Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 4. szám
Rátky István: Mesterséges neurális háló alkalmazása expedíciós lebegtetett hordalék mérési adatokra 25 Neural Networks In Hydrology I: Preliminary Concepts és II: Hydrologic Applications” címen megjelent tanulmányokban (ASCE Task Committee 2000a, 2000b). Jelen tanulmányunk szűkebb témájához tartozó irodalmak a 2000- es évek óta szaporodtak meg. Nemzetközi folyóiratokban igen sok tanulmányt lehet találni csatornákban, vízfolyásokban szállított napi lebegtetett hordalék koncentráció, hozam előrejelzésére (extrapolálására), becslésére. Ezekből csak néhányat megemlítve: Kisi 2005, Tayfur és Guldal 2006, Cigizoglu és Kisi 2006, Nourani 2009, Melesse és társai 2011, Ebtehaj és Bonakdari 2013. Az általunk részletesebben vizsgált tanulmányok mindegyike alapjaiban a mesterséges neurális hálót alkalmazta kisebb nagyobb eltérésekkel. Mindegyik a többrétegű percepton (MLP) előrecsatolt (feed-forward), hiba visszaáramoltatásos (error back-propagation, FFBP) változatát, de különböző aktivációs függvénnyel és rejtett réteg-számmal. A rétegekben a cellák számát próbálgatással határozták meg. A legnagyobb változatosság az eredmények különböző módszerekkel való összehasonlításában, valamint a mért és a tesztek során számított eredmények illeszkedés vizsgálatában volt. Több módszert alkalmaztak: átlagos négyzetes hibát (mean squares of error, RMSE), abszolút százalékos hiba elemzést (mean absolute percent error, MAPE), a hiba szórásnégyzetét (error variance a2), autoregresszív modellt (autoregressive models, AR(i)), autoregresszív integrált mozgó átlag modellt (autoregressive integrated moving average, ARIMA), variancia analízist (analysis of variance, ANOVA), t-próbát, multilináris és nemlineáris regressziós kapcsolatokat (multilinear and nonlinear regression relations, MLR and MNLR), hordalékhozam-vízhozam korrelációs kapcsolatot (Sediment Rating Curve, SRC). Az irodalomban található publikációk eredménye nem csak az alkalmazott módszertől (most az ANN-től), de a felhasznált, kiindulási adatoktól is függött. Ebben a tekintetben lényeges különbség van az említett publikációk és e tanulmányban használni kívánt adatok között. Az említett irodalmak folyamatos, napi átlagos hidrológiai adatokat: csapadék (P), vízhozam (Q), lebegtetett hordalék koncentráció (C) vagy hordalékhozam (S) méréseket használtak számításaikhoz. Az ANN modell bemeneti (input) adatait az aktuális napi (alsó index t) és az előző nap (t-1) vagy az azt megelőző napok (t-2,...) mért adatai adták, így P,, P,-i,P,-2,és/vagy Q,, Q,.i, s Ct.j, C,.2,..., vagy S,-i, St-2,... Természetesen C, vagy S, nem lehetett input adat, minden változatnál ez volt a cél, a kimenet (az output). Azt vizsgálták, hogy milyen hidrológiai adatok és ezekből hány előző napi adatot inputként megadva (t; vagy t, t.i; vagy t, t.i, t.2; vagy t, t.i, t.2, t.3, ....), adja legjobb eredményt. Számunkra nem állt rendelkezésre folyamatos napi méréssorozat. Ezért azt a célt tűztük ki, hogy ritka, múltbeli, expedíciós lebegtetett hordalék-mérések és az ugyanakkor meghatározott hidraulikai, geometriai adattok közötti kapcsolatot vizsgáljuk mesterséges neurális háló alkalmazásával. A mesterséges neurális háló alkalmazásának lehetőségeit, esetleges előnyeit más módszerek adta eredményekkel kívánjuk összehasonlítani, hiszen ez dönti el, hogy érdemes-e alkalmazni ezt a számítási módszert. Tudva azt, hogy ma még hazánkban gyakorlatilag csak ilyen mérések állnak rendelkezésre, igen hasznos lenne, ha a meglévő expedíciós mérések alapján ANN-el végzett számítások (becslések) jobb eredményt adnának, mint más - ebben a tanulmányban bemutatott — ismert módszerek. Még egy lényeges eltérés van a fent ismertetett és jelen tanulmány között. A fentiek az idősorok felhasználásával csak egy napra előre kívánták megbecsülni a lebegtetett hordalék mennyiséget. A tanulmányok címében becslés („estimation”, „estimating”), előrejelzés („forecasting”, „prediction”) kifejezések szerepeltek, de helyesebb lett volna extrapolálást írni. Bár szigorúan véve ez is becslés, előrejelzés, még akkor is, ha csak egy napra előre történik. Ugyanakkor a hazai vízügyi szakmában - különösen nyíltfelszínű folyókkal kapcsolatban - az előrejelzés kifejezést általában több napra előre számító (becsülő) eljárásoknál használják. A tanulmányokban bemutatott módszer, a már kiépített mérési állomásokon, a napi mérési események kimaradása esetén az adatpótlásra, vagy költségcsökkentés céljából tervezett mérésritkítások esetén lehet hasznos. A jelen tanulmányban azt is célként tűztük ki, hogy megvizsgáljuk az expedíciós mérésekre alapozott ANN modellel lehet-e több napra előrejelzést adni, más módszerekhez viszonyítva elfogadhatóbb, nagyobb pontossággal. A rendelkezésre álló adatok és abból következő célok közötti különbségek miatt döntöttünk úgy, hogy az irodalomban található módszereket, és az azok alapján kapott eredményeket, általánosítható következtetéseket - a fentieken túl - részletesebben itt nem elemezzük. ADAT-ELŐKÉSZÍTÉS Rendelkezésünkre álltak a dunaújvárosi szelvényre (Duna 1580,6 fkm) 1950-2008. években végzett vízhozam és lebegtetett hordalékhozam mérések. A 288 db mérésnél különböző jellemzőket határoztak meg, 267 db mérésnél megadták az összetartozó: • középvízállást a főmederben, Ha, (cm), • a vízhozamot, Q, (m3/s), • a lebegtetett hordalékhozamot, G,, (g/s), • a lebegtetett hordalék közepes töménységét, Q, (g/m3) és • az átlagos szemátmérőt, dg, (mm), (3 mérés kivételével). Az 1985-2008. években 138 db mérésnél a vízhozam mellett • a szelvény középsebességet, v, (m/s) is meghatározták. 2002-2008. évek 58 db mérésénél: • a nedvesített területet, A, (m2), • a középmélységet, H, (m) és • a víztükör-szélességet, B, (m) is megadták. A 2002-2006. években 42 esetben csak a Ha, A, B, vés Q jellemzőket határozták meg, 19 esetben a lebegtetett hordalékhozamot nem mérték. Természetesen az 58 évet átölelő méréssorozat a módszer és az összetartozó jellemzők tekintetében nem homogén. Ugyanakkor elegendő számú egy-időben mért jellemzőt adott ahhoz, hogy statisztikai módszerrel elemezhessük őket. Meghatároztuk 58 db összetartozó adatpárból a
