МОДЕЛЬ МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ НАСЛІДКІВ ЗАБРУДНЕННЯ ВОДОЙМ РІЧОК З ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ, ЩО БАЗУЄТЬСЯ НА ОСНОВІ ЗАДАЧ РЕГРЕСІЇ
DOI:
https://doi.org/10.26906/SUNZ.2022.2.095Ключові слова:
оцінка якості водойм, нейронна мережа, русло річки, регресія, прогнозування наслідків забруднення водойм, математичне моделюванняАнотація
У статті описаний метод коригування результатів прогнозування забруднення водойм річок, як частина інтелектуального опрацювання результатів, основаних на серії емпіричних гідрологічних рівнянь Харві Джобсона. Обґрунтовані основні принципи, логіка функціонування та процес контекстуальної валідації методу. Для вирішення поставленої мети використані можливості нейронної мережі із застосуванням задачі регресії, як метод визначення коефіцієнту, що коригує основний результат на основі похибки. В основі методу коригування похибки лежить накладення коефіцієнту на деякий результат значення характеристики піку концентрації, виведений для конкретної точки. Моделлю передбачено використання серії емпіричних гідрологічних рівнянь Харві Джобсона, як основного методу прогнозування наслідків забруднення водойм, що є емпіричним та не вимагає деталізованих вхідних даних русла для проведення обчислень. Даний метод є складовою інтелектуальної обробки результату, а не проведення прогнозувань. З використанням нейронної мережі, що функціонує на основі задачі регресії розроблений метод коригування похибки результатів прогнозування забруднення водойм. Визначена можливість використання нейронної мережі з іншими методами, що обчислюють пік концентрації в певній точці в конкретний час.Завантаження
Посилання
Loucks D.P., van Beek E. Water Resource Systems Planning and Management, 2017. DOI:10.1007/978-3-319-44234-1.
SWToolbox: A Surface-Water Toolbox for Statistical Analysis of Streamflow Time Series, Chapter 11 of Section A, Statistical Analysis, Book 4, Hydrologic Analysis and Interpretation, Virginia, USA, 2018.
Frick W.E., Roberts P.J.W., Davis L.R., Keyes J., Baumgartner D.J., George K.P. Dilution Models for Effluent Discharges. 4-th Edition (Visual Plumes). Athens, Georgia, 2003, pp. 148. [Online]. Available: https://www.epa.gov/sites/production /files/documents/VP-Manual.pdf.
Laniak G. F., Droppo J. G., Faillace E.R., Gnanapragasam E.K., Mills W.B., Strenge D.L., Whelan G., Yu C. An Overview of a Multimedia Benchmarking Analysis for Three Risk Assessment Models: RESRAD, MMSOILS, and MEPAS. Risk Analysis. [Online]. Available: https://pubmed.ncbi.nlm.nih.gov/9202489/.
Yafra K., Chai S. S., Predicting and Analyzing Water Quality using Machine Learning: A Comprehensive Model. 2016 IEEE Long Island Systems, Applications and Technology Conference. 29 April 2016. Farmingdale, NY, USA. DOI: 10.1109/LISAT.2016.7494106. Available: https://ieeexplore.ieee.org/document /7494106.
Md. Saikat I. K., Islam N., Uddin J. et al. Water quality prediction and classification based on principal component regression and gradient boosting classifier approach. Journal of King Saud University. Computer and Information Sciences. 2021. Riyadh, Saudi Arabia. DOI: 10.1016/j.jksuci.2021.06.003. Available: https://www.sciencedirect.com/science/article/ pii/S1319157821001361.
Ali Najah Ahmeda, Faridah Binti Othman, Haitham Abdulmohsin Afan, Rusul Khaleel Ibrahim, Chow Ming Fai, Md Shabbir Hossain, Mohammad Ehteram, Ahmed Elshafie. Machine learning methods for better water quality prediction. Journal of Hydrology, Volume 578, November 2019. DOI: 10.1016/j.jhydrol.2019.124084. Available: https://www.sciencedirect.com/science/ article/abs/pii/S002216941930819 4?via%3Dihub.
Kouadri, S., Elbeltagi, A., Islam, A.R.M.T. et al. Performance of machine learning methods in predicting water quality index based on irregular data set: application on Illizi region (Algerian southeast). Appl Water Sci, 11, 2021. DOI: 10.1007/s13201-021-01528-9. Available: https://doi.org/10.1007/s13201-021-01528-9.
Jobson H. E. Prediction of Travel time and Longitudinal Dispersion in Rivers and Streams, 1996, pp. 69.
A Gentle Introduction to the Rectified Linear Unit (ReLU). Available: https://machinelearningmastery.com/rectified-linearactivation-function-for-deep-learning-neural-networks/.
