Mathematical theory of epidemics and pandemics based on the laws of chain and thermal explosions

Cover Page

Cite item

Full Text

Abstract

The article presents a theory of the spread of the virus, including epidemics and pandemics, based on the theories of chain and thermal explosions, where two parameters were introduced to simulate the spread of the virus in an isolated community of people. A model of a community in the form of a multilayered bulb is proposed, in which the infection process proceeds in layers. The formulas obtained correlate with good accuracy with statistical data on the spread of the virus at stable stages of the pandemic. The validity of the model is confirmed by a combination of the formulas obtained, with a number of simplifications, with the formulas of the chain explosion theory and others. The presented theory is in qualitative agreement with empirical theories – SIR, SIRS and others.

The model may be interesting for epidemiology and exact science, since formulas with new parameters may be in demand for modeling phenomena in other areas of nature. The article shows the connection between the theories of chain and thermal explosions.

Full Text

Как показывает история, эпидемии ежегодно приходят на Землю, а пандемия являлась редко, но есть опасения, что все поменяется к худшему. Поэтому развитие эпидемии и пандемии необходимо изучать не только на основе ряда приблизительных эмпирических теорий SIS, SIRS, SEIR, MSEIR, но опираясь на хорошо изученные процессы в точных науках. В работе мы попытались создать теорию развития вирусных и бактериальных заболеваний, в том числе эпидемию и пандемию, на основе хорошо развитого математического аппарата теорий цепного и теплового взрывов в горючем газе.

  1. Цепной взрыв. Теория цепных реакций и цепного взрыва была развита Н.Н. Семеновым [1], за что он получил Нобелевскую премию. Цепные реакции идут посредством активных частиц n, скорость изменения которых описывается уравнением:

dn/dt = W0 + fngn, (1)

где W0 – скорость образования активных центров, f и g – константы скоростей процессов разветвления и обрыва цепей. Обозначив fg = ϕ, получим:

dn/dt = W0 + ϕn. (2)

Люди находятся в постоянном движении, вступая в различные социальные контакты, что похоже на броуновское движение молекул в газе, где концентрация компонентов на единицу объема меняется из-за их диффузии в соседние зоны и химических реакций с другими реагентами. В физической химии этот процесс описывается уравнением диффузии, в котором химическая реакция может резко ускориться, приводя к взрыву по механизму самовоспламенения или зажигания [2–5]. Все это похоже на переход обычного заражения в эпидемию и пандемию, а представленная теория позволит найти требуемые параметры развития болезни в относительно стабильных промежутках времени ее течения.

Рассмотрим общину (город, область и др.) с количеством жителей N, где распространяется один вирус, с общим количеством инфицированных людей равным Ni. Через время (tf) с момента заражения инфицированный человек перестает быть переносчиком вируса, поэтому их число Nt выразим через безразмерный параметр ჰ:

Nt = Ni. (3)

Рассмотрим распространение вируса в общине, полагая, что: 1) активным центром является инфицированный человек, являющийся переносчиком вируса; 2) W0 = 0, так как точно неизвестно, где, как и когда возник вирус; 3) n0 – количество первых инфицированных людей, прибывших в общину из другого региона; 4) количество неинфицированных людей неограничено.

С учетом вышеизложенных предположений условие (2) примет вид

dNi /dt = φn. (4)

Проинтегрируем выражение (4) при условии n = n0 при t = 0:

Ni = n0 eφt, (5)

где Ni и n0 – текущая и начальная концентрация инфицированных людей.

При φ < 0 число Ni уменьшается со временем, поэтому нет риска возникновения эпидемии. Но при φ > 0 число Ni экспоненциально растет, поэтому φ = 0 является критическим значением. Под обрывом цепи будем считать смерть инфицированного или утрату им способности заражать не инфицированного человека, что происходит через время tf с момента заражения, оцениваемого по разным источникам от восьми дней до месяца. Так как доля умерших людей за время tf мала по отношению к числу инфицированных, то в дальнейшем не будем ее учитывать, а в период времени от начала заражения до времени tf будем считать величину g равной нулю, т.е. до времени tf рост инфицированных людей Ni вычисляется по формуле:

Ni = n0 eft. (6)

