Гальваномагнитные явления

 

Донецький інститут залізничного транспортові

Української державної академії залізничного транспортові

Кафедра БЕКС

Контрольна робота №1

з дисципліни БЖД

тема

Методи оцінки небезпечної ситуації

Виконав студент 2007-МО-536

Васильєва Т.В.

ЗМІСТ

Вступ

.Аналіз стану питання

.1Інформація про небезпечні ситуації у Донецкій області

.2Нормативно-методичні підходи за класифікацією надзвичайних ситуацій

.3Аналіз існуючих методів прогноза

.Побудова моделі тимчасових рядів методом АРПСС

Висновок

ВСТУП

Розвиток нових технологій, збільшення обсягів промислового і сільськогосподарського виробництва, розширення мережі транспортних систем і систем передачі енергії й енергоносіїв супроводжуються ростом техногенного навантаження на біосферу. Наслідком цього є всі частіше виникаючі надзвичайні ситуації, аварії і катастрофи, що характеризуються значними матеріальними, соціальними й екологічними наслідками. В даний час число техногенних аварій і катастроф у світі неухильно росте, причому більш 80%, що відбулися надзвичайних ситуацій, зв'язані з діяльністю людини.

Протягом 2004 року в Україні виникло 286 надзвичайних ситуацій, що відповідно Державному класифікаторові надзвичайних ситуацій розподілилися на:

техногенного характеру 156;

природного характеру 100;

соціально-політичного характеру 30.

Унаслідок цих надзвичайних ситуацій загинуло 412 осіб (з них 50 дітей) і 2330 - постраждало (з них 1508 дітей). Найбільша кількість загиблих (87 осіб) зареєстровано в Донецькій області, переважна більшість з яких (73) загинуло внаслідок 17 надзвичайних ситуацій, зв'язаних з пожежами і вибухами (42 особи загинуло внаслідок ЧС на вугільних шахтах, 31 - у житлових будинках). Розподіл надзвичайних ситуацій за класами і масштабами за 2004 рік у порівнянні з 2003 роком приведено в таблиці 1.

Порівняно з 2003 роком загальна кількість надзвичайних ситуацій у 2004 році зменшилася майже на 9%, при цьому кількість надзвичайних ситуацій техногенного характеру зменшилося на 20%, а кількість надзвичайних ситуацій природного характеру - майже на 10%. Проте, кількість загиблих збільшилося на 6%, а кількість потерпілих - майже на 13%.

Динаміка виникнення небезпечних ситуацій на території Донецької області свідчить про відсутність ефективних моделей прогнозування і методів запобігання і мінімізації збитку небезпечних ситуацій. Дослідницькі роботи, зв'язані з прогнозуванням і оцінкою виникнення небезпечних ситуацій на основі побудови комп'ютерних моделей, практично не ведуться. За період з 2000 по 2003 роки в Донецькій області в надзвичайних ситуаціях загинуло близько 4 тисяч чоловік. Виходячи зі статистичних даних, тема роботи спрямована на «аналіз моделей прогнозування для системи моніторингу небезпечних ситуацій на території Донецької області» є актуальною.

1.АНАЛІЗ СТАНУ ПИТАННЯ

.1 ІНФОРМАЦІЯ ПРО НЕБЕЗПЕЧНІ СИТУАЦІЇ В ДОНЕЦЬКІЙ ОБЛАСТІ

Донбас основний індустріальний район України, де знаходяться більш 15.000 великих компаній, включаючи 50 металургійних заводів і підприємств металургійного комплексу, 200 вугільних шахт, 12 електростанцій і більш 300 хімічних і машинобудівних підприємств і проживає близько 5 мільйонів чоловік. Висока щільність населення й індустрії є причиною критичної екологічної ситуації і високого техногенного навантаження.

За технічними і технологічними особливостями в області можна виділити комплекс потенційно небезпечних виробництв, що є потенційними джерелами надзвичайних ситуацій техногенного характеру:

підприємства вугільної і хімічної промисловості, чорної і кольорової металургії, машинобудування;

системи життєзабезпечення населення і забезпечення функціонування господарського комплексу - енергетики, водопостачання, газопостачання, теплопостачання, транспорту (автомобільного, залізничного, повітряного, морського, трубопровідного).

