environmentПриродообустройствоPrirodoobustrojstvo1997-6011РГАУ-МСХА10.26897/1997-6011-2023-5-60-65environment-399Research ArticleГИДРАВЛИКА И ИНЖЕНЕРНАЯ ГИДРОЛОГИЯHYDRAULICS AND ENGINEERING HYDROLOGYПрогноз параметра «Мутность» на выходе из песчаных фильтров, питаемых сточными водамиPrediction of the parameter “turbidity” at the outlet of sand filters fed by wastewaterШаташвилиТ. А.ShatashviliT. A.

Шаташвили Тамара Александровна, канд. физ.-мат. наук; доцент

283048, г. Донецк, ул. Щорса, 31

Shatashvili Tamara Alexandrovna, candidate of physical-mathematical sciences, associate professor

283048, Donetsk, st. Shchorsa, 31

shatal@bk.ruБадекинМ. Ю.BadekinM. Yu.

Бадекин Максим Юрьевич, старший преподаватель, AuthorID: 201633

283001, г. Донецк, ул. Университетская, 24

Badekin Maxim Yurievich, senior lecturer, Author ID: 201633

283001, Donetsk, st. Universitetskaya, 24

korund2002@list.ruИвахненкоН. Н.IvakhnenkoN. N.

Ивахненко Наталья Николаевна, канд. физ.-мат. наук, доцент, Author ID: 836861

127434, г. Москва, ул. Тимирязевская, 49

Ivakhnenko Natalya Nikolaevna, candidate of physical-mathematical sciences, associate professor; Author ID: 836861

127434, Moscow, st. Timiryazevskaya, 49

ivakhnenko_nn@rgau-msha.ruКоноплинН. А.KonoplinN. A.

Коноплин Николай Александрович, канд. физ.-мат. наук, доцент, Author ID: 580233

127434, г. Москва, ул. Тимирязевская, 49

Konoplin Nikolai Aleksandrovich, candidate of physical-mathematical sciences, associate professor; Author ID: 580233

127434, Moscow, st. Timiryazevskaya, 49

konoplin@rgau-msha.ruДонецкий национальный университет экономики и торговли имени М. Туган-БарановскогоРоссияDonetsk National University of Economics and Trade named after Mikhail Tugan-BaranovskyRussian FederationДонецкий национальный университетРоссияDonetsk State UniversityRussian FederationРоссийский государственный аграрный университет – МСХА имени К.А. ТимирязеваРоссияRussian State Agrarian University – Moscow Agricultural Academy named after C.A. TimiryazevRussian Federation202322012024056065Copyright © Шаташвили Т.А., Бадекин М.Ю., Ивахненко Н.Н., Коноплин Н.А., 20242024Шаташвили Т.А., Бадекин М.Ю., Ивахненко Н.Н., Коноплин Н.А.Shatashvili T.A., Badekin M.Y., Ivakhnenko N.N., Konoplin N.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://environment.timacad.ru/jour/article/view/399

Нехватка ресурсов пресной воды стимулировала применение очищенных сточных вод в системах микроорошения, поскольку эти системы предлагают ряд преимуществ по сравнению с другими методами орошения. Основная цель исследований – спрогнозировать мутность на выходе в фильтрах с песчаным наполнителем, работающих с регенерированными стоками, с использованием гауссовских процессов в сочетании с методом оптимизации параметров LBFGSB. Работа выполнена по инновационной методологии, сочетающей подход регрессии гауссовых процессов и алгоритма оптимизации Бройдена-Флетчера-Гольдфарба с ограниченной памятью с целью проведения прогноза параметра мутности воды на выходе из фильтров с песчаным наполнителем, используемым в системах микроорошения. Установлен порядок значимости переменных, участвующих в прогнозировании параметра «Мутность» на выходе из фильтров с песчаным наполнителем. В частности, входная переменная «Мутность» может считаться наиболее важным параметром припроведении прогноза. Применяемая в работе методология может быть успешно использована для других процессов фильтрации с аналогичными или разными типами фильтрующего материала, но при этом всегда необходимо учитывать характеристики каждого фильтра и эксперимента.

The work was carried out according to an innovative methodology that combines the approach of regression of Gaussian processes with the Broyden-Fletcher-Goldfarb optimization algorithm with limited memory in order to predict the turbidity parameter of water at the outlet of sand-filled filters used in micro-irrigation systems. The order of significance of the variables involved in predicting the “turbidity” parameter at the outlet of filters with sand filler has been established. In particular, the input variable “Turbidity” can be considered the most important parameter in making a forecast. The methodology applied in the work can be successfully applied to other filtration processes with the same or different types of filter media, but the characteristics of each filter and experiment must always be taken into account.

