فهرست مطالب:

چکیده
مقدمه
ایستگاه اتوماتیک BELI BROD در رودخانهKOLUBARA
جمع آوری و انتقال داده
تصویر در وب سایت RHMS
توصیف سایت
خصوصیات
جمع آوری و انتقال داده
سیستم هشدار اولیه آلودگی آب سطحی

بخشی از ترجمه:

وضعیت فعلی در خصوص پایش آب های سطحی در صربستان دارای خصوصیات ذیل می باشد:
پایش کیفیت آب سطحی با نمونه برداری دستی در 129 مکان در 66 رودخانه
یک ایستگاه اتوماتیک( رودخانه Kolubara – Beli Brod) با سیستم متشکل از پمپ و با جریان آب از طریق مخزن با حسگر ها( در شرایط عملیاتی)
دو ایستگاه اتوماتیک( رودخانه تیسا) با پروب های چند پارامتری که به طور مستقیم در آب رودخانه غوطه ور می شود
چهار ایستکاه اتوماتیک در ورودی و خروجی صربستان، در فاز طراحی.

بخشی از مقاله انگلیسی:

INTRODUCTION The traditional approach to monitoring of river water quality consists of manual sampling in remote locations and the transport of samples to the laboratory for chemical analysis. This approach, although it is relatively non-technical and easily reproducible, is also time-consuming, has high labor costs, may be limited due to weather conditions, can give inconsistent results and does not allow the continual collection of data (Wang et al., 2004). The examples of new technology and instrumentation are automatic monitoring stations that are already effectively used in a number of networks for monitoring the “capture” of various pollutants or temporal changes in toxicity (Mutko et al. 1997, Bols et al. 1999, Lechelt et al. 2000, Allan et al. 2006, Marković et al. 2007, Mariolakos et al. 2007, Scott et al. 2007, Strobl et al. 2008). Automatic monitoring systems have been developed by companies that manufacture devices for measuring water quality (YSI 2010) or the solutions were developed on the level of patents (Moskoff, 2004). Automatic monitoring is not suitable for all situations. The choice of automatic monitoring must be based on specific monitoring objectives, program resources and the suitability of sites. The selected method must match the program objectives and be technically feasible. Automatic methods may correspond more than manual ones in the following situations: high variable water quality daily or hourly, transient events that affect the quality of the water, or when it is not possible to sample manually or it is difficult to maintain the required sampling frequency (Field Manual, 1999). The present situation in Serbia, in terms of network automation stations for monitoring surface water quality, is such that is currently operating only one automatic station on the Kolubara river (a tributary of the river Sava), located in Beli Brod. This station was put into operation in July 2008 as a result of cooperation between Serbia and Germany in the Twinning Project “Strengthening the capacities of the Water Directorate” and monitors only the basic parameters of water quality; continuous monitoring diagrams are presented on the web site of the RHMS (Mijović et al., 2009). Also, as part of Neighbourhood Programme Serbia-Hungary, two automatic stations were installed on the river Tisa at locations Novi Kneževac and Novi Bečej. These stations operate on the principle of multiparameter probe directly immersed in river water, and measure a number of parameters. These were put into operation also in 2008 and store data in the database; however, observed parameter values are not realistic, indicating a lack of calibration of sensors in multiparameter probes, so that the results of continuous monitoring have not been made available to the public (Mijović et al. 2007, 2008). In addition to these automated stations that have already been physically installed, although with various operational statuses, the project for an early warning system of surface water pollution, which was initiated in 2006 by the Ministry of Science and Environmental Protection under the NIP (National Investment Plan), was made in 2007 by a team from the Faculty of Technical Sciences in Novi Sad (Kulić et al., 2007). Four automatic stations were provided by this project, i.e. three ones at the inlet locations of the river Sava – at Jamena, the river Danube – at Bezdan , and the river Tisa – at Novi Kneževac, as well as an automatic station at the outlet of Serbia, i.e. at Radujevac on the river Danube. It was intended that these stations monitor several parameters – from the basic ones (temperature, turbidity, pH values, etc.) to very sophisticated ones (Daphnia toximeter, SAC 254, the measurement of radioactivity, etc.), and be modular, so that they can function as a basic measurement program, an extended measurement program, and so on. s a basic measurement program, an extended measurement program, and so on. In general, automatic stations for water quality monitoring can function on two basic principles: a) a water intake pump and sensors in the measuring reservoir, and b) a measuring probe directly immersed in the river water (Mijović & Palmar, 2009). AUTOMATIC STATION BELI BROD ON THE KOLUBARA RIVER The principle of automatic station operation is based on the abstraction of river water, flow of water through the reservoir with immersed sensors that measure the parameters of the water quality and restore water into the river (Mijovic & Palmar, 2009). The measured values of the parameters are saved using a data-logger, transmitted through a GSM modem to the server in RHMS and stored in a central database. Water Quality Monitoring Automation of Rivers in Serbia 3 An automatic weather station for monitoring water quality of the Kolubara river is located at 44 22 16″ latitude and 20 11 59″ longitude, elevation zero meters is 99.32 maAsl, and the distance from the mouth of the river is 39.2 km. The installed equipment consists of a sensor for the continuous measurement of the water level, water temperature, pH value, dissolved oxygen and electroconductivity. In addition, the submersible pump was installed at the water intake location for the continuous abstraction of river water and providing water flow through the reservoir in which the sensors for measuring the above mentioned parameters of water quality are immersed, as well as a water-flow meter.