Виникнення на цих структурних підрозділах економіки надзвичайних ситуацій, може привести до виникнення небезпеки для життєдіяльності населення.

Такими видами небезпеки є:

хімічна небезпека;

радіаційна небезпека;

пожежна вибухонебеспечна;

гідродинамічна небезпека;

екологічна небезпека.

Хімічна небезпека обумовлена наявністю в області 162 хімічно небезпечних об'єктів, у тому числі 15 - першого ступеня, 47 - другого ступеня, 42 - третього ступеня, 58 - четвертого ступеня хімічної небезпеки. В області зосереджена велика кількість отруйних сильнодіючих речовин (таких як аміак, хлор) на підприємствах металургійного комплексу, хімічного комплексу і мясо-молочної промисловості. Оцінка ступеня хімічної небезпеки показала, що 27 адміністративно-територіальних одиниць області є хімічно небезпечними.

Пожежо-вибухонебезпечність визначається наявністю:

54 промислових підприємств із пожежними вибухонебезпечними технологіями. В основному це підприємства металургійних, паливного, енергетичного комплексів області;

62 вугільних шахт із підвищеної пожежною вибухонебезпечністю гірських вироблень;

проходження по території області продуктопроводів для транспортування нафтопродуктів, 12 магістральних газопроводів з 73 відводами до міст, населеним пунктам і промисловим об'єктам;

13765 житлових багатоповерхових будинків, у тому числі 2449 підвищеної поверховості.

Оцінка максимальної можливої зони поразки при виникненні надзвичайних ситуацій на пожежах вибуховонебезпечних об'єктах показує, що вона може досягати 60 км2.

Гідродинамічна небезпека обумовлена наявністю 2103 гідротехнічних споруджень. У тому числі:

154 водоймища обсягом близько 900 млн. м3;

1650 ставків обсягом більше 200 млн. м3;

136 ставків шахтних вод обсягом 32,1 млн. м3.

Оцінка можливих сумарних зон підтоплення характеризується площею 400,4 км2, кількість населених пунктів, що підтоплюються, - 115 з населенням 181,4 тис. чоловік.

Екологічна небезпека обумовлена:

наявністю на території області 359 складів, на яких понад 863 т забороненого і непридатних для використання за фізико-хімічними властивостями пестицидів, а також препарати, що не пройшли перереєстрацію і препарати, термін збереження яких вичерпано;

наявністю 1,7 млн. т. токсичних промислових відходів I-III класу небезпеки.

Географічна і кліматична умови області обумовлюють можливість виникнення на її території надзвичайних ситуацій природного характеру. У межах області зареєстровано 6 ділянок другої категорії (інтенсивного розвитку зрушень) і 12 ділянок третьої категорії (стаціонарні зрушення). З 151 км прибережної зони 103 км знаходяться в геологічно нестабільному стані.

.2 НОРМАТИВНО-МЕТОДИЧНІ ПОДХОДІ ПО КЛАСИФІКАЦІЇ ЧРЕЗВІЧАЙНІХ СИТУАЦІЙ

Стан в області безпеки промислових підприємств, а також безпеки життєдіяльності населення в даний час характеризуються наступними поняттями.

Аварія - небезпечна подія техногенного характеру, що створює на об'єкті, території або в акваторії погрозу для життя і здоров'я людей і приводить до руйнування будинків, споруджень, оснащення і транспортних засобів, порушенню виробничого або транспортного процесу, або завдає шкоди навколишньому середовищу.

Безпека - відсутність неприпустимого ризику, зв'язаного з можливістю нанесення збитку населенню, матеріальним об'єктам або навколишньому середовищу.

Катастрофа - великомасштабна аварія або інша подія, що приводить до важких, трагічних наслідків.

Класифікаційна ознака ЧС - технічна або інша характеристика аварійної ситуації, що дає можливість віднести неї до надзвичайного.

