Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 16

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  artificial neural network (ANN)
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
This study is aimed at evaluating the applicability of Artificial Neural Network (ANN) model technique for river discharge forecasting. Feed-forward multilayer perceptron neural network trained with back-propagation algorithm was employed for model development. Hydro-meteorological data for the Imo River watershed, that was collected from the Anambra-Imo River Basin Development Authority, Owerri – Imo State, South-East, Nigeria, was used to train, validate and test the model. Coefficients of determination results are 0.91, 0.91 and 0.93 for training, validation and testing periods respectively. River discharge forecasts were fitted against actual discharge data for one to five lead days. Model results gave R2 values of 0.95, 0.95, 0.92, 0.96 and 0.94 for first, second, third, fourth, and fifth lead days of forecasts, respectively. It was generally observed that the R2 values decreased with increase in lead days for the model. Generally, this technique proved to be effective in river discharge modelling for flood forecasting for shorter lead-day times, especially in areas with limited data sets.
2
Content available remote Prediction of water quality in Riva River watershed
EN
The Riva River is a water basin located within the borders of Istanbul in the Marmara Region (Turkey) in the south-north direction. Water samples were taken for the 35 km drainage area of the Riva River Basin before the river flows into the Black Sea at 4 stations on the Riva River every month and analyses were carried out. Changes were observed in the quality of water from upstream to downstream. For this purpose, the spatial and temporal variations of water quality were investigated using 13 water quality variables with the ANOVA test. It was observed that COD, DO, S and BOD were important in determining the spatial variation. On the other hand, it was found out that all the variables were effective in determining the temporal variation. Moreover, the correlation analysis which was carried out in order to assess the relations between water quality variables showed that the variables of BOD-COD, BOD-EC, COD-EC, BOD-T and COD-T were correlated and the regression analysis showed that COD, TKN and NH4-N explained BOD and BOD, NH4-N, T and TSS explained COD by approximately 80 %. Consequently, the Artificial Neural Network (ANN), Decision Tree and Logistic Regression models were developed using the data of training set in order to predict the water quality classes of the variables of COD, BOD and NH4-N. Quality classes were predicted for the variables by inputting the data of testing set into the developed models. According to these results, it was seen that the ANN was the best prediction model for COD, the Decision Tree for BOD and the ANN and Decision Tree for NH4-N.
EN
The main problem of batch back propagation (BBP) algorithm is slow training and there are several parameters need to be adjusted manually, such as learning rate. In addition, the BBP algorithm suffers from saturation training. The objective of this study is to improve the speed up training of the BBP algorithm and to remove the saturation training. The training rate is the most significant parameter for increasing the efficiency of the BBP. In this study, a new dynamic training rate is created to speed the training of the BBP algorithm. The dynamic batch back propagation (DBBPLR) algorithm is presented, which trains with adynamic training rate. This technique was implemented with a sigmoid function. Several data sets were used as benchmarks for testing the effects of the created dynamic training rate that we created. All the experiments were performed on Matlab. From the experimental results, the DBBPLR algorithm provides superior performance in terms of training, faster training with higher accuracy compared to the BBP algorithm and existing works.
EN
Given its importance in water resources management, particularly in terms of minimizing flood or drought hazards, precipitation forecasting has seen a wide variety of approaches tested. As monthly precipitation time series have nonlinear features and multiple time scales, wavelet, seasonal auto regressive integrated moving average (SARIMA) and hybrid artificial neural network (ANN) methods were tested for their ability to accurately predict monthly precipitation. A 40-year (1970–2009) precipitation time series from Iran’s Nahavand meteorological station (34°12’N lat., 48°22’E long.) was decomposed into one low frequency subseries and several high frequency sub-series by wavelet transform. The low frequency sub-series were predicted with a SARIMA model, while high frequency subseries were predicted with an ANN. Finally, the predicted subseries were reconstructed to predict the precipitation of future single months. Comparing model-generated values with observed data, the wavelet-SARIMA-ANN model was seen to outperform wavelet-ANN and wavelet-SARIMA models in terms of precipitation forecasting accuracy.
