As displayed in Fig. 4, a linear re

As displayed in Fig. 4, a linear regression analysis was conducted
for training, validation and testing, in order to determine
the relationship between the outputs of the network
and the targets. In each plot, the dashed line represents the perfect
result, i.e. outputs =targets, whereas the solid line corresponds
to the best fit linear regression. As the R-value
approaches to one, then there is an exact linear relationship.
The regression results (R-value) were 0.64, 0.67 and 0.90 for
training, validation and test, respectively. Those results were
corresponding to a total response of 0.68. The lower regression
results can be attributed to fewer training data (accounting for
78 points) and/or the ANN configuration, in terms of number
of hidden layers and neurons, might not being optimal. After
the network was trained, validated and tested, the generated
model can be used to predict the parameter TDS through
new input pH data. In (Maedeh et al., 2013) a similar research,
ANN was used to predict TDS variations in groundwater of
Tehran. The study found R2 of 0.96 between the forecast
and observed data using input parameters: SO4, Na, and Cl.
Additionally, Seyyed et al., 2013 revealed that it was possible
to predict TDS distribution with access to input parameters
such as PH and EC with a correlation coefficient of 0.96. Similarly,
Nourani et al., 2013 applied FFNN to predict the values
of EC and TDS using inputs: temperature, pH, opacity, total
hardness and quantity of calcium, and the study found a correlation
coefficient of more than 0.90.
It was found that experimental analysis of TDS was close to
the predicted data calculated from the configuration and this
confirms the validity of this model.
Conclusions
In the present study, the groundwater salinity (i.e. in terms of
TDS) based on alkalinity (i.e. expressed by pH) was predicted
and ANN with a structure of 1–5–3–1 was proposed. The
network showed an acceptable ability to capture the
interrelationship between input: pH and output: TDS concentrations.
Values of correlation coefficient (R) of training, validation
and test were 0.64, 0.67 and 0.90, respectively. It is
concluded that the developed model is suitable for predicting
the salinity concentrations.
References
Demuth, H., Beale, M., Hagan, M., 2007. Neural Network Toolbox 5:
Users Guide. The Math Works Inc., Natick, MA.
Eaton, A., Clesceri, L., Greenberg, A., 2005. Standard methods for the
examination of water and wastewater. 21st ed. Washington, USA:
American Public Health Association (APHA)/American Water
Works Association.
Groundwater information sheet-salinity. March, 2010. State Water
Resources Control. Board Division of Water Quality GAMA
Program.
Hinton, G.E., Osindero, S., Teh, Y., 2006. A fast learning algorithm
for deep belief nets. Neu. Comp. 18 (7), 1527–1554.
Hong, Y.S., Rosen, M.R., Bhamidimarri, R., 2003. Analysis of a
municipal wastewater treatment plant using a neural networkbased
pattern analysis. Water Res. 37 (7), 1608–1618.
Maedeh, A.P., Mehrdadi, N., Bidhendi, G.N., Abyaneh, H.Z., 2013.
Application of artificial neural network to predict total dissolved
solids variations in groundwater of Tehran plain. Iran Int. J.
Environ. Sust. 2 (1), 10–20.
Morshed, J., Kaluarachchi, J., 1998. Parameter estimation using
artificial neural network and genetic algorithm for free-product
migration and recovery. Water Resour. Res. 34 (5), 1101–1113.
Nasr, M., Moustafa, M., Seif, H., El Kobrosy, G., 2012. Application
of Artificial Neural Network (ANN) for the prediction of ELAGAMY
wastewater treatment plant performance-EGYPT. Alex
Eng J. 51(1), 37–43.
Nasr, M., Tawfik, A., Ookawara S., Suzuki, M., 2013. Prediction of
hydrogen production using artificial neural network. Seventeenth
International Water Technology Conference, IWTC17, Istanbul.
Nourani, V., Khanghah, T., Sayyadi, M., 2013. Application of the
Artificial Neural Network to monitor the quality of treated water.
Intern J Manag Info Techy. 3(1), 38–45.
Podmore, C., 2009. Irrigation salinity – causes and impacts. PRIMEFACT
for profitable, adaptive and sustainable primary industries-
937. October.
Rogers, L., Dowla, F., 1994. Optimization of groundwater remediation
using artificial neural networks with parallel solute transport
modeling. Wat Resou Res. 30(2), 457–481.
Sandhu, N., Finch, R., 1996. Emulation of DWRDSM using Artificial
Neural Networks and Estimation of Sacramento River Flow from
Salinity,’’ North American Water and Environment Congress &
Destructive Water, American society of civil engineers (ASCE),
Anaheim, California, United States.
Seyyed, A.M., Gholamm A. K., Zeynab, P., Zeynab, B., Mohammad
S., 2013. Estimate the spatial distribution TDS the fusion method
Geostatistics and artificial neural networks. Inter J Agric Crop Sci.
6(7), 410–420.
Slinger, D., Tenison, K., 2007. Salinity Glove Box Guide: NSW
Murray & Murrumbidgee Catchments, NSW Department of
Primary Industries.
Zare, A.H., V.M., Bayat, V.M., Daneshkare, A.P., 2011. Forecasting
nitrate concentration in groundwater using artificial neural network
and linear regression models. Int. Agrophys. 25, 187–192.

