0 - sinusoidal daca b1 < 0

MA(2)

2t21t1tt bbY −− −−= εεε - 21 , rr semnificativ rk = 0, ∀ k ≥3

- descreste exponential sau sinusoidal. Forma exacta de-pinde de semnul si valoarea coeficientilor b1, b2

MA(q)

qtq1t1tt bbY −− −−−= εεε L - qrr ,,1 L semnificativi rk = 0, ∀ k ≥ p+1

- descreste exponential sau sinusoidal. Forma functiei depinde de semnul si valoa-rea coeficientilor b1 bq

ARMA(1,1)

1111 −− −+= tttt bYaY εε - descreste exponential. Sem-nul lui 1r depinde de cel al di-ferentei a1–b1

- descreste exponential daca b1 > 0 respectiv sinusoidal daca b1 < 0

ARMA (p,q) - descreste exponential sau si-nusoidal începând cu k=q-p

- descreste exponential sau sinusoidal începând cu k=q-p

2. Estimarea parametrilor modelului Forma restrânsa a unui model ARMA(p,q) cu medie zero este:

( ) ( ) tt LYL εθφ = , (6-83) respectiv a unui model ARIMA(p,q):

( ) ( ) ttd LXLL εθφ =− )1( (6-84)

Consideram un model AR(p):

Page 179: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

180

tptptt YaYaY ε+++= −− L11 . (6-85)

Metoda clasica a celor mai mici patrate ∑t

t2ε → min conduce la estimatori, pen-

tru parametrii 1a , 2a ,..., pa , regasind ecuatiile Yule-Walker. Acestea sunt relatii între co-eficientii de autocorelatie si coeficientii modelului. Rezulta ecuatiile Yule-Walker:

( ) ( ) ( ) ( )itptPittittitt YYaYYaYYaYY −−−−−−− +++= ,cov...,cov,cov,cov 2211 , (6-86) pentru i=1,2,...,p, respectiv,

pipiii rararar −−− +++= ...2211 ,, (6-87)

pentru i=1,2,...,p, unde 10 =r . Daca în prealabil s-au calculat estimatii pentru coeficientii de autocorelatie 1r , 2r , ..., pr , din acest sistem de ecuatii rezulta estimatii pentru coeficientii modelului

paaa)))

,...,, 21 .

Metoda clasica a celor mai mici patrate ∑t

t2ε → min respectiv ecuatiile Yule-

Walker conduc la estimatori ce nu sunt eficienti deoarece exista coliniaritate între variabi-lele explicative din model pttt YYY −−− ,...,, 21 . Daca modelul include si o componenta medie mobila, fiind MA(q) sau AR-MA(p,q) atunci apare o neliniaritate în raport cu parametrii (având în vedere relatia

( )( ) tt YLL

θφε = .

De regula se utilizeaza metoda verosimilitatii maxime. Se recurge la utilizarea unor algoritmi de optimizare neliniara (ex. algoritmul Newton-Raphson), acestia fiind metode iterative specifice rezolvarii modelelor neliniare în raport cu parametrii. Se pre-supune ca erorile din model sunt o succesiune de variabile aleatoare independente, identic repartizate, cu medie zero si normal distribuite. Ipoteza normalitatii erorilor

),0( 2εσε Nt ∈ este necesara pentru a putea specifica o forma functionala a functiei de

verosimilitate. Functia de verosimilitate asociata seriei observatiilor Y=(Y1, …, YT ) este:

YbaYba iiiiT 1'

22/12/2 )],([

21

exp)],(det[)2( −−− Ω−Ωε

ε σπσ (6-88)

Maximizarea acesteia conduce la valori pentru coeficientii ii ba , ce asigura cea mai mare probabilitate de aparitie a observatiilor Y1, …, YT.

3. Testarea validitatii modelului Pentru a vedea daca modelul estimat surprinde adecvat modul de generare a date-lor (caracterul inertial respectiv cel de asimilare a socurilor) este utila în prealabil o anali-za comparativa a functiei de autocorelatie kr respectiv de autocorelatie partiala kc estima-

te, pentru seria initiala Yt respectiv pentru seria generata de model tY . O asemanare între corelogramele acestora indica faptul ca model surprinde adecvat mecanismul de generare a datelor. De asemenea se pot analiza radacinile unitate ale polinoamelor autoregresive respectiv medie mobila.

Page 180: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

181

Se parcurg doua grupe de teste: teste de semnificativitate a coeficientilor modelu-lui respectiv teste referitoare la reziduuri (pentru a vedea daca sunt de tip zgomot alb). 4. Utilizarea modelului în generarea de previziuni Odata elaborat si validat, modelul ARIMA este utilizat pentru generarea de previ-ziuni. Se elaboreaza, previziuni punctuale si intervale de previziune. Previziuni punctuale Pentru un orizont de previziune h, atasam momentului T+h, unde T este originea

efectuarii previziunii, variabila aleatoare hTY + . O previziune punctuala, notata hTY +ˆ este

data de media variabilei hTY + . Aceasta medie fiind conditionata de istoricul variabilei. In general:

),...,,|( 11 YYYYEY TThThT −++ =)

, (6-89)

hTqhTqhThTphTphThThT bbbYaYaYaaY +−+−+−+−+−+−++ +−−−−++++= εεεε ˆˆˆˆˆˆˆˆ221122110 LL

Previziunile se obtin în baza informatiilor disponibile pâna la momentul T. Previ-ziunile punctuale se obtin pas cu pas, pentru calculul unei previziuni fiind necesare valo-rile previzionate aferente perioadelor anterioare pentru termenii autoregresivi ihTY −+ dar si pentru erorile ihT −+ε . Reguli de urmat:

- termenii autoregresivi ihTY −+ pentru 0>− ih (adica ..., 21 ++ TT YY se substituie cu previziunile obtinute la pasii anteriori);

- termenii autoregresivi ihTY −+ pentru 0<− ih se înlocuiesc cu valorile înregistrate, fiind cunoscuti termenii seriei ( 1−TY , 2−TY , ...);

- termenii eroare ihT −+ε pentru 0>− ih (adica ..., 21 ++ TT εε ) se înlocuiesc cu zero;

- termenii eroare ihT −+ε pentru 0<− ih (adica ..., 21 −− TT εε ) se înlocuiesc cu rezidu-urile estimate din model.

Determinarea intervalului de previziune Eroarea de previziune are formula: hThThT YYe +++ −=

).

Presupunem ca erorile modelului sunt normal distribuite ( )εσε ,0Nt ∈ . Eroarea de previziune urmeaza de asemenea legea normala:

( )( )hThThThT eVNYYe ++++ ∈−= ,0)

, (6-90) rezulta,

( ))1,0(N

eV

YY

hT

hThT ∈−

+

++

). (6-91)

Din distributia legii normale de probabilitate, pentru o probabilitate P fixata se determina k astfel încât:

( )Pk

eV

YYk

hT

hThT =

<

−<−

+

++

), (6-92)

rezulta intervalul de previziune ( ) ( )[ ]hThThThT eVkYeVkY ++++ +−))

; .

Page 181: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

182

Calculul variantei erorii de previziune ( )hTeV + necesita punerea modelului sub forma mediei mobile cu un numar infinit de termeni (orice model ARMA poate fi pus în aceasta forma):

...ccY 2t21t1tt +++= −− εεε (6-93)

sau ( ) tt LCY ε= , (6-94)

unde ...1)( 221 +++= LcLcLC este polinomul coeficientilor.

Din forma redusa a modelului ARMA ( ) ( ) tt LYL εθφ = rezulta ( )( ) tt LL

Y εφθ= , astfel

coeficientii polinomului C se obtine egalând coeficientii termenilor de forma Lj , j=1,2,… în egalitatea ( ) )()( LLCL θφ = . Utilizând forma medie mobila:

...2211 +++= −− tttt ccY εεε , (6-95)

...11 ++= −++ ThThhT ccY εε)

, (6-96)

rezulta ...)(... 112211 ++−+++=−= −+−−+++ ThThttthThThT ccccYYe εεεεε)

, (6-97)

( )

+= ∑

=+

1

1

22 1h

jjhT ceV εσ . (6-98)

Pentru dispersia erorii de previziune 2εσ se utilizeaza estimatia sa 2ˆεσ .

Calitatea modelului de a genera previziuni adecvate poate fi verificata pe baza unor previziuni „de proba”, utilizând ultimele observatii disponibile ca si secventa „mar-tor” de observatii. În etapa elaborarii modelului se are în vedere seria cronologica ce nu contine aceasta secventa martor si se masoara acuratetea previziunii printr-un indicator sintetic de tip metoda celor mai mici patrate etc. 6.2.3. Utilizarea modelului ARMA în predictia bioxidului de azot Cu ajutorul modelului ARMA, am prezis valoarea bioxidului de azot de la Statia Cercul Militar. Simularile s-au realizat cu programul ITSM 2000. Tab.6;8

NO2 Data Ora VM VP Data Ora VM VP Data Ora VM VP

1/15/07 01:00 118 84 1/15/07 09:00 211 46 1/15/07 17:00 116 70 1/15/07 02:00 138 63 1/15/07 10:00 316 45 1/15/07 18:00 121 91 1/15/07 03:00 125 53 1/15/07 11:00 264 54 1/15/07 19:00 117 86 1/15/07 04:00 102 42 1/15/07 12:00 252 66 1/15/07 20:00 104 78 1/15/07 05:00 79 39 1/15/07 13:00 178 60 1/15/07 21:00 100 71 1/15/07 06:00 78 41 1/15/07 14:00 109 56 1/15/07 22:00 100 65 1/15/07 07:00 81 48 1/15/07 15:00 98 46 1/15/07 23:00 92 80 1/15/07 08:00 113 49 1/15/07 16:00 111 59 1/15/07 24:00 93 90 VM- valoarea masurata (datele obtinute de la Agentia de Protectie a Mediului) VP – valoarea prezisa cu ajutorul modelului ARMA

Page 182: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

183

Am folosit datele aferente unei saptamâni (perioada 8-14 ianuarie 2007) si am prezis valorile saptamânii urmatoare (15-21 ianuarie 2007). Au fost folosite în cadrul programului 168 de valori. În tabelul 6;8 sunt prezentate o parte din valorile masurate ale bioxidului de azot precum si o parte a valorilor prezise cu ajutorul modelului ARMA. În anexa 3 sunt prezentate rezultatele obtinute în urma folosirii modelului ARMA, în scopul predictiei bioxidului de azot. Figura 6.23. prezinta graficul datelor prognozate ale bioxidului de azot cu mode-lul ARMA.

Fig. 6.23.

Linia verde reprezinta valorile masurate, iar linia rosie valorile prezise. Graficul valorilor prezise nu este similar cu cel al valorilor masurate. Diferenta dintre valorile masurate si cele prezise, conform tabelului 6;8 este mare. În analiza seriilor de timp, modele statistice de previziune a unei variabile, pa ba-za datelor anterioare si prezente, nu dau rezultate bune. Analizând seriile de timp, folosind retele neuronale adaptive cu vectori de întârzi-ere, obtinem rezultate foarte apropiate de rezultatele reale. RNA sunt tolerante la „zgo-mot”, având abilitatea de a învata sisteme complexe cu date incomplete; în plus ele sunt mai flexibile si au capabilitatea de a se adapta dinamic printr -un proces de reantrenare care utilizeaza seturi de noi date. Prin urmare, RNA, sunt mai puternice în descrierea di-namica a seriilor de timp complicate decât modelele statistice traditionale.

0.

50.

100.

150.

200.

250.

300.

0 50 100 150 200 250 300 350

DTimp [h]

NO2 3/ mgµ

Page 183: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

184

7. CONCLUZII SI CONTRIBUTII PERSONALE Teza de doctorat „Monitorizarea poluarii atmosferei. Contributii la dezvoltarea echipamentelor de achizitie si prelucrare a datelor” propune o noua abordare a prelucra-rii datelor din perspectiva retelelor neuronale adaptive cu vectori de întârziere, astfel încât acestea din urma sa poata fii folosite în predictia poluarii.

În prima parte a lucrarii prezint stadiul actual a poluarii, fac o descriere a metode-lor si echipamentelor pentru determinarea compozitiei atmosferei, prezint aparatele elec-tronice pentru masurarea si controlul calitatii aerului, descriu sistemele de achizitie si pre-lucrare a datelor. În partea a doua identific principalele sursele de poluare si principali poluanti ai aerului la nivelul orasului Bucuresti, propun o analiza temporala a poluarii atmosferei prin realizarea unor corelatii liniare între statii masurând acelasi poluant. În ultima parte tezei propun un model adaptiv de prognoza (care foloseste retelele neu-ronale adaptive cu vectori de întârziere), pentru a predicta valoarea bioxidului de azot de la statia de trafic Cercul Militar. Tot în aceasta parte a tezei, folosesc modelul AR-MA (folosit în prelucrarea statistica a seriilor de timp) pentru a predicta valoarea bio-xidului de azot tot de la statia de trafic Cercul Militar. În final fac o analiza comparati-va între modelul adaptiv de prognoza si modelul ARMA.

