Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 4. szám
24 Hidrológiai Közlöny 2019. 99. évf. 4. sz. Mesterséges neurális háló alkalmazása expedíciós lebegtetett hordalék mérési adatokra Rátky István nyugalmazott egyetemi docens, (E-mail: iratky@gmail.com) Kivonat A tanulmányunkkal az elődleges célunk múltbeli expedíciós lebegtetett hordalékszállítási méréseket felhasználó, a hordalékszállítást előrejelezni képes módszer kidolgozása; annak vizsgálása, hogy a neurális hálózati számítástechnikai módszer alkalmazható-e a cél eléréséhez, ritka mérési adatokra alapozva. A mesterséges neurális hálót olyan jelenségek modellezésére alkalmazzák, ahol nem ismertek vagy nem állnak rendelkezésre a jelenséget befolyásoló leglényegesebb tényezők és a figyelembe vettek közötti kapcsolatok törvényszerűségei sem ismertek elfogadható pontossággal. Ugyanakkor a jelenségről, annak fontosabb jellemzőiről nagymennyiségű mérés áll rendelkezésre. A folyami lebegtetett hordalékszállítás kifejezetten egy ilyen jelenség. A Duna dunaújvárosi szelvényében 1950-2008. években végzett geometriai, hidraulikai és lebegtetett hordalékszállítási jellemzők expedíciós méréseit vizsgálatuk. A neurális hálót alkalmazó számítások eredményeinek minőségét, pontosságát más modellek, így: van Rijn, és egy dimenzióelemzés segítségével származtatott, valamint Qt(Q) szimptomatikus kapcsolaton alapuló módszer eredményeivel hasonlítottuk össze. Vizsgálataink megmutatták (7. ábra), hogy a dunaújvárosi szelvényben a lebegtetett hordalékhozam időben csökkenő tendenciát mutat. Leglényegesebb megállapításaink, hogy ritka, expedíciós, múltbeli méréseken alapuló mesterséges neurális hálót alkalmazó (függvény közelítő, leképző) modell a tényleges, pillanatnyi lebegtetett hordalékszállítás numerikus előrejelzésére nem ajánlható. Hasonlóan van Rijn módszere - az általa ajánlott kritikus S/ue/ás-paramétert felhasználva - a dunaújvárosi szelvényben általában előforduló lebegtetett hordalék szemeloszlás esetén nem alkalmazható. A pontosság, az eredmények szórása, az adatok beszerezhetősége, azok pontossága, mérésük nehézsége, költsége, valamint a számítási módszer egyszerűsége alapján a teljes vízhozam tartományt két darab Gt(Q) függvénykapcsolattal közelítő számítás jelenleg a legelőnyösebb, a nem egyensúlyi lebegtetett hordalékszállítás meghatározására, előrejelzésére (5. ábra, 5. és 6. táblázat). Ugyanakkor a számítások újból bebizonyították, hogy ma még a lebegtetett hordalékszállítás meghatározásánál a 2-3 szoros pontatlanságokat is kénytelenek vagyunk elfogadni (esetleg, jónak” mondani). Kulcsszavak Duna, Dunaújváros, lebegtetett hordalékszállítás, mesterséges neurális háló, hordalék-vízhozam kapcsolat, dimenzióanalízis. Application of an artificial neural network to expeditionary suspended sediment measurement data Abstract With this study, our primary goal is to develop a method for predicting sediment transport using past expeditionary suspended sediment transport measurements; to investigate whether neural network computing can be used to achieve the goal, based on sparse measurement data. The artificial neural network is used to model phenomena where the most important factors influencing the phenomenon are not known or available, and the regularities of the relationships taken into account are not known with acceptable accuracy. At the same time, a large number of measurements are available on the phenomenon and its important features. River suspended sediment transport is specifically such a phenomenon. Expeditionary measurements of the geometric, hydraulic and suspended sediment transport characteristics of the Danube River at Dunaújváros in the years 1950-2008 were investigated. The quality and accuracy of neural network calculations have been compared with those of other models such as van Rijn and derived from a dimension analysis and based on Qt (Q) symptomatic relationship. Our investigations showed (Figure 1) that the suspended sediment yield in the Dunaújváros section shows a decreasing tendency over time. Our most important finding is that a model using a rare, expeditionary, artificial neural network (function approximation, mapping) based on past measurements is not recommended for the numerical prediction of the actual suspended sediment transport. Similarly, Rijn's method, using its recommended critical Shields parameter, is not applicable to the suspended sediment distribution commonly found in the Danube city section. Based on accuracy, standard deviation of results, data availability, accuracy, difficulty of measurement, cost and simplicity of the calculation method, approximation of the total discharge range with two Gt (Q) function relationships is currently the most advantageous for determining and forecasting unbalanced suspended sediment transport. (Figure 5, Tables 5 and 6). However, the calculations have again proved that even today, when determining the suspended sediment transport, we are forced to accept 2-3 times inaccuracies (perhaps to say "good"). Keywords Duna, Dunaújváros, suspended sediment transport, artificial neural network, sediment-discharge relationship, dimensional analysis. BEVEZETÉS, CÉLKITŰZÉS A mesterséges neurális háló (ANN) alkalmazása több tudományterületen jól bevált így például: karakterfelismerésnél, képfeldolgozásnál, jelfeldolgozásnál, adatbányászatnál, bioinformatikai problémáknál, méréstechnikai és szabályozástechnikai feladatoknál. Elsősorban olyan körülmények, jelenségek vizsgálatánál lehet hasznos, amelyeknél nagymennyiségű mérés (adat) áll rendelkezésünkre, de az adatok közötti pontos törvényszerűséget nem ismerjük. A kilencvenes évek eleje óta a mesterséges neurális hálót sikeresen alkalmazzák a hidrológiai területeken is pl. csapadék-előrejelzésnél, csapadék-lefolyás modellezésnél, vízhozam-, talajvíz-, vízminőség modellezéseknél, víztározók hidrológiai méretezésénél, általában a hidrológiai idősorok elemzésénél, előrejelzéseknél. A 2000. évig megjelent irodalmakról nagyon jó, áttekintő összefoglalást találunk a mesterséges neurális hálók hidrológiában való alkalmazásáról, az ASCE munkacsoport által „Artificial