При t > tf общее количество инфицированных Ni экспоненциально растет, но число людей Nt, передающих вирус, уменьшается на число реинфицированных (не способных заражать), равное числу инфицированных людей до момента времени ttf, т.е.:

Nt = n0 eftn0 ef(t–tf) = n0[1 – e–ftf] eft. (7)

Используя формулы (3), (6), найдем:

ჰ = 1–e–ftf. (8)

Используя формулу (8), возьмем логарифм уравнения (7):

lnNt = lnn0ჰ + ft. (9)

Уравнение (9) показывает, что в логарифмических координатах скорость роста Nt от времени остается постоянной, даже если инфицированные теряют способность заражать здоровых людей через время tf. В табл. 1 даны значения параметра ჰ, вычисленного по формуле (8), при разных tf и f. В статистике часто используется дискретное время, равное одним суткам, так будем считать и мы в табл. 1 и во всех формулах работы.

 

Таблица 1. Параметр (2–5 строки) в зависимости от безразмерного параметра f и tf (дни)

f

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.10

0.15

0.20

0.30

8 дн

0.077

0.148

0.21

0.27

0.33

0.38

0.43

0.47

0.51

0.55

0.7

0.8

0.91

14 дн

0.13

0.24

0.34

0.43

0.5

0.57

0.625

0.67

0.72

0.75

0.88

0.94

0.99

21 дн

0.19

0.34

0.47

0.57

0.65

0.72

0.77

0.81

0.85

0.88

0.96

0.99

1

30 дн

0.26

0.45

0.59

0.7

0.78

0.83

0.88

0.91

0.93

0.95

0.99

1

1

 

Из табл. 1 видно, что параметр ჰ растет при увеличении f и tf . Функция Nt (7) не имеет точки перегиба, так как ее вторая производная по времени нигде не равна нулю, поэтому нельзя найти условие, когда обычное распространение вируса перейдет в эпидемию и пандемию. В теории цепных реакций [1] вычисляют период индукции ti, по истечении которого появившиеся изменения становятся заметны. Это время можно высчитать на начальной стадии распространения вируса, используя уравнения (7) и (8):

ti = [ln(Nti /ჰn0)] / f, (10)

где Nti – первое обнаруженное врачами количество людей, зараженных вирусом в общине. Если Nti равно 5 человек, при f = 0.2 и n0 = 1, то ti ≈ 8 дней.

В теории цепных реакций параметры f и g зависят от типа цепной реакции и условий их течения, что соответствует ситуации развития заболевания, связанного с типом вируса и другими факторами. Ясно, что параметр f падает при вакцинации людей; с использованием масок и средств дезинфекции; с увеличением дистанции между людьми в общественных местах и введением карантина. Теория цепных реакций хорошо описывает распространение вируса, но не учитывает первоначальное количество людей N в общине.

  1. Тепловой взрыв. В теории теплового взрыва рассматривают уравнения теплопроводности для определения критического профиля температур в зоне химической реакции [2–5], по достижении которого может произойти взрыв. Так как уравнения теплопроводности и диффузии в газах подобны, то для нашего случая следует рассмотреть последнее:

dNtg / dt = DNtg + K1Ntg (NgNtg), (11)

где Δ – оператор Лапласа, D – коэффициент диффузии, K1 – константа автокаталитической реакции, Ntg и Ng – концентрации активного и исходного реагентов.

Так как распространение вируса происходит не в объеме, а на поверхности общины, то для использования формулы (11) в процессе заражения предложим несколько аналогов для замены объемной концентрации.

2.1. Будем считать Ni, Nt и N аналогами концентраций инфицированных людей, переносчиков вируса и исходного количества людей в общине соответственно.

Сделаем те же предположения относительно общины, что и в п. 1. Для изучения распространения вируса важно знать изменение концентрации переносчиков при их перемещении и изменении численного состава в результате заражения здоровых людей. Поэтому изменение количества Nt в каждой точке пространства общины в момент времени t можно описать уравнением диффузии:

dNt / dt = DNt + K2Nt (NNt), (12)

где Δ – оператор Лапласа, K2 – аналог константы скорости передачи вируса от переносчика вируса к неинфицированному человеку, D – аналог коэффициента диффузии, отвечающий за социальную активность переносчиков вируса в общине, который не одинаков у различных групп населения.

