Yapay Nöron Ağı (Ann) Kullanarak Su Kalitesi Endeksi Tahmini

Abstract

Tahmin, su kalitesi yönetimi için hayati önem taşır ve bu kirli çağda su gibi kıt bir kaynakla çalışırken esastır. Bu nedenle, önemli su kalitesi parametrelerine ve iklim faktörlerine dayalı su kalitesi indeksini (WQI) tahmin etmek için tutarlı ve hassas makine öğrenimi modelleri oluşturmak, çevresel felaketleri önlemek için erken uyarılar sağlamak için esastır. Su kalitesi indeksini on bir fizikokimyasal parametreyi (biyokimyasal oksijen ihtiyacı (BOİ), PH, elektriksel iletkenlik (EC), çözünmüş oksijen (DO), klor (Cl-1 ), kalsiyum( Su kalitesi indeksini (WQI) hesaplamak için Ca+2 ), magnezyum (Mg+2 ), nitrit (NO2−1 ), sodyum (Na+1), sülfat (SO4-2) ve toplam çözünmüş katılar (TDS)) atanmıştır. ). Sonuç, içme için uygun olmayan bir nokta (Haziran 2000) dışında iyiden kötüye doğru değişiyordu. Ayrıca, bu belirlemeyi gerçekleştirmek için üç metasezgisel optimizasyon algoritması (kısıtlama katsayısına dayalı parçacık sürüsü optimizasyonu ve kaotik yerçekimi arama algoritması CPSOCGSA, deniz avcısının optimizasyon algoritması MPA ve parçacık sürüsü optimizasyonu PSO) bir yapay sinir ağı (YSA) ile birleştirildi. üç hibrit model (CPSOCGSA-ANN, MPA-ANN ve PSO-ANN) oluşturmak için bir Levenberg-Marquardt üç katmanlı geri yayılım algoritması mimarisi ile. Ek olarak, veri ön işleme tekniklerinin üç özelliği (doğal logaritma tekniği, tekil spektrum analizi) (SSA) ve tolerans), orijinal veri setini normalleştirmek, geliştirmek ve en uygun model girdi senaryosunu (sırasıyla) belirlemek için kullanılmıştır. Ayrıca, bu modellerin doğruluğu çeşitli istatistiksel kriterlere (MAE, RMSE ve R2) dayalı olarak doğrulanmıştır. Sonuç, CPSOCGSA-ANN modelinin performansının en yüksek doğruluğu (R² = 0.965, MAE = 0.01627 ve RMSE = 0.0187) elde ederek diğer modellerden (MPA-ANN ve PSO-ANN) üstün olduğunu ortaya koydu. dışarıya açılır.Forecasting is vital to water quality management and is essential when working with a scarce resource like water in this polluted era. Therefore, generating consistent and precise machine learning models to predict the water quality index (WQI) based on significant water quality parameters and climate factors is essential for providing early warnings to prevent environmental disasters In view of this, Yesilirmak river, within the provincial borders of Çorum, turkey, was selected as a case study to predict the water quality index eleven physicochemical parameters (biochemical oxygen demand (BOD), PH, electrical conductivity (EC), dissolved oxygen (DO), chlorine (Cl-1 ), calcium(Ca+2 ), magnesium (Mg+2 ), nitrite (NO2−1 ), sodium (Na+1), sulfate (SO4-2) and total dissolved solids (TDS)) were assigned to calculate the water quality index (WQI). The result varied from good to poor, except for one point (June in 2000) that was unsuitable for drinking. Also, to accomplish this determination, three metaheuristic optimization algorithms (the constraint coefficient-based particle swarm optimization and chaotic gravitational search algorithm CPSOCGSA, the marine predator's optimization algorithm MPA, and particle swarm optimization PSO) were combined with an artificial neural network (ANN) with a Levenberg–Marquardt three-layer backpropagation algorithm architecture to build three hybrid models (CPSOCGSA-ANN, MPA-ANN, and PSO-ANN).In addition, three features of data pre-processing techniques (natural logarithm technique, singular spectrum analysis (SSA), and tolerance) have been used to normalize, enhance the original dataset and identify the optimal model input scenario (respectively). Furthermore, these models' accuracy was verified based on various statistical criteria (MAE, RMSE, and R2). The result revealed that the performance of the CPSOCGSA-ANN model was superior to other models (MPA-ANN and PSO-ANN) by achieving the highest accuracy (R² = 0.965, MAE = 0.01627, and RMSE = 0.0187this window of the thesis that opens to the outside.