PL
Prognozowanie opadów, ze względu na ich znaczenie w gospodarce zasobami wodnymi, szczególnie w zmniejszaniu ryzyka powodzi czy susz, było już przedmiotem wielu badań. Serie miesięcznych opadów mają właściwości nieliniowe i różne skale czasowe, w związku z czym przetestowano różne metody: wavelet, metodę zintegrowanej sezonowej autoregresji z ruchomą średnią (SARIMA) i hybrydową metodę sztucznych sieci neuronowych (ANN) pod kątem ich zdolności do dokładnego przewidywania miesięcznych opadów. Czterdziestoletnią (1970–2009) serię opadów z irańskiej stacji meteorologicznej w Nahavand (34°12’N, 48°22’E) rozłożono na jedną podserię o niskiej częstotliwości i kilka podserii o wysokiej częstotliwości występowania opadów przez transformację falkową. Podserie o niskiej częstotliwości prognozowano za pomocą modelu SARIMA, podczas gdy podserie o wysokiej częstotliwości prognozowano, stosując ANN. Na koniec prognozowane podserie zrekonstruowano celem przewidywania opadów w poszczególnych miesiącach w przyszłości. Porównanie wartości generowanych przez model z danymi z obserwacji wykazało lepszą dokładność prognozowania opadów za pomocą modelu wavelet-SARIMA-ANN niż za pomocą modeli wavelet-ANN i wavelet-SARIMA.
PL
W pracy przedstawiono nowy, efektywny mechanizm pobudzania martwych neuronów, wykorzystywany w samoorganizujących się, sztucznych sieciach neuronowych Kohonena typu WTA (Zwycięzca Bierze Wszystko). Mechanizm ten polega na wyłączeniu (z procesu uczenia) na pewien określony czas neuronu, który wygrał rywalizację w poprzedniej iteracji. Mechanizm ten przy odpowiednim ustawieniu jego parametrów, niezależnie od sposobu przeprowadzenia inicjalizacji wstępnej wag początkowych, gwarantuje pobudzenie wszystkich martwych neuronów w procesie uczenia takich sieci. Neurony martwe mają negatywny wpływ na proces uczenia się sieci i znacznie ograniczaj możliwość jej późniejszego wykorzystania w różnych aplikacjach. Zaproponowany mechanizm może być z łatwością wykorzystany w sieciach WTA, implementowanych w postaci specjalizowanych układów scalonych (ASIC) i być dobrą alternatywą dla istniejących rozwiązań mechanizmu sumienia.
EN
The paper presents a novel, effective mechanism to activate dead neurons, which is used in Kohonen selforganizing, artificial neural network WTA type (Winner Takes All). The mechanism relies on exclusion from learning process for some period of time a neuron, which has won the competition in the previous iteration. The mechanism with set of appropriate settings of parameters and regardless of pre-initialization of beginning weights, ensures that all dead neurons become activated in the learning process of such networks. Dead neurons have a negative impact on the network learning process and significantly reduce the possibility of future usage these networks in different applications. The proposed mechanism, can be easily used in WTA networks, implemented as a specialized application in integrated circuits (ASIC) and it can be a good alternative for existing solutions of the conscience mechanism.
EN
Ground vibration is an undesirable outcome of an explosion which can have destructive effects on the surrounding environment and structures. Peak Particle Velocity (PPV) is a determining factor in evaluation of the damage caused by an explosion. To predict the ground vibration caused by blasting at the Gotvand Olya Dam (GOD) spilling basin, thirty 3-component records (totally 90) from 19 blasts were obtained using 3 VIBROLOC seismographs. Minimum and the maximum distance from the center of the exploding block to the recording station were set to be 11 and 244 meters, respectively. To evaluate allowable safe vibration and determining the permissible explosive charge weight, Artificial Neural Networks (ANN) was employed with Back Propagation (BP) and 3 hidden layers. The mean square error and the correlation coefficient of the network in this study were found to be 1.95 and 0.995, respectively, which compared to those obtained from the known empirical correlations, indicating substantially more accurate prediction. Considering the network high accuracy and precision in predicting vibrations caused by such blasting operations, the nearest distance from the center of the exploding block at this study was 11 m, and considering the standard allowable vibration of 120 mm/sec for heavy concrete structures, the maximum permissible explosive weight per delay was estimated to be 47.00 Kg. These results could be employed in subsequent safer blasting operation designs.
