Original scientific paper
https://doi.org/10.15255/KUI.2020.002
Predviđanje količine bikarbonata u pitkoj vodi regije Médéa modeliranjem umjetnom neuronskom mrežom
Hichem Tahraoui
; Laboratory of Biomaterials and Transport Phenomenon (LBMPT), Faculty of Technology, University Yahia Fares of Médéa, 26 000, Algeria
Abd-Elmouneïm Belhadj
orcid.org/0000-0002-6072-9288
; Laboratory of Biomaterials and Transport Phenomenon (LBMPT), Faculty of Technology, University Yahia Fares of Médéa, 26 000, Algeria
Adhya-Eddine Hamitouche
; Center for Scientific and Technical Research in Physico-chemical Analysis CRAPC, BP 384, Bou-Ismail, RP 42 004, Tipaza, Algeria
Abstract
Regija Médéa (Alžir) smještena na poljoprivrednom zemljištu zahtijeva veliku količinu pitke vode te je stoga analiza vode od iznimne važnosti. Da bi se ispitao razvoj kvalitete pitke vode u toj regiji, najprije je napravljen eksperimentalni protokol za dobivanje skupa podataka uzimajući u obzir nekoliko fizikalno-kemijskih parametara. Zatim je dobiveni skup podataka podijeljen na dva dijela za stvaranje umjetne neuronske mreže, gdje je 70 % skupova podataka upotrijebljeno za trening, a preostalih 30 % dodatno je podijeljeno na dva jednaka dijela: jedan za testiranje, a drugi za validaciju modela. Dobiveni inteligentni model procijenjen je kao funkcija koeficijenta korelacije najbližeg 1 i najnižeg korijena srednje kvadratne pogreške (RMSE). U ovom istraživanju upotrijebljen je skup od 84 podatkovnih točaka. Za modeliranje ANN-a upotrijebljeno je osamnaest parametara u ulaznom sloju, pet neurona u skrivenom sloju i jedan parametar u izlaznom sloju. Za skriveni i izlazni sloj upotrijebljeni su algoritam učenja Levenberg Marquardt (LM), logaritamski sigmoid i funkcija linearnog prijenosa. Rezultati dobiveni tijekom ovog istraživanja pokazali su koeficijent korelacije R = 0,99276 s korijenom srednje kvadratne pogreške RMSE = 11,52613 mg dm–3. Ti rezultati pokazuju da je dobiveni model neuronske mreže dao daleko bolje rezultate, jer je točniji a njegova relativna pogreška je mala s koeficijentom korelacije blizu 1. Konačno, zaključeno je da taj model može učinkovito predvidjeti brzinu topljivosti bikarbonata u vodi za piće u regiji Médéa.
Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.
Keywords
pitka voda; fizikalno-kemijski parametri; bikarbonat; modeliranje; umjetne neuronske mreže
Hrčak ID:
245509
URI
Publication date:
1.11.2020.
Visits: 1.040 *