ผลลัพธ์ (ไทย) 1:

ตามที่ปรากฏใน Fig. 4 วิธีการวิเคราะห์ถดถอยเชิงเส้นการฝึกอบรม ตรวจสอบ และ ทดสอบ การกำหนดความสัมพันธ์ระหว่าง outputs ของเครือข่ายและเป้าหมาย ในแต่ละแผน เส้นประหมายถึงสมบูรณ์แบบผล เช่นแสดงผล =เป้าหมาย ในขณะที่เส้นทึบตรงการถดถอยเชิงเส้นพอดีที่สุด เป็น R-valueใกล้จะหนึ่ง แล้วมีความสัมพันธ์เชิงเส้นตรงถดถอย (R-value) ก็ 0.64, 0.67 และ 0.90 สำหรับฝึกอบรม ตรวจสอบและทดสอบ ตามลำดับ ผลลัพธ์ที่ได้ที่สอดคล้องกับการตอบสนองทั้งหมดของ 0.68 ถดถอยต่ำกว่าสามารถบันทึกผลข้อมูลการฝึกอบรมน้อย (บัญชีสำหรับคะแนน 78) โครง แบบแอน ในด้านจำนวนและ/หรือชั้นซ่อนและ neurons อาจไม่เหมาะสม หลังจากเครือข่ายการฝึกอบรม ตรวจสอบ และ ทดสอบ ที่สร้างขึ้นสามารถใช้แบบจำลองเพื่อทำนายพารามิเตอร์ TDS ผ่านข้อมูลค่า pH สำหรับการป้อนค่าใหม่ ใน (Maedeh et al., 2013) วิจัยคล้ายแอนน์ใช้ทำนายรูปแบบ TDS ในน้ำบาดาลของเตหราน การศึกษาพบว่า R2 0.96 ระหว่างการคาดการณ์และสังเกตโดยใช้พารามิเตอร์การป้อนข้อมูล: SO4 นา และ Clนอกจากนี้ Seyyed et al., 2013 เปิดเผยว่า มันเป็นไปได้เพื่อทำนาย TDS กระจายเข้าถึงพารามิเตอร์สำหรับการป้อนค่าค่า PH และ EC มีสัมประสิทธิ์สหสัมพันธ์ของ 0.96 ในทำนองเดียวกันNourani et al., 2013 ใช้ FFNN เพื่อทำนายค่าEC และ TDS ใช้อินพุต: อุณหภูมิ pH ทึบ รวมความแข็งและปริมาณของแคลเซียม และการศึกษาพบความสัมพันธ์สัมประสิทธิ์ของมากกว่า 0.90พบว่า วิเคราะห์ทดลองของ TDS ถูกปิดไปข้อมูลคาดการณ์ที่คำนวณจากการกำหนดค่านี้ยืนยันถูกต้องรุ่นนี้บทสรุปในการศึกษาปัจจุบัน เค็มน้ำบาดาล (เช่นในรูปของTDS) ตามสภาพด่าง (เช่นแสดง โดยค่า pH) ได้คาดการณ์ไว้และมีเสนอแอนกับโครงสร้างของ 1 – 5 – 3 – 1 ที่ยอมรับความสามารถในการจับภาพที่แสดงให้เห็นเครือข่ายinterrelationship ระหว่างอินพุท: ค่า pH และผลผลิต: ความเข้มข้นของ TDSค่าของสัมประสิทธิ์สหสัมพันธ์ (R) ของการฝึกอบรม ตรวจสอบและทดสอบ คำ 0.64, 0.67 0.90 ตามลำดับ มันเป็นสรุปว่า เหมาะสำหรับการคาดการณ์แบบพัฒนาความเข้มข้นเค็มการอ้างอิงDemuth, H., Beale เมตร Hagan เมตร 2007 เครื่องมือเครือข่ายประสาท 5:ผู้ใช้คู่มือ การคณิตศาสตร์งาน Inc., Natick, MAโรงแรมอีตัน A., Clesceri, L. สวี อ. 2005 วิธีการมาตรฐานสำหรับการตรวจสอบน้ำและน้ำเสีย 21 อุตสาหกรรมมหาบัณฑิตวอชิงตัน สหรัฐอเมริกา:สมาคมอเมริกันสาธารณสุข (อาภา) / อเมริกันวอเตอร์การเชื่อมโยงการทำงานแผ่นข้อมูลน้ำบาดาลเค็ม มีนาคม 2010 น้ำรัฐควบคุมทรัพยากร