Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Sztuczne Sieci Neuronowe" wg kryterium: Temat


Wyświetlanie 1-7 z 7
Tytuł:
Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych krótkotrwałego poboru wody w wybranych systemach wodociągowych.
Artificial Neural Networks for Predicting Water Demand Time Series in Municipal Water Supply Systems of Choice.
Autorzy:
Cieżak, W.
Siwoń, Z.
Cieżak, J.
Powiązania:
https://bibliotekanauki.pl/articles/237688.pdf
Data publikacji:
2006
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
system wodociągowy
pobór wody
prognozowanie
sztuczne sieci neuronowe
water supply system
water demand
forecasting
artificial neuron networks
Opis:
W artykule omówiono wyniki modelowania i prognozowania szeregów czasowych poboru wody z miejskich sieci wodociągowych dla potrzeb optymalnego sterowania procesami zaopatrzenia w wodę. Zaprezentowano wyniki praktycznej weryfikacji sztucznych sieci neuronowych na przykładzie wydzielonego rejonu sieci wodociągowej we Wrocławiu i Brzegu. Przedstawiona została propozycja struktury sieci neuronowej przystosowanej do prognozowania zapotrzebowania na wodę, a także omówiono metody przygotowania danych statystycznych do późniejszego wykorzystania przy prognozowaniu z zastosowaniem sieci neuronowych. Wykazano silne i słabe strony omawianej metody prognozowania, jej skuteczność i dokładność. Skuteczność sztucznych sieci neuronowych w prognozowaniu szeregów czasowych krótkotrwałego poboru wody okazała się w praktyce porównywalna ze skutecznością modeli klasy ARIMA.
Water demand time series were modeled and forecast for the purpose of optimal control of water supply processes in municipal water supply systems. The verification of the artificial neural network models involved a separate water supply subsystem for Wrocław and the water supply system for Brzeg. A structure of artificial neural networks is proposed for water demand prediction. Methods of statistical data processing for further use with neural networks for water demand prediction are also discussed. The strengths and weaknesses of this approach are pointed out along with its efficiency and accuracy. The results show that the efficiency of neural networks in forecasting the water demand time series is comparable with the efficiency of ARIMA models. Hence, the neural networks can be used as an alternative to the ARIMA models.
Źródło:
Ochrona Środowiska; 2006, R. 28, nr 1, 1; 39-44
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sterowania dawką koagulantu w czasie rzeczywistym w celu zwiększenia skuteczności procesu koagulacji
Use of real time coagulant dose control to upgrade the efficiency of the coagulation process
Autorzy:
Kłos, M.
Gumińska, J.
Powiązania:
https://bibliotekanauki.pl/articles/237145.pdf
Data publikacji:
2011
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
koagulacja
sterowanie dawką koagulantu
jakość wody
sztuczne sieci neuronowe
modelowanie
coagulation
coagulant dose control
water quality
artificial neural networks
modeling
Opis:
Zagadnienie sterowania dawką koagulantu w procesie oczyszczania wód powierzchniowych nie jest jeszcze zagadnieniem w pełni rozwiązanym. Stosowane w praktyce wodociągowej rozwiązania techniczne opierają się głównie na określeniu korelacji między wybranymi wskaźnikami jakości ujmowanej wody, np. mętnością, potencjałem elektrokinetycznym (analiza prądu strumieniowego) i ich wykorzystaniem w prostych układach automatyki. W artykule przedstawiono wyniki badań nad założeniami pracy układu oczyszczania wody działającego zgodnie z proponowanymi algorytmami sterującymi dawkowaniem koagulantu. Badania przeprowadzono w zakładzie oczyszczania wody powierzchniowej w rejonie pogórskim, w którym wody charakteryzują się dużą zmiennością jakości. Analiza wyników badań, wykorzystująca zarówno klasyczne modele matematyczne, jak i sztuczne sieci neuronowe, dała podstawy systemu sterowania dawką koagulantu, pozwalającego na rozszerzenie funkcjonalności układu wykorzystującego standardowy analizator prądu strumieniowego.