PL
Wibracje gruntu to niepożądany skutek prowadzenia prac strzałowych, które mogą negatywnie wpływać na otaczające środowisko oraz znajdujące się w sąsiedztwie budowle. Głównym wskaźnikiem używanym przy określaniu szkód spowodowanych przez wybuchy jest wskaźnik maksymalnej prędkości cząstek (PPV). Przy prognozowaniu wibracji terenu wskutek prac strzałowych prowadzonych na tamie Gotvand Olya i w zbiorniku zbadano zapisy 3-składnikowych prędkości ( w sumie 90 zapisów) z 13 wybuchów zarejestrowane przy użyciu sejsmografu 3 VIBROLOC. Maksymalna i minimalna odległość pomiędzy środkiem rozkruszanego bloku a stacją rejestrującą ustawiona została na poziomie 244 i 11 m. W celu określenia bezpiecznego poziomu drgań oraz dopuszczalnej wagi ładunku, zastosowano podejście wykorzystujące sieci neuronowe, z wykorzystaniem metody propagacji wstecznej i trzech warstw ukrytych. Błąd średniokwadratowy i współczynnik korelacji sieci wyniosły 1.95 i 0.95, co pozostaje w zgodności z danym uzyskiwanymi z obserwacji empirycznych, wskazując na poprawność i dokładność prognoz. Zakładając wysoki poziom dokładności sieci oraz wysoką dokładność w prognozowaniu poziomu drgań wywołanych przez prace strzałowe, przyjęto że najbliższa odległość od środka rozkruszanego bloku wyniesie 11 m. Uwzględniając standardowe dopuszczalne w przypadku ciężkich budowli betonowych poziomy drgań w wysokości 120 m/s, oszacowano że maksymalna dopuszczalna masa ładunku wyniesie 47.00 Kg, w przeliczeniu na jeden okres zwłoki. Wyniki badań wykorzystane być mogą w planowaniu kolejnych bezpiecznych prac strzałowych.
EN
In the recent years, intelligent methods as artificial neural networks are successfully applied for data analysis from different fields of the geosciences. One of the encountered practical problems is the availability of gaps in the time series that prevent their comprehensive usage for the scientific and practical purposes. The article briefly describes two types of the artificial neural network (ANN) architectures ‐ Feed‐ Forward Backpropagation (FFBP) and recurrent Echo state network (ESN). In some cases, the ANN can be used as an alternative on the traditional methods, to fill in missing values in the time series. We have been conducted several experiments to fill the missing values of daily sea levels spanning a 5‐years period using both ANN architectures. A multiple linear regression for the same purpose has been also applied. The sea level data are derived from the records of the tide gauge Burgas, which is located on the western Black Sea coast. The achieved results have shown that the performance of ANN models is better than that of the classical one and they are very promising for the real‐time interpolation of missing data in the time series.
EN
The dangerous sea and river water level increase does not only destroy the human lives, but also generate the severe flooding in coastal areas. The rapidly changes in the direction and velocity of wind and associated with them sea level changes could be the severe threat for navigation, especially on the fairways of small fishery harbors located in the river mouth. There is the area of activity of two external forcing: storm surges and flood wave. The aim of the work was the description of an application of Artificial Neural Network (ANN) methodology into the water level forecast in the case study field in Swibno harbor located is located at 938.7 km of the Wisla River and at a distance of about 3 km up the mouth (Gulf of Gdansk ‐ Baltic Sea).
9
Content available remote Traffic Flow Forecasting in Leisure Farm Areas Using Artificial Neural Networks
EN
Leisure agriculture experiences continuous development. However, because most leisure farm areas are located in isolated or remote regions and the planning and construction of traffic networks is greatly restricted by terrain and geographical features, the roads in these areas are narrower than those in other regions. This study focuses on traffic flow forecasting using the advanced artificial intelligence technology of artificial neural networks (ANNs) and makes a positive contribution to the forecasting methods for traffic flow regarding leisure farm areas.
