9.利用人工神经网络的浊度测量估算悬沙浓度.doc

文档介绍：该【9.利用人工神经网络的浊度测量估算悬沙浓度 】是由【朱老师】上传分享，文档一共【10】页，该文档可以免费在线阅读，需要了解更多关于【9.利用人工神经网络的浊度测量估算悬沙浓度 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilities利用人工神经网络的浊度测量估算悬沙浓度AdemBayram&MuratKankal&Hizir?nsoyReceived:3February2024/Accepted:15July2024/Publishedonline:4August2024#SpringerScience+:悬沙浓度〔SSC〕通常由直接测量河水的含沙量或输沙公式确定。直接测量是非常昂贵的,所以我们无法对所有的河流测站进行直接测量。因此,由河流携带泥沙量的正确估计在水体污染,通道通航,水库蓄水,鱼类栖息地,河流美学和科学价值的方面是非常重要的。本研究探讨使用浊度作为替代南南合作作为原位浊度计正在越来越多地用来生成SSC的河流连续记录的可行性。出于这个原因,回归分析〔RA〕和人工神经网〔人工神经网络〕被用来估算基于SSC在现场浊度测量。在SSC首先被用于实验的六个监测站沿流Harsit,东部黑海盆地,土耳其的主要分支收集的地表水样品来确定。把2024年3月和2024年2月期间获得每月出版两期144的数据为每个变量。以人工神经网络的方法,所用的数据进行测试和验证从总共144个数据中取出的分别的设定是108,24和12。作为分析的结果,最小的平均绝对误差〔MAE〕,获得用于验证设定平方误差〔RMSE〕值。然而,。可以得出结论,在河流中浊度可以替代为SSC,并用于SSC的估计的人工神经网络方法提供可接受的结果。关键词:人工神经网络、回归分析、哈希特河、悬浮泥沙浓度、浊度。介绍天然河流的估计需要的水资源结构如水库,堤坝和稳定的渠道的优化设计和运行泥沙量。此外,它是在地表水体的沉积物影响的污染物的运输造成水质问题。河流输沙量根本上由推移和悬移质泥沙组成〔TayfurandGuldal2024〕的。据杨〔1996〕,悬浮泥沙构成的总负荷的75-95%。河流的悬移质泥沙一般是通过直接测量泥沙浓度或泥沙输运方程来确定。悬浮泥沙的直接测量是最可靠的方法之一。然而,测量站放置到良好的的位置所需要的昂贵的费用和收集数据的一个足够长的时间段使这项工作看起来是不实际的。这可能是对于具有关于土耳其河流较少的运算沉积物测站的原因。一般情况下,建设节水结构,如水坝或堰前,EIE〔总局电力资源调查与开展管理〕或DSI〔国家水利工程总局〕建立临时测站测量沉积物。结构开始运作不久之后,水文站要么被撤除或不再使用〔EIE2024;〕。许多研究已经做了二次参数,总悬浮固体〔转录起始位〕,如放电,浊度和水的密度相关。每个代理都有统计确定性,预测能力和后勤协调的局限性。作为最廉价和最简单的衡量方法之一,浊度已被广泛利用在许多环境中,包括河流,湖泊,湿地,滩涂盐沼。()。al.(1999)评估浊度是否可能产生的TSS令人满意的估计城市化进程中的普捷湾低地的分水岭。PavanelliandPagliarani(2024)建立的浊度和SSC之间的最正确关系,并应用此关系到样品的浊度,以得到的SSC。他们的结论是,SSC和浊度的简单线性回归是足够为SSL的准确估计。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesPfannkucheandSchmidt(2024)提出的回归模型得到的算法来确定南南合作的根底上从易北河,在德国东部的一条主要河流浊度测量。Campbelletal.(2024)设计和测试光纤在流透射〔FIT〕来衡量SSC,检查沉积物颜色和测量颗粒大小的影响,相比散客性能市售的浊度传感器。Pavanelli和毕齐〔2024年a,b〕致予三种可能的方法来估算悬浮物流流量:重量分析,浊度分析和沉降固体分析。斯塔布菲尔德等人〔2024〕在低浊度环境下评估比浊法作为替代,或预测,为TSS,总磷〔TP〕和可溶性活性磷〔SRP〕。Gao等人〔2024〕研究了用浊度来估算SSC在加利福尼亚州东南部的使用水样和实验室浊度仪灌溉为主的小流域的可靠性。米内拉等〔2024〕评估SSC和浊度之间的一个小乡郊集水区在巴西南部的关系〔〕,并评价两种校正方式,通过比较SSC从校准浊度读数与使用悬移质泥沙采样器获得的直接测量得到的估计数字。