Karaçomak Barajı havzasında bazı su kalitesi parametrelerine yapay sinir ağı (YSA) tekniklerinin uygulanması

Abstract

Bu araştırmada, elektriksel iletkenlik (EC), pH, Sıcaklık (T), çözünmüş oksijen (DO), bulanıklık (TUR), toplam sertlik (Ha), toplam alkalinite, amonyak azotu (NH4-N), nitrit azotu (NO2-N), nitrat azotu (NO3-N), fosfat (PO4-P), biyokimyasal oksijen ihtiyacı (BOD), kimyasal oksijen talebi (COD), su ve atık suyun ölçümü için standart metotlara göre analiz edildi. Eylül 2015 ile Temmuz 2016 arasında istasyonlardan elde edilen sonuçlar, insan kullanımı için mükemmel ve kötü su kalitesi sınıflarına göre kategorize edilmiştir. Bu çalışmada Kastamonu Belediyesi ve Karaçomak Barajı için model yoluyla WQI'yı tahmin etmek için yapay sinir ağının (YSA) gelişimi incelenmiştir. Basit bir ilerleme ağına dayanan bu çalışmada son model yapı kullanılmıştır. Basit ileri besleme ağı, standart geri yayılım algoritması (Levenberg-Marquardt) (tren-lm) ve Bayes düzenlemesi geri yayılımı (tren-br) olmak üzere iki farklı eğitim algoritması ile uygulanır. Bu çalışmada modelleme için bir gizli katman seçilmiştir ve gizli nöronların sayısı giriş düğümlerinin (n+1) ve (2n+1) olarak belirlenmiştir. Birçok ampirik inceleme, gizli nöron seti kullanılarak gerçekleştirilmektedir. Modelin, WQI'ini tahmin etmek için yaratılan tüm parametreleri varsa, (2n+1) gizli düğümlerde modifiye ettikleri, ancak 5 parametreden daha az giriş olduğunda, gizli düğümü (n+1) ile azaltmak isteyecektir. Öte yandan, WQI-Calculation ve WQI-Predict arasında karşılaştırma tamamlanmıştır. Karşılaştırma şu şekildedir: Model2-abr> model2-alm> model2-5br> sonuncusu model2-5lm'dir. Bu keşif, gizli nöronların miktarının, sistemin uygulanmasını doğrudan etkilemiş şeklini kullanarak tasvir edilebilir ve bu modeli, standart geri yayılım algoritması için aktivasyon fonksiyonu (train-br) en uygun hale getirildiği için Bayesian mevzuatının geri yayılımı ile birlikte görebiliyoruz.

In this study, electrical conductivity (EC), pH, temperature (T), dissolved oxygen (DO), turbidity (TUR), total hardness (Ha), total alkalinity, ammonia nitrogen (NH4-N), nitrite nitrogen (NO2-N), nitrate nitrogen (NO3-N), phosphate (PO4-P), biochemical oxygen demand (BOD), chemical oxygen request (COD) were analysed in accordance to standard methods for the examination of water and wastewater. Between September 2015 and July 2016, the results obtained from the stations have been categorized between excellent to poor water quality for the human use. In this study, the development of the artificial neural network (YAS) for estimating WQI for the Kastamonu Municipality and Karacomak Dam was investigated. The last model structure utilized in this study which is based on a simple feedforward network. The simple feedforward network is applied with two different training algorithms the standard back-propagation algorithm (Levenberg-Marquardt) (train-lm) and Bayesian regulation backpropagation (train-br). In this study, one hidden layer has been selected for modelling and the number of the hidden neuron is set (n+1) and (2n+1) of input nodes. And, many empirical investigations are carried out by using the deferent set of hidden neurons. It used to be determined that If the model has all parameters (input) that are created to predicted the WQI (output) they modified in hidden nodes at (2n+1) however if there is any change in the number of input with 5 or much less than 5 parameters inputs, that it will want to decrease of the hidden node with (n+1). On the other hand, the comparison has been completed between WQI- Calculation and WQI -Predict. The order is as follows model2-abr >model2-alm >model2-5br >the last one is model2-5lm. This discovering can be depicted by using the way that the quantity of hidden neurons straightforwardly affects the execution of the system and we can see that model with Bayesian legislation backpropagation as activation function (train-br) is optimal to the standard back-propagation algorithm (Levenberg-Marquardt) train-lm.