คณะกรรมการฝ่ายคุณภาพน้ำกามาโปรแกรมHinton, G.E., Osindero, S. เตห์ Y., 2006 อัลกอริทึมการเรียนรู้อย่างรวดเร็วสำหรับความลึกมุ้ง Neu ส่วนประกอบที่ 18 (7), 1527-1554Hong, Y.S. โร มรว. Bhamidimarri, R., 2003 การวิเคราะห์การโรงบำบัดน้ำเสียเทศบาลใช้ networkbased ประสาทการวิเคราะห์รูปแบบ น้ำทรัพยากร 37 (7), 1608 – 1618Maedeh อ่าวนาง Mehrdadi, N., Bidhendi, G.N., Abyaneh, H.Z., 2013ใช้โครงข่ายประสาทเทียมเพื่อทำนายผลรวมส่วนยุบรูปแบบของแข็งในน้ำบาดาลล้วนเตหราน เจอิหร่านของดอกเบี้ยEnviron Sust 2 (1), 10-20Morshed, J., Kaluarachchi, J., 1998 ใช้การประมาณพารามิเตอร์โครงข่ายประสาทเทียมและอัลกอริทึมทางพันธุกรรมสำหรับผลิตภัณฑ์ฟรีการโยกย้ายและการกู้คืน น้ำ Resour ทรัพยากร 34 (5), 1101-1113ไคโร M., Moustafa, M., Seif, H. เอล Kobrosy, G., 2012 แอพลิเคชันของประดิษฐ์ประสาทเครือข่าย (แอน) สำหรับคำทำนายของ ELAGAMYบำบัดน้ำเสียโรงงานประสิทธิภาพอียิปต์ AlexEng J. 51(1), 37-43ไคโร M., Tawfik, A., Ookawara s ได้ Suzuki เมตร 2013 ทำนายของผลิตไฮโดรเจนโดยใช้โครงข่ายประสาทเทียม Seventeenthอิสตันบูลประชุม IWTC17 เทคโนโลยีน้ำนานาชาติNourani, V., Khanghah ต. Sayyadi, M., 2013 แอพลิเคชันของการโครงข่ายประสาทเทียมในการตรวจสอบคุณภาพของน้ำที่บำบัดช่างเทคนิคฝึกหัด J Manag ข้อมูล Techy 3(1), 38 – 45Podmore, C., 2009 ชลประทานเค็ม – สาเหตุ และผลกระทบ PRIMEFACTสำหรับผลกำไร ปรับให้เหมาะสม และยั่งยืนหลักอุตสาหกรรม-937. ตุลาคมโรเจอร์ส L., Dowla, F., 1994 เพิ่มประสิทธิภาพของน้ำเพื่อใช้เครือข่ายประสาทเทียมแบบขนานตัวขนส่งสร้างโมเดล วัดทรัพยากร Resou 30(2), 457-481Sandhu, N. เรซิเดนซี่ อาร์ 1996 จำลองของ DWRDSM ที่ใช้ประดิษฐ์เครือข่ายประสาทและประเมินของริเวอร์พาร์กเวย์ไหลจากเค็ม อเมริกาเหนือน้ำและสิ่งแวดล้อมสภาและทำลายน้ำ อเมริกันสมาคมวิศวกรโยธา (ASCE),อนาไฮม์ แคลิฟอร์เนีย สหรัฐอเมริกาGholamm Seyyed น. อ.เค Zeynab, P., Zeynab บี อาหรับS., 2013 ประเมินการกระจาย TDS วิธีฟิวชั่นGeostatistics และเครือข่ายประสาทเทียม อินเตอร์ J Sci. พืชสัตว์ปีก6(7), 410-420Slinger, D., Tenison คุณ 2007 คู่มือกล่องถุงมือเค็ม: นิวเซาธ์เวลส์เมอร์เรย์และ Murrumbidgee Catchments ภาควิชานิวเซาธ์เวลส์อุตสาหกรรมหลักZare ฮฺปีฮ V.M., Bayat, V.M., Daneshkare อ่าวนาง 2011 การคาดการณ์ใช้ไนเตรทความเข้มข้นในน้ำบาดาลที่ใช้โครงข่ายประสาทเทียมและแบบจำลองถดถอยเชิงเส้น Agrophys ของดอกเบี้ย 25, 187-192

