Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 4. szám
Rátky István: Mesterséges neurális háló alkalmazása expedíciós lebegtetett hordalék mérési adatokra 31 jelű változatoknál is így volt (4. ábra rDimRyl és rDimRy_2 oszlopok). 4. táblázat. Számított paraméterek egy és két DimRy valamint Gt(Q) függvény-közelítéseknél Table 4. Calculated parameters for one and two DimRy and Gt _____________(Q) function approximations_____________ rDimRyl rDimRy_2 rG,(Q)J rGi(Q)_2 maximum 3,45 3,05 2,82 2,86 minimum 0,29 0,32 0,31 0,31 állag 1,11 1,10 1,08 1,12 szórás 0,53 0,52 0,44 0,45 átlagos eltérés 0,39 0,38 0,33 0,34 Az okot a 3. és a 5. ábrák alapján érthetjük meg: az illeszkedés a teljes adathalmaznak csak kis részénél (~5%nál) javult. Ez arra is felhívja a figyelmet - ami természetes -, hogy ezek a paraméterek csak átlagolva, általánosságban mutatják a becslés (előrejelzés) minőségét. Természetesen egy konkrét esetre az átlag nem mond semmit. Ugyanakkor e paraméterek arra kiválóan alkalmasak, hogy segítségükkel a különböző módszerek közül a legmegbízhatóbbat kiválasszuk, azt, amelyik az előrejelzések összességében (esetleg több száz előrejelzésnél) statisztikailag, átlagosan a legjobb eredményt adja. E mellett azt is megmutatják, hogy ’legrosszabb esetben ’ a számított hordalékhozam hányszorosa vagy hányadrésze lehet - az előrejelzésnél nem ismert - a 'tényleges' értéknek (megint csak Statisztikailag pl. rmax ([Gt,számi Gtymért)max Vagy rmin)• 1000 3000 5000 7000 9000 Q, m3/s 5. ábra. Lebegtetett hordalékhozam közelítése egy és két illesztett Gi(Q) függvénnyel Figure 5. Approximation of suspended sediment load with one and two fitted Gt (Q) functions ÖSSZEFOGLALÓ E tanulmányban elsődleges célunk az volt, hogy megvizsgáljuk nagyszámú, múltbeli expedíciós mérés adatainak felhasználásával a lebegtetett hordalékszállítás számításának lehetőségét mesterséges neurális hálózati-módszer alkalmazása segítségével. Az alkalmazhatóságot több szempont figyelembe vételével ítélhetjük meg, a legfontosabbak: a pontosság, az eredmények szórása (szóródása), az adatok beszerezhetősége, azok pontossága, mérésük nehézsége, költsége, számítási módszer egyszerűsége stb. Ezek a jellemzők többsége csak relatívan, más módszerekkel összehasonlítva értékelhetők. Ezért azonos méréssorozat adatait felhasználva három további módszerrel is elvégeztük a számítást. Az alkalmazott módszerek elvi alapjuk, származtatásuk tekintetében eltérőek voltak. Leegyszerűsítve, a módszerek leglényegesebb jellemzőjét hangsúlyozva: • a neurális hálói alkalmazó módszer alapjait tekintve statisztikai gyökerű (fekete doboz), • a van Rijn módszere elsősorban hidrodinamikai alapon közelít, • a DimRy névvel említett módszert dimenzióelemzés segítségével származtattuk, • Qt(Q) tapasztalati összefüggésen (szimptomatikus kapcsolaton) - hidrológiai/hidraulikai tényezők korrelációs kapcsolatán - alapul. A vizsgálatainkat a dunaújvárosi szelvényre, 1950- 2008. években végzett geometriai, hidraulikai és lebegtetett hordalékhozam adataira végeztük el (összes 288 db méréssorozat). Elemzéseink alapján megerősítettük azt a már korábban is ismert jelenséget, hogy a lebegtetett hordalékhozam időben (10 éves időintervallumok tekintetében) csökkenő tendenciát mutat (1. ábra). Tekintve e tendenciát, ha az adatokból előrejelzést lehetővé tevő módszert akarunk származtatni, nem ésszerű figyelembe venni a több évtizeddel előbbi hidrológiai és morfológiai állapot által befolyásolt, (részben módszertanban is különböző) méréseket. Ezért a részletes elemzéseket az 1970-2008. évek 179 db méréssorozatának adataival végeztük el. Vizsgálataink lényegét az alábbiakban összegezzük: • Ritka, expedíciós, múltbeli méréseken tanuló mesterséges neurális hálót alkalmazó (függvény közelítő, leképző) modellt a tényleges, pillanatnyi lebegtetett hordalékszállítás numerikus előrejelzésére nem ajánljuk. Még annak ismeretében sem, ha néha az ismételt számításoknál, esetleg más módszereknél kedvezőbb minősítő paramétereket is kaphatunk. • van Rijn (1984b) módszere - az általa ajánlott kritikus Shields-paramétert felhasználva - a dunaújvárosi szelvényben általában előforduló lebegtetett hordalék szemeloszlás (mértékadó szemátmérő) esetén nem alkalmazható. A továbbiakban a neurális és a van Rijn módszerek eredményeit az összehasonlításnál, - mint számításra nem ajánlottakat - az elemzésekből kihagyjuk. • A többi módszert minősítő paraméterértékei között nem sok különbség van, (4. ábra, 5. és 6. táblázat). Bár nem végeztünk pontos szignifikancia elemzést, a mintaszám és a szórás ismeretében ez jogosan feltételezhető. • Lényeges, hogy ezek a paraméterek csak átlagolva, általánosságban mutatják a becslés (előrejelzés) minőségét. Több (esetünkben több, mint száz) előrejelzésnél összességében r^pének =(GIS2ám/G, ,mért)középérték = 1,00-1,12 jellemzi a módszereket (5. táblázat). Természetesen egy konkrét esetre az átlag nem mond semmit. • Az r étékek statisztikai jellemzői szemléletesen bizonyítják, hogy önmagában egy középérték alapján