PL
W artykule przedstawiono zaawansowany sposób prognozowania ruchu ulicznego w rejonach ośrodków wypoczynkowych, oparty na budowie sieci neuronowych (ANN). Opracowana metoda, zwiększa stan wiedzy na temat przewidywania płynności ruchu ulicznego w tych rejonach.
EN
Dead time parameter of Geiger-Müller (G-M) counters causes a great uncertainty in their response to the incident radiation intensity at high counting rates. As their applications in experimental nuclear science are widespread, many attempts have been done on improvements of their nonlinear response. In this work, response of a G-M counter system is optimized and corrected efficiently using feed forward artificial neural network (ANN). This method is simple, fast, and provides the answer to the problem explicitly with no need for iteration. The method is applied to a set of decaying source experimental data measured by a fairly large G-M tube. The results are compared with those predicted by a given analytical model which is called hybrid model. The maximum deviation of the corrected results from the true counting rates is less than 4% which is a significant improvement in comparison with the results obtained by the analytical method. Results of this study show that by using a proper artificial neural network structure, the dead time effects of G-M counters can be tolerated significantly.
PL
Sztuczne sieci neuronowe (SSN) umożliwiają rozwiązywanie problemów bardzo trudnych lub wręcz niemożliwych wcześniej do rozwiązania. W referacie zostaną przedstawione przykłady zastosowania sztucznych sieci neuronowych do rozwiązań wybranych problemów geotechnicznych. Pierwszy przykład dotyczy wykorzystania sztucznych sieci neuronowych do analizy przemieszczeń dwóch bliźniaczych tuneli wykonanych w technologii SCL (Sprayed Concrete Linning). Konstrukcja poddana analizie jest częścią stacji Fővám, czwartej linii metra w Budapeszcie. Analizę przeprowadzono bazując na danych uzyskanych podczas budowy linii metra oraz monitoringu geotechnicznego. W celu analizy opracowano model numeryczny, który posłużył do przeprowadzenia w pierwszej kolejności analizy wrażliwości użytych parametrów modelu konstytutywnego oraz do analizy wstecznej tych parametrów. W przypadku obu analiz posłużono się sztucznymi sieciami neuronowymi, które pokazały łatwość ich zastosowania oraz wiarygodność uzyskanych wyników. W drugim przykładzie przedstawiono sposób przewidywania średnicy kolumn iniekcyjnych. Określenie kształtu kolumn iniekcyjnych, w tym głównie ich średnicy, jest bardzo trudne. Możliwość zastosowania sztucznych sieci neuronowych do określenia średnicy kolumn może w znaczący sposób zoptymalizować metody projektowania kolumn iniekcyjnych. W przykładzie posłużono się obszerną bazą danych zawierającą opis warunków gruntowo-wodnych podłoża, w którym wykonano kolumny iniekcyjne i pomierzone wartości średnic kolumn po ich odsłonięciu. Dane związane z kolumnami iniekcyjnymi zostały wykorzystane do utworzenia sztucznej sieci neuronowej, a następnie do określenia przewidywanych średnic kolumn iniekcyjnych. Uzyskane wyniki charakteryzują się bardzo dobrą zbieżnością z rzeczywistymi wymiarami kolumn. Wykorzystanie sztucznych sieci neuronowych stanowi alternatywę wobec tradycyjnych metod rozwiązywania problemów geotechnicznych.
EN
Artificial Neural Networks (ANN) allow to solve difficult problems which sometimes are impossibleto solve using traditional methods. In the paper the examples of application of Artificial Neural Networks for solving selected problems in geotechnics are presented. First example deals with the use of ANN to analyze two similar tunnels built using SCL technology. The structure of interest is a part of Fővám square station of the 4th metro line in Budapest. Analysis was performed based on the data obtained from geotechnical monitoring and from construction stages. The numerical model was prepared for the purpose of sensitivity and back analyses of constitutive model parameters. In both cases the applications show the possibility and reliability of conducted results. Prediction method of jet grouting columns diameter was presented in the second example. Nowadays, definition of columns geometry and estimation of their diameters are difficult task. Possibility of ANN use for estimation of jet grouting columns diameter can optimize designing method. Wide database of field trial jet grouting columns, corresponding soil properties and their forming parameters with measured values of their diameters were used in the presented example. Data describing jet grouting columns were used for creating ANN and for estimating their diameters. The results are characterized by high correlation level between measured values of columns diameter and their predicted equivalents. The use of Artificial Neural Networks is an alternative method which can allow us to solve complex geotechnical problems. Selected examples confirm that the use of ANN is characterized by high reliability level.
