A Magyar Hidrológiai Társaság XXXVIII. Országos Online Vándorgyűlése (2021. szeptember 14-15.)
1. szekció - Vízkárelhárítás - 13. Dr. Liptay Zoltán (Országos Vízjelző Szolgálat - OVF): Neurohidrológiai vizsgálatok a hazai vízjelzésben
3.2. Vízhőmérséklet szimuláció A vízhőmérsékletek szimulációja során a mért paksi vízhővel vetettük össze a számított értékeket, és az átlagos négyzetes hibát (RMSE) vizsgáltuk. Az energia mérleg 6 napos időelőnnyel, míg a konceptuális modell és a neurális hálózat 10 napos időelőnnyel dolgozott. Az egyes módszerek eredményeit a 4. ábra szemlélteti. 1.00 0.80 # » U °-60 — 0.50 LU g 0.40 é 0.30 0.20 0.10 0.00 .4-1 ~~ . . ....... i 2 3 4 5 6 7 8 9 10 EEB(c 0.26 0.38 0.46 0.53 0.58 0.62--------EEB (vl 0.22 0.310.38 0.43 0.470.51--------EEB (v2 0.31 0.440.53 0.60 0.65 0.68 ..........sigmoid (c 0.30 0.440.54 0.61 0.68 0.73 0.77 0.810.83 0.85 .........sigmoid (vl 0.26 0.38 0.46 0.52 0.570.62 0.65 0.680.71 0.73 sigm o id (v2 0.42 0.58 0.68 0.77 0.85 0.90 0.94 0.971.00 1.02 0.20 0.10 0.00 1 2 3 4 5 6 7 8 9 10 MLPl(c 0.27 0.40 0.46 0.55 0.60 0.63 0.66 0.71 0.69 0.69--------M LP 1 (vl 0.26 0.41 0.49 0.56 0.63 0.67 0.70 0.75 0.79 0.80--------M LP 1 (v2j 0.36 0.51 0.62 0.71 0.78 0.84 0.88 0.91 0.97 0.99 ..........MLP2 (c 0.27 0.37 0.45 0.53 0.58 0.61 0.64 0.67 0.69 0.72 .........M LP 2 (vl 0.27 0.38 0.46 0.54 0.61 0.64 0.67 0.70 0.72 0.75 .........M LP 2 (v2 0.47 0.65 0.78 0.89 0.95 0.99 1.03 1.08 1.12 1.17 4. ábra: Vízhőmérséklet számítás eredményei (RMSE) 3.3. Modell optimalizáció A kidolgozott módszer szerint egy mesterséges neurális hálózat nagyszámú szimuláció alapján tanulja a modell érdességi viszonyainak és az eredmények hibáinak összefüggését. Kellő számú tanítási lépés után a neurális hálózat kísérletet tesz a zérus számítási hibához tartozó érdességek becslésére. Ez a becslés újabb tanulási lehetőség a neurális hálózat számára. Amikor a modell számítási hibája az előre megadott kereteken belülre esik, akkor az algoritmus elfogadja végeredményként a neurális hálózat legutóbbi becslését. A módszer a mesterséges neurális hálózatok univerzális interpolációs képességén alapszik. Mivel azonban az egy dimenziós hidrodinamikai modell érdesség-hiba összefüggése rendkívül komplex, és legtöbb esetben a hibát sok más tényező is befolyásolja (pl. geometriai, hidrológiai adatok pontossága, modellszerkezet), így a zérus hiba csak egy elméleti érték, a cél ennek minél jobb megközelítése. A Duna hazai szakaszára felépített 1D modell esetében az automatikus kalibrációval sikerült a kézi módszernél jobb eredményt elérni. A jó eredmény feltétele azonban a gazdag adathalmaz biztosítása, azaz a nagyszámú modellfuttatás. Az ÓVSZ modellje mellett a HEC-RAS modellel is végeztünk vizsgálatokat a Tisza hazai szakaszára, de egyrészt a modell kisebb számítási sebessége nem tette lehetővé a kellően nagyszámú szimulációt, másrészt pedig az érdességi viszonyok szerepe egészen más a duzzasztott, mint a duzzasztásmentes szakaszokon. A Tisza esetében részben a komplexebb geometriai viszonyok (pl. tagoltabb nagyvízi meder) és a több szakaszon is érvényes visszaduzzasztó hatás miatt a folyó egészére vetítve az érdességek kisebb jelentőségűek. Az OVSZ1D modell lehetőséget ad a számítási eredmények részletes elemzésére. Ha a dinamikai egyenlet tagjainak szerepét vizsgáljuk a záhonyi és a szegedi tetőzések idejében a folyó teljes hosszán, akkor láthatjuk, hogy különböző hidrológiai helyzetekben milyen mértékű az érdesség okozta impulzusváltozás. A záhonyi szelvényben a medersúrlódás a dinamikai tagok összegének 1,3-1,6%a, míg a szegedi szelvényben csak a 0,04-0,24%-a. A nagyobb értékek árhullám levonulásakor jelentkeznek, hiszen a medersúrlódás függ a szelvényterülettől és a vízhozamtól. A Dunán Budapestnél ez az érték igen alacsony mederteltségnél is 8% feletti. Tehát pusztán az érdesség