Teza de doctorat este structura în doua parti si anume: partea întâia cuprinde capi-tolele unu, doi si trei, iar partea a doua cuprinde capitolele patru, cinci, sase si sapte. În afara de aceste capitole din teza mai fac parte trei anexe si o lista bibliografica. Primul capitol al tezei intitulat „Generalitati asupra atmosferei” prezinta stadiul actual al polua-rii, principalele surse de poluare si cei mai importanti poluanti ai atmosferei. În ultima parte a capitolului se face o trecere în revista a factorilor determinanti ai calitatii aerului atmosferic si se trateaza principalele modele matematice folosite în dispersia poluantilor. Masurarea concentratiilor de poluanti atmosferici implica un proces de extragere a informatiei din mediul de interes, de unde preocuparea pentru întelegerea notiunii funda-mentale de informatie si rolului acesteia în existenta. Ideile originale, izvorâte dupa par-curgerea lucrarilor câtorva gânditori contemporani, care s-au aplecat asupra respectivului domeniu, încearca sa scoata în evidenta strânsa legatura între atmosfera si informatia structurala. Pentru a putea realiza o prelucrare cât mai corecta a datelor masurate si pen-tru a face o analiza calitativa nu doar cantitativa a poluarii atmosferei sunt necesare cu-nostinte complexe asupra proprietatilor fizice si chimice ale aerului curat si aerului impu-rificat în special si asupra atmosferei, tratata ca un învelis gazos al pamâ ntului. Studiul temeinic atât al proprietatilor constituentilor de baza ai atmosferei si ai poluantilor acesteia cât si al factorilor determinanti ai calitatii aerului atmosferic reprezin-ta, de asemenea, un element necesar în procesul de evaluare corecta. Fenomene ca strati-ficarea atmosferei, factorii climatici, efectul de sera, turbulenta aerului, relieful zonei, sursele de poluare naturale si artificiale, transformarile fizice si chimice ale compusilor atmosferici nu pot fi neglijate în momentul determinarii calitatii atmosferei. Toate acestea cer însusirea unor cunostinte din domenii variate: geografie, fizica, chimie, biologie, in-gineria mediului si nu în ultimul rând electronica, informatica, matematica si tehnica ma-surarii, de unde rezulta caracterul interdisciplinar al procesului de determinare a calitatii mediului în general si a aerului atmosferic în special.

Page 184: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

185

În lucrare sunt prezentate modele matematice folosite în dispersia poluantilor, atât modelul de dispersie la scara locala (modelul Gauss), paragraful 1.6.1., cât si modele de dispersie la scara regionala (modelele Lagrange si Euler), paragraful 1.6.2.. Ca o no utate în analiza dispersie la scara locala este modelul de dispersie din „noua generatie” bazat pe formularea gaussiana a penei de poluant, paragraful 1.6.1.3. Principalele îmbunatatiri pe care le contine modelul din „noua generatie” fata de modele traditionale sunt: noua meto-da de determinare a dispersie penei de poluant, modificarea dispersie turbulente datorita supraînaltarii, includerea proceselor de penetrare a penei în stratul de inversiune, tratarea speciala a dispersiei orizontale în cazul conditiilor de vânt slab. Aceasta parte a lucrarii reprezinta o noua directie de cercetare. În capitolul 2 „Metode si echipamente pentru determinarea compozitiei atmosfe-rei”propun o clasificare originala a metodelor de masurare a calitatii aerului (paragra-ful 2.1.), dupa principiile folosite, dupa gardul de automatizare, dupa frecventa masurari-lor. Sunt trecute în revista principalele metode fizice de determinare a compusilor gazosi ai atmosferei. Sinteza încearca o prezentare sistematica a metodelor de masurare bazate pe interactiunea substantei cu radiatia electromagnetica, în special a celor care s-au dove-dit deosebit de precise si performante. Fenomene ca absorbtia, difuzia, fluorescenta si chimiluminescenta diferitelor substante gazoase la interactiunea acestora cu undele elec-tromagnetice de lungimi de unda specifice sunt folosite pentru identificarea si masurarea concentratiilor de impuritati atmosferice. Masurarea absorbtiei radiatiei infrarosii în doua benzi de lungime de unda permite evaluarea poluarii atmosferei si a pericolului de explozie atât în spatii închise cât si în spatii semideschise sau deschise, detectarea putându-se face atât punctual cu senzori in-dividuali, cât si spatial (liniar) cu „senzori deschisi”, în toate aceste cazuri eficienta este deosebita. Teza prezinta principiile de functionare si modelele analizorului de ozon (care se bazeaza pe proprietatea moleculei de ozon, de a absorbi radiatia electromagnetica de lun-gime de unda de 253,7 nm, aflata în domeniul ultraviolet al spectrului), analizorul de bio-xid de sulf prin fluorescenta, analizorul de oxizi de azot prin chimiluminescenta, reliefând avantajele si dezavantajele folosirii acestora în masurarea poluarii atmosferei. Pentru masurarea concentratilor de praf si de particule în suspensie propun în teza folosirea metodei de determinare prin masurarea absorbtiei radiatiei beta, (paragraful 2.2.5.) care prezinta avantajul unei evaluari cantitative foarte precise. Lucrarea face o trecere în revista a metodelor electrochimice si a echipamentelor pentru determinarea compozitiei atmosferei. Aparatele electronice de masurare si control al calitatii aerului descrise în capito-lul 3, intitulat „Aparate electronice pentru masurarea si controlul calitatii aerului. Sis-teme de achizitie si prelucrare a datelor privind monitorizarea poluarii atmosferei”, preiau, transforma si transmit informatia din mediul de masurare (atmosfera) în sfera cu-nostintelor umane, furnizând informatia în spatiul marimilor sesizate de om. Teza tratea-za pe scurt, principiile de functionare, structura si caracteristicile generale ale aparatelor electronice de masurare si control ale calitatii aerului. Se insista mai mult asupra erorilor dinamice care pot aparea în procesele de masurare a concentratiilor de poluanti atmosfe-rici si asupra metodelor de reducere si compensare a acestora. Se dezvolta câteva idei

Page 185: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

186

despre circuitele electronice si de prelucrare a semnalului, circuitele de adaptare, de am-plificare, de esantionare/memorare si cele de multiplexare. Sunt tratate circuitele de con-versie analog-numerice fara de care nu se poate concepe o prelucrare moderna, digitala a semnalului. Se prezinta rolul microprocesoarelor în aparatura moderna de masurare si control a calitatii aerului. Într-o maniera originala sunt prezentate sistemele de achizitie si prelucrare a datelor , paragraful 3.3. În finalul capitolului este prezentat sistemul de achizitie a datelor privind monitorizarea calitatii aerului la nivelului Municipiului Bucu-resti. Partea din teza care a reprezentat o preocupare permanenta a mea în ultimii ani si care a necesitat îndelungi cautari si cercetari se refera la partea a doua a tezei care cuprinde capitolele patru, cinci si sase, destinate starii aerului în orasul Bucuresti. În capitolul 4 „Starea aerului în Municipiul Bucuresti”, propun un mod origi-nal de studiere a poluarii, de identificare a principalelor surse de poluare si a principa-lilor poluanti ai atmosferei. Este descrisa reteaua de monitorizare a poluantilor atmosfe-rici, care este formata din opt statii de monitorizare, grupate astfel: doua statii de trafic Cercul Militar si Mihai Bravu, trei statii industriale Berceni, Drumul Taberei si Titan, o statie de fond regional Balotesti, o statie de fond urban Lacul Morii si o statie de fond suburban Magurele. Atentia mea s-a concentrat asupra statiilor de trafic si a celor indus-triale. În afara de poluantii monitorizati care sunt: oxizii de azot (NO, NO2, NOx), ozonul, monoxidul de carbon, bioxidul de sulf, pulberile în suspensie cu diametrul PM 10, PM 2,5 si plumb, s-au mai masurat si parametrii meteorologici: directia vântului, viteza vân-tului, umiditatea, temperatura masurata la 10 m deasupra solului, temperatura masurata la 2 m deasupra solului, radiatia solara, presiunea atmosferica, temperatura si umiditatea interioara (masurate în incinta în care se afla montate echipamentele), diferenta de tempe-ratura (dintre temperatura masurata la 10m si cea de la 2 m), diferenta de umiditate dintre cea exterioara si cea interioara. În urma studiul facut am constatat, ca poluarea aerului în orasul Bucuresti este datorata în mod deosebit traficului auto. Poluantii pentru care au fost depasite valorile limita, pragul de alerta si mediile anuale sunt bioxidul de azot si pulberile în suspensie. Valorile cele mai mari ale concentratiilor acestor poluanti s-au în-registrat la statiile de trafic. Aceste statii sunt similare din punct de vedere al numarului de autovehiculele care le tranziteaza, peste 10 000 pe zi. Din graficele realizate în cadrul capitolului, am remarcat ca acesti doi poluanti de la cele doua statii sunt într-o oarecare masura dependenti (daca la o statie creste sau descreste valoarea concentratiei bioxidului de azot, creste sau descreste si la cealalta statie, acelasi lucru se întâmpla si cu pulberile în suspensie). Am remarcat de asemenea faptul ca între concentratia bioxidului de azot si cea a ozonului exista o legatura. Iar fundamentarea teoretica a acestui lucru consta în re-actia chimica dintre NO si O3 generând NO2 si O2. Cresterea concentratiei bioxidului de azot se produce prin descompunerea ozonului. Pe baza dependentei concentratiei bioxi-dului de azot de la cele doua statii, s-a remarcat o dependenta a concentratiei de ozon provenita de la cele doua statii de trafic. Am propus în cadrul capitolului, o serie de ma-suri care trebuie luate în vederea reduceri concentratiilor de bioxid de azot si de pul-beri în suspensie. Capitolul 5 „Analiza temporala a poluarii atmosferei” se concentreaza asupra statiilor de trafic Cercul Militar si Mihai Bravu. În cadrul acestui capitol am realizat niste corelatii liniare asupra acestor doua statii masurând bioxidul de azot, pulberile în suspen

Page 186: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

187

sie cu diametrul PM10 si ozonul. Stabilirea corelatiilor s-a realizat cu ajutorul programu-lui TabCurve, realizat pe principiul metodei celor mai mici patrate. Scopurile urmarite prin realizarea acestor corelatii au fost: gasirea unor drepte de regresie care permit realizarea unor predictii si estimarea poluarii într-o intersectie similara cu cele de mai sus, fara a mai masura poluantii. Acest ultim scop nu a fost tratat în teza, el reprezen-tând o directie de cercetare ulterioara. Analiza de regresie este o metoda pentru a permi-te predictii, adica sa se estimeze o valoare a unei variabile, atunci când dispunem de o valoare a variabilei asociate. Elementul foarte important în cadrul regresiei liniare este coeficientul de corelatie a carui valoarea trebuie sa fie cuprinsa între -1 si +1. Valorile coeficientului de corelatie obtinute în cadrul capitolului sunt cuprinse între 0,8 si 0,9, ce-ea ce înseamna ca modelul este foarte bun si calitatea predictiilor este de asemenea buna. În urma analizei facute cu ajutorul tabelului TabCurve am constatat ca exista o corelatie liniara între statii de trafic similare (din punct de vedere al numarului de masini care le tranziteaza) masurând acelasi poluant. Pe baza acestei observatii se poate estima poluarea într-o intersectie similara fara a mai masura poluantii. Estimarea este posibila prin generalizarea unor rezultate masurate într-o intersectie. Capitolul 6 „Predictii în poluarea atmosferei” este un capitol dedicat prelucrarii datelor masurate. În cadrul acestui capitol introduc utilizarea retelelor neuronale adap-tive cu vectori de întârziere, în predictia poluarii. Simularile au fost facute folosind pa-chetul Matlab specializat pentru lucrul cu retele neuronale. În multe situatii reale cum ar fi un sistem energetic national, o centrala nucleara, o situatie economica, o prognoza meteo sau o situatie de monitorizare a poluarii, este de mare însemnatate daca nu vital sa anticipam evolutia fenomenului studiat pe termen scurt pentru a lua masurile necesare care se impun. Retele neuronale artificiale au fost larg ras-pândite pentru prognoza problemelor. Legile care definesc seriile de timp pot fi adesea exprimate ca un sistem dinamic determinist. Totusi aceste ecuatii deterministe nu sunt în mod obisnuit date explicit. Predictia se bazeaza pe descoperirea unor regularitati empirice desprinse din observarea experimentala a sistemelor. RNA sunt eficiente în aceste aplica-tii datorita capabilitatii lor de aproximare universala, deci ele ramân alegerea optima pen-tru sisteme cu multe intrari si iesiri cu dependente complicate. Scopul tezei de doctorat este de a gasi un model matematic practic care sa descrie relatiile dintre n variabile de intrare (toate având o influenta masurabila) si o variabila de iesire. Toate intrarile si iesirile variaza dinamic si pot sa apara întârzieri mari în timp. Schimbând o variabila de intrare poate avea ca rezultat schimbarea iesirii, care sa înceapa câteva minute mai târziu si sa tina câteva ore. În cadru tezei am realizat noua retele neuronale având 21 de intrari si o iesire, care prezic valoarea bioxidului de azot de la statia de trafic Cercul Militar, la diferite intervale de timp. Pentru doua din cele noua retele neuronale am redus numarul intrarilor de la 21 la 11, pentru a vedea în ce masura se modifica rezultate, daca fenomenul este descris de un numar mai mic de date de intrare. Intrarile sistemului reprezinta poluanti monitorizati si datele meteorologice masurate. Pentru cele noua retele neuronale intrarile sunt în numar de 21 si reprezinta: anul, luna, ora, monoxidul de azot, oxizii de azot, bioxidul de sulf, ozonul, monoxidul de carbon, directia vântului, viteza vântului, umiditatea, temperatura masurata la 10 m deasupra

