Sztuczne sieci neuronowe jako narzędzie do modelowania zagadnień związanych z inżynierią środowiska - stan wiedzy

• Autorzy: Kabsch-Korbutowicz, M. , Kutyłowska, M.

Warianty tytułu

EN

Artificial neural networks as a tool for modeling issues related to environmental engineering - state of the art

• Języki publikacji: PL

Abstrakty

PL

W pracy ukazano możliwość zastosowania sztucznych sieci neuronowych (SSN) jako alternatywy dla typowych modeli matematycznych. Jest to narzędzie za pomocą, którego można w szybki oraz dokładny sposób przewidzieć i zaprognozować wiele zmiennych parametrów. Cechy sieci neuronowych sprawiają, że możliwa jest analiza zjawisk charakteryzujących się nieliniowością oraz aproksymacja funkcji wielu zmiennych. Przedstawiono przykłady zastosowania SSN do modelowania wybranych zjawisk i procesów w inżynierii środowiska.

EN

In this paper the possibilities of using artifical neural networks (ANN) as an alternative to conventional methematical models are displayed. It is a tool which can be a quick and accurate way to predict and forecast the number of variables. Features of neural networks (make) it possible to analyze the phenomena that characterize the nonlinearity and approximation of functions of several variables. Examples of application of ANN for modeling of selected phenomena and processes in environmental engineering are presented.

Słowa kluczowe

PL

sieci neuronowe; inżynieria środowiska

EN

neutral networks; environmental engineering

• Czasopismo: Gaz, Woda i Technika Sanitarna
• Rocznik: 2012
• Tom: Nr 5
• Strony: 228-232
• Opis fizyczny: Bibliogr. 50 poz.

Twórcy

autor

Kabsch-Korbutowicz, M.

autor

Kutyłowska, M.

• Instytut Inżynierii Ochrony Środowiska, Politechnika Wrocławska, Wybrzeże Wyspiańskiego 27, 50-370 Wrocław,

