PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2010 | 548 | 2 |

Tytuł artykułu

Wykorzystanie sieci neuronowych do prognozowania jakości wody powierzchniowej retencjonowanej w zbiorniku do celów wodociągowych

Autorzy

Warianty tytułu

EN
Neural networks used for forecasting the quality of the surface water retained at the reservoir, used for consumption purposes

Języki publikacji

PL

Abstrakty

PL
W artykule podjęto problematykę prognozowania jakości wody w zbiorniku retencyjnym „Sosnówka”. Wody gromadzone w tym zbiorniku są źródłem wody surowej dla zakładu uzdatniania wody o wydajności 25 tys. m3·d-1. Analizie poddano wskaźniki jakościowe wody retencjonowanej w zbiorniku oraz jego dopływów w okresie dwóch lat. Na podstawie badań ustalono, że woda w zbiorniku charakteryzuje się dużą zmiennością barwy, mętności i odczynu. Woda ma niską zasadowość i twardość. Stężenia związków azotowych i fosforanów są niskie. Do prognozowania wybranych wskaźników jakości wody gromadzonej w zbiorniku posłużono się siecią neuronową typu Flexible Bayesian Models (FBM). W analizie wykorzystano model regresyjny, w którym zmiennymi objaśnianymi stanowią zmienne ciągłe: barwa, mętność, odczyn, twardość i zasadowość wody, w oparciu o cztery zmienne objaśniające: czas, stan wody w zbiorniku, opad dobowy w zlewni i temperatura wody. Uczenie sieci oparto na zgromadzonych danych historycznych opisanych w badanym okresie. Uzyskane wyniki wskazują, że sieci neuronowe mogą być wykorzystywane do prognozowania jakości wody w zbiornikach retencyjnych.
EN
The article focuses on the prognosis of the quality of water retained at Sosnówka reservoir. The reservoir reserves the supply of raw water to the water treatment plant of 25.000 m3·d-1 efficiency. The analysis included the examination of the quality factors of the reservoir water as well as its tributaries during 2 years. The examinations led to a conclusion that the water was of a large variety with regard to the colour, turbidity and pH. The water was of low both alkalinity and hardness. The concentration of both nitrogen compounds and phosphates was low. Flexible Bayesian Models (FBM) were the neural network which was used to forecast the reservoir water quality indicators. The analysis included the regression model of which the target variables include constant ones such as: colour, turbidity, pH and water hardness and alkalinity being subject to input variables such as: time, reservoir water level, daily atmospheric precipitation at the catchment area and water temperature. Adjusting of the network was based on the historical data described at the examined time. The acquired results show that the neural network may be used for forecasting the reservoir water quality.

Wydawca

-

Rocznik

Tom

548

Numer

2

Opis fizyczny

s.477-490,tab.,wykr.,bibliogr.

Twórcy

autor
  • Katedra Techniki Cieplnej i Aparatury Przemysłowej, Wydział Mechaniczny, Politechnika Opolska, ul.Mikołajczyka 5, 45-271 Opole