There are no simple solutions to the problem of coagulant dose control in the process of surface water treatment. Those currently being used in engineering are generally focused on determining the correlation between some of the parameters that describe the quality of raw water, e.g. turbidity or the electrokinetic potential (streaming current analysis), and on implementing them in simple automatics. This paper describes the results of investigations that underlie the assumptions for the water treatment train, and based on these data proposes an algorithm for coagulant dose control. Pertinent studies were conducted at a surface water treatment plant located in a foot-hill area. The water entering the treatment plant is highly variable in quality. Analysis of the test results (where use was made of both classical mathematical models and artificial neural networks) enabled formulation of the principles for the system of coagulant dose control, which consequently upgraded the functionality of the system involving a standard stream current analyzer. słowa kluczowe polskie: Koagulacja, sterowanie dawką koagulantu, jakość wody, sztuczne sieci neuronowe, modelowanie.
Źródło:
Ochrona Środowiska; 2011, 33, 4; 71-76
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sztucznych sieci neuronowych do prognozowania zmian mętności wody po procesie koagulacja/ultrafiltracja
Artificial neural networks - A viable option for predicting changes in water turbidity after treatment by coagulation/ultrafiltration
Autorzy:
Kabsch-Korbutowicz, M.
Kutyłowska, M.
Powiązania:
https://bibliotekanauki.pl/articles/237305.pdf
Data publikacji:
2010
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
sztuczne sieci neuronowe
oczyszczanie wody
mętność
koagulacja
ultrafiltracja
membrany zanurzone
artificial neural networks
water treatment
turbidity
coagulation
ultrafiltration
submerged membranes
Opis:
Sztuczne sieci neuronowe w technologii oczyszczania wody mogą być wykorzystywane jako alternatywna metoda matematycznego modelowania funkcji wielu zmiennych. W pracy opisano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania mętności wody infiltracyjnej oczyszczonej w zintegrowanym procesie koagulacja/ultrafiltracja. Do prognozowania mętności filtratu stworzono różne struktury wielowarstwowego perceptronu z jedną warstwą ukrytą. Sygnałami wejściowymi do sieci były mętność wody dopływającej, mętność wody po koagulacji, ciśnienie transmembranowe, strumień filtratu oraz temperatura i pH wody. Na wyjściu sieci znajdował się jeden neuron symbolizujący wartość współczynnika określającego skuteczność zmniejszenia mętności wody oczyszczonej. Wykazano, że sieć neuronowa o parametrach MLP 7-9-1 charakteryzowała się najmniejszym błędem średniokwadratowym w prognozowaniu. W przypadku tej sieci współczynnik korelacji wynosił 84,38%. Uzyskane wyniki wskazują na wystarczającą (choć nie idealną) zbieżność prognozy z danymi doświadczalnymi z pilotowej stacji oczyszczania wody infiltracyjnej.
Artificial neural network modeling is widely used in water treatment techno-logy as an alternative method to deal with functions of several variables. In the study reported on in this paper consideration was given to the possibilities of using artificial neural networks to predict the turbidity of infiltration water after treatment by the integrated coagulation/ultrafiltration process. To forecast the turbidity of the permeate it seemed advisable to create different structures of the multilayer perceptrone with one hidden layer. Raw water turbidity, water turbidity after coagulation, transmembrane pressure, permeate flux, water temperature and water pH were adopted as input signals. One neuron at the output of the network described the value of the turbidity retention coefficient. It has been demonstrated that the neural network of the parameters MLP 7-9-1 was characterized by the least mean-square error in forecasting. For this network the coefficient of correlation equaled 84.38%. Simulation results have revealed that the convergence with experimental data was sufficiently good (although not ideal).
Źródło:
Ochrona Środowiska; 2010, 32, 2; 15-20
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie wielowarstwowych sztucznych sieci neuronowych do średnioterminowego prognozowania poboru wody – studium przypadku
Application of multilayer perceptron artificial neural networks to mid-term water consumption forecasting – a case study
Autorzy:
Piasecki, A.
Jurasz, J.
Marszelewski, W.
