Prediction of water quality index using artificial neuron network (ANN)

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.