Page 187: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

188

solului, temperatura masurata la 2 m deasupra solului, radiatia solara, presiunea atmosfe-rica, temperatura si umiditatea interioara (masurate în incinta în care se afla montate echi-pamentele), diferenta de temperatura (dintre temperatura masurata la 10m si cea de la 2 m), diferenta de umiditate dintre cea exterioara si cea interioara, particulele în suspensie PM10, particulele în suspensie PM2,5. Iesirea sistemului este reprezentata de bioxidul de azot. Valorile parametrilor sunt din ora în ora pe o perioada de trei ani (ianuarie 2007 - decembrie 2009). Cu aceasta configuratie a retelei neuronale, am realizat noua astfel de retele notate: RN1, RN2, RN3, RN4, RN5, RN6, RN7, RN8 si RN9, folosind diferite combinatii ale vectorilor de întârziere. Pentru RN3 si RN5 folosind aceleasi combinatii ale vectorilor de întârziere, am redus numarul intrarilor de la 21 la 11, pastrând: anul, lu-na, ora, monoxidul de azot, oxizii de azot, ozonul, viteza vântului, umiditatea, temperatu-ra masurata la 2 m deasupra solului, radiatia solara, particulele în suspensie PM10, iesirea retelei ramânând aceeasi. Astfel au rezultat retelele neuronale RN3* si RN5*. Seriile de timp sunt în mod inerente nestationare si cu zgomot. Caracteristica nes-tationara implica faptul ca distributia seriilor de timp se schimba de-a lungul timpului. Mai mult pot sa apara schimbari graduale în dependenta dintre variabilele de intrare si iesire. Datele recente pot oferi informatii mult mai importante decât datele din punctele mai îndepartate. Pentru aceste retele folosesc un algoritm de reantrenare care sa tina cont de acest aspect. Ideea dezvoltata în teza este antrenarea feedforward a unei retele neuronale adap-tive astfel încât aceasta din urma sa devina un predictor. Reteaua prezinta o arhitectura cu un strat de intrare, doua straturi ascunse si un strat de iesire. Rezultatele obtinute cu aceasta arhitectura a retelei neuronale, (cu doua straturi ascunse) sunt mult mai bune de-cât cele obtine cu retele neuronale cu un singur strat ascuns. Functia de activare a neuro-nilor din straturile ascunse este functia sigmoid, iar cea a neuronilor din stratul de iesire este liniara (tansig, purelin). Pentru antrenarea si reantrenarea retelei am folosit algoritmul Gradientul de Scala Conjugat (SCG), chiar daca nu este cel mai rapid. Pentru a evita fenomenul de supraînvatare, am aplicat o metoda de „validare stop” în timpul procesului de antrenare. Apoi rezultatul este utilizat si îmbunatatit prin aplicarea tehnicii de reantrenare, într-un mod special. Aceasta tehnica este un mecanism pentru extragerea de informatii practice direct din ponderea unei RNA de referinta care a fost deja antrenata într-o etapa prelimi-nara. Tehnica de reantrenare permite îmbunatatirea modelului în timp prin utilizarea de noi baze de date. Utilizând aceasta tehnica adaptiva de reantrenare, am realizat retelele neuronale folosind diferite combinatii ale vectorilor de întârziere în scopul predictiei bioxidului de azot. Rezultatele cele mai bune au fost obtinute pentru RN5 care prezice valoarea concen-tratiei bioxidului de azot pentru o fereastra de timp de trei ore. Diferenta între valoarea masurata si cea prezisa este nesemnificativa. Modelul propus ofera posibilitatea sa ne facem o idee despre ce sa va întâmpla în viitorul apro-piat, ne permite realizarea unor simulari si luare unor decizii. Pentru reteaua neuronala RN5* am folosit aceeasi combinatie a vectorilor de în-târziere de la RN5, dar am redus numarul de intrari de la 21 la 11.

Page 188: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

189

Facând o comparatie între retelele neuronale RN5 si RN5* am constatat ca pre-dictia este cu atât mai buna cu cât sursa de informatie este mai bogata, adica avem mai multe semnale de intrare ce descriu un fenomen. Aceasta tehnica face posibila studierea ulterioara a poluarii atmosferei prin folosi-rea unor retele neuronale adaptive cu vectori de întârziere, folosind alte combinatii a vec-torilor de întârziere. În finalul capitolului, cu ajutorul modelului ARMA, am prezis valoarea bioxidului de azot de la Statia Cercul Militar. Simularile s-au realizat cu programul ITSM 2000. Am folosit datele aferente unei saptamâni (perioada 8-14 ianuarie 2007) si am prezis valorile saptamânii urmatoare (15-21 ianuarie 2007). Au fost folosite în cadrul pro-gramului 168 de valori. Diferenta dintre valorile masurate si cele prezise este mare. În analiza seriilor de timp, modele statistice de previziune a unei variabile, pa ba za datelor anterioare si prezente, nu dau rezultate bune. Analiza comparativa între modelul statistic ARMA (simularile au fost realizate cu ajutorul programului ITSM 2000) si retele neuronale adaptive cu vectori de întârzi-ere a pus în evidenta superioritatea de analiza si predictie a retelelor neuronale adapti-ve. Prin urmare, RNA, sunt mai puternice în descrierea dinamica a seriilor de timp complicate decât modelele statistice traditionale. Sinteza principalele contributii personale:

- elaborarea unui studiu privind stadiul actual al poluarii si principali poluanti ai atmosferei (paragraful 1.2.3.);

- punerea în evidenta a strânsei legaturi dintre atmosfera si informatia structura-

la;

- propunerea unei clasificare originala a metodelor de masurare a calitatii aeru-lui dupa principiile folosite, dupa gardul de automatizare, dupa frecventa ma-surarilor (paragraful 2.1.);

- prezentarea într-un mod original a principalelor surse de poluare si a principa-

lilor poluanti ai Municipiului Bucuresti (capitolul 4);

- realizarea unor corelatii liniare între cele doua statii de trafic masurând NO2, PM10 si O3, cu ajutorul progrramului TabCurve (capitolul 5);

- introducerea retelelor neuronale adaptive cu vectori de întârziere în predictia

poluarii. Simularile au fost facute folosind pachetul Matlab specializat pentru lucrul cu retelele neuronale (paragraful 6.1.4.);

- propunerea folosirii în fazele de antrenare si reantrenare a algoritmului Gradi-

ent de Scala Conjugat (paragraful 6.1.4.2.);

- utilizarea modelului statistic ARMA în predictia poluarii. Simularea a fost rea-lizata cu programul ITSM 2000 (paragraful 6.2.3.);

Page 189: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

190

- analiza comparativa între modelul statistic ARMA si RNA cu vectori de întarziere.

- Rezultatele activitatilor desfasurate în timpul elaborarii acestei teze conduc

spre noi directii de dezvoltare a ideilor sustinute în cuprinsul ei, astfel:

1. Tratarea dispersiei poluantilor, atât la scara locala, (cu ajutorul modelelor de dis-persie din „noua generatie”), cât si la scara regionala. Poluarea atmosferei terestre reprezinta astazi una din principalele probleme ale omenirii, transportul poluanti-lor depasind granitele tarilor în care au fost produsi, determinând modificari im-previzibile, directe si indirecte ale mediului. Principalul instrument de studiu al acestui fenomen complex este modelarea matematica a fenomenelor fizice si chi-mice implicate.

2. Utilizarea retelelor neuronale adaptive cu vectori de întârziere folosind arhitecturi cu mai multe iesiri. Iesirile reprezentând valorile concentratiilor poluantilor care se doresc a fi prezise.

3. Proiectarea si realizarea sistemelor inteligente de monitorizare a calitatii aerului 4. Miniaturizarea analizoarelor de gaz bazate pe principii fizice, prin folosirea celor

mai noi realizari ale tehnologiei contemporane. 5. Acordarea unei prioritati corespunzatore reducerii emisiilor de poluanti care afec-

teaza sanatatea oamenilor. Emisiile datorate autovehiculelor, vor trebui în mod special reduse prin utilizarea celor mai noi tehnologii.

6. Utilizarea algoritmilor genetici în prelucrarea datelor. Potentiali beneficiari ai rezultatelor obtinute în cadrul tezei de doctorat pot fi:

1. Agentiile pentru protectia mediului. 2. Directia de sanatate publica. 3. Inspectoratul pentru situatii de urgenta.

Page 190: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

191

Bibliografie

[A1] Antonescu N., Polizu R., Cândea V., Popescu M., „Valorificarea energetica a dese-

urilor”, Ed. Tehnica, Bucuresti, 1998

[A2] Arya S.P. „Air pollution meteorology and dispersion” Oxford University Press,

New York, Oxford, 1999;

[B1] Baltaretu F., Mihaila C., „Fizica poluarii atmosferei”, Bucuresti, Editura Conspres,

2004;

[B2] Briggs G.A. „Diffusion estimation for small emissions”, U.S. National Oceanic and

Atmospheric Administration. ERL report, ADTL-106, 1973;

[B3] Briggs G.A. „Plumbe Rise”, TID-25075, U.S: Atomic Energz Commission, 1969;

[B4] Briggs G.A. „Plume and buoyancy effects”, Atmospheric Science and power

production, Ed. D. Randerson, DOE/TIC-27601, U.S: Departement Of Energy, 1984;

[B5] Bodea M., si colectiv “Aparate electronice pentru masurare si control”, Editura Di-

dactica si Pedagogica, Bucuresti 1985;

[B6] Brockwell Peter „Introduction to time series and forecasting”, New york, 2000;

[B7] Basheer I.A. „Artificial neural networks, fundamentals, computing, desing and

application”, Journal of Microbiological methods, Elsevier Science, 2000;

[C1] Caluianu S. Cociorva S. “Masurarea si controlul poluarii atmosferei”, Editura

Matrix Rom, Bucuresti 1999;

[C2] Cociorva S. „Metode, aparate si sisteme pentru determinarea calitatii aerului”, teza

de doctorat, Bucuresti, 1998;

[C3] Cuculeanu G. „Abordarea Gaussiana asupra difuziei poluarii atmosferice”, Articol,

Revista Economia, Seria Management, Editura ASE, 2006;

[C4] Cuculeanu G. „Abordarea euleriana a difuziei poluantilor în atmosfera”, Revista

Economia, Seria Management, anul IX, nr. 1, 98-102, Editura ASE, 2006;

[C5] Cuculeanu G. „Abordarea euleriana a difuziei poluantilor în atmosfera”, Revista

Economia, Seria Management, anul IX, nr. 2, 8-14, Editura ASE, 2006;

[C6] Cuculeanu G. „Abordarea lagrangiana a difuziei poluantilor în atmosfera”, Revista

Economia, Seria Management, Anul X, nr. 1, Editura ASE, 2007;

Page 191: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

192

[C7] S. Cociorva, N Tanase - “Sistemul de control al calitatii aerului în zona centralelor

termoelectrice”, SIGPROT-2002 Lucrarile sesiunii de comunicari stiintifice cu participa-

re internationala a Facultatii de Pompieri, Editia a V-a 31 mai 2002;

[C8] Cristea D., Referat de doctorat, “Senzori chemo – optici de gaz, integrati”, Bucu-

resti, Universitatea Politehnica, 1996;

[C9] Caleanu L. Petropoulakis „Improved Trening of Multilayer Feedforward Neural

Networks for Large Input Vectors”, Conf On Control and Automation, Rio, Patras

Greece, 2000;

[C10] Caleanu C.D. „Facial Recognition using Commitee oj neural Networks”,

Yugoslavia, 2000;

[D1] Drughean L Hera D., Pîrvan A., „Sisteme frigorifice nepoluante”, Editura Matrix

ROM, Bucuresti, 2004;

[D2] Draxler R.R. „Diffusion and transport experiments, in atmospheric science and

power production”, DOE/TIC-27601(DE84005177), United States Departament of

Energy;

[D3] Draxler R.R. „An improved Gaussian model for Long-Term Average Air

Concentration Estimates, Atmospheric Enviroment”, vol 14, pag. 597-601, 1980;

[D4] Diaconescu E. „Achizitii de date si instrumentatie”, Editura Matrix Rom, Bucuresti

2006;

[D5] Dumitrescu D., Costin C. “Retele neuronale. Teorie si aplicatii”, Editura Teora, Bu-

curesti, 1996;