ผลลัพธ์ (ไทย) 3:

ตามที่แสดงในรูปที่ 4 การวิเคราะห์การถดถอยเชิงเส้นและ
ฝึก การตรวจสอบและการทดสอบเพื่อตรวจสอบ
ความสัมพันธ์ระหว่างผลลัพธ์ของเครือข่าย
และเป้าหมาย ในแต่ละแปลง , เส้นประแสดงผลสมบูรณ์แบบ
คือผลผลิต = เป้าหมาย ส่วนสายแข็งสอดคล้อง
ให้พอดีเส้นถดถอย . เป็นค่าอาร์
แนวทางหนึ่งแล้วมีความสัมพันธ์เชิงเส้นการถดถอยผลแน่นอน .
( R-value ) 0.64 , 0.67 และ 0.90 สำหรับ
การฝึกอบรม , การตรวจสอบและการทดสอบตามลำดับ ผลลัพธ์ที่สอดคล้องกันเพื่อตอบสนอง
รวม 0.68 . ผลวิเคราะห์
ล่างสามารถบันทึกข้อมูลการฝึกอบรมน้อยลง ( การบัญชีสำหรับจุด
78 ) และ / หรือ การปรับแต่ง แอน ในแง่ของตัวเลข
ชั้นซ่อนและประสาท ,อาจจะไม่เหมาะ หลังจาก
เครือข่ายการฝึกอบรมการตรวจสอบ และ ทดสอบ สร้าง
แบบจำลองสามารถทำนายค่า TDS ผ่าน
อข้อมูลใหม่ ( maedeh et al . , 2013 ) การวิจัยที่คล้ายกัน
แอนถูกใช้เพื่อทำนายรูปแบบของ TDS ในน้ำ
เตหะราน พบ R2 จ่ายระหว่างการคาดการณ์
และสังเกตข้อมูลโดยใช้พารามิเตอร์การป้อนข้อมูล : ปา , นา และ CL
นอกจากนี้seyyed et al . , 2556 พบว่ามันเป็นไปได้
ทำนาย TDS ที่มีการกระจายการเข้าถึงพารามิเตอร์การป้อนข้อมูล
เช่น pH และ EC กับสัมประสิทธิ์สหสัมพันธ์เท่ากับ 0.96 . ในทํานองเดียวกัน
nourani et al . , 2013 ใช้ ffnn เพื่อทำนายค่า EC TDS และใช้ปัจจัยการผลิต
: อุณหภูมิ , พีเอช , ความทึบ , ความกระด้างทั้งหมด
และปริมาณของแคลเซียม และพบความสัมพันธ์ของค่าสัมประสิทธิ์มากกว่า

1 .พบว่า การทดลองการวิเคราะห์ TDS สนิท
ทำนายข้อมูล คำนวณจากค่าและนี้
ยืนยันความถูกต้องของแบบจำลองนี้ .

สรุปในการศึกษาปัจจุบัน น้ำใต้ดินเค็ม ( เช่นในแง่ของ
TDS ) บนพื้นฐานของความเป็นด่าง ( pH ) แสดงโดย ) สามารถทำนาย
และแอนด้วย โครงสร้างของ 1 – 5 – 3 – 1 ฯ
เครือข่ายแสดงความสามารถยอมรับจับ
ความสัมพันธ์ระหว่างการเข้า และออกของ TDS .
ค่าสัมประสิทธิ์สหสัมพันธ์ ( r ) ของการฝึกอบรม การตรวจสอบ และทดสอบที่ 4
, 0.67 และ 0.90 ตามลำดับ มันคือ
สรุปได้ว่า แบบจำลองที่พัฒนาขึ้นมีความเหมาะสมสำหรับทำนายค่าความเข้มข้น
.
อ้างอิง
เดอมุท , เอช. Beale ม. Hagan , M . , 2007 .เครื่องมือเครือข่ายประสาท 5
: คู่มือผู้ใช้ คณิตศาสตร์งานอิงค์ , บริสุทธิ์ใจ , MA .
Eaton , A , clesceri L . กรีนเบิร์ก , A . , 2005
วิธีการมาตรฐานสำหรับการวิเคราะห์น้ำและน้ำเสีย 21 . วอชิงตัน สหรัฐอเมริกาสมาคมอเมริกันสาธารณสุข
( apha ) / งานสมาคมอเมริกันน้ำ
.
3 แผ่นข้อมูลน้ำใต้ดิน มีนาคม , 2010 สภาพแหล่งน้ำ
ควบคุมคณะกรรมการฝ่ายโปรแกรม กามา

