Prognozowanie ilości ścieków dopływających do oczyszczalni za pomocą sztucznych sieci neuronowych z wykorzystaniem liniowej analizy dyskryminacyjnej Forecasting the sewage inflow into a treatment plant using artificial neural networks and linear discriminant analysis
W pracy przedstawiono wyniki prognozowania ilości ścieków dopływających do oczyszczalni komunalnej w Rzeszowie z wykorzystaniem perceptronowych wielowarstwowych sztucznych sieci neuronowych. W modelu prognostycznym przyjęto następujące zmienne niezależne: zmierzona ilość ścieków dopływających do oczyszczalni określona w poprzednich dobach, poziom wody w Wisłoku (odbiornik ścieków), suma dobowych opadów atmosferycznych oraz dobowa ilość wody tłoczonej do sieci wodociągowej. Przeprowadzone obliczenia wykazały, że wśród rozpatrywanych zmiennych istotny wpływ na zdolność predykcyjną modelu prognostycznego miał poziom wody w Wisłoku, wysokość opadów atmosferycznych oraz ilość ścieków dopływająca do obiektu zmierzona w poprzednich dniach. Analizowano również wpływ poszczególnych parametrów strukturalnych modelu opartego na sztucznych sieciach neuronowych na wyniki prognozowania. Przeprowadzone badania, z wykorzystaniem drzew klasyfikacyjnych, wykazały, że na liczbę neuronów w warstwie ukrytej wpływała liczba sygnałów wejściowych do modelu, natomiast rodzaj funkcji aktywacji w warstwach ukrytej i wyjściowej miał mniejsze znaczenie, co potwierdziły wartości o znaczeniu predykcyjnym. Badano również możliwość zastosowania liniowej analizy dyskryminacyjnej do oceny zdolności predykcyjnych skonstruowanych modeli prognostycznych. Uzyskane wyniki wykazały, że liniowa analiza dyskryminacyjna może być ciekawym narzędziem do oceny doboru zmiennych w modelu prognostycznym ilości ścieków dopływających do oczyszczalni.
The paper presents the results of forecasting the
sewage inflow into the municipal wastewater treatment plant
in Rzeszow using multilayer perceptron neural networks. For
the forecast model, the following independent variables were
adopted: the measured inflow volume to the treatment plant
from the previous days, the water level in the Wislok River (effluent receiver), the total daily precipitation and the daily water
inflow into the network. The calculations led to conclusions
that variables substantially affecting the prognostic capacity of
the forecast model included the water level in the Wislok River,
the volume of precipitation and the sewage inflow to the facility
from the previous days. Additionally, the impact of individual
structural parameters of the model based on artificial neural
networks on forecasting results was analyzed. The research
conducted with the use of classification trees demonstrated
that number of neurons in the hidden layer was influenced by
the number of inputs to the model, while the type of activation
function in the hidden and output layer was of minor importance
which was confirmed by the data of prognostic value. The applicability
of a linear discriminant analysis for assessment of
prognostic ability of the constructed forecast models was also
investigated. The results obtained demonstrated that the linear
discriminant model might be an interesting assessment tool
to select variables for the forecast model of sewage inflow to
a treatment plant.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00