人工神经网络在地下水质量评价中的应用

摘 要：本文运用matlab软件，采用BP神经网络构建模型，按照地下水质量标准分类随机生成足量训练样本，对石渠县包虫病区打井工程地下水样品进行数据仿真归类，以评价该工程饮用地下水质量。通过神经网络评价，确保了饮用水质量评价的准确性。模型有较高的灵活性和通用性，可进一步推广运用。

关键词：神经网络 地下水质量评价 应用

中图分类号：X824 文献标识码：A 文章编号：1672-3791（2016）08（b）-0000-00

1 前言

为解决包虫病影响百姓健康和经济发展问题，石渠县实施了大量打井取水工程。为了客观评价地下水质量，本文采取了人工神经网络算法模型，取得了理想效果。

2人工神经网络概述

近年来，人工神经网络取得快速发展，越来越多的应用于地质矿产、能源等领域。韩国人机围棋大赛，“AlphaGo”完胜李世石，让人工神经网络倍受众人关注。人工神经网络是一种模仿人脑神经网络行为特征，进行分布式并行处理信息的数学算法模型，通过调整模型内部节点间连接关系，达到处理信息的目的。

人工神经网络可以分为模型构建、训练和仿真三个阶段。模型构建就是根据数据的特征，有针对性的构建适于数据仿真的网络模型结构。模型结构包括输入层、隐含层和输出层，每一层由神经元组成。神经元是模型的基本单元，通过阈值和激活函数把上层信息传递给下层。模型训练是已知输入―输出数据样本，把输入数据代入模型计算，通过不断调整模型内部参数，使输出结果与已知输出数据误差减小至允许范围内，从而确定模型参数。训练样本越多、越有规律性，仿真结果就越真实。模型仿真即使用训练好的网络模型，用新的输入数据代入模型，得到输出结果的过程。仿真可以实现模拟人脑神经进行识别、判断、归类等功能。

3 地下水质量评价模型建立

本文采用Matlab建立一个三层的BP人工神经网络模型，包含输入层、隐含层和输出层。输入层为地下水评价因子，本文选取总硬度、溶解性总固体、硫酸盐、氯化物等21项主要指标作为评价因子，因此输入层有21个神经元。地下水质量分为5类，输入期望值为Ⅰ类（1，0，0，0，0）、Ⅱ类（0，1，0，0，0）、Ⅲ类（0，0，1，0，0）、Ⅳ类（0，0，0，1，0）、Ⅴ类（0，0，0，0，1），因此输出层神经元有5个。隐含层可设为5个神经元，则网络结构为2155（图1）。采用Matlab工具箱premnmx函数对数据进行归一化处理，newff函数建立BP模型，sim函数进行仿真。

4 样本数据准备及训练

模型训练阶段需要对足够量的样本进行训练，以赋予模型结构较为准确的内部参数。本文根据《地下水质量评价标准》随机生成足量样本数据。例如：总硬度、溶解性总固体、硫酸盐、氯化物四个因子，按地下水质量分类指标，在每一类区间随机生成3个样本，则5类共随机得到如表2所示15个样本。生成的样本数量应足够多才能提高仿真准确性和减少训练步数，但过多样本则影响计算速度。本文对评价的21个因子，按分类指标每类随机生成40个样本，共200个样本，输出允许误差设为0.01，训练到540步时就达到了目标。

5 模型仿真

本文的模型仿真对象为石渠县东区50口井地下水的化学分析数据，每口井1组样品，选取总硬度、溶解性总固体、硫酸盐、氯化物等21个主要评价因子。采用matlab的sim函数，把50组样品作为输入数据，得到输出结果。

以上输出数据显示5口井水质均为Ⅰ类。通过模型仿真，50口井水质均达到Ⅰ类水质标准，与《地下水质量标准》的综合评价评分法结果基本一致。

6 结论

人工神经网络运用的准确度，在于模型构建的合理性、输入―输出数据的相关性、训练样本的普适性。如果样本采集数据较窄，不能反映大部分背景特征，那么仿真时可能出现偏差。本文选取BP神经网络，按标准分类随机生成大量训练样本，保证了样本的普适性，使模型更可靠，运用范围更广。在石渠县包虫病区打井工程中的成功运用，说明了模型的可靠性和通用性，可进一步运用于其它工程和问题。

参考文献

[1] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990：6～16.

[2] 张立明.人工神经网络的模型及其应用[M].上海：复旦大学出版社，1992：32～51.

[3] 于建华.应用神经网络自动识别岩性[J].石油地球物理勘探，1993，28（1）：26.