نوشته دانلود ترجمه مقاله اتوماسیون نظارت بر کیفیت آب اولین بار در ترجمه فا پدیدار شد.

فهرست مطالب:

چکیده
مقدمه
مدل شبکه عصبی تابع پایه شعاعی
مدل هیبریدی یا دورگه PSO-RBF
مطالعه موردی
نتیجه گیری

بخشی از ترجمه:

سه پارامتر توجیه پذیر در تابع پایه شعاعی وجود دارد، مرکز تابع پایه cj، پارامتر عرض و وزن واحد خروجی wj. از طریق بهینه سازی پارامترهای تابع پایه شعاعی با الگوریتم بهینه سازی   ، مدل شبکه عصبی از آبهای زیرزمینی تولید و از آن برای مطالعه درجه آب زیرزمینی در ده نقطه نظارت حفره سیاه دراگون استفاده شده است. با استفاده از مدل   برای ارزیابی و سنجش آب زیرزمینی در ده نقطه نظارت از حفره سیاه دراگو، نتایج این ارزیابی که نظیر شرایط حقیقی است، اصولاً با نتایج بدست آمده با سایر روشهای ارزیابی همخوانی داشته و در سنجش و ارزیابی کیفیت آب زیرزمینی نیز کاربرد دارد.
مقدمه
شبکه عصبی تابع پایه شعاعی (RBF) یک شبکه عصبی مصنوعی تغذیه رو به جلو می باشد که براساس محل پاسخگویی نورون های مغز انسان به دنیای خارج عمل می کند. RBF از سرعت محاسبه و قابلیت نگاشت غیر خطی قوی برخوردار بوده و قادر به تقریب یک تابع غیر خطی اختیاری با هر دقتی می باشد. مهم تر اینکه، شبکه RBF روشی جدید و موثرتر برای آموزش عرضه می کند. از آنجایی که قادر است از محاسبات پیچیده پرهیز کند، در نتیجه سرعت محاسباتی اش بسیار سریعتر از شبکه BP می باشد. در نتیجه در بسیاری از رشته ها کاربرد وسیع و گسترده ای داشته است.
شبکه RBF حاوی سه پارامتر توجیه پذیر می باشد به نامهای تابع پایه  ، پارامتر عرض   و وزن واحد خروجی  . هر گره از لایه خروجی برآورد وزن می باشد. مقدار وزن واحد خروجی   را با کمک الگوریتم بهینه سازی گروه ذرات (PSO) می توان بهینه و تعیین نمود. بنابراین، در این مقاله مدل ترکیبی   مطرح گردید.
مدل RBF در بسیاری از رشته ها مثل ارزیابی کیفیت آب زیرزمینی کاربرد گسترده ای داشته است. وظیفه اصلی ارزیابی کیفیت آب زیرزمینی برآورد سطوح جامعی از کیفیت آب زیرزمینی از طریق مدل ریاضی ارائه شده براساس شاخص های ارزیابی آب زیرزمینی و استانداردهای ارزیابی کیفیت آب می باشد. در سالهای اخیر،ازمدلهایی نظیر آنالیز مولفه اصلی، آنالیز فوزی، روش خوشه خاکستری، مدل آنالیز عنصر ماده و شبکه های عصبی مصنوعی عمدتاً برای ارزیابی کیفیت آب زیرزمینی استفاده شده است. هر مدل دارای محاسن و معایب مختص به خود می باشد. آنالیز فوزی، روش خوشه خاکستری و آنالیز عنصر ماده نیازمند ساختاربندی بسیاری از توابع مفید و سودمند هستند که در طراحی تابع فاقد استاندارد بوده و دارای خاصیت تصادفی و ذهنیت بزرگتری می باشد. به همین خاطر مقاله حاضر از مدل   برای ارزیابی سطوح کیفیت آب زیرزمینی استفاده نمود.
مدل شبکه عصبی تابع پایه شعاعی
ساختار شبکه RBF . شبکه عصبی تابع پایه شعاعی شبکه سه لایه تغذیه رو به جلو متشکل از یک لایه ورودی، یک لایه مخفی و یک لایه خروجی است که در شکل 1(A) نشان داده شده است. لایه ورودی از گره های سورس سیگنال تشکیل شده است. لایه دوم لایه مخفی است که گره هایش با توابع شعاعی مثل تابع گاوسی ساخته شده اند. تعداد گره های لایه مخفی بر حسب نیازهای مسئله تعیین می گردد. لایه سوم لایه خروجی است که از آن برای پاسخگویی به مد ورودی استفاده می گردد. تبدیل از فضای ورودی به فضای لایه مخفی به صورت غیر خطی انجام می گیرد، در حالیکه از فضای لایه مخفی به لایه خروجی به صورت خطی می باشد که در شکل 1(B) نشان داده شده است.
تبدیل در لایه مخفی تابع RBF می باشد که مرکز توزیع محلی تقارن شعاعی تابع میرایی غیر خطی غیر منفی محسوب می گردد.