ELCI等〔2024年〕提高了使用声学多普勒流速仪quasisteady方案〔ADV〕反向散射数据作为一个河流或溪流发现SSC预测的方法。水温度和预测能力的粒度分布的影响,通过在不同的流中的低流量和洪水条件下进行测量,进行了调查。人工神经网络〔ANN〕必须学****和认识高度非线性关系〔1996Swingler〕,然后组织分散的数据到一个非线性模型〔赫克特1989〕的固有能力。神经网络的方法已被应用到科学的许多分支。这种做法正在成为提供民用和环境工程有足够的细节设计的目的和管理实践的有力工具。在建模中广泛的领域非线性系统行为的成功应用的启发,人工神经网络已在水文和水力学〔多甘等人,2024〕应用。因此,它们可以提供对从浊度测量估计SSC的理想手段。鲍尔斯和Shedrow〔2000〕预测悬浮物采用人工神经网络方法。浊度,流速和当地降雨被选定作为输入变量。Cigizoglu〔2024〕提出了预测和预报与应用多层感知器〔MLP〕的日常悬浮泥沙数据的适宜的模型。Agarwal等人〔2024〕使用回模拟径流和产沙BP神经网络基于降雨和排放。ALP和Cigizoglu〔2024〕采用前馈反向传播网络,径向基网络和多层回归估计悬移质泥沙〔SSL〕。Wang等人〔2024〕来评价神经网络模型的堰SSC估计的潜力。他们的研究中采用连续每小时浊度和水的排放来自南台湾甲仙拦河堰采集输入数据集比较了ANN模型南南合作估计的性能。哈米迪和Kayaalp〔2024〕在土耳其利用人工神经网络和RA的SSL估计底格里斯河。月平均降水量,气温和放电被视为该模型自变量。本研究的目的是评估浊度是否能产生SSC令人满意的估计,以及改善方法估算SSC在流Harsit,东部黑海盆地,土耳其原位浊度测量的根底上。出于这个原因,一个研究是2024年3月2024年2月期间进行每月出版两期,而RA和人工神经网络是用144的数据包括SSC和浊度的六个监测站使用。人工神经网络方法人工神经网络是人类企图以模拟和了解什么在神经系统内部具有捕捉一些生物系统的能力。人工神经网络是由生物系统与大量的神经元共同工作,这即使是最大的电脑一直无法匹敌的。人工神经元的功能是类似的真实的神经元,它们是能够通过发送信号彼此在大量偏置或加权连接的通信。每个神经元具有相关联的传递函数,它描述了如何其输入的加权和被转换为一个输出端〔图1〕。不同类型的人工神经网络已经开展的根底上,神经元排列,它们的连接和使用的培训模式。在各类人工神经网络,训练与反向传播算法的总纲开展蓝图已被证明是最有用的工程应用。反向传播是训练MLP的系统方法。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,,输出层和假设干隐层〔图2〕。隐藏层的存在允许网络呈现和计算模式之间的更复杂的关联。人工神经网络的根本方法包括三个过程,网络培训,测试和实现。,通过培训过程中调整,而训练效果称为监督学****人工神经网络的训练通常涉及通过学****规那么的方式修改连接权。学****过程是通过给权重,并从一组训练数据的计算偏差,或由按一定的条件调整的权重进行。然后,其他的测试数据被用来检查泛化。一反向传播网络的偏置输入的目的是,以稳定的激活函数的原点,用于提供更好的学****Tasgetiren2024〕。初始权重和偏移通常被随机分配的。作为输入数据通过隐藏层过去了,S形激活函数一般使用。该数据的训练过程中均匀选取。当所有的数据集都被处理一个特定的通完成。通常,几个道次,需要到达的估计精度所需的水平。训练实际上意味着每个输入模式,然后将其与正确的输出进行比较。根据预测值和实际输出之间的平方差的总误差计算对于整个训练集。的修正权重的调整已经进行了使用标准误差反向传播算法减少了与梯度下降法的总误差〔E〕〔ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesFausett1994;〕。在反向传播算法的权重的更新公式由下式给出:其中,α,η,L和XK是学****速率,动量参数,层号,并输出向量。总的误差平方和〔TSSE〕计算如下:其中yk是一个期望的输出向量〔2001Hal?c?〕。在本研究中使用的前述算法更新权重是划时代呈现之后。Epoch是通过整个模式设定的一个循环。研究领域的说明〔ok〕在土耳其,有26个水文盆地。