Wykorzystanie sztucznych sieci neuronowych w wymiarowaniu zbiorników retencyjnych

• Autorzy: Pochwat K. , Słyś D.

Identyfikatory

DOI

10.2429/proc.2016.10(1)083

Warianty tytułu

EN

Using artificial neural networks for dimensioning of storage reservoirs

• Konferencja: ECOpole’15 Conference (14-17.10.2015, Jarnołtówek, Poland)
• Języki publikacji: PL

Abstrakty

PL

Kanalizacyjne zbiorniki retencyjne są obiektami służącymi między innymi do redukowania przepływu strumienia objętości ścieków w systemach kanalizacyjnych. Ich główną zaletą jest możliwość zwiększenia retencji w systemie, co w efekcie wpływa na poprawę bezpieczeństwa hydraulicznego zlewni poprzez ograniczenie możliwości wylania się ścieków i powstania zjawiska „powodzi miejskich”. Coraz powszechniejsze użycie obiektów retencyjnych, obserwowane zmiany klimatu oraz rozwój dostępnych narzędzi softwarowych powodują konieczność aktualizowania metod ich wymiarowania. Dotychczas najczęściej wykorzystywane w tym celu są formuły analityczne oraz narzędzia do modelowania hydrodynamicznego. W obu przypadkach podstawą do właściwego zaprojektowania obiektu retencyjnego jest wybór miarodajnego opadu deszczu o określonym prawdopodobieństwie wystąpienia i odpowiedniej długości czasu trwania, który powoduje krytyczny przepływ ścieków w systemie kanalizacyjnym i wymaga zastosowania największej niezbędnej pojemności retencyjnej zbiornika. Celem artykułu jest wykonanie analizy możliwości wykorzystania sztucznych sieci neuronowych we wstępnym szacowaniu miarodajnej długości czasu deszczu. Jej wartość jest niezbędna w procesie modelowania hydrodynamicznego funkcjonowania systemu i wyznaczenia niezbędnej pojemności retencyjnej zbiornika. W badaniach do budowy modelu sztucznej sieci neuronowej wykorzystano teorię planowania doświadczeń oraz pakiet Statistica.

EN

Storage reservoirs are objects which serving inter alia, to reducing the volume of wastewater flow in sewer systems. Their main advantage is the possibility to increase retention in the system, which in turn improves hydraulic safety by reducing the possibility of the node flooding and the emergence of the phenomenon of "urban flooding". An increasingly common use of storage reservoirs, observed climate change and the development of available software tools makes it necessary to update the methods of its dimensioning. So far, the most well-known calculation procedures in this regard is the use of analytical formulas and tools for hydrodynamic modeling the functioning sewage systems. In both cases, the basis for the designing of the retention facility is choosing a appropriate rainfalls which a certain probability of occurrence, and appropriate duration, which causes the critical flow of rainwaters in the sewer system and requires the use of the most necessary storage capacity of the reservoir. The purpose of this article is the analyze of the possibility of using artificial neural networks in the preliminary estimation of the length of duration the critical rainfall. Its value is essential in the process of hydrodynamic modeling of the system and determine the necessary storage capacity of the reservoir. In a study for the construction of an artificial neural network model used in the theory of planning experience and Statistica package.

Słowa kluczowe

PL

zbiorniki retencyjne; opad miarodajny; rozkład opadu deszczu; wymiarowanie zbiorników retencyjnych

EN

storage reservoir; critical rainfall; rainfall distribution; dimensioning of the storage reservoir

• Wydawca: Towarzystwo Chemii i Inżynierii Ekologicznej
• Czasopismo: Proceedings of ECOpole
• Rocznik: 2016
• Tom: Vol. 10, No. 2
• Strony: 757--766
• Opis fizyczny: Bibliogr. 17 poz., wykr., tab., rys.

Twórcy

autor

Pochwat K.