Powiązania:
https://bibliotekanauki.pl/articles/237135.pdf
Data publikacji:
2016
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
sieć wodociągowa
pobór wody
prognozowanie
sztuczne sieci neuronowe
zmienna objaśniająca
water supply system
water consumption
forecasting
artificial neural networks
exogenous variable
Opis:
Do prognozowania miesięcznego poboru wody w wybranym mieście o średniej wielkości wykorzystano wielowarstwowe sztuczne sieci neuronowe. Badaniem objęto jedno z osiedli w Toruniu – Czerniewice, które ma własny system wodociągowym (inny niż pozostała część miasta). Początkowo w analizie uwzględniono dziewięć zmiennych objaśniających, opisujących warunki meteorologiczne, ekonomiczne i społeczne. W trakcie prognozowania okazało się, że wykorzystanie wszystkich zgromadzonych zmiennych wejściowych korelujących z poborem wody nie dało prognoz najlepszych jakościowo. Najlepszy wynik w tym zakresie (oceniony na podstawie wartości błędu typu MAPE) uzyskano w przypadku modelu zbudowanego na podstawie takich zmiennych, jak liczba osób korzystających z wodociągu, cena wody, maksymalna temperatura i wilgotność powietrza oraz średni dochód na jednego mieszkańca. Wykazano, że zakres zmiennych uwzględnianych w prognozowaniu poboru wody za pomocą sieci neuronowych wymaga dostosowania do warunków lokalnych. W rozpatrywanym przypadku sztuczne sieci neuronowe potwierdziły swą użyteczność w zakresie średnioterminowego prognozowania poboru wody.
Multilayer perceptron (MLP) artificial neural networks were employed to monthly water consumption forecasting. Research encompassed Czerniewice, one of the estates in Torun with a dedicated waterworks system (different from the other part of the town). Initially, nine exogenous variables describing meteorological, economic and social conditions were examined. The forecasting process revealed that implementation of all input variables correlating with water consumption did not lead to the highest quality forecasts. In terms of quality, the best result (evaluated based on MAPE criterion) was achieved for a model built on variables such as number of residents with access to waterworks, water rate, maximum temperature and humidity, and average income per inhabitant. It was demonstrated that the selection of input variables used for water consumption forecasting should be adjusted to local conditions. In the example considered, artificial neural networks proved useful in mid-term water consumption forecasting.
Źródło:
Ochrona Środowiska; 2016, 38, 2; 17-22
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modele neuronowe szeregów czasowych godzinowego poboru wody w osiedlach mieszkaniowych
Neural network models of hourly water demand time series in housing areas
Autorzy:
Siwoń, Z.
Cieżak, W.
Cieżak, J.
Powiązania:
https://bibliotekanauki.pl/articles/237770.pdf
Data publikacji:
2011
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
sztuczne sieci neuronowe
szeregi czasowe
prognozowanie
pobór wody
system wodociągowy
artificial neural networks
time series
forecasting
water demand
water supply system
Opis:
Omówiono wyniki modelowania i prognozowania szeregów czasowych poboru wody z miejskich sieci wodociągowych na potrzeby optymalnego sterowania procesem zaopatrzenia w wodę. Zaprezentowano wyniki weryfikacji sztucznych sieci neuronowych na przykładzie wydzielonego rejonu sieci wodociągowej w Kłodzku i we Wrocławiu. Przedstawiono analizę przydatności sztucznych sieci neuronowych w bieżącym prognozowaniu szeregów czasowych godzinowego poboru wody, która wykazała, że optymalne struktury sieci perceptronowych i liniowych nie są skomplikowane, co między innymi ułatwia proces ich douczania lub uczenia od nowa. W praktyce błędy prognozowania przy wykorzystaniu wielowarstwowych perceptronowych sieci neuronowych i liniowych sieci neuronowych okazały się porównywalne lub mniejsze od błędów predykcji wg modeli klasy ARIMA i metod wykładniczego wygładzania szeregów czasowych. Wykazano, że przydatność sieci o radialnych funkcjach bazowych do prognozowania dobowych histogramów godzinowego poboru wody była ograniczona i jednocześnie mniejsza niż sieci liniowych oraz perceptronowych.
The paper outlines the results of modeling and forecasting the water demand time series for the optimal control of water supply processes in municipal water supply systems. The results of verification of the artificial neural network models have been presented for a separate water supply subsystem in Klodzko and in Wroclaw. Analysis of the performance of artificial neural networks when used to develop current predictions of the time series for hourly water demand has revealed that the optimal structures of perceptron and linear networks are not very complicated, which facilitates the process of additional training or re-training. Practically, it has been found that forecasting produces comparable or smaller errors when focused on multilayer perceptron neural networks and linear neural networks than when based on the use of ARIMA models and exponential smoothing of the time series. Applicability of neural networks of radial base functions (RBF) to forecasting daily water demand histograms is limited, and lesser than that of linear and perceptron networks.