随着24077平方公里一个补给区,东部黑海盆地是土耳其最重要的水文盆地之一,它是高加索生态区、Coruh盆地和Aras盆地的重要组成局部。东部黑海盆地由许多河流如Melet河,Pazar河,Karadere河和Firtina河等汇入。Harsit河分水岭是这些子流域之一〔拜拉姆等2010A,B,C;2011A,B,C〕。Harsit河是由小溪流汇成的,并起源于居米什哈省东部边境的Vauk山。它形成之后,Harsit河通过Tekke,居米什哈,Torul,Ozkurtun,Kurtun和Dogankent等城镇和城市,并倒入Tirebolu镇的黑海。其主要分支的长度为143公里,集水面积为3280平方公里。Harsit河上有四个水力发电厂〔HEPPS〕:Torul,Kurtun,Akkoy和Dogankent〔。拜拉姆等2010A,B,C,2011A,B,C〕。居米什哈省〔ok〕采样地点是在居米什哈省的相邻区域,位于土耳其东部黑海地区,位于东经38°45'至40°12'之间,北纬39°45'至40°50'。该地区拥有6437平方公里外表积和1,210米的平均海拔,其特点是崎岖地形。在过去一年〔NAS和2024年拜拉姆〕中,温度等气候条件发生急剧变化。根据1975年至2024年有气象记录的最低气温日变化从-℃,℃,在八月,℃,°C。〔TSMS2024〕。材料和方法浊度测量浊度是水的光学特性,它可以被用于测量相对水的清澈度。由于混浊的主要原因是颗粒悬浮,它也用来估算悬沙〔Pavanelli和毕齐2024年〕的浓度。水浊度在原地用水质检查〔堀场制作所的U-10〕在NTU〔浊度单位〕的条款而厘定。在U-10使用的光的吸收散射法。光的光束照射到样品带来的光束别离成〔1〕由该溶液中,〔2〕分散的样品浊度元件的光的透射光。在光吸收散射法,两者的强度透射光和散射光的测量笃行单独的受体,并根据两者的比值得到的浊度。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilities地表水采样在Torul混凝土面板堆石坝〔CFRD〕前的水样进行了两周一次的手工收集六个监测站,包括Tohumoglu,特克,Akcakale,居米什哈,Torul1和Torul2,分别位于流Harsit的过程2024年3月2024年二月〔图3〕的研究期间。采样点的详细信息列于表1。一升的地表水样品从约中层深度流的绘制。高密度聚乙烯〔HDPE〕瓶冲洗与该流的水,剧烈振摇,并再填充用于分析之前排空。采样,保存,运输等地表水样品送到实验室是按照标准方法〔1992APHA〕。。一旦水澄清,收集到的材料然后烘箱枯燥,在105℃下进行约;,直到该物质到达恒重。SSC是在实验室毫克每升的条款而厘定。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,,线性,对数,倒数,二次,三次,化合物,功率,S功能,生长指数和逻辑回归分析〔RAS〕中进行。只有从立方RA,这是最好的模式,现介绍具有最高的回归系数〔R2〕所获得的结果。其中,a1,a2,a3和??c分别是回归系数,y为SSC,和x是浊度。回归系数〔R2〕〔表2〕。。当设计一个神经网络来选择适宜的网络规模是很重要的。如果网络是太小了,它可能没有足够的可用参数,以充分代表的数据。如果网络太大,它可以失败的数据有意义的类别进行分类或拒绝新的模式从训练集太不相似。在一般情况下,找到一个适宜的网络结构是尝试和错误的问题,虽然有根据的推测可以通过训练数据集的大小进行比较,以在网络中的自由参数的数目来进行。如该图所示。2,一种三层,并且前馈网络被选择为这项研究。每个层被完全连接到下一个,但不进行连接的神经元之间存在于同一层中。所述第一层和第三层含有的输入和输出数据,分别。单个输入节点是浊度,和单个输出节点是SSC。每两周数据被分成108培训,测试24和??12的验证图案,分别。对于测试,训练和验证数据输入值列于表3中。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,,输入数据需要被归一化到一个适宜的范围内。甲双曲正切S形的第一传递函数〔输入层→隐蔽层〕和线性作为第二传递函数〔隐层→输出层〕的网络中使用。两个传递函数的设计提出自己的大局部变化在范围[0,1??]。因此,输入数据被归一化到范围[,],如下所示:选定的网络规模较概括和收敛之间的妥协。融合是网络的学****训练集中的模式的能力,泛化是它能够正确地新模式应对能力。