Название статьи:
Применение нейронных сетей в системе водоснабжения
Авторы: Коваленко В.Н., студент, строительный факультет; техник, кафедра водоснабжение, химия и экология, Белорусский государственный университет транспорта, г. Гомель, Республика Беларусь,
kovalbyy@gmail.com,
Макаров Д.В., учебный мастер, кафедра физики, Уфимский государственный нефтяной технический универстет, г. Уфа, Российская Федерация,
dmitrij.makarov-1990@yandex.ru,
Вострова Р.Н., кандидат технических наук, доцент, кафедра водоснабжение, химия и экология, Белорусский государственный университет транспорта, г. Гомель, Республика Беларусь,
vostrova@tut.by В рубрике:
ИНЖЕНЕРНО-ТЕХНИЧЕСКИЕ НАУКИ
Год: 2020 Том: 2 Номер журнала: 3
Страницы: 62-74
Тип статьи: Научная статья
УДК: 628.1:510.6
Аннотация:
В статье описывается краткая классификация нейронных сетей и возможности их применения в различных отраслях жизнедеятельности человека. Основное внимание направлено на применении рассматриваемой технологии в сфере водоснабжения промышленных предприятий, использующих неподготовленную воду в технологических процессах. Исследование проводилось на филиале «Гомельская ТЭЦ-2» Республиканское унитарное предприятие «Гомельэнерго», г. Гомеля (Республика Беларусь). Главной задачей исследования, являлось выполнение помесячных расчёт реагентов, используемых в целях подготовки исходной воды, основываясь на спрогнозированных значениях искусственной нейронной сетью. Для этого, были собраны результаты анализов исходной воды из реки Сож за десятилетний период наблюдений, в течении которого, контроль качества воды проводится по семи показателям. Проведён сравнительный анализ концентраций, содержащихся в исходной воде, с текущими предельно-допустимыми концентрациями, установленными нормативами для теплоэлектроцентрали. Определена зависимость количества содержащихся веществ в исходной воде от времени года, в результате построены скрипичные графики, отражающие область распределения значений, а также линии тренда за период наблюдений. Для получения результата прогнозирования использовалась искусственная нейронная сеть с тождественной функцией активации. Функция основана на том, что входной сигнал для элемента сети в точности равен сигналу, выходящему из этого элемента. Исходя из среднеквадратичной ошибки и производительность каждой модели, были выбраны наиболее точные сети для прогнозирования. На основе полученного опыта и технологии прогнозирования существует возможность по внедрению на иные предприятия, использующие исходные водные ресурсы в процессе изготовлении продукции.
Ключевые слова: водоподготовка, загрязняющие вещества, искусственные нейронные сети (ИНС), исходная вода, предельно-допустимая концентрация, промышленность, реагенты, ТЭЦ (теплоэлектроцентраль)
Список цитируемой литературы: - Хайкин С. Нейронные сети: полный курс / С. Хайкин ; пер. с англ. - Москва : Вильямс, 2006. - 1104 с.
- Круглов В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - 2-е изд., стереотип. - Москва : Горячая линия-Телеком, 2002. - 382 с.
- Adamowski J. A Wavelet Neural Network Conjunction Model for Groundwater Level Forecasting / J. Adamowski, H.F. Chan // Journal of Hydrology. − 2011. - Vol. 407, iss. 1-4. − P. 28−40.
- Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика / В.И. Ширяев. - Москва : Ленанд, 2019. - 232 c.
- Ghiassi M. Urban Water Demand Forecasting with a Dynamic Artificial Neural Network Model / M. Ghiassi, D.K. Zimbra, H. Saidane // Journal of Water Resources Planning and Management. − 2008. − Vol. 134, iss. 2. − P. 138−146.
- Wu W. Protocol for Developing ANN Models and its Application to the Assessment of the Quality of the ANN Model Development Process in Drinking Water Quality Modeling / W. Wu, G.C. Dandy, R.M. Holger // Environmental Modelling & Software. − 2014. − Vol. 54, iss. 1. − P. 108−127.