بخشی از مقاله انگلیسی:

IntroductionRadial Basis Function (RBF) neural network is a feed-forward artificial neural network[1,2], which isbased on the locality that the human brain neurons response to the outside world. RBF is of highcomputing speed and strong nonlinear mapping capability and can approximate an arbitrary nonlinearfunction with any precision. More importantly, the radial basis function (RBF) network provides anew and more effective method for training. Since it can avoid complicated and prolix calculations,its training speed is much faster than that of the BP network[3]. Thus it has been widely used in manyfields.The RBF network contains three adjustable parameters, the center of the basis function cj, thewidth parameter σ and the output unit weight wj. Each node of the output layer is weight estimation.The value of the output unit weight wj can be optimized and determined by the Particle SwarmOptimization (PSO) algorithm. So the hybrid PSO-RBF model was put forward in the article.RBF model has been widely used in many fields, such as the evaluation of underground waterquality. The main task of groundwater quality evaluation is estimate the comprehensive levels of theunderground water quality through the established mathematical model, based on the evaluationindexes of underground water and the water quality assessment standards. In the recent years, somemethods such as principal component analysis, fuzzy analysis, gray cluster method, matter elementanalysis model and artificial neural networks[4-6] are mainly applied to comprehensively the evaluation of the underground water quality. Each method has its advantages and disadvantages.fuzzy analysis, gray cluster method and matter element analysis model need structure many utilityfunctions, which lack of standardization in the function design, and have larger randomness andsubjectivity. So the article adopted the hybrid PSO-RBF model to evaluate the levels of undergroundwater quality.Radial Basis Function Neural Network ModelThe Structure of RBF Network. Radial basis function neural network is a three-layer feedforwardnetwork consisting of an input layer, a hidden layer and an output layer, as shown in Fig. 1(A). Theinput layer is composed of the signal source nodes. The second layer is the hidden layer, whose nodesare constructed by the radialized functions as the Gaussian function. The number of the hidden layernodes is determined by the needs of the problem. The third layer is the output layer, which is used toresponse to the input mode. The transformation from the input space to hidden layer space isnon-linear, while from the hidden layer space to the output layer space is linear, as shown in Fig. 1(B).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

نوشته دانلود ترجمه مقاله ارزیابی کیفیت آب های زیرزمینی با مدل PSO-RBF – مجله TTP اولین بار در ترجمه فا پدیدار شد.