[D6] Dumitrache I., Constantin N., Dragoicea M. “Retele Neurale”, Editura Matrix Rom,

Bucuresti 1999 ;

[D7] Dumitrescu D., Costin H. “Retele neuronale. Teorie si aplicatii”, Editura Teora,

1996;

[D8] Diaconescu E. “Prelucrarea analogical si digitala a ssemnalelor”, Editura Univer-

sitatii din Pitesti, 2003

[E1] Earth Semmit 1992 Regency press Corp, london, 1992;

[H1] Hanna S.R., „Reviw of atmospheric diffusion models for regulation application”,

WMO, No.581, Technical Note No.177, 1982;

Page 192: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

193

[H2] Hurley P. „A lagrangian particle-puff approach for plume transport modelling

Applications”, journal of Applied meteorologz, 33, pp. 285-294, 1994;

[H3] Hertz J., Krogh A., Palmer R. „Introduction to the Theory of Neural Computation”,

Lectures Notes, Santa fe Institute, Additsion-Wesley Publishing Company, 1995;

[H4] Hagan M.T., H.B. Demuth, M.H. Beale „Neural Network Desing”, Boston, 1996;

[G1] Mogos G., Ianculescu A. „Compendiu de anatomie si fiziologie a omului”, Editura

Stiintifica, Bucuresti, 1980;

[G2] Gupta M., K. Knopf. “Neuro – Vision System. Principles and Application”, IEEE

Press, 1994;

[G3] Groupe Environnement S.C., Franta, “Manual de utilizare analizor O3”, 1994;

[G4] Groupe Environnement S.C., Franta, “Manual de utilizare analizor SO2”, 1994;

[G5] Groupe Environnement S.C., Franta, “Manual de utilizare analizor NO x”, 1994;

[G6] Groupe Environnement S.C., Franta, “Manual de utilizare analizor HCHC51M”;

[I1] International Atomic Energy Agency (Viena), „Atmospheric Dispersion Models for

Application in Relatio to radionuclide releases”, IAEA-TECDOC-379, June, 1986;

[I2] Ionita N. „Contributii la studiul si realizarea aparaturii pentru determinarea con-

centratiilor poluantilor atmosferici”, Teza de doctorat, Bucuresti, 2004;

[I3] Ionel I. “Monitorizarea calitatii aerului prin gestionarea surselor de poluare”, Arti-

col, UPT, 2002-2004;

[L1] Lazar D. “Analiza seriilor cronologice si previziune”, suport de curs ;

[M1] Mandraves Cristina, Dumitru Stanescu Rodica: “Metode fizico – chimice aplicate la

masurarea noxelor în mediul profesional”, Editura Academiei Române, Bucuresti, 2003 ;

[N1] Novac J.H. and Turner B.D. „An efficient gaussian plume multiple source air

qualitz algorithm”, Journal of air pollution, V23, no.6, 1976;

[N2] Nastac I. “An Adaptive Retraining Technique to Predict the Critical Process Vari-

ables” Abo Akademi University, IAMSR% and TUCS no 616, June 2004,

[N3] Nastac I, Dobrescu E. Pelinescu E. “Neuro-Adaptive Model for Financial Forecast-

ing”, Romanian Journal of Economic Forecasting, 3/2007;

[N4] Nastac I. “Retele neuronale artificiale. Procesarea avansata a datelor , Editura

Printech, Bucuresti 2002;

Page 193: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

194

[N5] Negulescu M. & Colectiv “Protectia mediului înconjurator”, Editura tehnica, Bucu-resti 1995; [P1] Pal Arya S. „Air pollution meteorology and dispersion”, Oxford University Press,

1999;

[P2] Petersen W.B. and Ladvas L.G. „INPUFF 2,0-A Multiple Source Gaussian Puff

Dispersion Algorithm User’s Guide”, EPA/600/8-86/024, Atmospheric Sciences

Research Laboratory, U.S: Enviromenntal protection Agency, triangle Park, N.C.,

[P3] Popescu M “Ecologie aplicata”, Editura Matrix ROM, Bucuresti, 2000;

[R1] Rasche C., Douglas R.J. “Forward and backpropagation in a Silicon dendrite”,

IEEE Trans. Neural Networks, 2001

[S1] Sandu I., Pescaru I.V., Sandu I. „Modele de evaluare a dispersiei poluantilor în at-

mosfera”, Editura Sirech, Craiova, 2004;

[S2] Seinfeld J.H. “Atmospheric chemistry and physics from air pollution to climate

change”, John Wiley and Sons, Inc., New York;

[S3] Seinfeld J.H. „Atmospheric chemistry and physics of air pollution”, New York, A

wiley Interscience publication, 1986;

[S4] Senzor de masurare a concentratiei de hidrocarburi în infrarosu, Drager;

[S5] Senzor de gaze combustibile, Drager;

[S6] Senzor electrochimic de oxid de azot, hidrogen sulfurat, bioxid de sulf, oxid de car-

bon, bioxid de carbon, Drager;

[S7] STAS 9081-88. Poluarea atmosferei. Terminologie;

[S8] STAS 10331-92. Puritatea aerului. Principii si reguli generale de supraveghere a ca-

litatii aerului;

[S9] STAS 12574-87. Aer din zonele poluate – conditii de calitate

[T1] Tanase N. “ Calitatea atmosferei în contextual dezvoltarii durabile”, Referat de

doctorat, Bucuresti, 2002;

[T2] Tanase N. „Analiza temporala a poluarii. Corelatii între poluanti masurati la sta-

tiile de tip trafic”, Conferinta Facultatii de Instalatii, 2010;

[T3] Tanase N., M.M. Tanase – “Principalele probleme legate de poluarea atmosferi-

ca”, A XXXVII-A Conferinta de Instalatii electrice si Automatizari, Sinaia 2-4 Octom-

brie 2002, ISBN 973-685-474-4<

Page 194: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

195

[T4] Tanase N., S. Cociorva –“Interventia in cazul poluarii accidentale”, SIGPROT-

2003 Lucrarile sesiunii de comunicari stiintifice cu participare internationala a Facultatii

de Pompieri, Editia a VI-a 31 mai 2003 ISBN 973-652-804-9 ;

[T5] Tanase N., Elena Sanda, Robert Pecsi – “Echipamente pentru determinarea calitatii

aerului” A XXXIX-A Conferinta de Instalatii Electrice si Automatizari, Sinaia 20-22 Oc-

tombrie 2004, ISBN 973-685-812-X ;

[T6] Tanase N., M.M. Tanase – “Efecte ale poluarii atmosferei”, Conferinta cu partici-

pare internationala: Instalatii pentru Constructii si confortul ambiental; Timisoara 10-

11.04.2004, ISBN 973-625-140-3 ;

[T7] Tanase N, E. Sanda, R. Pecsi “Implementarea microprocesoarelor in AEMC” Sim-

pozion Sisteme, Echipamente, Instalatii Electrice si Automatizari, organizat in cadrul

Conferintei Facultatii de Instalatii, 24-26 noiembrie 2004, Bucuresti, ISBN 973-685-833;

[T8] Tanase N, E Sanda “Un sistem flexibil modern pentru achizitii de date (DAQ) in

vederea utilizarii lui la supravegherea centralizata a poluarii atmosferei – sistemul

Labview” Simpozion Sisteme, Echipamente, Instalatii Electrice si Automatizari, organi-

zat in cadrul Conferintei Facultatii de Instalatii, 24-26 noiembrie 2004, Bucuresti, ISBN

973-685-833-2;

[T9] Tanase N “Schimbari climatice. Încalzirea globala si efectul de sera”, A IX-A Con-

ferinta “Eficienta, Confort, Conservarea Energiei si Protectia Mediului”, Facultatea de

Instalatii, Bucuresti, 27-29 Noiembrie 2002, ISBN 973-685-531-7;

[T10] Tanase N – “Metode electrochimice pentru determinarea concentratiilor de gaze

combustibile si toxice” A X-A Conferinta “Sisteme, Echipamente si Instalatii Electrice si

de Automatizare”, Facultatea de Instalatii, Bucuresti, 27-28 Noiembrie 2003, ISBN 973-

685-705-0;N;

[T11] Tanase N. „Poluarea accidentala. Metode de interventie rapida pentru limitarea

efectelor. Conferinta cu participare internationala: Instalatii pentru Constructii si confor-

tul ambiental; Timisoara 10-11.04.2004, ISBN 973-625-140-3;

[T12] Tanase N “Energii si materii prime reciclabile”. Revista Electricianul nr. 4/2008

[T13] Tanase N.“Circuite de conversie analog – numerica”, Conferinta de la Targoviste

sepetembrie 2003;

Page 195: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

196

[T14] Tanase N. „Conditionarea semnalelor si izolarea galvanica a sistemelor DAQ”,

Conferinta de Instalatii electrice si Automatizari, Sinaia, Octombrie 2003, ISBN 973-

685-474-5;

[T15] Tanase N. „Metode si echipamente pentru determinarea calitatii aerului”, referat

de docotrat, Bucure;ti, 2003;

[T16] Tanase N. „Sisteme informatice utilizate in monitorizarea poluarii atmosferei”,

referat de doctorat, Bucuresti, 2004;

[T17] Tiponut V., Caleanu C.D. „Retele neuronale. Arhitecturi si algoritmi”, Editura Po-

litehnica, Timisoara, 2002;

[T18] Todeanu G, „Retele neuronale artificiale” Editura Albastra, Cluj-Napoca, 1995,

[V1] Vremera E., “Masurari electrice si electronice”, Editura Matrix Rom, Bucuresti,

1998;

[Z1] Zannetti P. „Air pollution modeling: theories, computational methods and available

software”, Computational Mechanics Publications, Southampton, Boston, Van Nostrand

Reinhold, 1990;

[Z2] Zannetti P. „Air pollution modeling”, New Yorh, Van Nostrand Reinhold, 1990;

[W1] Wang L., Karhunen J., „A unifield neural bigradient algorithm for robust PCA and

MCA”, Int. J. Neural Syst. 1996;

http://www.environnement-sa.com ;

http://www.imperialelectric.ro

http://www.ipa.ro

http://www.vernier.com/labview/

www.apmb.ro

www.calitateaer.ro

http://www.csid.utt.ro

http://inginerie.ulbsibiu.ro

Page 196: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

197

Anexa 1 Depasiri ale valorii limita si ale pragului de alerta pentru CO; NO2, PM10

În cadrul acestei anexe prezint o parte din valorile marimilor masurate pentru po-luantii NO2, CO si PM10 de la cele cinci statii analizate (doua statii de trafic Cercul Mili-tar si Mihai Bravu si trei statii industriale Drumul Taberei, Berceni si Titan).

Doar pentru parametrii din anexa s-au înregistrat depasirii ale valori limita. Pentru CO a fost depasita valoarea limita maxima a mediilor la 8 h care este de 10

3/ mmg . NO2 a înregistrat depasiri a valorii limita orara pentru protectia sanatatii umane

care este de 200 3/ mgµ , precum si depasiri ale pragului de alerta, care este de 400 3/ mgµ .

În cazul pulberilor în suspensie, a fost depasita în fiecare zi valoarea limita zilnica pentru protectia sanatatii umane care este de 50 3/ mgµ .