这样做是为了实施,它能够学****的所有模式中的数据,同时保存它的一般化的规那么来新模式的能力尽可能小的网络。一个隐藏层是足以满足大多数应用〔康和1998年宋〕。作为确定节点的隐藏层的数量是不是一门精确的科学,几个网络具有不同数目隐藏的节点进行测试。最正确的神经网络结构的参数列于表5中。要开始训练过程中,所有训练模式的引入与随机初始化权重的网络,以及相应的输出记录。然后,网络误差〔E〕根据公式2计算并递增到广义的权重由方程1计算出来的权重进行更新,并在训练集呈现给网络再次计算一组新的误差。该过程继续进行,直到网络误差收敛或下降到低于一个指定的公差。用于更新给定重量的增量取决于两个衍生物:使上部节点的传递函数,而下级节点的传递函数的。出于这个原因,它以防止初始权重,它们将使得衍生物接近于零是重要的。在这项研究中,权重初始化为-,根据普遍接受的程序。因子α和η在方程1也影响收敛。学****率〔α〕为比例常数为广义反向传播规那么。将其值越大,在每次迭代中的变化的权重。动量项〔η〕是用来防止来自网络各处的局部最小值的振荡在参数空间。有ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesα和η的几种组合,以便找到一个神经网络具有良好的收敛性〔表4〕进行测试。。为了防止这种情况,当网络开始以记忆训练被切断。在这种情况下,训练集误差继续减小,但测试集的错误不会改变。因为网络的训练记忆前切,训练集的误差值可以大于在模型测试集〔Kankal等人2024〕。收敛的过程中训练速度监测如下。该模式被呈现在每个时间顺序相同。学****过程停止后20,000时代,以及时代数字导致测试集被确定的最小TSSE。表5示出了给出最正确结果的人工神经网络的结构。,训练的长度〔历元的数目〕,或隐藏层节点的数目的数量来提高。选择用于学****率〔α〕和动量〔η〕不同的值,也可改变网络的性能。然而,所有这些方法都增加训练网络所需要的计算时间。这是非常重要的,以在性能和训练时间之间的平衡。在人工神经网络中,最小的平均绝对误差〔MAE〕和均方根为测试组方误差〔RMSE〕值是从网络〔α=,η=〕,,分别为〔表5〕。如果停止准那么,该历元数,增加的错误可能会降低。此外,共轭梯度或调整共轭梯度法可用于降低最大相对误差,而不是学****的广义delta规那么。此外,与一个或多个隐层节点或与不同的学****率和动量项不同的网络结构可能会产生更小的误差。Mae的计算方法如下:均方根误差的定义如下:ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilities其中n是观察的数目,并ONN和Oeal是所计算的和实际的值,分别为。测试和验证集被用于评估信任的受过训练的网络的性能。二十四个测试和12的验证向量中使用人工神经网络模型。图4和图5分别是网络的测试和验证结果的表达,分别为。每个菱形符号代表一个测试和验证向量的两个数字。另外,从RA为相同的值所得到的结果示在同一个数字三角形。点在对角线周围聚集越近越好的学****效果。在对角线上的点的MAE和RMSE都为零。,,分别。同样,,〔表6〕。,人工神经网络模型的估计流Harsit在悬沙浓度〔SSC〕的能力进行了研究和合理的。从得到的结果中,人工神经网络模型给了SSC的理想估计,并且似乎是对SSC的预测土耳其流的有用工具。神经网络的训练,测试和验证的图形被从原位浊度测量和实验测定得到的SSC。神经网络的有效性是由SSC估计与实验和RA结果比较成熟。在分析结果中,最小平均绝对误差〔MAE〕和均方根误差〔RMSE〕,。。这项研究说明,人工神经网络方法,给出了比每两周SSC的建模方法的RA更好的效果,和浊度可能是一个可行的替代测量估算SSC由于浊度和SSC之间有足够的关系。这项研究可能是在SSC为无资料地区河流的预测进一步工作的巨大潜力,并为水资源和环境管理的有效工具。因此,采用人工神经网络从浊度测量估算SSC的鼓励,并建议在土耳其的其他流域未来的研究。ofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilitiesofruraldrinkingwatersources,pletewithwarningsigns,workprotectionfacilities致谢:本次研究受到了卡拉德尼兹〔黑海〕技术大学的研究基金的支持。