Diepgaand leermodel voorspelt beweging van giftige dampen in stedelijke omgevingen binnen enkele minuten
Op 11 september 2001 veroorzaakte de instorting van het World Trade Center in New York City een giftige pluim, zoals te zien op deze foto genomen vanuit het internationale ruimtestation.
In 2023 ontspoorde een trein die gevaarlijke materialen vervoerde in East Palestine, Ohio. In 2025 verwoestte een reeks destructieve bosbranden Los Angeles. In beide gevallen werd er een giftige pluim vrijgegeven – een wolk van schadelijke luchtdeeltjes die zich na verloop van tijd en ruimte verspreidt door wind en turbulentie.
Giftige plumes van industriële ongevallen, chemische morsingen en structurele branden kunnen onmiddellijke en ernstige gezondheids- en milieurisico’s met zich meebrengen, vooral in dichtbevolkte stedelijke gebieden. Bestaande computermodellen om te voorspellen hoe plumes zich verplaatsen, kunnen uren duren om te draaien, waardoor hulpverleners geen snelle en betrouwbare voorspellingen hebben en evacuatieplanning en vroegtijdige waarschuwingssystemen worden bemoeilijkt.
In een studie gepubliceerd in PNAS Nexus beschrijven onderzoekers van het Lawrence Livermore National Laboratory (LLNL) een nieuw deep learning-model, genaamd ST-GasNet, dat in staat is om het gedrag van giftige plumes binnen enkele minuten te voorspellen.
ST-GasNet is getraind met gegevens van traditionele computerfluïde dynamicasimulaties, die de complexe windstructuren en de beweging van plumes rond gebouwen, straten en structuren in stedelijke gebieden vastleggen.
“ST-GasNet leert hoe plumes zich in stedelijke gebieden gedragen op basis van eerdere simulaties met hoge resolutie,” zei LLNL-wetenschapper en auteur Giselle Fernández-Godino. “Het kijkt naar de eerste paar minuten van een plume-afgifte en gebruikt die observaties om te voorspellen hoe de plume zich in de volgende minuten zal verspreiden.”
Om te voorspellen hoe gevaarlijke materialen zich verplaatsen, leert het model de snelheids- en versnellingpatronen van de plume. Het kan ook discontinuïteiten in de beweging van de plume aan, zoals wanneer een plume een gebouw raakt en in tweeën splitst. ST-GasNet presteert zelfs goed zonder informatie over de windrichting of -snelheid: het kan die voorwaarden rechtstreeks leren van het vroege gedrag van de plume.
Eenmaal getraind biedt het model snellere rekensnelheden die haalbaar zijn voor realtime noodrespons. “We hopen dat dit hulpverleners zal ondersteunen en zal helpen bij evacuatieplanning,” zei auteur Yinan Wang, die stage liep bij LLNL. “Het kan dienen als een onderdeel van vroegtijdige waarschuwingssystemen, waardoor besluitvormers meer tijd hebben om te handelen, en mogelijk integreren met mobiele sensoren en monitoringssystemen voor realtime-updates.”
Vooruitkijkend is het team van plan een kader te ontwikkelen dat expliciet onzekerheid kan kwantificeren, waarbij niet alleen het door de plume beïnvloede gebied in een stad wordt geschat, maar ook de waarschijnlijkheid van impact op elke locatie. Ze verkennen ook manieren om atmosferische sensornetwerken en kalibratietechnieken te optimaliseren om voorspellingen en gegevens systematisch op elkaar af te stemmen.