Класифікація ЧС - система, відповідно до якої ЧС розділяють на класи і підкласи в залежності від їхнього характеру і ваги.

Нещасний випадок - являє собою нанесення тілесного ушкодження людині з утратою його працездатності на один і більш днів.

Небезпечна ситуація - подія природного походження або результат діяльності природних процесів, що по своїй інтенсивності, масштабом поширення і тривалості можуть уражати людей, об'єкти економіки і навколишнє середовище.

Небезпека - сполучена з природними явищами, життєдіяльністю населення або експлуатацією промислового підприємства постійно діюча або випадково виникаюча в результаті деякого ініціюючої події або при деякому збігу обставин, сукупність факторів, що робить негативний вплив на реципієнтів.

Граничне значення класифікаційної ознаки ЧС - видатне у встановленому порядку значення технічної або іншої характеристики конкретної аварійної ситуації, перевищення якого відносить ситуацію до рангу надзвичайної і вимагає відповідного рівня реагування.

Потенційно небезпечний об'єкт - об'єкт, на якому використовуються, виготовляються, переробляються, зберігаються або транспортуються небезпечні радіоактивні, вогненебезпечні, хімічні речовини і біологічні препарати, гідротехнічні і транспортні спорудження, транспортні засоби, а також інші об'єкти, що створюють реальну погрозу виникнення ЧС.

Ризик - імовірність реалізації потенційної небезпеки, що ініціюється природним явищем, небезпечним об'єктом або промисловим підприємством.

Надзвичайна ситуація (ЧС) - порушення нормальних умов життя і діяльності людей на об'єкті або території, викликане аварією, катастрофою, стихійним лихом або іншою небезпечною подією, що привело (може привести) до загибелі людей і/або до значних матеріальних утрат.

Економічні збитки від ЧС - оцінені відповідним чином утрати, викликані цією ситуацією.

Класифікація надзвичайних ситуацій:

ЧС техногенного характеру - транспортні аварії (катастрофічні пожежі, неспровоковані вибухи, аварії з викидом (погрозою викиду) небезпечних хімічних, радіоактивних, біологічних речовин, раптове руйнування споруджень і будинків, аварії на інженерних мережах і спорудженнях життєзабезпечення, гідродинамічні аварії на греблях, дамбах і т.д.).

ЧС природного характеру - небезпечні геологічні метеорологічні, гідрологічні, морські і прісноводні явища, деградація ґрунту або надр, природні пожежі, зміна повітряного басейну, інфекційна захворюваність людей і сільськогосподарських тварин, масова поразка сільськогосподарських рослин хворобами або шкідниками, зміна стану водних ресурсів і біосфери і т.д.

ЧС соціально-політичного характеру, зв'язані з протиправними діями терористичного й антиконституційного напрямку: реальна погроза терористичного акта (збройний напад, затримка важливих об'єктів, ядерних установок і матеріалів, систем зв'язку і морського судноплавства), викрадення або знищення судів, установлення вибухових пристроїв у громадських місцях, розкрадання зброї і т.д.

ЧС військового характеру, зв'язані з наслідками застосування зброї масової поразки або звичайних засобів поразки, під час яких виникають вторинні фактори поразки населення внаслідок руйнування атомних і гідроелектричних станцій, складів і сховищ радіоактивних і токсичних речовин і відходів, нафтопродуктів, вибухівки, транспортних і інженерних комунікацій і т.д.

1.3 АНАЛІЗ ІСНУЮЧИХ МЕТОДІВ ПРОГНОЗУ

В даний час існує досить багато методів і способів прогнозування ризику. Усі методи прогнозування можна розділити на два основних класи: евристичний і математичний.

