Modelando la propagación de la contaminación en Longyearbyen
Explorando métodos para simular la contaminación del aire de una planta de energía a carbón.
Maciej Sikora, Albert Oliver-Serra, Leszek Siwik, Natalia Leszczyńska, Tomasz Maciej Ciesielski, Eirik Valseth, Jacek Leszczyński, Anna Paszyńska, Maciej Paszyński
― 6 minilectura
Tabla de contenidos
Este artículo habla de dos métodos para simular cómo se propaga la Contaminación en la ciudad de Longyearbyen, que está en la isla de Spitsbergen. El enfoque es la contaminación del aire causada por una planta de energía que quema carbón. Los dos métodos que vamos a cubrir son las Gramáticas de Grafos y las Redes Neuronales Informadas por la Física (PINNs). Estos enfoques nos ayudan a entender cómo se mueve la contaminación por el aire y la influencia de la geografía local y las condiciones climáticas.
Resumen de la Simulación de Contaminación
Simular la contaminación nos ayuda a visualizar cómo impacta la calidad del aire en áreas urbanas. En Longyearbyen, la contaminación es un problema por la planta de energía, que emite contaminantes a la atmósfera. Usando modelos matemáticos, podemos simular el flujo de estos contaminantes mientras se esparcen por la tierra. Esto se hace a través de ecuaciones que describen cómo se mueven y dispersan los contaminantes en el aire.
Método 1: Gramáticas de Grafos
El primer método usa gramáticas de grafos para crear una Malla computacional. Una malla es simplemente una forma de dividir el área que estamos observando en piezas más pequeñas para poder hacer cálculos sobre ella. La gramática de grafos define un conjunto de reglas que guían cómo podemos refinar esta malla.
En este caso, aplicamos una regla específica conocida como el algoritmo de refinamiento del borde más largo. Este algoritmo ayuda a hacer la malla más fina donde más se necesita, especialmente alrededor de áreas donde esperamos altos niveles de contaminación. El objetivo es crear un modelo lo suficientemente detallado que refleje con precisión cómo fluye la contaminación en el área.
Generación de Malla
Para generar la malla computacional para Longyearbyen, primero recopilamos datos sobre el terreno local. Esto implica usar mapas topográficos que nos dan información sobre la altura y forma de la tierra. Con estos datos, podemos usar nuestras reglas de gramática de grafos para crear una malla que coincida de cerca con la geografía del área.
La malla está compuesta de pequeños elementos triangulares, lo que facilita calcular cómo se dispersa la contaminación por el aire. Una vez creada la malla usando la gramática de grafos, podemos aplicar las ecuaciones de propagación de la contaminación para simular cómo los contaminantes se mueven desde la planta de energía hacia el aire y eventualmente se asientan en el valle donde se encuentra Longyearbyen.
Método 2: Redes Neuronales Informadas por la Física (PINNs)
El segundo método que exploramos son las Redes Neuronales Informadas por la Física (PINNs). Las redes neuronales son un tipo de programa informático que puede aprender de los datos. En este caso, las usamos para aprender cómo se comporta la contaminación en diferentes condiciones climáticas.
Las PINNs funcionan integrando la física directamente en el proceso de aprendizaje. Esto significa que a medida que la red neuronal se entrena, también toma en cuenta los principios físicos que rigen cómo se mueven los contaminantes por el aire. Este método nos permite crear un modelo que puede predecir los niveles de contaminación a lo largo del tiempo de una manera que está basada en las realidades de la física.
Inversión térmica
Simulando laUna condición climática significativa que afecta los niveles de contaminación en Longyearbyen es la inversión térmica. Durante una inversión térmica, el aire más cálido atrapa el aire más frío cerca del suelo. Esta situación puede impedir que los contaminantes se eleven y se dispersen, lo que lleva a concentraciones más altas de contaminación del aire cerca de la superficie.
En nuestras simulaciones, consideramos las inversiones térmicas ajustando nuestros modelos para reflejar cómo los cambios de temperatura en la atmósfera afectan el movimiento de los contaminantes. Esto nos permite predecir escenarios donde los contaminantes pueden acumularse en el valle en lugar de disiparse en la atmósfera.
Resultados de la Simulación
Después de ejecutar ambos métodos, analizamos los resultados para ver qué tan bien capturan los patrones de dispersión de la contaminación. En el caso del método de gramática de grafos, comparamos qué tan bien el modelo refleja datos del mundo real recogidos de Longyearbyen.