Page 197: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

198

Depasirile valorilor limita, pentru monoxidul de carbon, la cele 5 statii Data Ora Berceni C. Militar D.Taberei M. Bravu Titan 1/11/2007 18:00 0 0 1,95 10,69 0,03 1/11/2007 19:00 0,03 0 4,73 11,17 0,51 1/11/2007 20:00 0,13 0 3,82 10,28 0 1/11/2007 22:00 0,3 0 3,56 13,87 0 1/11/2007 23:00 0,01 0 2,71 11,71 0 1/11/2007 24:00 0 0 0,53 10,77 0 1/12/2007 01:00 0 0 0,14 10,11 0 1/12/2007 02:00 0 0 0,7 9,35 0 1/12/2007 03:00 0 0 0,75 10,44 0 1/12/2007 04:00 0 0 0,41 8,88 0 1/12/2007 05:00 0 0 0,39 10,06 0 1/13/2007 06:00 0,12 0 0,84 11,18 0 1/13/2007 07:00 0 0 0,66 11,27 0,05 1/13/2007 08:00 0,24 0 1,58 10,63 0 1/13/2007 09:00 0,54 0 2,26 11,46 0 1/13/2007 10:00 0,11 0 0,37 10,76 0 1/13/2007 11:00 0,08 0 0,06 11,63 0 1/13/2007 12:00 0,03 0 0,02 12,52 0 1/13/2007 13:00 0,01 0 0 12,43 0 1/13/2007 14:00 0 0 0 11,43 0 1/13/2007 15:00 0 0 0 10,93 0 1/13/2007 16:00 0 0 0,07 11,75 0 1/13/2007 17:00 0 0 0,44 11,53 0 1/13/2007 18:00 0 0 0,28 11,65 0 1/13/2007 19:00 0 0 0,22 10,88 0 1/13/2007 20:00 0 0 0,25 10,87 0 3/15/2007 01:00 0,01 1,4 0,03 12,41 0 3/15/2007 02:00 0,01 1,15 0 13,24 0 3/15/2007 03:00 0,01 1,23 0,02 11,9 0,02 3/15/2007 04:00 0,03 1,04 0,04 13 0,25 3/15/2007 05:00 0,09 1,09 0,03 12,38 1,22 3/15/2007 06:00 0,51 1,1 0,31 11,28 1,28 3/15/2007 07:00 0 1,59 1,64 11,26 1,52 3/15/2007 08:00 0,91 3,57 2,66 13,29 1,61 3/15/2007 09:00 1,83 3,77 3,21 13,05 1,55 3/15/2007 10:00 1,28 3,34 2,18 12,2 1,17 3/15/2007 11:00 0,23 3,4 1,03 11,26 0,56 3/15/2007 12:00 0 2,58 0,03 10,35 0 3/15/2007 13:00 0 1,97 0 10,55 0 3/15/2007 14:00 0,03 1,65 0 11,15 0 3/15/2007 15:00 0 1,19 0 9,95 0 3/15/2007 16:00 0 1,24 0,27 10,74 0 3/15/2007 17:00 0 1,56 0,39 10,36 0

Page 198: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

199

Data Ora Berceni C. Militar D.Taberei M. Bravu Titan 3/15/2007 18:00 0 1,85 0,57 10,37 0 3/15/2007 19:00 0 2,56 1,15 10,75 0 3/15/2007 20:00 0 2,54 0,73 10,75 0 3/15/2007 21:00 0 2,8 0,59 12,57 0 10/22/2007 12:00 0 11,13 0,2 0 0,09 10/22/2007 13:00 0 12,36 0,18 0 0,18 10/22/2007 14:00 0 13,59 0,19 0 0,18 10/22/2007 15:00 0 15,01 0,19 0 0,17 10/22/2007 16:00 0 15,7 0,15 0 0,24 10/22/2007 17:00 0,09 16,07 0,16 0 0,2 10/22/2007 18:00 0,05 16,04 0,15 0 0,15 10/22/2007 19:00 0,03 15,82 0,11 0 0,54 10/22/2007 20:00 0,03 15,42 0,08 0 0,26 10/22/2007 21:00 0,02 14,45 0,05 0 0,25 10/22/2007 22:00 0,01 13,65 0,01 0 0,25 10/22/2007 23:00 0 12,99 0 0 0,34 10/22/2007 24:00 0,01 13,1 0 0 1,07

Page 199: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

200

Depasirile valorilor limita, pentru bioxidul de azot la ce 5 statii Data Ora Berceni C. Militar D.Taberei M. Bravu Titan 1/6/2007 15:00 36 208 75 208 102 1/6/2007 21:00 75 206 192 206 147 1/6/2007 22:00 80 233 238 233 167 1/6/2007 23:00 76 245 243 245 174 1/6/2007 24:00 62 220 142 220 167 1/8/2007 23:00 82 232 23 232 176 1/8/2007 24:00 83 312 23 312 174 1/9/2007 01:00 68 291 23 291 177 1/9/2007 02:00 54 238 23 238 151 1/9/2007 09:00 68 204 23 204 170 1/9/2007 10:00 86 212 23 212 222 1/9/2007 11:00 68 217 23 217 211 1/10/2007 10:00 46 212 23 212 150 1/10/2007 11:00 68 222 23 222 187 1/15/2007 08:00 74 113 253 113 124 1/15/2007 09:00 66 211 299 211 170 1/15/2007 10:00 90 316 266 316 230 1/15/2007 11:00 56 264 100 264 278 1/15/2007 12:00 54 252 84 252 176 1/17/2007 11:00 77 220 97 220 86 1/17/2007 12:00 61 237 74 237 86 1/17/2007 19:00 134 197 157 197 86 1/17/2007 20:00 137 302 251 302 86 1/17/2007 21:00 146 395 418 395 86 1/17/2007 22:00 137 354 345 354 86 1/17/2007 23:00 135 218 319 218 86 1/17/2007 24:00 122 165 207 165 86 1/18/2007 01:00 88 176 152 176 230 1/22/2007 08:00 62 156 251 156 102 1/22/2007 09:00 71 135 206 135 122 1/22/2007 11:00 69 215 72 215 137 1/22/2007 18:00 80 232 114 232 70 1/22/2007 19:00 93 258 163 258 85 1/22/2007 20:00 93 274 181 274 86 1/22/2007 21:00 76 249 148 249 97 1/22/2007 22:00 58 200 145 200 94 1/23/2007 08:00 97 191 283 191 91 1/23/2007 09:00 88 277 369 277 123 1/23/2007 10:00 82 194 266 194 183 1/23/2007 18:00 126 204 85 204 123 1/23/2007 19:00 126 205 288 205 154 1/23/2007 20:00 134 250 293 250 168

Page 200: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

201

Data Ora Berceni C. Militar D.Taberei M. Bravu Titan 1/23/2007 21:00 128 314 269 314 173 1/23/2007 22:00 111 260 183 260 155 1/23/2007 23:00 96 311 210 311 152 1/23/2007 24:00 96 319 238 319 174 1/24/2007 01:00 95 310 273 310 201 1/24/2007 02:00 87 251 196 251 192 1/24/2007 03:00 87 232 200 232 162 1/24/2007 04:00 88 178 200 178 137 1/24/2007 08:00 72 253 214 253 144 1/24/2007 09:00 86 305 175 305 193 1/24/2007 10:00 96 344 161 344 251 1/24/2007 11:00 67 234 114 234 237 1/31/2007 21:00 56 209 144 209 79 1/31/2007 22:00 56 203 152 203 79 2/2/2007 09:00 41 186 95 206 49 2/2/2007 10:00 19 161 99 235 39 2/7/2007 07:00 57 112 251 99 117 2/7/2007 08:00 93 184 362 167 131 2/7/2007 09:00 98 267 342 253 173 2/7/2007 10:00 84 245 222 231 161 2/7/2007 11:00 69 245 109 152 132 2/7/2007 12:00 41 245 61 84 90 2/7/2007 13:00 30 245 35 61 56 2/7/2007 19:00 78 149 213 136 113 2/7/2007 20:00 110 203 229 171 144 2/7/2007 21:00 110 306 264 151 157 2/7/2007 22:00 78 248 250 183 155 2/7/2007 23:00 60 181 221 125 127 2/8/2007 19:00 115 222 255 170 153 2/8/2007 20:00 116 252 383 235 185 2/8/2007 21:00 136 282 363 256 191 2/8/2007 22:00 116 332 280 278 158 2/8/2007 23:00 114 375 292 342 182 2/8/2007 24:00 119 466 201 402 194 2/9/2007 01:00 104 460 193 442 198 2/9/2007 02:00 85 241 146 190 125 2/9/2007 19:00 137 253 268 183 67 2/9/2007 20:00 171 333 453 341 67 2/9/2007 21:00 160 302 537 407 67 2/9/2007 22:00 147 261 399 267 67 2/9/2007 23:00 139 217 341 285 67 2/9/2007 24:00 116 195 222 143 67 2/10/2007 20:00 68 205 189 139 67 2/10/2007 21:00 55 219 152 108 67

Page 201: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

202

Data Ora Berceni C. Militar D.Taberei M. Bravu Titan 2/10/2007 22:00 44 207 134 98 67 2/11/2007 17:00 66 216 78 188 67 2/11/2007 19:00 135 244 175 143 67 2/11/2007 20:00 100 248 191 184 67 2/12/2007 21:00 92 169 246 168 119 2/13/2007 09:00 69 241 215 193 106 2/13/2007 10:00 68 244 169 201 98 2/13/2007 11:00 75 216 144 135 88 2/13/2007 17:00 52 200 108 177 69 2/14/2007 20:00 37 200 66 101 29 2/20/2007 21:00 120 266 258 219 183 2/20/2007 22:00 130 326 359 290 225 2/20/2007 23:00 121 422 333 323 236 2/20/2007 24:00 103 379 252 341 202 2/21/2007 01:00 95 271 189 286 190 2/21/2007 08:00 99 228 199 197 158 3/26/2007 15:00 19 201 33 88 18 3/26/2007 16:00 21 203 36 109 21 3/26/2007 17:00 27 206 41 71 23 3/26/2007 18:00 29 221 43 87 25

Page 202: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

203

Depasirile valorilor limita, pentru pulberile în suspensie la ce 5 statii Data Berceni C. Militar D. Taberei M. Bravu Titan

01.01.2007 62 55 57 63 63 02.01.2007 53 45 35 56 49 03.01.2007 53 11 10 56 49 05.01.2007 42 31 47 53 52 06.01.2007 58 66 57 101 72 07.01.2007 40 39 57 45 46 08.01.2007 45 56 42 81 64 09.01.2007 98 65 65 97 99 10.01.2007 75 76 79 99 105 11.01.2007 81 72 88 86 95 12.01.2007 38 50 51 51 11 13.01.2007 55 59 49 41 53 16.01.2007 30 46 41 53 54 17.01.2007 106 46 117 113 130 18.01.2007 71 67 74 82 86 22.01.2007 55 59 91 76 59 23.01.2007 106 86 153 136 114 24.01.2007 68 74 92 100 79 26.01.2007 35 39 55 52 33 27.01.2007 47 37 50 49 43 31.01.2007 30 18 31 57 31 02.02.2007 27 21 20 51 24 06.02.2007 44 31 40 52 51 07.02.2007 58 32 86 77 77 08.02.2007 69 29 89 88 98 09.02.2007 91 35 113 85 84 10.02.2007 70 35 74 96 78 11.02.2007 80 34 73 100 83 12.02.2007 80 27 78 100 83 13.02.2007 73 38 78 98 89 14.02.2007 60 38 43 50 38 15.02.2007 37 21 43 59 44 16.02.2007 67 28 52 64 44 19.02.2007 44 19 47 47 55 20.02.2007 59 34 96 110 102 21.02.2007 110 42 105 109 93 22.02.2007 70 23 67 80 67 23.02.2007 46 17 45 54 43 28.02.2007 43 15 58 54 60 01.03.2007 36 14 53 46 64 02.03.2007 46 17 52 59 67 06.03.2007 48 31 68 100 66 07.03.2007 40 13 51 62 46 08.03.2007 29 12 36 56 36

Page 203: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

204

Data Berceni C. Militar D. Taberei M. Bravu Titan 09.03.2007 46 13 51 67 56 10.03.2007 43 14 39 57 40 11.03.2007 40 14 41 53 46 12.03.2007 40 18 53 53 46 13.03.2007 29 12 53 51 33 14.03.2007 49 12 64 69 49 15.03.2007 78 20 86 106 86 16.03.2007 52 17 70 69 51 17.03.2007 62 20 69 69 73 18.03.2007 49 12 48 52 53 19.03.2007 77 19 88 95 80 20.03.2007 79 15 68 98 69 22.03.2007 32 12 46 54 36 25.03.2007 111 14 112 118 107 26.03.2007 111 17 51 118 107 27.03.2007 61 18 51 73 59 28.03.2007 64 18 52 80 48 01.04.2007 46 12 38 53 45 02.04.2007 74 22 64 83 82 03.04.2007 93 19 76 89 76 04.04.2007 101 23 71 108 82 05.04.2007 41 10 38 54 38 06.04.2007 46 8 42 46 56 07.04.2007 49 14 55 60 47 13.04.2007 26 11 37 53 33 14.04.2007 26 10 41 53 35 18.04.2007 26 7 54 52 34 19.04.2007 26 7 54 46 42 20.04.2007 26 7 54 38 29 21.04.2007 26 12 54 54 46 22.04.2007 26 7 54 35 32 23.04.2007 26 10 54 35 32 24.04.2007 62 22 54 63 55 25.04.2007 41 22 40 63 39 26.04.2007 40 22 55 58 41 27.04.2007 74 20 48 76 53 28.04.2007 59 19 44 63 44 01.05.2007 31 60 30 42 32 03.05.2007 83 29 55 64 54 04.05.2007 54 40 53 65 52 05.05.2007 55 39 50 63 49 08.05.2007 66 18 39 54 47 09.05.2007 43 18 40 56 41 11.05.2007 88 39 55 60 41 12.05.2007 61 34 52 50 45 14.05.2007 38 37 45 58 29

Page 204: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

205

Data Berceni C. Militar D. Taberei M. Bravu Titan 15.05.2007 30 36 44 53 34 16.05.2007 30 35 45 51 40 17.05.2007 49 46 49 56 34 18.05.2007 38 43 47 59 37 19.05.2007 32 37 42 58 31 20.05.2007 43 38 57 62 43 21.05.2007 43 49 62 62 43 22.05.2007 24 32 62 43 29 24.05.2007 45 32 52 59 46 25.05.2007 41 53 49 53 43 26.05.2007 52 40 53 56 52 27.05.2007 58 44 62 50 63 02.08.2007 42 42 16 48 43 03.08.2007 51 46 16 76 59 04.08.2007 48 38 16 70 52 05.08.2007 36 37 16 47 43 06.08.2007 50 50 16 80 58 09.08.2007 52 58 16 67 64

Page 205: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

206

Anexa 2 Rezultatele experimentale obtinute cu RNA cu vectori de întârziere În cadrul acestei anexe prezint simularile realizate cu retelele neuronale adaptive cu vectori de întârziere, astfel încât acestea din urma sa devina un predictor. Pentru fie-care retea descrisa mai jos am obtinut 21 de grafice aferente primei antrenari si celor L = 20 intervale de reantrenare succesiva. Pentru fiecare retea am selectat un numar minim de grafice, pentru a ocupa un spatiu cât mai mic. Pentru retelele neuronale prezentate în anexa, am folosit diferite combinatii ale vectorilor de întârziere. Marea provocare a reprezentat-o alegerea cât mai corecta a vecto-rilor de întârziere, deoarece ei contribuie la arhitectura retelei neuronale artificiale, arhi-tectura care va determina performanta.