В работах [2, 3] показано, что решить нестационарное уравнение теплопроводности, а по аналогии и уравнение диффузии, возможно лишь в некоторых случаях, используя ряд упрощений. Рассмотрим три возможных варианта.

2.1.1. Стационарное уравнение диффузии (dNt /dt = 0). В теории теплового взрыва известны условия самовоспламенения горючих газов в симметричных сосудах [2, 3], полученные при решении стационарных уравнений теплопроводности, описывающих предельный профиль температуры. В общине людей, вероятно, существует предельный профиль переносчиков вируса, по достижении которого он начнет распространяться взрывным образом. Но в настоящее время нет возможности найти значение D и другие параметры, чтобы проверить эту гипотезу.

2.1.2. Медленное распространение вируса. В этом случае вторым членом в правой части уравнения (12) можно пренебречь, а оставшееся уравнение будет описывать перемещение носителей вируса практически без заражения людей, но к пандемии это не имеет отношения.

2.1.3. Быстрое распространение вируса среди людей. В этом случае первым членом в правой части уравнения (12) можно пренебречь:

dNt / dt = K2Nt (N – Ni). (13)

Будем считать, что община похожа на многослойную луковицу, где процесс инфицирования идет слоями, по малым частям Na: в первую очередь заболеют люди, не выполняющие санитарные меры или по профессиональным обязанностям находящиеся в постоянном контакте с людьми; затем заболеют те, кто соблюдают минимальные санитарные требования, и т.д. В центре луковицы будут люди, ведущие изолированную жизнь, которые смогут избежать заболевания. Выразим Na через безразмерный параметр ẟa, зависящий от типа общины и других факторов.

NaaN. (14)

Будем считать число людей Na частью общины, состоящей из трех групп равномерно смешанных людей в каждой группе: неинфицированные, инертные (реинфицированные) люди, а также переносчики вируса. Считая, что распространение вируса идет только в этой части общины, используя условие (3) и (14), преобразуем уравнение (13):

dNt / dt = K2Nt (ჰaNNt) / ჰ. (15)

Проинтегрируем выражение (15):

ln[Nt / (ჰaNNt)] = K2aNt + C1, (16)

где С1 – константа интегрирования. Полагая N0t << ẟaN, при t = 0 найдем:

ჰჰ (17)

где N0t и N0i – количество переносчиков вируса и инфицированных людей при t = 0.

Используя условие (17), уравнение (16) примет вид

ln[Nt / (l – Nt /ჰaN)N0t] = K2aN t. (18)

Полагая, что при t = 0 верно условие (3), т.е. N0t = ჰN0i, найдем количество переносчиков вируса в зависимости от времени:

ჰ (19)

В начале распространения вируса, когда Ni << aN, формула (19) переходит в выражение (7) при f = K2aN и n0 = N0i, т.е. наша модель согласуется с теорией цепного взрыва.

В.М. Гольдберг в замечательных работах [6, 7] рассматривал модель бимолекулярной химической реакции в двухкомпонентной общине людей, состоящей из инфицированных и здоровых людей, т.е. без учета реинфицированных людей (ჰ = 1), и получил выражения

dNi / dt = K2Ni (Nmax Ni), (20)

1n[Ni / (Nmax Ni)] = K2Nmaxt + C2. (21)

При t = 0 найдем

C2 = ln(N0i/Nmax). (22)

Используя выражения (21), (22), найдем:

 (23)

При Ni << Nmax формула (23) примет вид уравнения (7), сочетаясь с решением, вытекающим из теории цепного взрыва при f = K2Nmax и ჰ = 1.

В.И. Гольдберг доказал, что его модель развития вируса на некоторых отрезках времени очень хорошо подчиняется экспоненциальному закону. Поэтому при обработке статистических данных в те же периоды времени наша математическая модель (16)–(19) должна иметь в экспоненте тот же показатель степени, и, сравнивая уравнения (16) и (21), найдем

NmaxNa = aN. (24)

Если уравнения (16) и (19) выразить через Ni и Na, то получим формулы для обработки статистических данных (25) и расчета числа больных в новой волне распространения вируса (26):

ln[Ni / (NaNi)] = K2Nat + ln(N0t / ჰ Na), (25)

ჰ (26)

Уравнения (25), (26) удобны для обработки статистических данных, так как нужно считать Ni, а не число Nt, имеющее большую статистическую ошибку из-за малого времени вычислений. Формулы (25), (26) и (21), (23) отличаются лишь наличием параметра ჰ, поэтому линейная зависимость, обнаруженная ранее Гольдбергом [6, 7], будет наблюдаться и при использовании формул (25), но с учетом ჰ. Подробное изучение влияния параметра ჰ на начальные и переходные моменты распространения вируса в общине не позволяет формат сообщения.