- Kurunça A. Performance of two stochastic approaches for forecasting water quality and streamflow data from Yeşilιrmak River, Turkey / A. Kurunça, K. Yüreklia, O. Çevikb // Environmental Modelling & Software. - 2005. − Vol. 20, iss. 9. − P. 1195−1200.
- Lee D.J. A Stochastic Model of River Water Quality: Application to Salinity in the Colorado River / D.J. Lee, R.E. Howitt, M.A. Mariño // Water Resources Research. - 1993. − Vol. 29, iss. 12 − P. 3917−3923.
- Lehmann A. Long-Term Behaviour and Cross-Correlation Water Quality Analysis of the River Elbe, Germany / A. Lehmann, M. Rode // Water Research. - 2001. − Vol. 35, iss. 9. − P. 2153−2160.
- Parmar K.S. Water Quality Management Using Statistical Analysis and Time-Series Prediction Model / K.S. Parmar, R. Bhardwaj // Applied Water Science. - 2014. − Vol. 4, iss. 4. − P. 425−434.
- Zetterqvist L. Statistical Estimation and Interpretation of Trends in Water Quality Time Series / L. Zetterqvist // Water Resources Research. - 1991. − Vol. 27, iss. 7. − P. 1637−1648.
- Leontaritis I.J. Input-Output Parametric Models for Non-Linear Systems Part I: Deterministic Non-Linear Systems / I.J. Leontaritis, S.A. Billings // International Journal of Control. − 1985. − Vol. 41, iss. 2. − P. 303-328.
- Maier R.H. The Use of Artificial Neural Networks for the Prediction of Water Quality Parameters / R.H. Maier, C.G. Dandy // Water Resources Research. − 1996. − Vol. 32, iss. 4 − P. 1013−1022.
- Chen S. Representations of Non-Linear Systems: the NARMAX Model / S. Chen, S.A. Billings // International Journal of Control. − 1989. − Vol. 49, iss. 3. − P. 1013−1032.
- Рогозина Т.А. Исследование качества речных вод в условиях антропогенного воздействия (на примере Уфимского бассейна) : дис. ... канд. географ. наук : 25.00.36 / Т.А. Рогозина. − Санкт-Петербург, 2008. - 202 с.
- Игнатьев Н.А. Выбор минимальной конфигурации нейронных сетей / Н.А. Игнатьев // Вычислительные технологии. - 2001. - Т. 6, № 1. - С. 23-28.
- Степанов П.П. Искусственные нейронные сети / П.П. Степанов // Молодой ученый. - 2017. - № 4 (138). - С. 185-187.
- Потылицына Е.Н. Использование искусственных нейронных сетей для решения прикладных экологических задач / Е.Н. Потылицына, Л.В. Липинский, Е.В. Сугак // Современные проблемы науки и образования. - 2013. - № 4. - URL: http://science-education.ru/ru/article/view?id=9779.
- Sarkara A. River Water Quality Modelling using Artificial Neural Network Technique / A. Sarkara, P. Pandey // Aquatic Procedia. - 2015. - Vol. 4. - P. 1070−1077.
- Прогнозирование значений цветности питьевых и исходных вод с помощью ARIMA-модели и нейронной сети / Д.В. Макаров, Е.А. Кантор, Н.А. Красулина [и др.] // Юг России: экология, развитие. - 2019. - Т. 14, № 1. - C. 159−168.
- Gorban A.N. Neuroinformatics: What are us, where are we going, how to measure our way? / A.N. Gorban. - Washington, 1999. - 9 p. - URL: https://arxiv.org/ftp/cond-mat/papers/0307/0307346.pdf.
- Осовский С. Нейронные сети для обработки информации / С. Осовский ; пер. с пол. - Москва : Финансы и статистика, 2004. - 344 с.