Abstract Monitoring of groundwater

Abstract Monitoring of groundwater quality is one of the important tools to provide adequate
information about water management. In the present study, artificial neural network (ANN) with
a feed-forward back-propagation was designed to predict groundwater salinity, expressed by total
dissolved solids (TDS), using pH as an input parameter. Groundwater samples were collected from
a 36 m depth well located in the experimental farm of the City of Scientific Researches and Technological
Applications (SRTA City), New Borg El-Arab City, Alexandria, Egypt. The network
structure was 1–5–3–1 and used the default Levenberg–Marquardt algorithm for training. It was
observed that, the best validation performance, based on the mean square error, was 14819 at epoch
0, and no major problems or over-fitting occurred with the training step. The simulated output
tracked the measured data with a correlation coefficient (R-value) of 0.64, 0.67 and 0.90 for training,
validation and test, respectively. In this case, the network response was acceptable, and simulation
could be used for entering new inputs.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการตรวจสอบคุณภาพน้ำเป็นหนึ่งในเครื่องมือสำคัญเพื่อให้เพียงพอข้อมูลเกี่ยวกับการจัดการน้ำ ในการศึกษาปัจจุบัน โครงข่ายประสาทเทียม (แอน) ด้วยการดึงข้อมูลไปกลับเผยแพร่ถูกออกแบบมาเพื่อทำนายน้ำบาดาลเค็ม แสดงผลรวมส่วนยุบของแข็ง (TDS), ใช้ค่า pH เป็นพารามิเตอร์ป้อนเข้า ตัวอย่างน้ำบาดาลถูกเก็บรวบรวมจากความลึก 36 เมตรที่พักในฟาร์มทดลองในห้องวิจัยทางวิทยาศาสตร์และเทคโนโลยีใช้งาน (SRTA City), ใหม่ Borg เอลอาหรับเมือง ซานเดรีย อียิปต์ เครือข่ายโครงสร้าง 1 – 5 – 3 – 1 และใช้อัลกอริทึม Levenberg – Marquardt เริ่มต้นสำหรับการฝึกอบรม มันเป็นสังเกตที่ การตรวจสอบประสิทธิภาพสูงสุด ตามข้อผิดพลาดของค่าเฉลี่ยกำลังสอง ถูก 14819 ในยุค0 และไม่มีปัญหาสำคัญหรือเหมาะสมมากเกินเกิดขึ้นกับขั้นตอนการฝึกอบรม ผลลัพธ์ของแบบจำลองติดตามข้อมูลวัด มีคำสัมประสิทธิ์สหสัมพันธ์ (R-value) 0.64, 0.67 และ 0.90 สำหรับฝึกอบรมตรวจสอบและทดสอบ ตามลำดับ ในกรณีนี้ เป็นที่ยอมรับ การตอบสนองของเครือข่าย และการจำลองสามารถใช้สำหรับการป้อนอินพุตใหม่

ผลลัพธ์ (ไทย) 2:

ตรวจสอบบทคัดย่อคุณภาพน้ำบาดาลเป็นหนึ่งในเครื่องมือที่สำคัญเพื่อให้เพียงพอ
ข้อมูลเกี่ยวกับการบริหารจัดการน้ำ ในการศึกษาปัจจุบันเครือข่ายประสาทเทียม (ANN) กับ
ฟีดไปข้างหน้ากลับมาขยายพันธุ์ได้รับการออกแบบในการทำนายความเค็มน้ำใต้ดินแสดงโดยรวม
สารที่ละลาย (TDS) โดยใช้ค่า pH เป็นพารามิเตอร์สำหรับการป้อน ตัวอย่างน้ำบาดาลที่ถูกเก็บรวบรวมจาก
ระดับความลึก 36 เมตรตั้งอยู่ได้ดีในฟาร์มทดลองของเมืองวิจัยวิทยาศาสตร์และเทคโนโลยี
การประยุกต์ใช้งาน (SRTA ซิตี้), New Borg El-Arab เมืองซานเดรีย, อียิปต์ เครือข่าย
โครงสร้างเป็น 1-5-3-1 และใช้ค่าเริ่มต้นขั้นตอนวิธี Levenberg-Marquardt สำหรับการฝึกอบรม มันถูก
ตั้งข้อสังเกตว่าผลการดำเนินงานการตรวจสอบที่ดีที่สุดขึ้นอยู่กับข้อผิดพลาดตารางค่าเฉลี่ยเป็น 14,819 ยุคที่
0 และไม่มีปัญหาที่สำคัญหรือเกิดขึ้นในช่วงที่เหมาะสมกับขั้นตอนการฝึกอบรม เอาท์พุทจำลอง
การติดตามข้อมูลวัดที่มีค่าสัมประสิทธิ์สหสัมพันธ์ (r-ค่า) 0.64, 0.67 และ 0.90 สำหรับการฝึกอบรม,
การตรวจสอบและทดสอบตามลำดับ ในกรณีนี้การตอบสนองต่อเครือข่ายได้รับการยอมรับและการจำลอง
สามารถนำมาใช้สำหรับการป้อนปัจจัยการผลิตใหม่

ผลลัพธ์ (ไทย) 3:

บทคัดย่อของการตรวจสอบคุณภาพน้ำใต้ดิน เป็นเครื่องมือหนึ่งที่สำคัญเพื่อให้เพียงพอ
ข้อมูลเกี่ยวกับการจัดการน้ำ ในการศึกษาโครงข่ายประสาทเทียม ( ANN ) กับการ feed-forward back-propagation ถูกออกแบบมาเพื่อทำนายความเค็มของน้ำบาดาล แสดงโดยรวม
ของแข็งละลายน้ำ ( TDS ) โดยใช้ pH เป็นอินพุตพารามิเตอร์ จากการเก็บตัวอย่างน้ำบาดาล
36 ม. ลึกดีอยู่ในฟาร์มทดลองของเมืองของงานวิจัยทางวิทยาศาสตร์และการประยุกต์ใช้เทคโนโลยี
( srta เมือง Borg El Arab ) ใหม่ เมืองอเล็กซานเดรีย ประเทศอียิปต์ โครงสร้างเครือข่าย
1 – 5 – 3 – 1 และใช้ค่าเริ่มต้น levenberg –มาร์คว ขั้นตอนวิธีสำหรับการฝึก มันคือ
สังเกตว่า ประสิทธิภาพการตรวจสอบที่ดีที่สุดบนพื้นฐานของความคลาดเคลื่อนกำลังสองเฉลี่ย คือ 14819 ในยุค
0และไม่มีปัญหา หรือมากกว่าที่เหมาะสมเกิดขึ้นด้วยการฝึกอบรมขั้นตอน โดยผลผลิต
ติดตามข้อมูลวัดที่มีค่าสัมประสิทธิ์สหสัมพันธ์ ( R-value ) เท่ากับ 0.64 , 0.67 และ 0.90 ฝึกอบรม
การตรวจสอบและการทดสอบตามลำดับ ในกรณีนี้การตอบสนองเครือข่ายเป็นที่ยอมรับ และจำลอง
สามารถใช้สำหรับป้อนข้อมูลใหม่