12
EN
Decolouration of Acid Red 27 (AR27) was investigated using UV irradiation in the presence of SnO2 nanoparticles synthesized via the hydrothermal method. The average crystallite size of SnO2 nanoparticles synthesized for 2 h was about 3.73 nm, according to X-ray analysis, and the specific surface area, which was estimated from the Halsey based t plot, was about 288 m2/g. The effects of UV irradiation in the absence of a photocatalyst and in the presence of pure SnO2 nanoparticles without any light source were negligible. An artificial neural network (ANN) was used to build an empirical model for the results. The results of neural network analysis are in good agreement with the experimental data which show that AR27 decolouration exhibits pseudo-first-order kinetic behaviour.
13
Content available remote Hybrid computational systems instructural mechanics
EN
The first problem discussed in the paper is related to the reliability of structures. The simulation of the ultimate load of a steel girder is analized by means of a hybrid computational system FEM & ANN & p-EMP. The system consists of three components, with a low fusion grade. FEM is applied for 'off line' computing of the patterns for ANN training and testing. The trained ANN is then used for very fast generation of MC trials for the hybrid Monte Carlo method (HMC). The second problem corresponds to the identification of a neural material model (NMM) in elasto-plastic plane stress problems. The autoprogressive method (APM) was applied in a formulated hybrid system FEM/NMM/p-EMP with a very high fusion grade of components. The 'on line' interaction of all the components is applied at each load incremental step. In the third part of the paper the standing seminar on the application of ANN s in civil engineering, inspired by the ideas of the famous Professor Życzkowski's Seminar on applied mechanics, is briefly described.
PL
Pierwszy problem, analizowany w tym artykule, dotyczy analizy niezawodności konstrukcji. Nośność graniczna dźwigara stalowego jest symulowana za pomocą hybrydowego systemu obliczeniowego FEM & p-EMP. FEM jest stosowana do obliczania wzorców uczących i testujących ANN. Nauczona sieć służy do szybkiego generowania pseudolosowych próbek w symulacjach hybrydowej metody Monte Carlo (HMC). Drugi problem odnosi się do identyfikacji neuronowego modelu materiału ekwiwalentnego (NMM) w wybranych problemach płaskiego stanu naprężeń. Zastosowano system hybrydowy FEM/NMM/p-EMP charakteryzujący się bardzo wysokim stopniem integracji użytych komponentów. Do identyfikacji NMM zastosowano metodę autoprogresywną (AMP), która opiera się na interakcji 'on line' wszystkich komponentów na każdym przyroście obciążenia. Trzecia część pracy jest poświecona stałemu seminarium nt. stosowania ANNs w inżynierii lądowej, inspirowanego przez słynne Seminarium Profesora Życzkowskiego z zakresu mechaniki stosowanej.
14
EN
System of nanocoatings deposited by using physical vapour deposition is planned to be applied in the artificial heart prosthesis. Material models of these coatings are necessary for numerical design of these products and are crucial for accuracy of simulations. The objective of the present work is identification of parameters of material model of nanocoatings using two methods based on the nanoindentation test data: the classical inverse analysis and the artificial neural network metamodel. The inverse analysis is preceded by the development of FEM model dedicated to the nanoindentation test for the system of nanocoatings. The parameters of individual coating of the system are evaluated. In the second approach to decrease the computation cost, the metamodel is suggested. The metamodelling method is based on the artificial neural network technique. The achieved results confirm the usefulness of the presented solution in the identification of the material properties for the system of nanocoatings.