В.М. Гольдберг ввел труднопонимаемый параметр Nmax, при котором S-образная функция, представляющая уравнения (20)–(23), при малых Ni / Nmax дает экспоненциальный рост Ni (23), а с ростом Ni приобретает S-образный вид, что подтвердилось в реальности [6, 7]. Так, в работе [7] при обсчете статистических данных числа заболевших в Москве в период с 09.10.2020 по 10.01.2021 он нашел Nmax≈ 800 000 чел., при котором статистические данные ложатся на одну прямую, с линейной зависимостью: y ≈ 0.034x – 9.185. В этих расчетах Гольдберг вычислял Ni с начала волны, протекавшей в Москве с 22.07.2020 по 08.02.2021. Варьируя параметром ẟaN в уравнении (25), мы нашли значение Na ≈ 790 000 чел. (близкое к Nmax Гольдберга), при котором статистические данные хорошо ложатся на прямую с линейной зависимостью: y ≈ 0.0353t – 9.747, где f = K2Nа = 0.0353 и C2 ≈ –9.747, рис. 1. Зная f, из табл. 1 при tf = 8 дней найдем ჰ ≈ 0.24, при котором выражение (26) показывает рост числа инфицированных в 4 раза меньше, чем дает формула (23). По формуле (17) найдем число переносчиков вируса в начале возникновения пандемии: N0t ≈ 11 чел., а по формуле (22) получим результат: N0i ≈ 46 чел. В Москве проживает 12*106 чел., отсюда найдем ẟa ≈ 0.067. Заметим, что параметры ẟa и Na взаимосвязаны (14), поэтому независим только один из них, но смысл имеют оба параметра.

 

Рис. 1. Рост числа заболевших в Москве в период новой волны распространения вируса 09.10.2020–10.01.2021, в логарифмических координатах от времени, в соответствии с уравнением (25), при котором статистические данные (точки) ложатся на теоретическую прямую, с линейной зависимостью: y ≈ 0.0353x – 9.747. В расчетах было найдено оптимальное число Na ≈ 790 000 чел., а Ni отсчитывали от начала возникновения волны с 09.10.2020 г.

 

На наш взгляд, параметр NaNmax имеет ясную статистическую природу – число здоровых людей, имеющих близкую степень уязвимости к инфекции, в составе общины N. В.М. Гольдберг в работе [6], рассматривая пандемию в России с ее начала (03.03.2020), обнаружил четыре волны роста заболевших, каждая из которых сначала развивалась по экспоненте со своими параметрами, а затем внезапно начиналась новая волна, с новыми показателями. То есть представление об общине как о многослойной луковице близко к реальности, в которой процесс инфицирования людей идет “рывками”, по слоям, по малым группам. Так как показатель степени K2Nа остается постоянным в каждой волне, то, вероятно, количество заболевших людей из других слоев общины невелико и слабо влияет на параметры развития заболевания части общины, числом Na.

Отметим, что в работе можно было ввести аналоги площадных концентраций, равных тем же, что и в п. 2.1, но деленных на площадь S общины. Но этот аналог концентраций не точен, с учетом разницы плотности населения в общине. Если же принять это определение, то правая часть уравнения (15) будет поделена на S2, что изменит показатель степени экспоненциальной функции уравнений (16)–(19), который отражает способность вируса распространяться в общине. Однако для оценки опасности разных вирусов важны относительные значения этих показателей друг к другу. Можно было ввести пропорциональные концентрации, равные тем же, что и в пункте 2.1, но деленные на количество людей N в общине. Но если принять это определение, то правая часть уравнения (15) будет поделена на постоянный множитель N2, что, как было показано выше, не даст новой информации для относительной оценки опасности вирусов.

