Speaker
Description
Использование методов машинного обучения в различных областях науки и других сферах на сегодняшний момент становится все более частым и востребованным, потому что с помощью таких подходов удается за столь малое вычислительное время произвести манипуляции с большими наборами данных разного назначения.
Идентификация источников выбросов важна в задачах о качестве воздуха. В работе при создании алгоритма идентификации выбросов в моделях переноса и трансформации примесей, включающего дополнительно априорную информацию о макроструктуре источника, при этом не ухудшая свойства решения обратной задачи, будет использован гибридный подход на основе традиционных методов и машинного обучения [1]. В работе показано использование априорной информации в виде точечных источников загрязнения. Также рассматривается применение полученных результатов при решении трехмерной задачи.
В ходе проведенных экспериментов было выявлено, что гибридные подходы, объединяющие машинное обучение с традиционными методами решения обратных задач, являются перспективным направлением для дальнейшего развития алгоритмов обратного моделирования. Более того, агрегаты, используемые в традиционных методах решения обратных задач, могут быть успешно применены в рамках методов машинного обучения для создания гибридных алгоритмов.
Исследование выполняется в рамках государственного задания Министерства науки и высшего образования РФ (тема "Аналитическое и численное исследование обратных задач об определении параметров источников атмосферного или водного загрязнения и (или) параметров среды", код темы: FENG-2023-0004).
Список литературы
1. Penenko A., Emelyanov M., Rusin E., Tsybenova E. and Shablyko, V. Hybrid Deep Learning and Sensitivity Operator-Based Algorithm for Identification of Localized Emission Sources // Mathematics. MDPI AG, 2023. vol. 12, № 1. p. 781 p.
| Секция конференции | Математические модели физики атмосферы, океана и окружающей среды |
|---|