Retelele neuronale folosite în predictia bioxidului de azot pentru un interval de timp între doua si sapte ore, folosind diferite combinatii ale vectorilor de întârziere sunt:

- RN1 [ ]13,12,11,0,1,9,8,7_ =DelIn si [ ]6_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de sapte ore;

- RN2: [ ]12,11,10,9,8,7,6_ =DelIn si [ ]5_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de sase ore;

- RN3: [ ]11,10,9,8,7,6,5_ =DelIn si [ ]4_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de cinci ore;

- RN3*: [ ]11,10,9,8,7,6,5_ =DelIn si [ ]4_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de patru ore;

- RN4: [ ]10,9,8,7,6,5,4_ =DelIn si [ ]3_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de patru ore;

- RN6: [ ]8,7,6,5,4,3,2_ =DelIn si [ ]1_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de doua ore;

- RN7: [ ]11,10,9,8,7,6_ =DelIn si [ ]7,5_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de sase ore;

- RN8: [ ]10,9,8,7,6,5_ =DelIn si [ ]6,4_ =DelOut , reteaua prezice bioxidul de azot dupa un interval de timp de cinci ore;

- RN9: [ ]9,8,7,6,5,4_ =DelIn si [ ]5,3_ =DelOut ,Reteaua prezice bioxidul de azot dupa un interval de timp de patru ore.

RN1-RN9 folosesc un numar de 21 de intrari, iar RN3* un numar de 11 intrari. Pentru cele noua retele neuronale în care am folosit numarul maxim de intrari avute la dispozitie (datele au fost preluate de la Agentia pentru Protectia Mediului Bucu-resti). Am constatat în medie, o descrestere a erorii o data cu realizarea reantrenarilor suc-cesive. Admit ca au fost intervale în care predictia nu a fost tocmai buna. Calitatea pre-dictiei depinde foarte mult de vectorii de întârziere alesi. Cele mai bune rezultate le-am obtinut cu RN5 descrisa pe larg în capitolul 6. Calitatea predictiei poate fi analizata si din punct de vedere grafic, prin introducerea zonei limita în jurul iesirilor reale (linia albas-tra). Modelul este foarte bun daca, valorile actuale ale iesirilor (linia albastra) au fost bine prezise de reteaua neuronala (linia rosie), care trebuie sa fie întotdeauna în interiorul tu-bului folosit pentru a evalua valorile prognozate. Pentru reteaua neuronala RN3*, folosind aceeasi combinatie a vectorilor de întâr-ziere ca la RN3, dar având doar 11 intrari, am constatat ca rezultatele nu sunt asa de bune ca la RN3. Ceea ce înseamna ca pentru a avea o predictie cât mai buna este necesar pe

Page 206: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

207

lânga o alegere corecta a vectorilor de întârziere si un numar cât mai mare de parametrii ce descriu fenomenul respectiv. Stabilirea numarului de neuroni pentru cele doua straturi ascunse.

Alegerea numarului adecvat de neuroni ascunsi pentru fiecare strat ascuns ( 1HN si 2HN ) s-a facut experimental prin încercari repetate. S-a ales cel mai bun model pe baza celei mai mici erori dintre iesirea simulata si iesirea dorita. Aceasta eroare a fost calculata pentru ndi _8808 − de date care contin atât seturile de date utilizate la antrenare cât si cele folosite pentru validare. Fiecare sesiune de antrenare începe cu initializarea ponderi-lor, pentru valori mici, uniform distribuite. Am testat câteva RNA piramidale cu 1HN si

2HN , valori luate în imediata vecinatate a mediei geometrice a straturilor vecine.

RN1 Au fost testate 15 retele neuronale NH1 NH2 ERR

8 2 1573,53046750816 … … …. 26 3 1020,03934591409 29 8 926,644891840653

RN2 Au fost testate 12 retele neuronale

NH1 NH2 ERR 8 2 1416,78861497089

….. ….. ….. 20 9 993,415632307574 29 2 988,099409000110

RN3 Au fost testate 13 retele neuronale

NH1 NH2 ERR 8 2 1379,44222310493 8 3 1264,54346207436

….. …… …… 26 10 947,780158542066 30 8 916,387413325346

RN3* Au fost testate 25 de retele neuronale

NH1 NH2 ERR 7 2 1447,9

….. …… …… 19 10 1005,2 20 13 998,17

Page 207: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

208

RN4 Au fost testate 17 retele neuronale NH1 NH2 ERR

8 2 1250,49005819435 …. ….. ….. 19 5 858,995147902874 20 9 793,385267508088

RN5 Au fost testate 17 retele neuronale

NH1 NH2 ERR 8 2 941,181501201238 8 5 902,117348542452

….. ….. ….. 25 8 681,371833281499 25 9 669,076944023223

RN5* Au fost testate 17 retele neuronale

NH1 NH2 ERR 7 2 1082,1

….. ….. ….. 17 3 764,48 19 3 761,08

RN6 Au fost testate 16 retele neuronale

NH1 NH2 ERR 8 2 799,653749022640

….. ….. ….. 23 4 552,524736311145 29 11 545,194925449247

RN7 Au fost testate 17 retele neuronale

NH1 NH2 ERR 8 2 1591,20846771457

….. …… …… 25 13 975,650876243877 27 11 897,210801279926

RN8 Au fost testate 16 retele neuronale

NH1 NH2 ERR 8 2 1239,14292708836 8 3 1232,34521387634

…. ….. ….. 20 10 919,033915864460 29 12 885,917698891299

Page 208: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

209

RN9 Au fost testate 16 retele neuronale NH1 NH2 ERR

8 2 1156,62488502243 8 5 1115,69850487768

…… ….. ….. 16 14 838,316352184285 29 2 777,901722308962

NH1- numarul de neuroni din primul strat ascuns; NH2- numarul de neuroni din al doilea strat ascuns; ERR- eroarea; RN3*, RN5* - retelele neuronale cu numarul redus de intrari (11). RN1 – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de sapte ore RN1 [ ]13,12,11,0,1,9,8,7_ =DelIn si [ ]6_ =DelOut ,

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 50,76 46,82 Reantrenarea 1 721-9520 9521-10240 24,44 24,07 Reantrenarea 2 1441-10240 10241-10960 31,91 32,06 Reantrenarea 3 2161-10960 10961-11680 40,87 51,52 Reantrenarea 4 2881-1168 11681-12400 35,70 35,40 Reantrenarea 5 3601-12400 12401-13120 72,35 35,71 Reantrenarea 6 4321-13120 13121-13840 421,37 782,79 Reantrenarea 7 5041-13840 13841-14560 32,12 33,38 Reantrenarea 8 5761-14560 14561-15280 20,84 20,98 Reantrenarea 9 6481-15260 15281-16000 25,82 25,28

Reantrenarea 10 7201-16000 16001-16720 23,39 20,84 Reantrenarea 11 7921-16720 16721-17440 40,08 43,81 Reantrenarea 12 8641-17440 17441-18160 29,58 29,89 Reantrenarea 13 9361-18160 18161-18880 24,83 24,63 Reantrenarea 14 10081-18880 18881-19600 30,66 31,74 Reantrenarea 15 10801-19600 19601-20320 27,58 28,52 Reantrenarea 16 11521-20320 20321-21040 30,65 27,89 Reantrenarea 17 12241-21040 21041-21760 39,17 37,27 Reantrenarea 18 12961-21760 21761-22480 31,21 31,44 Reantrenarea 19 13681-22480 22481-23200 32,05 27,13 Reantrenarea 20 14401-23200 23201-23920 33,41 26,35

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Page 209: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

210

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de rean-

trenare

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 13 (Prognoza NO2)

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

0

50

100

150Iterative simulations of output

Ore

NO

2 [ug/m

3]

2.03 2.04 2.05 2.06 2.07 2.08 2.09 2.1 2.11

x 104

0

50

100

150Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 16 (Prognoza NO2)

Page 210: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

211

RN2 – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de sase ore RN2: [ ]12,11,10,9,8,7,6_ =DelIn si [ ]5_ =DelOut

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 61,46 53,51 Reantrenarea 1 721-9520 9521-10240 33,85 30,42 Reantrenarea 2 1441-10240 10241-10960 22,59 20,96 Reantrenarea 3 2161-10960 10961-11680 24,48 23,14 Reantrenarea 4 2881-1168 11681-12400 20,90 19,16 Reantrenarea 5 3601-12400 12401-13120 31,18 31,00 Reantrenarea 6 4321-13120 13121-13840 23,46 22,64 Reantrenarea 7 5041-13840 13841-14560 26,36 25,98 Reantrenarea 8 5761-14560 14561-15280 24,64 24,59 Reantrenarea 9 6481-15260 15281-16000 22,60 20,53

Reantrenarea 10 7201-16000 16001-16720 32,73 33,16 Reantrenarea 11 7921-16720 16721-17440 42,55 40,55 Reantrenarea 12 8641-17440 17441-18160 23,03 22,16 Reantrenarea 13 9361-18160 18161-18880 46,30 48,33 Reantrenarea 14 10081-18880 18881-19600 24,78 226 Reantrenarea 15 10801-19600 19601-20320 24,00 22,13 Reantrenarea 16 11521-20320 20321-21040 29,03 28,72 Reantrenarea 17 12241-21040 21041-21760 27,45 27,06 Reantrenarea 18 12961-21760 21761-22480 30,52 26,09 Reantrenarea 19 13681-22480 22481-23200 26,05 23,82 Reantrenarea 20 14401-23200 23201-23920 30,56 26,20

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

reantrenare

Page 211: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

212

8800 8900 9000 9100 9200 9300 9400 9500 96000

200

400

600Iterative simulations of output

Ore

NO

2 [u

g/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 96000

100

200

300

400

500Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.1

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.02 1.03 1.04 1.05 1.06 1.07 1.08 1.09 1.1

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 2 (Prognoza NO2)

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-200

0

200

400Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

Page 212: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

213

RN3 – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de cinci ore RN3: [ ]11,10,9,8,7,6,5_ =DelIn si [ ]4_ =DelOut

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 772,67 222,22 Reantrenarea 1 721-9520 9521-10240 68,62 89,56 Reantrenarea 2 1441-10240 10241-10960 29,69 23,72 Reantrenarea 3 2161-10960 10961-11680 23,63 22,48 Reantrenarea 4 2881-1168 11681-12400 18,86 18,70 Reantrenarea 5 3601-12400 12401-13120 17,80 16,76 Reantrenarea 6 4321-13120 13121-13840 23,51 24,55 Reantrenarea 7 5041-13840 13841-14560 28,48 28,52 Reantrenarea 8 5761-14560 14561-15280 80,27 65,68 Reantrenarea 9 6481-15260 15281-16000 27,93 27,15

Reantrenarea 10 7201-16000 16001-16720 18,07 17,07 Reantrenarea 11 7921-16720 16721-17440 39,77 43,16 Reantrenarea 12 8641-17440 17441-18160 33,014 25,72 Reantrenarea 13 9361-18160 18161-18880 25,37 22,39 Reantrenarea 14 10081-18880 18881-19600 30,21 24,77 Reantrenarea 15 10801-19600 19601-20320 23,03 20,61 Reantrenarea 16 11521-20320 20321-21040 22,47 21,38 Reantrenarea 17 12241-21040 21041-21760 32,91 29,48 Reantrenarea 18 12961-21760 21761-22480 37,98 35,42 Reantrenarea 19 13681-22480 22481-23200 23,12 21,04 Reantrenarea 20 14401-23200 23201-23920 33,29 24,54

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

reantrenare

Page 213: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

214

8800 8900 9000 9100 9200 9300 9400 9500 9600-200

0

200

400

600Iterative simulations of output

Ore

NO

2 [u

g/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 9600-200

0

200

400

600Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

\

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 8 (Prognoza NO2)

Page 214: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

215

RN3* – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de patru ore RN3*: [ ]11,10,9,8,7,6,5_ =DelIn si [ ]4_ =DelOut

