Documents disponibles écrits par cet auteur

Artificial Neural Network Approach for Predicting Transient Water Levels in a Multilayered Groundwater System under Variable State, Pumping, and Climate Conditions / Coppola Jr., Emery A. in Journal of hydrologic engineering, Vol. 8, N° 6 (Novembre/Decembre 2003) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 8, N° 6 (Novembre/Decembre 2003) . - 348-360 p. Titre : Artificial Neural Network Approach for Predicting Transient Water Levels in a Multilayered Groundwater System under Variable State, Pumping, and Climate Conditions Titre original : Approche Artificielle de Réseau Neurologique pour la Prévision des Niveaux d'Eau Passagers dans un Système Multicouche d'Eaux Souterraines sous l'Etat Variable, le Pompage, et les Conditions Climatiques Type de document : texte imprimé Auteurs : Coppola Jr., Emery A., Auteur ; Szidarovszky, Ferenc, Auteur ; Poulton, Mary ; Charles, Emmanuel Article en page(s) : 348-360 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Ground  water  Neural  networks  Ground  water  management  Water  levels  Florida  Predictions  Eaux  souterraines  Réseaux  neurologiques  Gestion  d'eaux  souterraines  Niveaux  d'eau Index. décimale : 551.4 Résumé : The Feasibility of training an artificial neural network (ANN) for accurately predicting transient water levels in a complex multilayered ground water system under variable state, and pumping, and climate conditions is demonstrated. Using real world data, an ANN was developed for a public supply wellfield and ground water monitoring network located near Tampa Bay, Florida. The ANN was trained to predict transient water levels at 12 monitoring well locations screened in different aquifers in response to changing pumping and climate conditions. The Trained ANN was then validated with ten sequential seven day periods, and the results were compared against both measured and numerically simulated ground water levels. The Absolute mean error between the ANN predicted and the measured water levels is 0.16 m, compared to the 0.85 m absolute mean error achieved with the calibrated numerical model at the same locations over the same time period. The ANN also more closely reproduced the dynamic water level responses to pumping and climate conditions. The Pratical implication is that if ANN technology can achieve superior ground water level predictions, it can be used to improve management strategies for a wide range of ground water problems, from water quantity to water quality issues. It can also serve as a powerfull sensitivity analysis tool for quantifying interrelationships between different variables, fostering a better understanding of the hydrogeologic system, and improving futur modeling endeavors. And while physical based numerical modeling retains some advantages over the ANN technology, both approaches may be used in a complementary fashion to achieve sound decision making for complicated ground water management problems. La praticabilité de former un réseau neurologique artificiel (ANN) pour exactement la prévision des niveaux d'eau passagers dans un système multicouche complexe d'eaux souterraines sous l'état variable, et le pompage, et les conditions climatiques est démontrée. En utilisant de vraies données du monde, une ANN a été développée pour un champ public de puits d'approvisionnement et les eaux souterraines surveillant le réseau ont placé près de Tampa Bay, la Floride. L'ANN a été formée pour prévoir les niveaux d'eau passagers à 12 endroits bons de surveillance examinés dans différentes couches aquifères en réponse au pompage et aux conditions climatiques changeants. L'ANN qualifiée a été alors validée avec dix sept périodes séquentielles de jour, et les résultats ont été comparés contre les niveaux mesurés et numériquement simulés d'eaux souterraines. L'erreur moyenne absolue entre l'ANN a prévu et les niveaux d'eau mesurés est de 0.16 m, comparé à l'erreur de moyen d'absolu de 0.85 m réalisée au modèle numérique calibré au même excédent d'endroits la même période de temps. L'ANN également plus étroitement a reproduit les réponses dynamiques de niveau d'eau au pompage et aux conditions climatiques. L'implication de Pratical est que si la technologie d'ANN peut réaliser des prévisions supérieures de niveau d'eaux souterraines, elle peut être employée pour améliorer des stratégies de gestion pour un éventail de problèmes d'eaux souterraines, de quantité de l'eau à la qualité de l'eau publie. Elle peut également servir d'outil d'analyse de sensibilité de powerfull à mesurer des corrélations entre différentes variables, à stimuler un meilleur arrangement du système hydrogéologique, et à améliorer le futur modelant des efforts. Et tandis que modeler numérique basé par examen médical maintient quelques avantages par rapport à la technologie d'ANN, les