Badania struktur sieci neuronowych typu mlp do oceny układu stref ciśnienia systemu dystrybucji wody

• Autorzy: Dawidowicz J.

Warianty tytułu

EN

Research of structures of mlp artificial neural networks to evaluate the pressure zones of water distribution system

• Języki publikacji: PL

Abstrakty

PL

W artykule opisano badania nad różnymi strukturami sztucznych sieci neuronowych typu perceptron wielowarstwowy MLP przeznaczonych do oceny układu systemu dystrybucji wody. Problem oceny układu systemu został potraktowany jako zadanie klasyfikacji. Zdefiniowano klasy opisujące problemy występujące w procesie obliczeń związane z wysokością ciśnienia i podziałem systemu na strefy. Sieć neuronowa na podstawie zmiennych wejściowych, opisujących warunki hydrauliczne i terenowe, dokonuje klasyfikacji wskazując występujący problem w danym węźle systemu dystrybucji wody. Zamieszczono zestawienia tabelaryczne struktur przebadanych sieci neuronowych, wartości błędu uczenia, trafność klasyfikowania oraz analizę wrażliwości zmiennych wejściowych. Uzyskana sieć neuronowa ma za zadanie uzupełnić podstawową metodykę obliczeń systemów dystrybucji wody o elementy oceny uzyskanych wyników obliczeń.

EN

Designing of water distribution systems is inherently associated with hydraulic simulations the purpose of which is to determine the flow rate in individual system sections, selection of pipe diameters, calculation of pressure losses and of the pressure head at nodes. In the water distribution system design and hydraulic calculations one should, inter alia, check a pressure head in different parts of the system. It is also important to establish whether the system should consist of one or more pressure zones. It is connected with the appropriate location of network pumping stations and pressure reducing stations. There are many methods of calculation of water distribution systems that allow you to solve tasks for various structures of pipeline. Computer programmes based on the above methods calculate the value required variables describing the individual elements of the system, but do not have procedures for assessing their accuracy. Currently, there are no, and probably there will be no programmes which would replace a designer in the aforementioned tasks. However, nowadays one tries to develop computer programmes featuring certain degree of creativity in order to facilitate user decision making. The article describes research on the various structures of multilayer perceptrons designed to evaluate the pressure zones the water distribution system. The task of evaluation system was defined as a classification. Problems in the calculation of water distribution systems related to the amount of pressure and the division of the system into zones described using classes. A neural network based on input variables that describe the hydraulic conditions and terrain, classifies the problem occurring in a given node water distribution system. The article contains a table with tested multilayer perceptrons, learning error values, classification results and a table with sensitivity analysis network input variables. The resulting neural network should complement the basic methodology for calculating the water distribution systems with elements of evaluate the results calculations.

Słowa kluczowe

PL

system dystrybucji wody; sieci neuronowe; strefa ciśnienia; klasyfikacja

EN

water distribution system; neural networks; zone pressure; classification

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Budownictwo i Inżynieria Środowiska
• Rocznik: 2015
• Tom: Vol. 6, no. 2
• Strony: 53--60
• Opis fizyczny: Bibliogr. 19 poz., tab.

Twórcy

autor

Dawidowicz J.

• Wydział Budownictwa i Inżynierii Środowiska, Politechnika Białostocka, ul. Wiejska 45A, 15-351 Białystok

Bibliografia

• Bishop C.M. (1996). Neural Networks for Pattern Recognition. Oxford Univ. Press.
• Bridle J.S. (1990). Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition. W: Neurocomputing: Algorithms, Architectures and Applications. Fogelman-Soulie F., Herault J. (Eds.), Springer-Verlag, 227-236.
• Cormen T.H., Leiserson C.E., Rivest R.L., Stein C. (2012). Wprowadzenie do algorytmów. WNT.
• Dawidowicz J. (2015). Diagnostyka procesu obliczeń systemu dystrybucji wody z zastosowaniem modelowania neuronowego. Biblioteka Inżynierii Środowiska, Rozprawy Naukowe nr 268, Oficyna Wydawnicza Politechniki Białostockiej.
• Dijkstra E.W. (1959). A note on two problems In conexion with graphs. Numerische Mathematik, Vol. 1, 269-271.
• Hertz J., Krogh A., Palmer R.G. (1995). Wstęp do obliczeń neuronowych. WNT, Warszawa.
• Hornik K. (1991). Approximation capabilities of multilayer feedforward networks. Neural Networks, Vol. 4, 251-257.
• Hornik K., Stinchcombe M., White H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, Vol. 2, 359-366.
• Knapik K. (2000). Dynamiczne modele w badaniach sieci wodociągowych. Wydawnictwo Politechniki Krakowskiej, Kraków.
• Krawiec K., Stefanowski J. (2004). Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, Poznań.
• Kwietniewski M. (2013). GIS w wodociągach i kanalizacji. PWN, Warszawa.
• Masters T. (1996). Sieci neuronowe w praktyce. Programowanie w języku C++. Wydawnictwa Naukowo-Techniczne, Warszawa.
• Osowski S. (2000). Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• Poradnik użytkownika. (2001). STATISTICA Neural Networks PL. StatSoft Inc.
• Przewodnik problemowy. (2001). STATISTICA Neural Networks PL. StatSoft Inc.
• Rossman L.A. (2000). EPANET 2 User’s manual, EPA/600/R-00/057. National Risk Management Research Laboratory, U.S. Environmental Protection Agency, Cincinnati, OH, USA.
• Shamshi U.M. (2005). GIS applications for water, wastewater, and stormwater systems. CRC PressINC, Taylor & Francis Group, New York.
• Walski M.T., Chase D.V., Savic D.A., Grayman W.M., Beckwith S., Koelle E. (2003). Advanced Water Distribution Modeling And Management. Haestad Methods Solution Center, Haestead Press.
• Weiss S.M., Kulikowski C.A. (1991). Computer Systems That Learn: Classification and Prediction Methods from Statistics, Neural Nets, Machine Learning and Expert Systems. Morgan Kaufmann.