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 34,03 26,837 Reantrenarea 1 721-9520 9521-10240 27 23,731 Reantrenarea 2 1441-10240 10241-10960 21,464 19,825 Reantrenarea 3 2161-10960 10961-11680 21,761 21,213 Reantrenarea 4 2881-1168 11681-12400 23,203 20,276 Reantrenarea 5 3601-12400 12401-13120 58,065 43,853 Reantrenarea 6 4321-13120 13121-13840 24,431 20,657 Reantrenarea 7 5041-13840 13841-14560 25,275 24,782 Reantrenarea 8 5761-14560 14561-15280 27,857 28,322 Reantrenarea 9 6481-15260 15281-16000 20,783 19,828

Reantrenarea 10 7201-16000 16001-16720 19,311 18,706 Reantrenarea 11 7921-16720 16721-17440 19,303 18,809 Reantrenarea 12 8641-17440 17441-18160 1041,3 706,5 Reantrenarea 13 9361-18160 18161-18880 27,215 25,245 Reantrenarea 14 10081-18880 18881-19600 24,899 23,452 Reantrenarea 15 10801-19600 19601-20320 21,448 19,76 Reantrenarea 16 11521-20320 20321-21040 21,166 21,439 Reantrenarea 17 12241-21040 21041-21760 26,551 36,85 Reantrenarea 18 12961-21760 21761-22480 24,213 23,172 Reantrenarea 19 13681-22480 22481-23200 26,402 23,215 Reantrenarea 20 14401-23200 23201-23920 33,907 28,375

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

0 10 200

200

400

600

800

1000

1200

ER

R

Iterative Simulation

0 10 200

100

200

300

400

500

600

700

800

ER

R

Always real inputs

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

reantrenare

Page 215: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

216

8800 8900 9000 9100 9200 9300 9400 9500 96000

200

400

600Iterative simulations of output

Ore

NO

2 [ug/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 96000

100

200

300

400

500Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 8 (Prognoza NO2)

Page 216: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

217

RN4 – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de patru ore RN4: [ ]10,9,8,7,6,5,4_ =DelIn si [ ]3_ =DelOut ,

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 29,37 25,51 Reantrenarea 1 721-9520 9521-10240 22,85 20,20 Reantrenarea 2 1441-10240 10241-10960 24,36 21,20 Reantrenarea 3 2161-10960 10961-11680 20,75 20,14 Reantrenarea 4 2881-1168 11681-12400 19,30 17,92 Reantrenarea 5 3601-12400 12401-13120 493,12 227,62 Reantrenarea 6 4321-13120 13121-13840 20,68 19,85 Reantrenarea 7 5041-13840 13841-14560 25,83 24,09 Reantrenarea 8 5761-14560 14561-15280 118,83 146,71 Reantrenarea 9 6481-15260 15281-16000 25,40 25,09

Reantrenarea 10 7201-16000 16001-16720 52,31 37,34 Reantrenarea 11 7921-16720 16721-17440 21,76 20,12 Reantrenarea 12 8641-17440 17441-18160 28,37 28,89 Reantrenarea 13 9361-18160 18161-18880 26,70 22,89 Reantrenarea 14 10081-18880 18881-19600 27,59 22,89 Reantrenarea 15 10801-19600 19601-20320 22,27 19,89 Reantrenarea 16 11521-20320 20321-21040 22,74 21,77 Reantrenarea 17 12241-21040 21041-21760 27,22 24,40 Reantrenarea 18 12961-21760 21761-22480 27,03 22,61 Reantrenarea 19 13681-22480 22481-23200 23,88 21,12 Reantrenarea 20 14401-23200 23201-23920 34,24 22,34

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

reantrenare

Page 217: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

218

8800 8900 9000 9100 9200 9300 9400 9500 96000

100

200

300

400

500Iterative simulations of output

Ore

NO

2 [ug/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 96000

100

200

300

400

500Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 10 (Prognoza NO2)

Page 218: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

219

RN6 – Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de doua ore RN6: [ ]8,7,6,5,4,3,2_ =DelIn si [ ]1_ =DelOut

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 52,55 32,00 Reantrenarea 1 721-9520 9521-10240 21,92 13,69 Reantrenarea 2 1441-10240 10241-10960 23,66 18,38 Reantrenarea 3 2161-10960 10961-11680 21,09 16,50 Reantrenarea 4 2881-1168 11681-12400 15,41 12,50 Reantrenarea 5 3601-12400 12401-13120 25,42 14,25 Reantrenarea 6 4321-13120 13121-13840 16,74 13,10 Reantrenarea 7 5041-13840 13841-14560 23,93 20,31 Reantrenarea 8 5761-14560 14561-15280 33,85 18,18 Reantrenarea 9 6481-15260 15281-16000 95,39 62,05

Reantrenarea 10 7201-16000 16001-16720 22,06 14,59 Reantrenarea 11 7921-16720 16721-17440 16,90 13,10 Reantrenarea 12 8641-17440 17441-18160 35,95 25,82 Reantrenarea 13 9361-18160 18161-18880 20,42 15,97 Reantrenarea 14 10081-18880 18881-19600 22,42 15,94 Reantrenarea 15 10801-19600 19601-20320 22,23 15,92 Reantrenarea 16 11521-20320 20321-21040 19,72 16,41 Reantrenarea 17 12241-21040 21041-21760 22,58 19,11 Reantrenarea 18 12961-21760 21761-22480 23,30 17,92 Reantrenarea 19 13681-22480 22481-23200 23,82 17,47 Reantrenarea 20 14401-23200 23201-23920 24,06 15,88

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

reantrenare

Page 219: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

220

8800 8900 9000 9100 9200 9300 9400 9500 96000

200

400

600Iterative simulations of output

Ore

NO

2 [ug/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 96000

100

200

300

400

500Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 10 (Prognoza NO2)

Page 220: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

221

RN7– Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de sase ore RN7: [ ]11,10,9,8,7,6_ =DelIn si [ ]7,5_ =DelOut

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 55,48 67,42 Reantrenarea 1 721-9520 9521-10240 28,84 22,42 Reantrenarea 2 1441-10240 10241-10960 27,97 23,37 Reantrenarea 3 2161-10960 10961-11680 24,98 23,88 Reantrenarea 4 2881-1168 11681-12400 30,80 30,16 Reantrenarea 5 3601-12400 12401-13120 43,18 38,86 Reantrenarea 6 4321-13120 13121-13840 25,74 23,65 Reantrenarea 7 5041-13840 13841-14560 29,01 28,09 Reantrenarea 8 5761-14560 14561-15280 20,79 20,79 Reantrenarea 9 6481-15260 15281-16000 24,93 21,14

Reantrenarea 10 7201-16000 16001-16720 33,79 35,03 Reantrenarea 11 7921-16720 16721-17440 34,81 32,38 Reantrenarea 12 8641-17440 17441-18160 44,50 39,23 Reantrenarea 13 9361-18160 18161-18880 22,60 21,49 Reantrenarea 14 10081-18880 18881-19600 28,94 23,54 Reantrenarea 15 10801-19600 19601-20320 24,17 21,86 Reantrenarea 16 11521-20320 20321-21040 24,09 22,65 Reantrenarea 17 12241-21040 21041-21760 26,28 25,57 Reantrenarea 18 12961-21760 21761-22480 33,059 30,54 Reantrenarea 19 13681-22480 22481-23200 28,07 26,61 Reantrenarea 20 14401-23200 23201-23920 33,56 24,29

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

Reantrenare

Page 221: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

222

8800 8900 9000 9100 9200 9300 9400 9500 96000

200

400

600Iterative simulations of output

Ore

NO

2 [ug/m

3]

8800 8900 9000 9100 9200 9300 9400 9500 9600-200

0

200

400

600Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de antrenare (Prognoza NO 2)

1.38 1.39 1.4 1.41 1.42 1.43 1.44 1.45 1.46

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.38 1.39 1.4 1.41 1.42 1.43 1.44 1.45 1.46

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 7 (Prognoza NO2)

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.45 1.46 1.47 1.48 1.49 1.5 1.51 1.52 1.53

x 104

0

50

100

150

200Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 8 (Prognoza NO2)

Page 222: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

223

RN8– Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de cinci ore RN8: [ ]10,9,8,7,6,5_ =DelIn si [ ]6,4_ =DelOut ,

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 56,63 48,68 Reantrenarea 1 721-9520 9521-10240 28,40 23,06 Reantrenarea 2 1441-10240 10241-10960 37,53 53,09 Reantrenarea 3 2161-10960 10961-11680 26,38 23,89 Reantrenarea 4 2881-1168 11681-12400 28,27 29,72 Reantrenarea 5 3601-12400 12401-13120 5341,03 299,49 Reantrenarea 6 4321-13120 13121-13840 36,25 33,66 Reantrenarea 7 5041-13840 13841-14560 27,00 26,19 Reantrenarea 8 5761-14560 14561-15280 19,94 19,20 Reantrenarea 9 6481-15260 15281-16000 25,20 21,05

Reantrenarea 10 7201-16000 16001-16720 38,47 39,80 Reantrenarea 11 7921-16720 16721-17440 36,76 34,41 Reantrenarea 12 8641-17440 17441-18160 122,57 174,37 Reantrenarea 13 9361-18160 18161-18880 29,99 25,83 Reantrenarea 14 10081-18880 18881-19600 24,70 24,98 Reantrenarea 15 10801-19600 19601-20320 29,67 24,97 Reantrenarea 16 11521-20320 20321-21040 21,09 20,19 Reantrenarea 17 12241-21040 21041-21760 31,47 29,41 Reantrenarea 18 12961-21760 21761-22480 31,00 27,71 Reantrenarea 19 13681-22480 22481-23200 25,33 22,83 Reantrenarea 20 14401-23200 23201-23920 37,09 24,50

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

Reantrenare

Page 223: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

224

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.81 1.82 1.83 1.84 1.85 1.86 1.87 1.88 1.89

x 104

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 13 (Prognoza NO2)

1.88 1.89 1.9 1.91 1.92 1.93 1.94 1.95 1.96 1.97

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.88 1.89 1.9 1.91 1.92 1.93 1.94 1.95 1.96 1.97

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 14 (Prognoza NO2)

Datele prognozate pentru intervalul de testare de reantrenare 16 (Prognoza NO2)

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-100

0

100

200Iterative simulations of output

Ore

NO

2 [u

g/m

3]

2.1 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18

x 104

-100

0

100

200Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 17 (Prognoza NO2)

Page 224: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

225

RN9– Reteaua neuronala adaptiva cu vectori de întârziere folosita în predictia bi-oxidului de azot. Reteaua prezice bioxidul de azot dupa un interval de timp de patru ore RN9: [ ]9,8,7,6,5,4_ =DelIn si [ ]5,3_ =DelOut .

Evolutia erorii pentru fazele de antrenare si reantrenare Eroarea Interval antre-

nare (reantre-nare)

Interval test

IS ARI Prima antrenare 1-8800 8801-9520 44,41 31,56 Reantrenarea 1 721-9520 9521-10240 29,53 21,00 Reantrenarea 2 1441-10240 10241-10960 23,88 22,64 Reantrenarea 3 2161-10960 10961-11680 26,38 22,86 Reantrenarea 4 2881-1168 11681-12400 18,31 17,38 Reantrenarea 5 3601-12400 12401-13120 14,31 13,34 Reantrenarea 6 4321-13120 13121-13840 31,46 33,69 Reantrenarea 7 5041-13840 13841-14560 31,22 30,37 Reantrenarea 8 5761-14560 14561-15280 18,99 17,05 Reantrenarea 9 6481-15260 15281-16000 19,58 15,85

Reantrenarea 10 7201-16000 16001-16720 17,54 16,82 Reantrenarea 11 7921-16720 16721-17440 25,32 21,64 Reantrenarea 12 8641-17440 17441-18160 33,64 26,70 Reantrenarea 13 9361-18160 18161-18880 21,02 18,95 Reantrenarea 14 10081-18880 18881-19600 33,17 24,12 Reantrenarea 15 10801-19600 19601-20320 25,28 19,89 Reantrenarea 16 11521-20320 20321-21040 20,88 21,05 Reantrenarea 17 12241-21040 21041-21760 27,94 24,84 Reantrenarea 18 12961-21760 21761-22480 25,57 22,64 Reantrenarea 19 13681-22480 22481-23200 20,70 19,67 Reantrenarea 20 14401-23200 23201-23920 26,39 20,71

IS- Interative Simulations – Simulari Iterative; ASI – Always real inputs – Intrarile reale

Tendinta erorii seturilor de testare pentru prima antrenare si L=20 faze succesive de

Reantrenare

Page 225: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

226

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [u

g/m

3]

1.09 1.1 1.11 1.12 1.13 1.14 1.15 1.16 1.17

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [u

g/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 3 (Prognoza NO2)

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-100

0

100

200

300

400Iterative simulations of output

Ore

NO2 [ug/m

3]

1.52 1.53 1.54 1.55 1.56 1.57 1.58 1.59 1.6 1.61

x 104

-100

0

100

200

300Always real inputs

Ore

NO2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 9 (Prognoza NO2)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Iterative simulations of output

Ore

NO

2 [ug/m

3]

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68

x 104

-100

0

100

200

300Always real inputs

Ore

NO

2 [ug/m

3]

Datele prognozate pentru intervalul de testare de reantrenare 10 (Prognoza NO2)

