Статья
| Наименование | Принципы построения методики нейросетевого расчета химических показателей качества воды (на примере р. Белая, ЛНР) | ||||
| Авторы |
|
||||
| Раздел | |||||
| Год | 2025 | Выпуск | 15 | Страницы | 49 - 56 |
| УДК | 504.064.2.001.18 | EDN | ASBNER | ||
| Аннотация | Предложена методика нейросетевого расчета химических показателей качества воды. Приведены этапы расчета, которые учитывают мониторинговую информацию о рассчитываемом компоненте, наличие регламентированных расчетных методик, внешние факторы, оказывающие влияние на загрязнение водосборной территории, самообучение и проверку построенной модели на адекватность путем выполнения серии симуляций на данных, не входящих в обучающую выборку нейросети. На примере данных по сухому остатку апробирован алгоритм градиентного бустинга (CatBoost), погрешность которого в сравнении с экспериментальными данными составила 4,83 %. Алгоритм расчета учитывает влияние внешних факторов (метеоданных) и внутренних связей между другими компонентами. | ||||
| Реферат | Цель. Установление принципов построения методики нейросетевого расчета химических показателей качества воды (на примере р. Белая, ЛНР).
Методика. Методика нейросетевого расчета химических показателей качества воды выполнена с использованием алгоритма градиентного бустинга (CatBoost) на данных с водосборной территории р. Белая. Причиной выбора данного алгоритма стала возможность применения ансамблевого обучения, которое в отличие от классических регрессионных моделей типа ARIMA или SARIMAX объединяет ряд слабых моделей прогнозирования и предлагает более точное решение поставленной задачи. В качестве основного компонента выбран сухой остаток, данные по которому взяты вблизи поссовета пгт. Бугаевка. Дополнительно учитывались ключевые метеорологические показатели, зафиксированные специальными службами. Результаты. Получена структурная схема нейросетевой методики для расчета концентраций химических показателей качества воды, с возможностью адаптации к водосборной территории реки Белая. Детально описаны этапы расчета и проведен расчет экспериментально измеренных и скорректированных нейросетью концентраций сухого остатка. Научная новизна. Были получены значения концентрации химического показателя качества воды. Погрешность измерений, выполненных с помощью нейросетевой методики, в основе которой применен алгоритм градиентного бустинга (CatBoost), составила 4,83 %. Разработанная методика, использующая нейросетевой подход, обеспечивает повышение адекватности результатов за счет обучения модели на массиве экспериментальных наблюдений. Это позволяет эффективно компенсировать систематические и случайные ошибки, присутствующие в данных. Практическая значимость. Методика нейросетевого расчета химических показателей качества воды построена с учетом реальных данных и может быть рекомендована для проведения более детального анализа ряда компонентов, которые влияют на потребительский интерес со стороны промышленных предприятий ООО «Южный горно-металлургический комплекс» и населения. Предложенная методика будет включена в программно-технический комплекс, одной из задач которого будет выявление закономерностей многофакторного процесса формирования стока поверхностных водных объектов с учетом влияния шахтных вод. |
||||
| Ключевые слова | речной сток, алгоритм градиентного бустинга (CatBoost), методика расчета химических показателей качества воды, математическое моделирование, сухой остаток. | ||||
| Финансирование | исследования выполнены за счет средств федерального бюджета (код темы: FRRU-2024-0004 в ЕГИСУ НИОКТР). | ||||
| Список источников |
1. Стратегическое направление в области цифровой трансформации отрасли экологии и природопользования, относящейся к сфере деятельности Министерства природных ресурсов и экологии Российской Федерации: распоряжение Правительства Российской Федерации от 15 декабря 2023 г. № 3664-р. URL: http://static.government.ru/media/files/ gMqq6qYn6ucSm7CbAqQXy0GHESYTQ9K4.pdf.
2. Красногорская Н. Н., Нафикова Э. В. Геоэкологическая оценка и прогнозирование опасных природно-техногенных процессов на водосборе реки. М.: Инновационное машиностроение, 2015. 242 с.
3. Крамаренко А. А., Коптева А. К., Лысенко И. Л. О наличии гидрогеологической связи между горными выработками закрытых шахт в горнопромышленных районах на примере участка зоны водосбора р. Белая Перевальского района Луганской Народной Республики // Экологический вестник Донбасса. 2023. № 9. С. 27–38. EDN: QVWFSJ
4. Мохов А. В. Трансформация гидродинамических характеристик горного массива на участках освоения каменноугольных залежей подземным способом: автореф. дис.... д-ра техн. наук. Ростов н/Д, 2015. 22 с.
5. Слейман А., Козлов Д. В. Моделирование речного стока в условиях недостаточного информационного обеспечения // Гидротехническое строительство, 2024. № 7. С. 7–16. DOI: 10.34831/EP.2024.97.56.002. EDN: XWDHTT
6. Белозерова Е. А., Красногорская Н. Н. Разработка геоинформационной системы поддержки принятия решений при управлении водными ресурсами // Гидрометеорология и экология. 2021. № 65. С. 702–725. DOI: 10.33933/2713-3001-2021-65-702-725. EDN: RZGGLF
7. Гулько С. Е. Научные основы экологически безопасных технологий при использовании шахтных вод: дис.... д-ра тех. наук. Донецк, 2019. 328 с.
8. Рыбникова Л. С. Процессы формирования подземных вод в горнодобывающих районах Среднего Урала на постэксплуатационном этапе: автореф. дис.... д-ра геол.-минерал. наук. Москва, 2019. 45 с.
9. Смирнова И. В., Вознюк Ю. С. Расчёт подземного стока в реку Белая гидрохимическими методами // Экологический вестник Донбасса. 2023. № 9. С. 41–46. EDN: MTJOQA
10. Hancock J., Khoshgoftaar T. CatBoost for Big Data: an Interdisciplinary Review // Journal of Big Data. 2020. Vol. 7 (1). URL: https://www.researchgate.net/publication/346496325_CatBoost_for_big_data_an_interdisciplinary_review (date of treatment: 24.06.2025). DOI: 10.1186/s40537-020-00369-8
|
||||
| Полный текст |
|
||||