Bibliografia

  • Bartoszewski K. 1992. Wyznaczenie zasobów wodnych z uwzględnieniem jej jakości. Ochrona Środowiska nr 2-3/46-47: 37-40 ss.
  • Brion G.M., Lingireddy S. 2003. Artificial neural network modelling: a summary of successful applications relative to microbial water quality. Water Science & Technology 47(3): 235-240.
  • Camarinha-Matos L.M., Martinelli F.J. 1998. Application of machine learning in water distribution networks. Intelligent Data Analysis 2: 311-332.
  • Cougnaud A., Faur-Brasquet C., Le Cloirec P. 2005. Neural networks modelling of pesticides removal by activated carbon for water treatment. Water Supply 4(5-6): 9-19.
  • Dawidowicz J. 2005. Metoda oceny średnic rurociągów wodociągowych przy użyciu sztucznych sieci neuronowych. Mat. konf. nauk. „Problemy gospodarki wodno-ściekowej w regionach rolniczo-przemysłowych”, Białowieża 5-7 VI 2005. Monografie Komitetu Inżynierii Środowiska PAN 30: 345-360 ss.
  • Deveughčle S., Do-Quang Z. 2005. Neural networks: an efficient approach to predict on-line the optimal coagulant dose. Water Supply 4(5-6): 87-94.
  • Gavin J., Graeme C., Dandy J., Holger R. 2003. Data transformation for neural network models in water resources applications. J. of Hydroinformatics 5: 245-258.
  • Imgw 2007. Zestawienie meteorologiczne - dobowe sumy opadów atmosferycznych (mm) z posterunków w Karpaczu i w Przesiece za okres 15.06.2005-15.07.2006. Instytut Meteorologii i Gospodarki Wodnej o/Wrocław.
  • Imgw 2009. Zestawienie meteorologiczne - dobowe sumy opadów atmosferycznych (mm) z posterunków w Karpaczu za okres 01.11.2007-31.10.2008. Instytut Meteorologii i Gospodarki Wodnej o/Wrocław.
  • Konarczak T. 2006. Sprawozdanie z badań jakościowych i technologicznych nad uzdatnianiem wody ze zbiornika retencyjnego „Sosnówka” na stacji pilotażowej dla potrzeb ZUW Jelenia Góra, raport końcowy, Budimex-Dromex SA, Cdagua SA.
  • Kudelska D., Cydzik D., Soszka H. 1994. Wytyczne monitoringu podstawowego jezior. Wydanie II uzupełnione, PIŚ, BMŚ, Warszawa: 18-24.
  • Licznar P., Łomotowski J. 2004. Prognozowanie dobowych rozbiorów wody przy wykorzystaniu sztucznych sieci neuronowych. Mat. Międzyn. Konf. Nauk. „Water Supply and Water Quality, 2004 Poznań: 175-183.
  • Licznar P. 2005. Wykorzystanie sztucznych sieci neuronowych do prognozowania zużycia wody w zakładach wodociągowych. INSTAL 11: 16-22.
  • Licznar P. 2007. Wykorzystanie sztucznych sieci neuronowych do predykcji stanów i natężeń przepływów w rzece. Gospodarka Wodna 2: 66-71.
  • Lula P., Tadeusiewicz R. 2004. Statistica Neural Networks, StatSoft, Kraków: 3-5; 21-22.
  • Neal R. 2000. Flexible Bayesian Models on Neural Networks, Gaussian Processes, and Mixtures v 2000-08-13. University of Toronto, Toronto: 2-5 (Instrukcja z programem obliczeniowym).
  • Rak A. 2008a. Zmiany jakości wody zlewni górskiej retencjonowanej do celów wodociągowych. Gospodarka Wodna 3(711): 115-121.
  • Rak A. 2008b. Treatment of water taken from a reservoir. Polish J. of Environmental Studies 17(2C): 9-14.
  • Rak A., Konarczak T. 2008. Badania pilotowe jako metoda ustalenia technologii uzdatniania wody powierzchniowej charakterystycznej dla zlewni górskiej retencjonowanej w zbiorniku, w: Zaopatrzenie w wodę, jakość i ochrona wód. M.M. Sozański, Z. Dymaczewski, J. Jeż-Walkowiak (Red.), tom I: 641-657.
  • Siwoń Z., Lomotowski J., Cieżak W., Licznar P., Cieżak J. 2008. Analizy i prognozowanie rozbiorów wody w systemach wodociągowych. PAN Komitet Inżynierii Lądowej i Wodnej, Instytut Podstawowych Problemów Techniki 61: 32-38.
  • Sozański M.M. 1992. Problematyka badawcza w projektowaniu i eksploatacji zakładów uzdatniania wody. Mat. konf. „Zagadnienia zaopatrzenia w wodę miast i wsi” PZITS, 2004 Poznań: 49-50.
  • Sroczan E.M., Urbaniak A. 2004. Wykorzystanie metod sztucznej inteligencji w monitorowaniu, sterowaniu i eksploatacji systemów zaopatrzenia w wodę i ochrony wód. Mat. Międzyn. Konf. Nauk. „Water Supply and Water Quality”, 2004 Poznań: 695-704.
  • Strugholtz S., Panglisch S., Gimbel R., Gebhardt J. 2008. Neural networks and genetic algorithms in membrane technology modelling. J. of Water Supply: Research and Technology AQUA 57(1): 23-34.
  • Zhou S.L., Macmahont T.A., Walton A., Lewis J. 2000. Forecasting daily urban water demand: a case study of Melbourne. J. of Hydrology 235: 153-164.
  • Zhou S.L, Macmahon T.A., Walton A., Lewis J. 2002. Forecasting operational demand for an urban water supply zone. J. of Hydrology 259: 189-202.

Typ dokumentu

Bibliografia

Identyfikatory

Identyfikator YADDA

bwmeta1.element.dl-catalog-5b65a5ec-603b-4b8c-b2bb-50fe19bc72e9
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.