Page 226: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

227

Anexa 3 Rezultatele obtinute cu ajutorul modelului ARMA

Cu ajutorul modelului ARMA am prezis valoarea bioxidului de azot de la statia de trafic Cercul Militar. Simularile au fost realizate cu ITSM 2000. Se observa ca diferen-ta dintre valorile masurate si cele prezise este foarte mare. În analiza seriilor de timp, modelele statistice de previziune a unei variabile nu dau rezultatele scontate. ITSM:(ARMA Forecast) ==================== Step Prediction sqrt(MSE) Lower Upper Real Value 1 84.76206 58.43347 -29.76543 .19929E+03 118 2 63.68983 58.43358 -50.83789 .17822E+03 138 3 53.62545 58.43370 -60.90250 .16815E+03 125 4 42.57494 58.43382 -71.95324 .15710E+03 103 5 39.52832 58.43394 -75.00009 .15406E+03 79 6 41.52809 58.43394 -73.00032 .15606E+03 78 7 48.52792 58.43394 -66.00049 .16306E+03 81 8 49.52783 58.43394 -65.00058 .16406E+03 113 9 46.52778 58.43394 -68.00063 .16106E+03 211 10 45.52778 58.43394 -69.00063 .16006E+03 316 11 54.52778 58.43394 -60.00063 .16906E+03 264 12 66.52778 58.43394 -48.00063 .18106E+03 252 13 60.52778 58.43394 -54.00063 .17506E+03 178 14 56.52778 58.43394 -58.00063 .17106E+03 109 15 46.52778 58.43394 -68.00063 .16106E+03 98 16 59.52778 58.43394 -55.00063 .17406E+03 111 17 70.52778 58.43394 -44.00063 .18506E+03 116 18 91.52778 58.43394 -23.00063 .20606E+03 121 19 86.52778 58.43394 -28.00063 .20106E+03 117 20 78.52778 58.43394 -36.00063 .19306E+03 104 21 71.52778 58.43394 -43.00063 .18606E+03 100 22 65.52778 58.43394 -49.00063 .18006E+03 100 23 80.52778 58.43394 -34.00063 .19506E+03 92 24 90.52778 58.43394 -24.00063 .20506E+03 93 25 .10753E+03 58.43394 -7.00063 .22206E+03 101 26 .12753E+03 58.43394 12.99937 .24206E+03 106 27 .11453E+03 58.43394 -.00063 .22906E+03 84 28 91.52778 58.43394 -23.00063 .20606E+03 55 29 68.52778 58.43394 -46.00063 .18306E+03 48 30 67.52778 58.43394 -47.00063 .18206E+03 59 31 70.52778 58.43394 -44.00063 .18506E+03 101 32 .10253E+03 58.43394 -12.00063 .21706E+03 98 33 .20053E+03 58.43394 85.99937 .31506E+03 98 34 .30553E+03 58.43394 .19100E+03 .42006E+03 116 35 .25353E+03 58.43394 .13900E+03 .36806E+03 104 36 .24153E+03 58.43394 .12700E+03 .35606E+03 107

Page 227: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

228

Step Prediction sqrt(MSE) Lower Upper Real Value 37 .16753E+03 58.43394 52.99937 .28206E+03 116 38 98.52778 58.43394 -16.00063 .21306E+03 95 39 87.52778 58.43394 -27.00063 .20206E+03 92 40 .10053E+03 58.43394 -14.00063 .21506E+03 96 41 .10553E+03 58.43394 -9.00063 .22006E+03 104 42 .11053E+03 58.43394 -4.00063 .22506E+03 106 43 .10653E+03 58.43394 -8.00063 .22106E+03 116 44 93.52778 58.43394 -21.00063 .20806E+03 116 45 89.52778 58.43394 -25.00063 .20406E+03 113 46 89.52778 58.43394 -25.00063 .20406E+03 108 47 81.52778 58.43394 -33.00063 .19606E+03 102 48 82.52778 58.43394 -32.00063 .19706E+03 102 49 74.28984 82.63773 -87.67714 .23626E+03 74 50 53.21761 82.63781 -.10875E+03 .21518E+03 65 51 43.15323 82.63790 -.11881E+03 .20512E+03 52 52 32.10272 82.63798 -.12986E+03 .19407E+03 35 53 29.05610 82.63806 -.13291E+03 .19102E+03 33 54 31.05586 82.63806 -.13091E+03 .19302E+03 47 55 38.05570 82.63806 -.12391E+03 .20002E+03 69 56 39.05560 82.63806 -.12291E+03 .20102E+03 108 57 36.05556 82.63806 -.12591E+03 .19802E+03 180 58 35.05556 82.63806 -.12691E+03 .19702E+03 194 59 44.05556 82.63806 -.11791E+03 .20602E+03 220 60 56.05556 82.63806 -.10591E+03 .21802E+03 237 61 50.05556 82.63806 -.11191E+03 .21202E+03 188 62 46.05556 82.63806 -.11591E+03 .20802E+03 188 63 36.05556 82.63806 -.12591E+03 .19802E+03 141 64 49.05556 82.63806 -.11291E+03 .21102E+03 145 65 60.05556 82.63806 -.10191E+03 .22202E+03 139 66 81.05556 82.63806 -80.91207 .24302E+03 157 67 76.05556 82.63806 -85.91207 .23802E+03 197 68 68.05556 82.63806 -93.91207 .23002E+03 302 69 61.05556 82.63806 -.10091E+03 .22302E+03 395 70 55.05556 82.63806 -.10691E+03 .21702E+03 354 71 70.05556 82.63806 -91.91207 .23202E+03 218 72 80.05556 82.63806 -81.91207 .24202E+03 165 73 97.05556 82.63806 -64.91207 .25902E+03 176 74 .11706E+03 82.63806 -44.91207 .27902E+03 138 75 .10406E+03 82.63806 -57.91207 .26602E+03 108 76 81.05556 82.63806 -80.91207 .24302E+03 73 77 58.05556 82.63806 -.10391E+03 .22002E+03 66 78 57.05556 82.63806 -.10491E+03 .21902E+03 74 79 60.05556 82.63806 -.10191E+03 .22202E+03 91 80 92.05556 82.63806 -69.91207 .25402E+03 125 81 .19006E+03 82.63806 28.08793 .35202E+03 175

Page 228: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

229

Step Prediction sqrt(MSE) Lower Upper Real Value 82 .29506E+03 82.63806 .13309E+03 .45702E+03 188 83 .24306E+03 82.63806 81.08793 .40502E+03 172 84 .23106E+03 82.63806 69.08793 .39302E+0 175 85 .15706E+03 82.63806 -4.91207 .31902E+03 138 86 88.05556 82.63806 -73.91207 .25002E+03 114 87 77.05556 82.63806 -84.91207 .23902E+03 104 88 90.05556 82.63806 -71.91207 .25202E+03 93 89 95.05556 82.63806 -66.91207 .25702E+03 117 90 .10006E+03 82.63806 -61.91207 .26202E+03 123 91 96.05556 82.63806 -65.91207 .25802E+03 121 92 83.05556 82.63806 -78.91207 .24502E+03 112 93 79.05556 82.63806 -82.91207 .24102E+03 89 94 79.05556 82.63806 -82.91207 .24102E+03 73 95 71.05556 82.63806 -90.91207 .23302E+03 66 96 72.05556 82.63806 -89.91207 .23402E+03 47 97 63.81762 .10121E+03 -.13455E+03 .26219E+03 33 98 42.74538 .10121E+03 -.15562E+03 .24111E+03 32 99 32.68100 .10121E+03 -.16569E+03 .23105E+03 28 100 21.63050 .10121E+03 -.17674E+03 .22000E+03 28 101 18.58387 .10121E+03 -.17979E+03 .21695E+03 25 102 20.58364 .10121E+03 -.17779E+03 .21895E+03 31 103 27.58348 .10121E+03 -.17079E+03 .22595E+03 40 104 28.58338 .10121E+03 -.16979E+03 .22695E+03 65 105 25.58333 .10121E+03 -.17279E+03 .22395E+03 78 106 24.58333 .10121E+03 -.17379E+03 .22295E+03 72 107 33.58333 .10121E+03 -.16479E+03 .23195E+03 66 108 45.58333 .10121E+03 -.15279E+03 .24395E+03 55 109 39.58333 .10121E+03 -.15879E+03 .23795E+03 55 110 35.58333 .10121E+03 -.16279E+03 .23395E+03 36 111 25.58333 .10121E+03 -.17279E+03 .22395E+03 44 112 38.58333 .10121E+03 -.15979E+03 .23695E+03 48 113 49.58333 .10121E+03 -.14879E+03 .24795E+03 50 114 70.58333 .10121E+03 -.12779E+03 .26895E+03 55 115 65.58333 .10121E+03 -.13279E+03 .26395E+03 62 116 57.58333 .10121E+03 -.14079E+03 .25595E+03 69 117 50.58333 .10121E+03 -.14779E+03 .24895E+03 92 118 44.58333 .10121E+03 -.15379E+03 .24295E+03 72 119 59.58333 .10121E+03 -.13879E+03 .25795E+03 71 120 69.58333 .10121E+03 -.12879E+03 .26795E+03 75 121 86.58333 .10121E+03 -.11179E+03 .28495E+03 73 122 .10658E+03 .10121E+03 -91.78569 .30495E+03 70 123 93.58333 .10121E+03 -.10479E+03 .29195E+03 63 124 70.58333 .10121E+03 -.12779E+03 .26895E+03 46 125 47.58333 .10121E+03 -.15079E+03 .24595E+03 34 126 46.58333 .10121E+03 -.15179E+03 .24495E+03 51

Page 229: MONITORIZAREA POLUARII ATMOSFEREI. CONTRIBUTII ...digilib.utcb.ro/repository/ccn/pdf/popovicinicoleta.pdfAlgoritmul de antrenament 141 6.1.3.2. Algoritmi rapizi de antrenament pentru

230

Step Prediction sqrt(MSE) Lower Upper Real Value 127 49.58333 .10121E+03 -.14879E+03 .24795E+03 46 128 81.58333 .10121E+03 -.11679E+03 .27995E+03 59 129 .17958E+03 .10121E+03 -18.78569 .37795E+03 63 130 .28458E+03 .10121E+03 86.21431 .48295E+03 69 131 .23258E+03 .10121E+03 34.21431 .43095E+03 64 132 .22058E+03 .10121E+03 22.21431 .41895E+03 57 133 .14658E+03 .10121E+03 -51.78569 .34495E+03 59 134 77.58333 .10121E+03 -.12079E+03 .27595E+03 47 135 66.58333 .10121E+03 -.13179E+03 .26495E+03 57 136 79.58333 .10121E+03 -.11879E+03 .27795E+03 49 137 84.58333 .10121E+03 -.11379E+03 .28295E+03 56 138 89.58333 .10121E+03 -.10879E+03 .28795E+03 87 139 85.58333 .10121E+03 -.11279E+03 .28395E+03 108 140 72.58333 .10121E+03 -.12579E+03 .27095E+03 107 141 68.58333 .10121E+03 -.12979E+03 .26695E+03 116 142 68.58333 .10121E+03 -.12979E+03 .26695E+03 131 143 60.58333 .10121E+03 -.13779E+03 .25895E+03 163 144 61.58333 .10121E+03 -.13679E+03 .25995E+03 111 145 53.34540 .11687E+03 -.17571E+03 .28240E+03 95 146 32.27316 .11687E+03 -.19678E+03 .26133E+03 79 147 22.20878 .11687E+03 -.20685E+03 .25127E+03 47 148 11.15828 .11687E+03 -.21790E+03 .24021E+03 39 149 8.11165 .11687E+03 -.22095E+03 .23717E+03 33 150 10.11142 .11687E+03 -.21895E+03 .23917E+03 37 151 17.11126 .11687E+03 -.21195E+03 .24617E+03 50 152 18.11116 .11687E+03 -.21095E+03 .24717E+03 65 153 15.11111 .11687E+03 -.21395E+03 .24417E+03 58 154 14.11111 .11687E+03 -.21495E+03 .24317E+03 74 155 23.11111 .11687E+03 -.20595E+03 .25217E+03 78 156 35.11111 .11687E+03 -.19395E+03 .26417E+03 72 157 29.11111 .11687E+03 -.19995E+03 .25817E+03 68 158 25.11111 .11687E+03 -.20395E+03 .25417E+03 76 159 15.11111 .11687E+03 -.21395E+03 .24417E+03 69 160 28.11111 .11687E+03 -.20095E+03 .25717E+03 62 161 39.11111 .11687E+03 -.18995E+03 .26817E+03 107 162 60.11111 .11687E+03 -.16895E+03 .28917E+03 122 163 55.11111 .11687E+03 -.17395E+03 .28417E+03 105 164 47.11111 .11687E+03 -.18195E+03 .27617E+03 103 165 40.11111 .11687E+03 -.18895E+03 .26917E+03 101 166 34.11111 .11687E+03 -.19495E+03 .26317E+03 133 167 49.11111 .11687E+03 -.17995E+03 .27817E+03 145 168 59.11111 .11687E+03 -.16995E+03 .28817E+03 129