Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 4. szám
Rátky István: Mesterséges neurális háló alkalmazása expedíciós lebegtetett hordalék mérési adatokra 27 adatokat használtuk, nem vizsgáltuk az esetleges mérési hibára utaló kiugró értékeket. Statisztikai módszerrel biztosan ki lehetne hagyni néhány, a szemlélet alapján kiugrónak ítél mérést, de az egyáltalán nem biztos, hogy ezek mérési hibából származnak. A leíró statisztikai módszerek jogos ’igénye’, hogy a statisztikai függvények (néha csak egy-két paraméter) valóban a teljes adathalmazt jellemezzék, a hibás adatok a becsléseket eltorzíthatják, de a ritkán előforduló kiugró értékek a valódi adathalmaz részei is lehetnek. A Dunán előfordulhat olyan hidraulikai körülmény, amikor extrém nagy a szállított lebegtetett hordalék, pl. valahol a mérési szelvény felett ’felszakadt’ a főmederi vagy hullámtéri leülepedett anyag. Ne felejtsük, G, nem hordalékhozam-kapacitás, hanem a körülmények által determinált pillanatnyi hordalékhozam. A legkorábbi 1970. év választása nem alapszik különösebb statisztikai vizsgálaton, a 7. ábra kiegyenlítő függvényei alapján úgy véljük időben érdemes eddig ’visszanyúlni’ (1970-2008. évek között 179 db, míg 2000-2008. között már csak 48 db mérés volt). Ezt követően csak az 1970-2008. évek mért (ill. származtatott) adataival foglalkozunk. 2011-ben a Dunaföldvár és Mohács közötti Dunaszakaszra fókuszálva részletes vizsgálatokat végeztünk a lebegtetett és görgetett potenciális (egyensúlyi) hordalékszállító-képességre vonatkozóan (Rátky 2011). A számtalan ismert hordalékszállítást (hozamot, vagy töménységet) számító összefüggés közül 5 db {Ackers- White, Engelund-Hansen, Laursen-Copeland, Toffaleti és Yang-féle) transzport egyenletre érzékenységvizsgálatot végeztünk. Megállapítottuk, hogy nem meglepőek a kétszeresnél nagyobb eltérések. A 2011. évben nem vizsgáltuk a - itt később vizsgált - van Rijn {1984a, b) által ajánlott módszert. MESTERSÉGES NEURÁLIS HÁLÓ ALKALMAZÁSA A mesterséges neurális hálók alkalmazhatóságára utaló leglényegesebb jelek: a rendelkezésre álló nagy mennyiségű mérés (adat) és az adatok közötti ’pontos’ törvényszerűség ismeretének hiánya. Dunaújvárosnál a lebegtetett hordalékkal kapcsolatban mindkét feltétel fent áll. „Egy neurális hálózatot érdemes úgy felfogni, hogy nem kívánja a jelenséget modellezni, arra törvényszerűségeket megállapítani (legalábbis a hagyományos természettudományos, matematikai értelemben nem). Hanem a jelenséget fekete dobozként kezeli, csak a bemenő (input) és a kimenő (output) adatokat tekinti.” (Kiemelés a szerzőtől.) így foglalja össze röviden Fazekas {2018) a neurális hálózatok lényegét. 2. ábra. Dunaújvárosnál mért lebegtetett hordalékhozam és vízhozam kapcsolata (1970-2008) Figure 2. Relationship between suspended sediment and water discharge at Dunaújváros (1970-2008) Itt szokott következni egy nagyon rövid leírás a neurális hálók (vagy hálózatok) úgymond 'lényegét’ hivatva bemutatni, ami a lényeg esetében is több oldalt tenne ki. Egy ilyen ismertető feltehetőleg annak mondana valamit, aki már amúgy is ismeri a neurális háló számítási módszerek valódi lényegét. Mégis megpróbáljuk összefoglalni egy bekezdésben a 'lényeg-lényegét', hogy egy a programot, a módszert nem ismerő olvasónak legyen valami elképzelése, arról, hogy mi történik a fekete dobozban. Természetesen ez a leírás - egy mérnöki szemléletű felhasználónak - nem adja meg az alkalmazhatóság szempontjából a lényeges információkat. Ismert x(n) = (xi(n),x2(n)......xm(n)) n számú mérés mindegyikénél m számú mért paramétert érék és egy célérték d(n) a kiindulási adat. A modell egy méréshez tartozó mindegyik paramétert megszorozza egy w(n) súlyozó-értékkel, majd az így kapott értéket összegezi. Az összeghez hozzáadva még egy torzítást (b(n), bias, elfogultságot) reprezentáló skalármennyiséget, előáll egy m v(n) = b(n)+y wí(n)xl(n) i=l érték. Az v(n) összegzett értéket alakítja át (képezi le), egy alkalmas aktivációs (vagy transzfer, <p( )) függvény segítségével. A nemlineáris aktivációs függvény általában küszöbfüggvény, leggyakrabban monoton növekvő, jobbról folytonos, határértéke a -co-ben 0, a +°o-ben pedig I (pl. logisztikus, szigmoid függvény). Esetünkben egy modellfúttatás két fázisból állt egy tanulási és egy validálási (megbízhatóság ellenőrzése) fázis. A program a tanulási fázisában a leképzésnél kapott v(n)^tp(v(n)) kimeneti értéket hasonlítja a mért értékhez. A tanulás alatt addig ismétli a számítást különböző súly- és bias- értékekkel, míg a választott hibafüggvény minimális nem lesz. Az általunk választott Levenberg-Marquartmódszernél (ez a default), a közelítő lüggvényt akkor fogadja el, ha a validálásra felhasznált adathalmaznál a számított y(n) output és a cél d(n) érték eltérésének négyzetösszege (MSE) minimális, vagy az. újabb iterációnál már tovább nem csökkenő tendenciát mutatott. A rendelkezésre álló 179 méréssorozatnál a lebegtetett hordalék „közép töménysége” (C*, g/m3) vagy a hordalék hozama (qs, m3/sm; G,, kg/s) volt az output és a többi mért adat együtt vagy különböző csoportosításban az input. A neurális háló felépítésénél és a számításnál a MATLAB R2018a (MA7rix /.zf/(oratory) programcsomagot használtuk. A „Neural Network Fitting” alkalmazással állítottuk össze a struktúrát. A tanítás folyamán az input adathalmazra legjobban illeszkedő outputot 10 db neuront tartalmazó 1 db rejtett (hidden) réteggel tudtuk elérni.. Inputként többféle kombinációt kipróbáltunk: csak egy paramétert adva pl. Ha-t vagy v-t vagy H vagy zl-t; két paramétert pl. Ha+v-f, az egy mérési alkalomnál ismert öszszes paramétert Ha+v+Q+H+A+B-t egyszerre adva inputnak. Ezeknél a változatoknál is a számított output C* (g/m3) vagy G,, (kg/s) volt. Célunk a tanulás folyamata során (pontosabban ’validation’-ben) a legjobb illeszkedést mutató input-output adat-kombináció kiválasztása és előrejelzésre való alkalmazása. Összehasonlításunk alapjai egy-egy változatnál a számított 179 db, e = Ck.szám-Ck.mén