• Zakład Infrastruktury i Ekorozwoju, Wydział Budownictwa, Inżynierii Środowiska i Architektury, Politechnika Rzeszowska, al. Powstańców Warszawy 6, 35-959 Rzeszów, tel. [phone]

autor

Słyś D.

• Zakład Infrastruktury i Ekorozwoju, Wydział Budownictwa, Inżynierii Środowiska i Architektury, Politechnika Rzeszowska, al. Powstańców Warszawy 6, 35-959 Rzeszów, tel. [phone]

Bibliografia

• [1] Dziopak J. Analiza teoretyczna i modelowanie wielokomorowych zbiorników kanalizacyjnych. Kraków: Wyd Politechniki Krakowskiej; 1992.
• [2] Słyś D, Dziopak J. Pol J Environ Stud. 2011;20:743-753. http://www.pjoes.com/pdf/20.3/Pol.J.Environ.Stud.Vol.20.No.3.743-753.pdf.
• [3] Suleiman YM, Ifabiyi IP. Afrrev Stech. 2014;3:18-30 DOI: 10.4314/stech.v3i2.2.
• [4] Mrowiec M. Efektywne wymiarowanie i dynamiczna regulacja kanalizacyjnych zborników retencyjnych. Częstochowa: Wyd Politechniki Częstochowskiej; 2009.
• [5] Yao-Ming Hong. J Hydro-Environ Res. 2008;2:109-117. DOI: 10.1016/j.jher.2008.06.-003.
• [6] Dordević B. Spatium. 2011;24:9-15. DOI: 10.2298/SPAT1124009D.
• [7] Dziopak J, Starzec M. Czasop Inż Lądowej, Środ Architekt. 2014;61(3/I): 63-83. DOI: 10.7862/rb.2014.47.
• [8] Bolt A, Burszta-Adamiak E, Gudelis-Taraszkiewicz K, Suligowski Z, Tuszyńska A. Kanalizacja - projektowanie, wykonanie, eksploatacja. Józefosław: Wyd Seidel - Przywecki; 2012.
• [9] Stec A, Słyś D. Ecol Chem Eng S. 2014;21(2):215-228. DOI: 10.2478/eces-2014-0017.
• [10] Zeleňáková M, Markovič G, Kaposztásová D, Vranayová Z. 16th Water Distribution System Analysis Conference, WDSA2014 - Urban Water Hydroinformatics and Strategic Planning. 2014;89:1515-1521. DOI: 10.1016/j.proeng.2014.11.442.
• [11] Paik K. J Hydrol. 2008;352:191-201. DOI: 10.1016/j.jhydrol.2008.01.015.
• [12] Słyś D. Retencja zbiornikowa i sterowanie dopływem ścieków do oczyszczalni. Lublin: Monografie Komitetu Inżynierii Środowiska Polskiej Akademii Nauk; 2009.
• [13] Pietraszek J. Dobór planu doświadczenia i analiza wyników w badaniach technicznych. Dostęp: 02.02.2015. http://www.statsoft.pl/portals/0/Downloads/Dobor_planu_doswiadczenia.pdf.
• [14] Kąkol J. Wprowadzenie do praktycznego planowania eksperymentu. Rzeszów: Politechniki Rzeszowska; 2008, dostęp 02.02.2015. http://www.statsoft.pl/portals/0/Downloads/Wprowadzenie_do_praktycznego.pdf.
• [15] Ochmański M, Bzówka J. Wybrane przykłady zastosowań sztucznych sieci neuronowych w geotechnice. http://www.biswbis.pb.edu.pl/2013_04/005.pdf. Dostęp: 02.02.2015.
• [16] Miller B. Neurocomputing in selected problems of structural identification and damage detection. Rzeszów: Ofic Wyd Politechniki Rzeszowskiej; 2013.
• [17] Stanisz A. Przystępny kurs statystyki w oparciu o program STATISTICA PL na przykładach z medycyny. Kraków: Wyd StatSoft Polska; 1998.