deux approches peuvent être employées d'une mode complémentaire pour réaliser la prise de décision saine pour des problèmes compliqués de gestion d'eaux souterraines. En ligne : noah.llc@mail.com [article] Artificial Neural Network Approach for Predicting Transient Water Levels in a Multilayered Groundwater System under Variable State, Pumping, and Climate Conditions = Approche Artificielle de Réseau Neurologique pour la Prévision des Niveaux d'Eau Passagers dans un Système Multicouche d'Eaux Souterraines sous l'Etat Variable, le Pompage, et les Conditions Climatiques [texte imprimé] / Coppola Jr., Emery A., Auteur ; Szidarovszky, Ferenc, Auteur ; Poulton, Mary ; Charles, Emmanuel . - 348-360 p. Hydrologie Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 8, N° 6 (Novembre/Decembre 2003) . - 348-360 p. Mots-clés : Ground  water  Neural  networks  Ground  water  management  Water  levels  Florida  Predictions  Eaux  souterraines  Réseaux  neurologiques  Gestion  d'eaux  souterraines  Niveaux  d'eau Index. décimale : 551.4 Résumé : The Feasibility of training an artificial neural network (ANN) for accurately predicting transient water levels in a complex multilayered ground water system under variable state, and pumping, and climate conditions is demonstrated. Using real world data, an ANN was developed for a public supply wellfield and ground water monitoring network located near Tampa Bay, Florida. The ANN was trained to predict transient water levels at 12 monitoring well locations screened in different aquifers in response to changing pumping and climate conditions. The Trained ANN was then validated with ten sequential seven day periods, and the results were compared against both measured and numerically simulated ground water levels. The Absolute mean error between the ANN predicted and the measured water levels is 0.16 m, compared to the 0.85 m absolute mean error achieved with the calibrated numerical model at the same locations over the same time period. The ANN also more closely reproduced the dynamic water level responses to pumping and climate conditions. The Pratical implication is that if ANN technology can achieve superior ground water level predictions, it can be used to improve management strategies for a wide range of ground water problems, from water quantity to water quality issues. It can also serve as a powerfull sensitivity analysis tool for quantifying interrelationships between different variables, fostering a better understanding of the hydrogeologic system, and improving futur modeling endeavors. And while physical based numerical modeling retains some advantages over the ANN technology, both approaches may be used in a complementary fashion to achieve sound decision making for complicated ground water management problems. La praticabilité de former un réseau neurologique artificiel (ANN) pour exactement la prévision des niveaux d'eau passagers dans un système multicouche complexe d'eaux souterraines sous l'état variable, et le pompage, et les conditions climatiques est démontrée. En utilisant de vraies données du monde, une ANN a été développée pour un champ public de puits d'approvisionnement et les eaux souterraines surveillant le réseau ont placé près de Tampa Bay, la Floride. L'ANN a été formée pour prévoir les niveaux d'eau passagers à 12 endroits bons de surveillance examinés dans différentes couches aquifères en réponse au pompage et aux conditions climatiques changeants. L'ANN qualifiée a été alors validée avec dix sept périodes séquentielles de jour, et les résultats ont été comparés contre les niveaux mesurés et numériquement simulés d'eaux souterraines. L'erreur moyenne absolue entre l'ANN a prévu et les niveaux d'eau mesurés est de 0.16 m, comparé à l'erreur de moyen d'absolu de 0.85 m réalisée au modèle numérique calibré au même excédent d'endroits la même période de temps. L'ANN également plus étroitement a reproduit les réponses dynamiques de niveau d'eau au pompage et aux conditions climatiques. L'implication de Pratical est que si la technologie d'ANN peut réaliser des prévisions supérieures de niveau d'eaux souterraines, elle peut être employée pour améliorer des stratégies de gestion pour un éventail de problèmes d'eaux souterraines, de quantité de l'eau à la qualité de l'eau publie. Elle peut également servir d'outil d'analyse de sensibilité de powerfull à mesurer des corrélations entre différentes variables, à stimuler un meilleur arrangement du système hydrogéologique, et à améliorer le futur modelant des efforts. Et tandis que modeler numérique basé par examen médical maintient quelques avantages par rapport à la technologie d'ANN, les deux approches peuvent être employées d'une mode complémentaire pour réaliser la prise de décision saine pour des problèmes compliqués de gestion d'eaux souterraines. En ligne : noah.llc@mail.com