Źródło:
Ochrona Środowiska; 2011, 33, 2; 23-26
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w odpływie z oczyszczalni ścieków
Application of artificial neural networks to forecasting total nitrogen content in secondary effluent from treatment plants
Autorzy:
Wąsik, E.
Chmielowski, K.
Studziński, J.
Szeląg, B.
Powiązania:
https://bibliotekanauki.pl/articles/237416.pdf
Data publikacji:
2018
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
ścieki komunalne
ścieki oczyszczone
modelowanie
prognozowanie
sztuczne sieci neuronowe
azot ogólny
azot amonowy
azotyny
azotany
azot organiczny
sewage
secondary effluent
modeling
forecasting
artificial neural networks
total nitrogen
ammonia nitrogen
nitrites
nitrates
organic nitrogen
Opis:
Zaprezentowano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w ściekach oczyszczonych w funkcji jego różnych postaci występujących w odpływie z oczyszczalni ścieków. W badaniach zastosowano dane z lat 2010–2016, zawierające pomiary zawartości związków azotu w ściekach odpływających z oczyszczalni obsługującej aglomerację o równoważnej liczbie mieszkańców powyżej 100000. Zbiór danych wejściowych został wstępnie poddany analizie skupień i następnie wykorzystany do trenowania sieci neuronowej w postaci perceptronu wielowarstwowego. Na podstawie uzyskanych symulacji stwierdzono, że najmniejsze wartości błędów prognozy ilosci azotu ogólnego (2÷3%) uzyskano w wariancie, gdy jego wartość była funkcją wszystkich postaci azotu występujących w oczyszczonych ściekach. W przypadku modelu wykorzystującego jedynie dane o zawartości azotu nieorganicznego oraz azotanów otrzymane wyniki symulacji niewiele różniły się od wartości rzeczywistych, na co wskazuje bardzo duża wartość współczynnika korelacji (>97%). Wartość średniego błędu bezwzględnego w tym przypadku zwiększyła się tylko o około 4 punkty procentowe do wartości 6,2% (proces uczenia) oraz 6,9% (proces testowania/walidacji) w stosunku do symulacji wykorzystującej wszystkie postacie azotu w ściekach.
Potential application of artifi cial neural networks (ANN) to forecast total nitrogen content (TNC) in treated wastewater was presented as a function of selected nitrogen forms present in the secondary effl uent. The analyzed data from the period of 2010–2016 covered measurements of the nitrogen content in the effl uent from the treatment plant servicing agglomeration with a population equivalent of more than 100,000. The input data set was initially subjected to cluster analysis and then, used to train a neural network in the form of a multilayer perceptron (MLP). The simulations demonstrated that the smallest error values for the forecast of TNC (2–3%) were obtained for the variant, the value of which was a function of all the forms of nitrogen present in the secondary effl uent. For the total nitrogen model based on inorganic nitrogen and nitrates data only, the simulation results did not differ signifi cantly from the actual values, as indicated by a very high correlation coeffi cient (over 97%). In this case, the value of the mean absolute error increased only by nearly 4% to 6.2% (learning process) or 6.9% (testing/validation process), compared to the simulation based on all the nitrogen forms in the sewage.
Źródło:
Ochrona Środowiska; 2018, 40, 1; 29-33
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
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
Autorzy:
Szeląg, B.
Studziński, J.
Chmielowski, K.
Leśniańska, A.
Rojek, I.
Powiązania:
https://bibliotekanauki.pl/articles/237303.pdf
Data publikacji:
2018
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
Wastewater inflow
sewage treatment plant
water level
daily precipitation
artificial neural networks
discriminant models
mean square error
mean percentage error
relative error
residual relative error
importance coefficient
dopływ ścieków
oczyszczalnia ścieków
poziom wody
opad dobowy
sztuczne sieci neuronowe
model dyskryminacyjny
błąd średniokwadratowy
średni błąd procentowy
błąd względny
względny błąd resztowy
współczynnik ważności
Opis:
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.
Źródło:
Ochrona Środowiska; 2018, 40, 4; 9-14
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-7 z 7

    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