Por ejemplo, observamos cómo la contaminación de la planta de energía se dispersa según la dirección y velocidad del viento. Podemos visualizar cómo, después de unas pocas horas de operación, los contaminantes llenan el valle que rodea la ciudad. Las respuestas en el modelo nos ayudan a entender los riesgos para la calidad del aire y la salud pública.
Al usar PINNs, encontramos que ofrecen una perspectiva diferente sobre la propagación de la contaminación. Al entrenar la red neuronal con datos históricos y la física del movimiento del aire, podemos predecir cómo cambiarán los niveles de contaminación a lo largo del día bajo diferentes condiciones climáticas.
Comparando los Dos Métodos
Ambos métodos tienen sus ventajas y desventajas. El enfoque de gramática de grafos proporciona una malla detallada que captura bien la geografía local, permitiendo simulaciones precisas de la dispersión de la contaminación. Sin embargo, construir esta malla puede llevar tiempo y requiere datos detallados del terreno.
Por otro lado, las PINNs son más flexibles porque pueden aprender de varias condiciones sin necesidad de una malla detallada. Esto puede acelerar el proceso de simulación, pero pueden requerir un entrenamiento extenso para asegurar que el modelo se comporte con precisión según la física del mundo real.
Conclusión
En conclusión, simular la propagación de la contaminación en Longyearbyen es crucial para entender los impactos ambientales y proteger la salud pública. Al usar tanto gramáticas de grafos como Redes Neuronales Informadas por la Física, podemos crear modelos robustos que nos ayuden a predecir los niveles de contaminación y tomar decisiones informadas sobre la gestión de la calidad del aire.
Estos modelos sirven como herramientas valiosas para el gobierno local y las organizaciones ambientales para formular estrategias con el objetivo de reducir la contaminación del aire y proteger la salud de los residentes en Longyearbyen. Al estudiar la efectividad y los límites de estos enfoques de simulación, contribuimos a los esfuerzos continuos para entender y gestionar la contaminación en nuestras comunidades.
Título: Graph grammars and Physics Informed Neural Networks for simulating of pollution propagation on Spitzbergen
Resumen: In this paper, we present two computational methods for performing simulations of pollution propagation described by advection-diffusion equations. The first method employs graph grammars to describe the generation process of the computational mesh used in simulations with the meshless solver of the three-dimensional finite element method. The graph transformation rules express the three-dimensional Rivara longest-edge refinement algorithm. This solver is used for an exemplary application: performing three-dimensional simulations of pollution generation by the coal-burning power plant and its propagation in the city of Longyearbyen, the capital of Spitsbergen. The second computational code is based on the Physics Informed Neural Networks method. It is used to calculate the dissipation of the pollution along the valley in which the city of Longyearbyen is located. We discuss the instantiation and execution of the PINN method using Google Colab implementation. We discuss the benefits and limitations of the PINN implementation.
Autores: Maciej Sikora, Albert Oliver-Serra, Leszek Siwik, Natalia Leszczyńska, Tomasz Maciej Ciesielski, Eirik Valseth, Jacek Leszczyński, Anna Paszyńska, Maciej Paszyński
Última actualización: 2024-09-13 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2409.08799
Fuente PDF: https://arxiv.org/pdf/2409.08799
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.
Enlaces de referencia
- https://www.latex-project.org/lppl.txt
- https://www.gmrt.org/
- https://globalwindatlas.info/en
- https://colab.research.google.com/drive/15WDZZV36v2qmzvU
- https://colab.research.google.com/drive/1Ta29ihEOX6rWhDozK
- https://github.com/pmaczuga/pinn-notebooks
- https://doi.org/10.1016/0045-7825
- https://www.sciencedirect.com/science/article/pii/
- https://doi.org/10.1007/978-3-540-69389-5
- https://doi.org/10.1007/978-3-642-01973-9
- https://agupubs.onlinelibrary.wiley.com/doi/pdf/10.1029/2008GC002332
- https://doi.org/10.1029/2008GC002332
- https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/
- https://doi.org/10.1016/j.jcp.2018.10.045
- https://ojs.aaai.org/index.php/AAAI/article/view/20830
- https://arxiv.org/abs/1912.12355
- https://dx.doi.org/10.4208/jcm.1901-m2018-0160
- https://arxiv.org/abs/2312.14276