Параметр K2Na входит в формулы (16)–(19), (25), (26) и является важным показателем опасности вируса, характеризующим скорость заражения людей в части общины, числом Na. Используя формулы (25), (26), можно предсказать число инфициро- ванных людей в новой волне и ее скорость, высчитав параметры K2Na и Na по первым дням выявленной волны. На рис. 1, а также на рисунках, представленных в работах [6, 7], видно – точки ложатся кучно, так как большое количество статистических данных уменьшают статистическую ошибку, что и позволяет получать гладкую зависимость требуемых функций от времени.

Несмотря на то, что на стабильных отрезках времени теория хорошо описывает основные особенности распространения волн вируса в общине, нет ответа на многие вопросы: каков механизм перехода от одной волны к другой? что произойдет при появлении мутации старого вируса или появлении нового штамма? как оценить действие вакцин? Ответы на эти и многие другие вопросы можно найти при анализе расчетов, полученных при обработке по формулам (25), (26) статистических данных по разным общинам, в разных условиях распространения вируса.

В работе представлена теория распространения вируса, в том числе эпидемии и пандемии, в изолированной общине людей, полученная с помощью теорий цепного и теплового взрывов, куда введены параметры ჰ и ẟa, адаптирующие картину развития вируса к вышеупомянутым теориям. Предложена модель общины в виде многослойной луковицы, в которой процесс инфицирования идет по слоям. Полученные формулы с большой точностью описывают статистические данные по распространению вируса на стабильных этапах развития пандемии. При ряде упрощений наши формулы переходят в формулы, вытекающие из теории цепного взрыва [1] и в выражения, данные в работах В.М. Гольдберга [6, 7]. Наша теория находится в качественном согласии с эмпирическими теориями SIS, SIRS, SEIR, MSEIR. Решения описывают распространение вируса среди усредненных людей, в усредненной общине.

Найденные решения могут быть интересны для эпидемиологии и точной науки, так как решения с новыми параметрами могут быть востребованы для моделирования явлений в других областях природы. В работе показана связь между теориями цепного и теплового взрывов.

БЛАГОДАРНОСТИ

Автор благодарит академика РАН А.А. Берлина за интерес к работе.

ИСТОЧНИК ФИНАНСИРОВАНИЯ

Данная работа финансировалась за счет средств бюджета Федерального исследовательского центра химической физики им. Н.Н. Семенова Российской академии наук. Никаких дополнительных грантов на проведение или руководство данным конкретным исследованием получено не было.

КОНФЛИКТ ИНТЕРЕСОВ

Автор данной работы заявляет, что у него нет конфликта интересов.

×

About the authors

A. A. Philippov

Federal Research Center of Chemical Physics named after N.N. Semenov of the Russian Academy of Sciences

Author for correspondence.
Email: 7987961@mail.ru
Russian Federation, Moscow

References

  1. Семенов Н.Н. Цепные реакции. Л.: ОНТИ, 1934. С. 110.
  2. Франк-Каменецкий Д.А. Диффузия и теплопередача в химической кинетике. 2-е изд. М.: Наука, 1967.
  3. Зельдович Я.Б., Баренблатт Г.И., Либрович В.Б., Махвиладзе Г.М. Математическая теория горения и взрыва. М.: Наука, 1980.
  4. Philippov A.A., Khalturinskiy N.A. To the theory of ignition by a hot surface: critical conditions for occurrence of explosive and avalanche-like processes. Zeldovic memorial, 2015. V. 2.
  5. Филиппов А.А., Берлин А.А. Математическая теория зажигания накаленной поверхностью // Доклады РАН. Физика. Технические науки. 2022. Т. 503. № 1. С. 28–34.
  6. Goldberg V.M. Dynamics of coronavirus spread in terms of chemical reaction kinetics // Russ. Chem. 2020. B. 69 (10). P. 2022–2028.
  7. Гольдберг В.И. Развитие цепной модели динамики распространения пандемии COVID-19 // Горение и взрыв. 2021. Т. 14. № 3. С. 3–10.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. The increase in the number of cases in Moscow during the new wave of virus spread 09.10.2020–10.01.2021, in logarithmic coordinates from time, in accordance with equation (25), in which statistical data (points) fall on a theoretical straight line, with linear dependence: y ≈ 0.0353x – 9.747. The optimal number of Na ≈ 790,000 people was found in the calculations, and Ni was counted from the beginning of the wave occurrence from 09.10.2020.

Download (77KB)

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».