Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: multiple linear regression model

Sortuj według:

Ogranicz wyniki do:

Predictive Modelling for Characterisation of Organics in Pit Latrine Sludge from Unplanned Settlements in Cities of Malawi

Kalulu K., Thole B., Mkandawire T., Kululanga G.

Journal of Ecological Engineering

2018

Vol. 19, nr 3

141--145

The limited availability of data on faecal sludge characteristics remains one of the major challenges faced by developing countries in proper management of faecal sludge. In view of the limited financial resources and expertise in these developing countries, there is a need to come up with less-resource-intensive approaches for faecal sludge characterisation. Despite being used substantially in wastewater, there is limited evidence on the use of predictive modelling as a tool for cost-effective characterisation of faecal sludge. In this study, first order multiple linear regression modelling is investigated as a less-resource-intensive approach for accurate prediction of organics (biochemical oxygen demand and chemical oxygen demand) in pit latrine sludge. The predictor variables explored in the modelling include pH, electrical conductivity, total solids, total volatile solids, fixed solids and moisture content. The modelling uses data collected from 80 latrines in unplanned settlements of four cities in Malawi. The study shows that it is possible to reliably predict chemical oxygen demand and biochemical oxygen demand in pit latrine sludge using electrical conductivity and total solids, which require low levels of resources and expertise to determine.

Zastosowanie sztucznych sieci neuronowych do modelowania stężenia ozonu przy powierzchni ziemi

Baran J., Świąć A., Hoffman S.

Inżynieria i Ochrona Środowiska

1999

T. 2, nr 3/4

305-321

Zbadano możliwości zastosowania sieci neuronowych do modelowania stężenia ozonu przy powierzchni ziemi. Analizę przeprowadzono na podstawie zbioru danych pomiarowych, dla którego we wcześniejszych pracach uzyskano metodami statystycznymi liniowy model regresji wielowymiarowej, uzależniający stężenie ozonu od temperatury, prędkości wiatru i stężenia tlenków azotu NOx. W obliczeniach wykorzystano dane zarejestrowane w 1994 r. na stacji pomiarowej monitoringu powietrza w Krakowie przy ulicy Halickiej. Analizowany zbiór danych stanowiły zmierzone w godzinach nocnych wartości stężeń O3, NOx, temperatury i prędkości wiatru uśrednione w okresach 60-minutowych. Jakość kilku modeli otrzymanych z użyciem sieci neuronowych porównano ze sobą oraz z modelem liniowej regresji wielowymiarowej. Przyjęto dwa kryteria oceny modeli: 1) wartość błędu średniokwadratowego wynikającego z rozbieżności między wyjściem modelu a wartościami rzeczywistymi stężenia O3; 2) wartość współczynnika korelacji dla prostej regresji pomiędzy wyjściem modelu (przewidywaniami) a wartościami rzeczywistymi stężenia O3. Stwierdzono, że modele neuronowe są zdecydowanie lepsze od liniowego. Zweryfikowano pozytywnie zdolność modeli neuronowych do przewidywania wyników dla danych niewykorzystywanych w procesie uczenia, czyli możliwość uogólniania zdobytej wiedzy.

Possibility of neural networks application to the ozone concentration modelling near the ground was examined. The studies were performed based on the measuring data set that was earlier used for generation of multiple linear regression model, conditioning ozone concentration by temperature, wind speed and NOx, concentration. The data gathered in 1994 at the air monitoring station in Cracow were used in the calculations. The analysed data set was built of 60-minutes' averages of temperature, wind speed as well as O3 and NOX concentrations, measured at night. Qualities of some models obtained with neural networks were co m pa red with the multiple linear regression model. Two criteria of model estimation were assumed: 1) the value of mean square error resulting from divergences between model input and real O3 concentration values; 2) the value of correlation coefficient for the best linear fit of the real O3 concentration values to the model input. It was stated that the neural networks models are decidedly better than the linear regression model. Ability of neural models to predict results for the data not used in training process was affirmatively verified.