Евристичні методи засновані на використанні думки фахівців у даній області знань і, як правило, застосовуються для прогнозування процесів, скрутних для математичного опису. Щоб одержати досить гарні для застосування на практиці результати прогнозування на основі використання думки експертів, необхідно вирішити ряд проблем, зв'язаних з організацією опитувань, підбором експертів і обробкою отриманих результатів. Цей метод рекомендується застосовувати, якщо відсутні чисельні показники прогнозованого параметра за розглянутий період. Одним з найвідоміших методів експертних оцінок є метод Дельфи, що ґрунтується на наступних правилах: опитування експертів проводиться в кілька етапів; відповіді даються в кількісній формі; після статистичної обробки результатів кожен експерт знайомиться з оцінками інших експертів; відповіді повинні супроводжуватися обґрунтуваннями. Математичні методи прогнозування, у залежності від виду математичного опису об'єктів прогнозування і способів визначення невідомих параметрів моделі, можна умовно підрозділити на методи моделювання процесів розвитку, экстрополяціонні (статистичні) методи і вероятностні методи. До першої групи відносяться методи, що використовують для опису моделі прогнозованого процесу диференціальні рівняння. Задача прогнозування зводиться до рішення диференціальних рівнянь для заданого моменту часу. Прогнозування на основі моделювання процесів розвитку можна успішно використовувати в тому випадку, якщо прогнозований процес добре вивчений і мається його коректний математичний опис.

Екстрополяційний (статистичний) метод є одним з найпоширеніших методів прогнозування, коли тенденція розвитку процесу, що спостерігається в минулому, продовжується на майбутнє. Серед усіх статистичних методів регресійний аналіз відіграє переважну роль у прогнозуванні. Використання регресійних рівнянь для пророкування значень різних показників повинне ґрунтуватися на реченні про збереження в майбутньому кількісних закономірностей, знайдених у результаті обробки минулих спостережень. У прогностичні рівняння регресії, на відміну від звичайних регресійних залежностей у число факторів-аргументів, повинне входити в явній формі час (t). Оцінюючи якість прогнозу, отриманого за допомогою регресійних рівнянь, варто пам'ятати про об'єктивні особливості застосування рівнянь регресії. Тут у першу чергу необхідно знати, що задача прогнозування припускає використовувати рівняння регресії для оцінки значень прогнозованого показника поза діапазоном фактичних спостережень, на основі якого отримане рівняння регресії, тобто приходитися виходити за рамки спостережень і вирішувати задачу екстраполяції. Зрозуміло, що близькість прогнозу вихідних спостережень багато в чому залежить від точності значень факторів-аргументів. Наступна проблема зв'язана з тим, що для оцінки значення прогнозованого показника необхідно знати прогнозовані значення факторів-аргументів, тобто точність прогнозу залежить не тільки від точності коефіцієнтів регресії, але і від надійності визначення значень факторів-аргументів у майбутньому часі. Відзначені особливості застосування регресійних рівнянь для прогнозування (екстраполювання, надійність передбачуваних значень факторів-аргументів) є причиною підвищеного ступеня невизначеності одержуваних результатів. Унаслідок цього доцільно визначати за допомогою регресійних залежностей не конкретні значення прогнозованого показника, а довірчий інтервал, у межах якого знаходяться значення даного показника. імовірнісний метод застосовується у випадках масових вимірів досліджуваного параметра. Досить повною формою опису сукупності масових вимірів є визначення законів розподілу досліджуваних величин.

Зараз використовується два основних типи моделей:

моделі тимчасових послідовностей;

причинні моделі.

Тимчасова послідовність - це упорядкована в часі послідовність спостережень (реалізацій) перемінної. Аналіз тимчасових послідовностей використовує для прогнозування перемінної тільки історичні дані про її зміну. Таким чином, якщо дослідження даних про щомісячні продажі мобільних телефонів, показує, що вони лінійно зростають - для представлення даного процесу може бути обрана лінійна модель тренда. Нахил і зсув цієї прямої можуть бути оцінені на основі історичних даних. Прогнозування може бути здійснене шляхом екстраполяції підходящої моделі. Причинні моделі використовують зв'язок між цікавою для нас тимчасовою послідовністю й однієї або більш іншими тимчасовими послідовностями. Якщо ці інші перемінні корелюють з цікавою для нас перемінної і якщо існують причини для цієї кореляції, моделі прогнозування, що описують ці відносини, можуть бути дуже корисними. У цьому випадку, знаючи значення корелюючих перемінних, можна побудувати модель прогнозу залежної перемінної. Серйозним обмеженням використання причинних моделей є вимога того, щоб незалежна перемінна була відома вчасно, коли робиться прогноз. Інше обмеження причинних методів - велика кількість обчислень і даних, яких необхідно порівнювати.