песчаные фильтрымутность на выходе из фильтроврегрессия гауссовского процессабайесовская статистикаметоды машинного обучениякапельное микроорошениезасорение эмиттеровsand filtersfilter outlet turbidityGaussian regressionBayesian statisticsmachine learning methodsmicro drip irrigationemitter cloggingReferencesCapra A., Scicolone B. Emitter and filter tests for wastewater reuse by drip irrigation. Agricultural water management. 2004 Vol. 68. No. 2. P. 135-149. – DOI 10.1016/j.agwat.2004.03.005.Capra A., Scicolone B. Emitter and filter tests for wastewater reuse by drip irrigation. Agricultural water management. 2004 Vol. 68. No. 2. P. 135-149. – DOI 10.1016/j.agwat.2004.03.005.Ивахненко Н.Н., Бадекин М.Ю. Очистка сточных вод хроматографическими процессами. Современное развитие России в условиях новой цифровой экономики: материалы II Международной научно-практической конференции, Краснодар, 19-20 апреля 2018 г. Краснодар: Диапазон-В, 2018. С. 353-356.Ivakhnenko N.N., Badekin M.Yu. Wastewater treatment by chromatographic processes. Modern development of Russia in the conditions of the new digital economy: materials of the II International scientific and practical conference, Krasnodar, April 19-20, 2018. Krasnodar: Range-B, 2018. P. 353-356.Madramootoo C., Lee P.S., Gopalakrishnan M. International commission on irrigation and drainage (ICID): its objectives, achievements and plans // Irrigation and Drainage. 2009. Vol. 58, № S1. Pр. S22-S31. DOI: 10.1002/ird.475.Madramootoo C., Lee P.S., Gopalakrishnan M. International commission on irrigation and drainage (ICID): its objectives, achievements and plans // Irrigation and Drainage. 2009 Vol. 58. No S1. P. S22-S31. DOI– 10.1002/ird.475.Hastie T., TibshiraniR., Friedman J. The elements of statistical learning: data mining, inference, and prediction. New York: springer. 2009. Vol. 2. Pр. 758.Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009. Vol. 2. P. 758.Hawari A.H., Elamin M., Benamor A., Hasan S.W., Ayari M.A., Electorowicz M. Fuzzy logic-based model to predict the impact of flow rate and turbidity on the performance of multimedia filters. Journal of Environmental Engineering. 2017. Vol. 143, № 9. Pр. 04017065-1-04017065-9. DOI: 10.1061/(ASCE)EE.1943-7870.0001262.Hawari A.H., Elamine M., Benamor A., Hasan S.W., Ayari M.A., Electorowicz M. Fuzzy logic-based model to predict the impact of flow rate and turbidity on the performance of multimedia filters. Journal of Environmental Engineering. 2017. Vol. 143. No 9. P. 04017065-1-04017065-9. – DOI 10.1061/(ASCE)EE.1943-7870.0001262.Кольцов В.Б., Потемкин А.Я., Коноплин Н.А., Сошнина Т.М., Прищеп В.Л. Физико-химическое моделирование технологических процессов – современный путь создания новых ресурсосберегающих технологий // Природообустройство. 2010. № 3. С. 98-102.Koltsov V.B., Potemkin A.Ya., Konoplin N.A., Soshina T.M., Prishchep V.L. Physical and chemical modeling of technological processes – a modern way to create new resource-saving technologies // Journal Prirodoobustrojstvo. 2010. No. 3. P. 98-102.Kong D., Chen Y., Li N. Force-based tool wear estimation for milling process using Gaussian mixture hidden Markov models // The International Journal of Advanced Manufacturing Technology. 2017. Vol. 92. Pр. 2853-2865. DOI: 10.1007/s00170-017-0367-1.Kong D., Chen Y., Li N. Force-based tool wear estimation for milling process using Gaussian mixture hidden Markov models // The International Journal of Advanced Manufacturing Technology. 2017 Vol. 92. P. 2853-2865. – DOI 10.1007/s00170-017-0367-1Ko J., Fox D. Learning GP-Bayes Filters via Gaussian process latent variable models. Autonomous Robots. 2011. Vol. 30. Pр. 3-23. DOI:10.1007/s10514-010-9213-0.Ko J., Fox D. Learning GP-Bayes Filters via Gaussian process latent variable models. Autonomous Robots. 2011 Vol. 30. P. 3-23. – DOI 10.1007/s10514-010-9213-0Lawrence N. Probabilistic non-linear principal component analysis with Gaussian process latent variable models. Journal of Machine Learning Research. 2010. Vol. 6. Pр. 1783-1816.Lawrence N. Probabilistic non-linear principal component analysis with Gaussian process latent variable models. Journal of Machine Learning Research, 2010. Vol. 6, P. 1783-1816.Rabiner L., Rosenberg A., Levinson S. Considerations in dynamic time warping algorithms for discrete word recognition. IEEE Transactions on Acoustics, Speech and Signal Processing. 1978. Vol. 26. Pр. 575-582.Rabiner L., Rosenberg A., Levinson S. Considerations in dynamic time warping algorithms for discrete word recognition. IEEE Transactions on Acoustics, Speech and Signal Processing. 1978 Vol. 26. P. 575-582.

The authors declare that there are no conflicts of interest present.