APPLICATION OF NEURONETWORK TECHNOLOGIES FOR THE IDENTIFICATION OF THE MOISTURE CONDUCTIVITY COEFFICIENT OF THE SOIL

Назва

Англійська

Російська

.

Українська

ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ ДЛЯ ІДЕНТИФІКАЦІЇ КОЕФІЦІЄНТА ВОЛОГОПРОВІДНОСТІ ҐРУНТУ

Опис

Англійська

Information on moisture conductivity can be used for mathematical (quantitative) analysis of various cases of soil moisture transfer occurring in natural conditions. This includes soil water filtration, water flow from the water table to the surface, soil moisture uptake, and soil moisture flow to plant roots. Water potential is a universal function that reflects the influence of all factors that can affect the energy state of water in the soil. As you know, water always moves from a higher potential to a lower one. The active force is the free energy or soil water potential gradient that represents the force that causes isothermal water flow. In isothermal conditions, the components of the water potential are capillary pressure, osmotic forces, and gravity. As a result, the moisture conductivity of unsaturated soils is not characterized by a single value (as in the case of saturated water transport), but rather is a function of suction pressure or soil moisture. The complex nature of the dependence of soil and water in terms of "moisture - potential energy - conductive moisture" is often presented in the form of empirical formulas and graphs. Many empirical formulas have been proposed to approximate the moisture conductivity function, which reproduce this function at certain time intervals with a certain accuracy. Currently, the task of developing technologies that ensure the economic and ecological efficiency of water regulation in drainage and humidification systems is relevant. In this regard, it is necessary to create a complete mathematical model of the soil based on the moisture transfer equation, one of the main parameters of which is the moisture conductivity coefficient. The purpose of the article is to develop a new method for determining the water conductivity parameter of the unsaturated zone of the soil based on a direct multilayer static artificial neural network, which contributes to increasing the accuracy of the measurement. The coefficient of moisture conductivity, which describes the physical processes in the soil, can be determined using a number of empirical formulas that contain empirical coefficients. An alternative method is the use of a neural network, with the help of which the coefficient of moisture conductivity or any other parameter of the soil, depending on the experimental data, is set to a sufficiently high value based on the studied sample. precision. A neural network trained on the training data set can be successfully used on independent test samples for a specific soil type that is not included in the training set.

Російська

55-58

Українська

Інформація про вологопровідність може бути використана для математичного (кількісного) аналізу різних випадків перенесення ґрунтової вологи, що відбуваються в природних умовах. Сюди входить фільтрація води в ґрунті, потік води від рівня ґрунтових вод до поверхні, поглинання ґрунтової вологи та потік ґрунтової вологи до коренів рослин. Універсальною функцією, яка відображає вплив усіх факторів, що можуть впливати на енергетичний стан води в ґрунті, є водний потенціал. Як відомо, вода завжди рухається від більш високого потенціалу до більш низького. Діюча сила – це вільна енергія або градієнт водного потенціалу ґрунту, який відображає силу, що викликає ізотермічний потік води. В ізотермічних умовах компонентами водного потенціалу є капілярний тиск, осмотичні сили та сила тяжіння. В результаті, вологопровідність ненасичених ґрунтів не характеризується єдиним значенням(як у випадку транспорту насиченої води), а скоріше є функцією тиску всмоктування або вологості ґрунту. Комплексний характер залежності ґрунту і води в термінах «волога – потенційна енергія – провідна вологість» часто подається у вигляді емпіричних формул і графіків. Було запропоновано багато емпіричних формул для апроксимації функції вологопровідності, які відтворюють цю функцію через певні проміжки часу з певною точністю. В даний час актуальним є завдання розробки технологій, що забезпечують економічну та екологічну ефективність регулювання води в системах осушення та зволоження. У зв’язку з цим необхідно створити повну математичну модель ґрунту на основі рівняння вологопереносу, одним із основних параметрів якого є коефіцієнт вологопровідності. Метою статті є розробка нового методу визначення параметра водопровідності ненасиченої зони ґрунту на основі прямої багатошарової статичної штучної нейронної мережі, що сприяє підвищенню точності вимірювання. Коефіцієнт вологопровідності, який описує фізичні процеси в ґрунті, можна визначити за допомогою ряду емпіричних формул, які містять емпіричні коефіцієнти. Альтернативним методом є використання нейронної мережі, за допомогою якої на основі досліджуваного зразка визначається коефіцієнт вологопровідності або будь-який інший параметр ґрунту, залежно від експериментальних даних, встановлений на досить високе значення. точність. Нейронну мережу, навчену на навчальному наборі даних, можна успішно використовувати на незалежних тестових зразках для конкретного типу ґрунту, який не входить до навчального набору.

Автор

Українська

Lievi, L.

Українська

Borozdin, M.

Українська

Zyma, O.

Тематика

Англійська

differential equation of moisture transfer

Англійська

coefficient of moisture conductivity

Англійська

activation functions of the hidden layer of the neural network

Англійська

learning of the neural network

Російська

12

Українська

диференційне рівняння вологопереносу

Українська

коефіцієнт вологопровідності

Українська

функції активації прихованого шару нейромережі

Українська

навчання нейронної мережі

Видавництво

Українська

Національний університет «Полтавська політехніка імені Юрія Кондратюка»

Тип

info:eu-repo/semantics/article

info:eu-repo/semantics/publishedVersion

Українська

Рецензована Стаття

Формат

application/pdf

Ідентифікатор

https://journals.nupp.edu.ua/sunz/article/view/3153

10.26906/SUNZ.2023.4.055

Джерело

Англійська

Control, Navigation and Communication Systems. Academic Journal; Vol. 4 No. 74 (2023): Control, Navigation and Communication Systems; 55-58

Російська

Системы управления, навигации и связи. Сборник научных трудов; Том 4 № 74 (2023): Системи управління, навігації та зв’язку; 55-58

Українська

Системи управління, навігації та зв’язку. Збірник наукових праць; Том 4 № 74 (2023): Системи управління, навігації та зв’язку; 55-58

2073-7394

10.26906/SUNZ.2023.4

2023. №4 (74)

Мова

uk

Відношення

https://journals.nupp.edu.ua/sunz/article/view/3153/2559

Права

Українська

eNUPPIR

Властивості

Набори елементів 1

Збірник наукових праць. Системи управління, навігації та зв’язку

Інформація про метадані