На вибір відповідного методу прогнозування, впливають наступні фактори:

необхідна форма прогнозу;

обрій, період і інтервал прогнозування;

приступність даних;

необхідна точність;

поводження прогнозованого процесу;

вартість розробки, установки і роботи із системою;

простота роботи із системою;

розуміння і співробітництво керуючих.

Для моделювання тимчасових рядів небезпечних подій можливе використання наступних методів:

метод АРПСС;

штучні нейронні мережі;

методи ситуаційного моделювання;

комбіновані методи.

Метод авторегресії і ковзного середнього (АРПСС). Загальна модель, запропонована Боксом і Дженкінсом (1976), має три типи параметрів моделі: параметри авторегресії (p), порядок різниці (d), параметри ковзного середнього (q). У позначеннях Боксу і Дженкінса модель записується як АРПСС (p, d, q). Наприклад, модель (0, 1, 2) містить 0 (нуль) параметрів авторегресії (p) і 2 параметри ковзного середнього (q), що обчислюються для ряду після узяття різниці з лагом 1. Для моделі АРПСС необхідно, щоб ряд був стаціонарним, це означає, що його середнє постійно, а вибіркові дисперсія й автокореляція не міняються в часі. Метод АРПСС ефективний якщо вихідні дані перевищують 50 спостережень і параметри моделі постійні, тобто не міняються в часі.

Штучні нейроні мережі - являють собою мережа елементів - штучних нейронів - зв'язаних між собою сіноптічними з'єднаннями. Мережа обробляє вхідну інформацію й у процесі зміни свого стану в часі формує сукупність вихідних сигналів. Робота мережі складається в перетворенні вхідних сигналів у часі, у результаті чого міняється внутрішній стан мережі, і формуються вихідні впливи.

Достоїнствами штучних нейронних мереж є:

адаптивна структура, що одержує інформацію, навчається і фіксує корисні зв'язки в складній взаємодії вхідної і вихідної інформації;

можливість роботи із сильно зашумленими даними;

одночасне і швидке виконання численних ідентичних і незалежних операцій.

Основу кожної нейронної мережі складають відносно прості, у більшості випадків - однотипні, елементи (нейрони), що імітують роботу нейронів мозку. Кожен нейрон характеризується своїм поточним станом за аналогією з нервовими клітками головного мозку, що можуть бути порушені або загальмовані. Він має групу сінапсів - односпрямованих вхідних зв'язків, з'єднаних з виходами інших нейронів, а також має аксон - вихідний зв'язок даного нейрона, з яким сигнал (порушення або гальмування) надходить на сінапси наступних нейронів.

Поточний стан нейрона визначається, як зважена сума його входів:

де Xi - вхідні сигнали; Wi - зважені вагарні коефіцієнти.

Штучні нейроні мережі це набір математичних і алгоритмічних методів для рішення широкого кола задач. Виділимо характерні риси штучних нейроної сітки, як універсального інструмента для рішення задач:

гнучка модель для нелінійної апроксимації багатомірних функцій;

засіб прогнозування в часі для процесів, що залежать від багатьох перемінних;

класифікатор за багатьма ознаками, що дає розбивка вхідного простору на області;

засіб розпізнавання образів;

інструмент для пошуку по асоціаціях;

модель для пошуку закономірностей у масивах даних.

Використання нейронної мережі при прогнозуванні небезпечних подій складається з трьох етапів: навчання, перевірки і функціонування.

Навчання нейронної мережі розглядається як рішення оптимізаційної задачі: мінімізація функції помилки або незвязування на даній безлічі прикладів шляхом вибору значень вагових коефіцієнтів на вході нейрона. Існує уже велике число навчальних алгоритмів, що відрізняються друг від друга стратегією оптимізації і критерієм помилки (функцією).

