канд. хим. наук, инженер-химик
Cand. Sci. (Chem), Chemical Engineer
студент
Student
д-р хим. наук, главный специалист
Dr. Sci. (Chem.), Chief Officer
канд. техн. наук, главный технолог
Cand. Sci. (Chem.), Main Technologist
главный инженер
Chief Engineer
ген. директор
General Director
канд. техн. наук, доцент
Cand. Sci. (Chem.), Associate Professor
д-р хим. наук, профессор
Dr. Sci. (Chem.), Professor
Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.
Regression and neural network model for predicting the required dose of coagulant, depending on the quality of river water supplied for water treatment, are considered, their comparative analysis is carried out. For modelling and forecasting, statistical data collected for the period from 2005 to nowadays. Regression models were built on the true values of the factors (water quality indicators) and on their first differences to eliminate the trend in the series. For the models built on the true values, the statistical significance, was confirmed, high values of the coefficient of the determination were obtained, the values of the approximation errors were 22–25 %. In neural network modelling, networks of the multilayer perception were used. Generalization error on the test set when using other type of networks (RBF-networks, Elman networks), was significant above. Computational experiments have shown that, in general, the accuracy of neural network models is higher than regression ones. The average learning error was 7–9 %, the error on the test set increases to 12–16 %. The reliability of the forecast is increased by training the network on more recent data and using a larger set of facts. An increase in the influence of indicators of permanganate oxidability and colour of the initial river water on the dose of reagents with a simultaneous decrease in the degree of influence of alkalinity over the last five-year period was revealed. This confirms the need to periodically update data for building models. Selected models recommended for implementation in industrial monitoring of water treatment technology at the enterprise.
The authors declare that there are no conflicts of interest present.