PL
System powłok, które są napylane za pomocą fizycznego osadzania z fazy gazowej, zaplanowano zastosować w sztucznej protezie serca. Znajomość modeli materiału omawianych powłok jest niezbędna do projektowania numerycznego tego produktu i kluczowa dla przeprowadzenia dokładnych symulacji. Celem niniejszej pracy jest identyfikacja parametrów modeli materiałów nanopowłok opierając się na wynikach z próby wciskania wgłębnika i stosując dwie metody numeryczne: klasyczną analizę odwrotną i metamodel zbudowany z użyciem sztucznych sieci neuronowych. Klasyczna analiza odwrotna została poprzedzona opracowaniem modelu elementów skończonych próby wciskania wgłębnika dla układu nanopowłok. Parametry modelu materiału każdej z powłok zostały określone. W drugim podejściu, aby obniżyć koszt obliczeniowy, zaproponowano wprowadzenie metamodelu. Tworzenie metamodelu polega na wprowadzeniu do rozwiązania sztucznych sieci neuronowych. Osiągnięte wyniki potwierdzają użyteczność zaprezentowanego rozwiązania do identyfikacji własności materiałów dla układu nanopowłok.
EN
The paper presents a comparative study of various learning methods for artificial neural network. The methods are: the backpropagation BP, the recursive least squares RLS, the Zangwill's method ZGW and the method based on evolutionary algorithm EA. The study consists of evaluating the learning effectiveness of these methods and selecting the most efficient one to be used in the designing of an adaptive neural voltage controller for a synchronous generator.
PL
W artykule przedstawiono wyniki badań porównawczych metod uczenia sieci neuronowych takich jak: metoda propagacji wstecznej błędów, rekurencyjna metoda najmniejszych kwadratów, metoda Zangwill'a, metoda algorytmów ewolucyjnych. Celem tych badań jest dobieranie najefektywniejszej metody uczenia do projektowania adaptacyjnego neuronowego regulatora napięcia generatora synchronicznego.
16
Content available remote Zastosowanie sztucznej sieci neuronowej do uzupełnienia danych zbiornikowych
PL
Przedstawiona praca jest poświęcona nowej metodzie zastosowania sztucznej sieci neuronowej (ANN) w zagadnieniach geologicznych takich jak ocena własności zbiornikowych skał węglanowych w oparciu o wyniki mikroskopowej analizy obrazu, a także odtworzenie przebiegu krzywych przepuszczalności względnej dla kilku typów piaskowców. Za pomocą ANN przeprowadzono analizę możliwości ekstrapolacji wyników badań laboratoryjnych przepuszczalności względnych i komputerowej analizy obrazu. Jako parametry bazowe do symulacji neuronowych wykorzystano wyniki badań porozymetrycznych wraz z analizą krzywych ciśnień kapilarnych oraz przepuszczalność liniową. Stwierdzono że poprawnie skonstruowana baza danych oraz wykonanie rzetelnych statystycznie oznaczeń przepuszczalności fazowej i komputerowej analizy obrazu, a także mikroskopowych analiz na płytkach cienkich umożliwia poprawną ekstrapolację oczekiwanych parametrów. Poprawność symulacji ANN sprawdzono wykonując serie testowych analiz Korelacja danych pomierzonych i wyliczonych ANN jest wysoka i wynosi odpowiednio w 0,98 symulacjach parametrów komputerowej analizy obrazu i 0,89 w symulacjach parametrów przepuszczalności względnych, co jest wystarczającym warunkiem do zastosowania tej metody w dalszych badaniach.
EN
This paper deals with a new method of using Artificial Neural Network (ANN) in solving various geological problems, including reservoir properties assessment of carbonate rocks derived from results of microscopic analysis of images, as well as from reconstruction of relative permeability curves for several sandstone types. Based on ANN, the relative permeability data and results of numerical parameterisations of microscopic analyses of images were perfomed. Porosity permeability, and other parameters, i.e. threshold pressures, specific surfaces and density, obtained during capillary pressure analyses were applied as a database. These studies indicate that the reliable database and properly prepared series of measurements result in good quality of extrapolation of relative permeability and microscopic analysis parameters. In both cases the use of ANN produces good results. The correlation coefficient of experimental and simulated data is high amounting to 0.98 (computer microscopic analysis) and 0.89 (relative permeability), which enable using this method for further investigations.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.