Нейросеть предсказывает движение токсичных шлейфов в городах за минуты

11 сентября 2001 года обрушение Всемирного торгового центра в Нью-Йорке вызвало токсичный шлейф, запечатлённый на этом фото с Международной космической станции. Автор: NASA

В 2023 году поезд с опасными материалами сошёл с рельсов в Ист-Палестайне (Огайо). В 2025 году серия разрушительных лесных пожаров опустошила Лос-Анджелес. В обоих случаях в атмосферу попали токсичные шлейфы — облака вредных веществ, рассеивающихся под действием ветра и турбулентности.

Токсичные выбросы от промышленных аварий, химических разливов и пожаров представляют серьёзную угрозу для здоровья и экологии, особенно в густонаселённых городах. Существующие компьютерные модели прогнозирования движения шлейфов требуют часов вычислений, что затрудняет оперативное реагирование и планирование эвакуации.

В исследовании, опубликованном в PNAS Nexus, учёные из Ливерморской национальной лаборатории (LLNL) представили модель глубокого обучения ST-GasNet, способную предсказывать поведение токсичных шлейфов всего за несколько минут.

ST-GasNet обучается на данных традиционных вычислительных моделей гидродинамики, учитывающих сложные ветровые структуры и движение шлейфов вокруг зданий и улиц.

«ST-GasNet изучает поведение шлейфов в городской среде на основе высокоточных симуляций, — объясняет учёный LLNL Хизель Фернандес-Годино. — Анализируя первые минуты выброса, модель предсказывает его распространение в последующие минуты».

Модель определяет скорость и ускорение движения опасных веществ, а также учитывает прерывания в распространении — например, когда шлейф разделяется при столкновении со зданием. ST-GasNet эффективно работает даже без данных о направлении и силе ветра, определяя эти параметры по начальному поведению шлейфа.

После обучения модель обеспечивает достаточно высокую скорость вычислений для использования в реальных чрезвычайных ситуациях.

«Мы надеемся, что это поможет службам экстренного реагирования и улучшит планирование эвакуации, — говорит соавтор Инань Ван. — Модель можно интегрировать в системы раннего предупреждения и мониторинга для оперативных обновлений».

В дальнейшем команда планирует разработать систему количественной оценки неопределённостей, прогнозируя не только зоны поражения, но и вероятность воздействия в каждой точке. Также исследуются методы оптимизации сетей атмосферных датчиков для точной калибровки прогнозов.

Дополнительная информация: Инань Ван и др., Spatiotemporal predictions of toxic urban plumes using deep learning, PNAS Nexus (2025). DOI: 10.1093/pnasnexus/pgaf198