Процес навчання повторюється доти, поки сумарна помилка на всіх інформаційних показниках, що впливають на рівень безпеки об'єкта, не стане менше деякої заданої величини, і завершується, коли функція, реалізована нейромережею, наближає невідому функцію на тім, якого навчають, безлічі з заданою точністю.

На етапі перевірки вірогідності робота мережі порівнюється з даними контрольної безлічі. Бажано, щоб вони цілком відрізнялися від пристосованих на попередньому етапі. При програмній і апаратній реалізації виконані рішення мовою нейронних мереж можуть бути переведені на мови іншого рівня, а алгоритми описані в традиційній математичній нотації.

Методи ситуаційного моделювання, що реалізовані в системах Simulink і Stateflow. Комбінація Matlab-Simulink-Stateflow є могутнім універсальним інструментом моделювання тимчасових рядів.забезпечує доступ до різних типів даних, високого рівня програмуванню й інструментальним засобам візуалізації. Simulink підтримує проектування безперервних і дискретних динамічних систем у графічному середовищі (у виді блок-схем). Stateflow-діаграми, що використовують візуальний формалізм Д. Харела, включаються в Simulink-моделі, щоб забезпечити можливість моделювання процесів, керованих подіями. Stateflow забезпечує ясний опис поводження складних систем, використовуючи діаграми станів і переходів. - могутній графічний інструмент проектування і моделювання комплексних систем, використовуючи Stateflow, можна:

легко змінювати проект, оцінювати результати змін і досліджувати поводження системи на будь-якій стадії проекту;

користуватися перевагами інтегрування із середовищами Matlab і Simulink у процесі моделювання й аналізу систем.

Істотно підвищує ступінь наочності моделі використання імітації, що відображають зміни в системі, що супроводжуються переходами від одного стану до іншого. Побудова таких імітаційних моделей можливо з використанням програм Stateflow і Simulink.

Комбіновані методи. Часто виробники з'єднують різні методи прогнозування. Об'єднання алгоритмів нейроних мереж і технології АРПСС сприяє побудові більш точної моделі і підвищенню швидкодії. Для рішення кожної проблеми варто шукати свій оптимальний метод.

Методики, по яких ведеться прогнозування, утворяться шляхом сполучення ряду методів. Іноді кілька методик складають так називану прогнозуючу систему. Стандартна методика прогнозування містить шість основних етапів дослідження, що представлені на малюнку 1.1.

Малюнок 1.1 - Стандартна методика прогнозування.

2. ПОБУДОВА МОДЕЛЕЙ ТИМЧАСОВИХ РЯДІВ МЕТОДОМ АРПСС

небезпечний ситуація надзвичайний прогноз

Прогнозування, перебування схованих періодичностей у даних, аналіз залежностей, оцінка ризиків вирішуються в рамках статистичних моделей.

Статистичні моделі - це важливий клас моделей, за допомогою яких описуються явища, у яких присутні статистичні фактори, що не дозволяють пояснити явище в детерміністських залежностях. Типовими прикладами такого роду моделей є моделі тимчасових рядів, що мають тренд-циклічний компонент і випадкову складову.

При побудові моделей тимчасових рядів методом АРПСС будемо використовувати загальноприйняту методику:

1.Перетворення нестаціонарного тимчасового ряду до стаціонарного виду шляхом узяття різниці і виключення трендів.

2.Ідентифікація моделі стаціонарного тимчасового ряду по автокореляційних функцій.

.Моделювання стаціонарного ряду моделлю АРПСС.

.Всебічний аналіз, оцінка і моделювання залишків.

Часовий ряд побутового і виробничого травматизму (малюнок 2.1) не є стаціонарним, тому що середнє значення ряду і його дисперсія міняються в часі. Для перетворення ряду в стаціонарний ряд візьмемо різницю першого порядку по лагу 1 від нестаціонарного ряду.