Bibliografia

• [1] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• [2] Osowski S.: Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
• [3] McCulloch W., Pitts W.: A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics 1943, 5, 115-133.
• [4] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź 1997.
• [5] Tadeusiewicz R.: Elementarne wprowadzenie do technik sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998.
• [6] Tabach E., Lancelot L., Shahrour I., Najjar Y.: Use of artificial neural network simulation metamodelling to assess groundwater contamination in a road project, Mathematical and Computer Modelling 2007, 45, 766-776.
• [7] Bodnar D., Koracin D., Panorska A.: Application of artificial neural networks to modeling the transport and dispersion of tracers in complex terrain, Atmospheric Environment 2002, 36, 561-570.
• [8] Hoffman S.: Zastosowanie sieci neuronowych w modelowaniu regresyjnym stężeń zanieczyszczeń powietrza, Wydawnictwa Politechniki Częstochowskiej, Częstochowa 2004.
• [9] Rogulska W., Żeliński J.: Using of artificial neural networks in prediction of S02, NO and N02 concentrations in Gliwice, Poland, Archives of Environmental Protection 2005, 4, 3-16.
• [10] Tecer L.: Prediction of S02 and PM concentrations in a coastal mining area (Zonguldak, Turkey) using an artificial neural network, Polish Journal of Environmental Studies 2007, 16, 633-638.
• [11] Kamiński W., Skrzypski J., Strumiłło P.: Zastosowanie sieci neuronowych do lokalizacji stacji monitoringu zanieczyszczeń powietrza, Archiwum Ochrony Środowiska 1999, 3, 83-90.
• [12] Cawley G., Janarek G., Haylock M., Dorling S.: Predictive uncertainty in environmental modeling, Neural Networks 2007, 20, 537-549.
• [13] Cieżak W.: Analiza efektywności metod statystycznych i sztucznych sieci neuronowych w bieżącym prognozowaniu poboru wody w miejskich systemach wodociągowych, Rozprawa doktorska, Instytut Inżynierii Ochrony Środowiska PWr., Wrocław 2005.
• [14] Cieżak W., Siwoń Z., Cieżak J.: Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych krótkotrwałego poboru wody w wybranych systemach wodociągowych, Ochrona Środowiska 2006, 1, 39-44.
• [15] Cieżak W., Siwoń Z., Cieżak J.: Modelowanie poboru wody w osiedlach mieszkaniowych, Ochrona Środowiska 2008, 2, 23-28.
• [16] Licznar P, Łomotowski J.: Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody, Ochrona Środowiska 2006, 1, 45-48.
• [17] Siwoń Z., Łomotowski J., Cieżak W., Licznar P., Cieżak J.: Analizy i prognozowanie rozbiorów wody w systemach wodociągowych, Polska Akademia Nauk, Komitet Inżynierii Lądowej i Wodnej, Instytut Podstawowych Problemów Techniki, Warszawa 2008.
• [18] Zhang G.: Time series forecasting using a hybrid ARIMA and neural network model, Neurocomputing 2003, 50, 159-175.
• [19] Mukhopadhyay M., Akber A., Al-Awadi E.: Analysis of fresh water consumption patterns in the private residences of Kuwait, Urban Water 2001, 3, 53-62.
• [20] Wyczółkowski R.: Intelligent monitoring of local water supply system, Eksploatacja i Niezawodność 2008, 1, 33-36.
• [21] Wyczółkowski R., Matysiak G.: The development of an intelligent monitoring system of a local water supply network, Maintanance and Reliability 2009, 2, 71-75.
• [22] Rodriguez M., Serodes J.: Assessing empirical linear and non-linear modelling of residual chlorine in urban drinking water systems, Environmental Modelling & Software 1999, 14, 93-102.
• [23] Bowden G., Nixon J., Dandy G., Maier H.: Forecasting chlorine residuals in a water distribution system using a general regression neural network, Mathematical and Computer Modelling 2006, 44, 469-484.
• [24] Lahiri S., Ghanta K.: Development of an artificial neural network correlation for prediction of hold-up of slurry transport in pipelines, Chemical Engineering Science 2008, 63, 1497-1509.
• [25] Djebbar Y., Kadota P.: Estimating sanitary flows using neural networks, Water Science Technology 1998, 38, 215-222.
• [26] Sinha S., Fieguth P.: Neuro-fuzzy network for the classification of buried pipe defects, Automation in Construction 2006, 15, 73-83.
• [27] Moreno-Alfonso N., Redondo C.: Intelligent waste-water treatment with neural-networks, Water Policy 2001, 3, 267-271.
• [28] Hamed M., Khalafallah M., Hassanien E.: Prediction of wastewater treatment plant performance using artificial neural networks, Environmental Modelling & Software 2004, 19, 919-928.
• [29] Hanbay D., Turkoglu I., Demir Y.: Prediction of wastewater treatment plant performance based on wavelet packet decomposition and neural networks, Expert Systems with Applications 2008, 34, 1038-1043.
• [30] Urban R.: Algorytmy genetyczne i sieci neuronowe w modelowaniu osadu czynnego, Rozprawa doktorska, Instytut Inżynierii Ochrony Środowiska PWr., Wrocław 2005.
• [31] Urban R., Szetela R.: Calibration of the activated sludge model with genetic algorithms. Part I. Calibration results, Environment Protection Engineering 2007, 1, 31-49.
• [32] Zhang Q., Stanley S.: Forecasting raw-water quality parameters for the north Saskatchewan river by neural network modeling, Water Research 1997, 9, 2340-2350.
• [33] Wu G., Lo S.: Effects of data normalization and inherent-factor on decision of optimal coagulant dosage in water treatment by artificial neural network, Expert Systems with Applications 2010, 37, 4974-4983.
• [34] Kowalski W.P., Kołodziejczyk K., Zacharz T.: Application of neural networks to mathematical modeling of sedimentation process, Archives of Environmental Protection 2002, 2, 59-70.
• [35] Hernandez J., Romero R., Juarez D., Escobar R., Siqueiros J.: A neural network approach and thermodynamic model of waste energy recovery in a heat transformer in a water purification process, Desalination 2009, 243, 273-285.
• [36] Gao P., Zhang L., Cheng K., Zhang H.: A new approach to performance analysis of a seawater desalination system by an artificial neural network, Desalination 2007, 205, 147-155.
• [37] Udono K., Sitte R.: Modeling seawater desalination powered by waste incineration using a dynamic systems approach, Desalination 2008, 229, 302-317.
• [38] Delgrange N., Cabassud C., Cabassud M., Durand-Boulier L., Laine J.: Modelling of ultrafiltration fouling by neural network, Desalination 1998, 118, 213-227.
• [39] Teodosiu C., Pastravanu O., Macoveanu M.: Neural network models for ultrafiltration and backwashing, Water Research 2000, 34, 4371-4380.
• [40] Delgrange N., Cabassud C., Cabassud M., Durand-Boulier L., Laine J.: Neural networks for long term prediction of fouling and backwash efficiency in ultrafiltration for drinking water production, Desalination 2000, 131, 353-362.
• [41] Curcio S., Calabro V., Iorio G.: Reduction and control of flux decline in cross-flow membrane processes modeled by artificial neural networks and hybrid systems, Desalination 2009, 236, 234-243.
• [42] Strugholtz S., Panglisch S., Gebhardt J., Gimbel R.: Modeling and optimization of ceramic membrane microfiltration using neural networks and genetic algorithms, Water Practice & Technology 2006,4, IWA Publishing.
• [43] Al-Abri M., Hilal N.: Artificial neural network simulation of combined hu-mic substance coagulation and membrane filtration, Chemical Engineering Journal 2008, 141, 27-34.
• [44] Hilal N., Ogunbiyi O., Al-Abri M.: Neural network modeling for separation of bentonite in tubular ceramic membranes, Desalination 2008, 228, 175-182.
• [45] Kabsch-Korbutowicz M., Kutyłowska M.: The possibilities of modelling the membrane separation processes using artificial neural networks, Environment Protection Engineering 2008, 34, 15-35.
• [46] Kutyłowska M.: Prognozowanie parametrów procesu separacji membranowej z wykorzystaniem sztucznych sieci neuronowych, Rozprawa doktorska, Instytut Inżynierii Ochrony Środowiska PWr., Wrocław 2010.
• [47] Razavi S.M.A., Mousavi S.M., Mortazavi S.A.: Dynamic prediction of milk ultrafiltration performance: a neural network approach, Chemical Engineering Science 2003, 58, 4185-4195.
• [48] Rai P., Majumdar G.C., DasGupta S., De S.: Modelling the performance of batch ultrafiltration of synthetic fruit juice and mosambi juice using artificial neural network, Journal of Food Engineering 2005, 71, 273-281.
• [49] Mhurchu J., Foley G.: Dead-end filtration of yeast suspensions: Correlating specific resistance and flux data using artificial neural networks, Journal of Membrane Science 2006, 281, 325-333.
• [50] Guadix A., Zapata J., Almecija C., Guadix E.: Predicting the flux decline in milk cross-flow ceramic ultrafiltration by artificial neural network, Desalination 2010, 250, 1118-1120.