เด็ก คุณภาพน้ำ g.e. osindero , , S . เต๋ . , 2006
ขั้นตอนวิธีการเรียนรู้อย่างรวดเร็วสำหรับมุ้งความเชื่อลึก นัก คอมพ์ 18 ( 7 ) , 1425 – 1640 .
Hong , YS โรเซน ม.ร.ว. bhamidimarri , R , 2003 การวิเคราะห์น้ำเสียชุมชนพืช
โดยใช้ประสาท networkbased
รูปแบบการวิเคราะห์ น้ำคงเหลือ 37 ( 7 ) , 127 – 1 maedeh mehrdadi A.P .
, , , เอ็น , bidhendi g.n. abyaneh , , ,h.z. 2013 .
การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อการพยากรณ์รูปแบบของแข็งละลายทั้งหมด
ของเตหะรานในน้ำธรรมดา อิหร่าน Int . J .
สิ่งแวดล้อม SUST . 2 ( 1 ) , 10 - 20 .
morshed เจ kaluarachchi , J . , 1998 การประมาณค่าพารามิเตอร์ใช้
โครงข่ายประสาทเทียมและขั้นตอนวิธีเชิงพันธุกรรมสำหรับการโยกย้ายผลิตภัณฑ์
ฟรีและการกู้คืน น้ำ resour . ศาสตร์ 34 ( 5 ) , 1644 – 1185 .
Nasr ม. มุสตาฟานี่่ม. . , , ,เอล kobrosy G 2012 โปรแกรม
ของโครงข่ายประสาทเทียม ( ANN ) เพื่อทำนายประสิทธิภาพ elagamy
บำบัดน้ำเสียโรงงานอียิปต์ อเล็กซ์
( J . 51 ( 1 ) , 37 และ 43 .
Nasr เมตร tawfik A , S , ookawara , ซูซูกิ , เอ็ม , 2013 ทำนาย
การผลิตไฮโดรเจนโดยใช้โครงข่ายประสาทประดิษฐ์ สิบเจ็ด
น้ำนานาชาติเทคโนโลยีการประชุม iwtc17 อิสตันบูล . .
nourani วี khanghah ต.sayyadi , เอ็ม , 2013 การประยุกต์ใช้
โครงข่ายประสาทเทียม เพื่อตรวจสอบคุณภาพของน้ำประปา .
ครูฝึกสอน J การจัดการข้อมูลขี้รำคาญ . 3 ( 1 ) 38 – 45 .
podmore , C . , 2009 น้ำความเค็ม–สาเหตุและผลกระทบ primefact
สำหรับกำไร , การปรับตัวและยั่งยืนอุตสาหกรรมพื้นฐาน -
937 . ตุลาคม
โรเจอร์ ล. dowla , F . , 1994 การเพิ่มประสิทธิภาพของ
การฟื้นฟูน้ำใต้ดินการใช้โครงข่ายประสาทเทียมแบบการขนส่ง
( แบบขนาน วัดชลปร res . 30 ( 2 ) , 457 – 481 .
แซนดู , เอ็น , ฟินช์ , R . , 1996 การแข่งขันของ dwrdsm โดยใช้โครงข่ายประสาทเทียม
และประมาณการแม่น้ำไหลจาก
3 , ' ' อเมริกาเหนือน้ำและสิ่งแวดล้อมสภา&
ทำลายน้ำ , สมาคมวิศวกรชาวอเมริกัน ( ASCE )
แอนาไฮม์ แคลิฟอร์เนีย สหรัฐอเมริกา
seyyed ) gholamm A , K . zeynab , หน้า zeynab , บี , Mohammad
S . , 2013 การกระจายเชิงพื้นที่ TDS วิธี
ฟิวชั่นธรณีสถิติ และโครงข่ายประสาทเทียม อินเตอร์เจ Agric พืช Sci .
6 ( 7 ) , 410 – 420 .
Slinger , D เทนีสัน K , 2550 ความเค็มถุงมือคู่มือกล่อง : NSW
เมอร์เรย์&บิด catchments , NSW อุตสาหกรรมพื้นฐาน ภาควิชา
.
zare a.h. v.m. ยัต , , , v.m. daneshkare เอพี , , , ,2011 การพยากรณ์ปริมาณไนเตรตในน้ำ

โดยใช้โครงข่ายประสาทเทียมและแบบจำลองการถดถอยเชิงเส้น แปลความหมาย [ agrophys . 25 , 187 ) 192 .