Отриманий стаціонарний часовий ряд можна ідентифікувати моделлю АРПСС (модель авторегресії і проінтегрірованного ковзного середнього).

На малюнку 2.2 показано, що автокореляційна функція перетвореного ряду загасає і має викид на лагу 1 (інші значення близькі до нуля).

Відповідно до критеріїв можна припустити, що підходящої для аналізу і прогнозу є модель ковзного середнього. Для уточнення цього припущення розглянемо оцінки приватних автокореляцій.

Малюнок 2.1 - Часовий ряд побутового і виробничого травматизму

Малюнок 2.2 - Автокореляційна функція перетвореного ряду

На малюнку 2.3 видно, що приватна автокореляційна функція експоненціально загасає. Це дає підставу говорити, що вихідний часовий ряд можна описати моделлю проінтегрованого ковзного середнього виду АРПСС(0,1,1): порядок різниці d дорівнює 1, число параметрів авто регресії дорівнює 0, число параметрів ковзного середнього q дорівнює 1.

Малюнок 2.3 - Приватна автокорреляционная функція перетвореного ряду

Оскільки модель ідентифікована, число її параметрів відомо, будемо генерувати реалізації різних процесів з визначеними значеннями параметрів. Зробимо оцінку параметрів моделі АРПСС.

Аналіз тимчасового ряду показав, що з зазначених моделей модель АРПСС(0,1,1) найбільш адекватна. У таблиці 2 ліворуч праворуч дані крапкова оцінка параметра q1, асимптотическая стандартна помилка, верхні і нижні границі довірчого інтервалу.

Таблиця 2 - Крапкова оцінка параметра q1 отримана в системі STATISTICA

ПараметрАсимп. Станд. помилкаВерхнійНижнійq10,7467580,0827300,9103630,583154

Залишки, різниці між значеннями ряду, що спостерігаються, і оціненими за допомогою моделі, розподілені практично нормально, тобто можуть бути отримані генератором, що дає нормально розподілені, псевдовипадкові числа.

Отже, отримана модель АРПСС(0,1,1) може бути виражена в наступному виді:

i - Yi - 1 = ei - 0,746758 * ei - 1, (2.1)

де ei - нормально генеровані залишки із середнім -0,278 і середньоквадратичним відхиленням 5,387.

ВИСНОВОК

Дані, зібрані в результаті роботи, дозволяють зробити висновок, про відсутність ефективних моделей прогнозування і методів запобігання і мінімізації збитку небезпечних ситуацій на території Донецької області. Припускаємо надання інформації про небезпечні ситуації в Донецькій області і моделей прогнозування ОС. Для моделювання тимчасових рядів небезпечних подій можливе використання наступних методів:

метод АРПСС;

штучні нейронні мережі;

методи ситуаційного моделювання, що реалізовані в системах Simulink і Stateflow;

комбінований метод.

Розроблено наступні моделі прогнозування, виробничого і побутового травматизму. На основі методу АРПСС будується модель виробничого і побутового травматизму виду АРПСС(0,1,1). Ця модель може бути виражена в наступному виді:

- Yi - 1 = ei - 0,746758 * ei - 1,

де ei - нормально генеровані залишки із середнім -0,278 і середньоквадратичним відхиленням 5,387.

Модель виробничого травматизму виду АРПСС(1,1,1), може бути виражена в наступному виді:

- Yi - 1 = ei - 0,790438 * ei - 1 - 0,203141 * Yi - 1,

де ei - нормально генеровані залишки із середнім 0,06 і середньоквадратичним відхиленням 1,455.

Модель побутового травматизму виду АРПСС(0,1,1), може бути виражена в наступному виді:

i - Yi - 1 = ei - 0,705782 * ei - 1,

де ei - нормально генеровані залишки із середнім -0,276 і середньоквадратичним відхиленням 5,208.

Таким чином, в основі виникнення небезпечних ситуацій лежать закономірності, які можна описати стохастичними методами прогнозування.

Донецький інститут залізничного транспортові Української державної академії залізничного транспортові Кафедра БЕКС

Больше работ по теме: