556.3

В статье рассматривается возможность использования искусственных нейронных сетей для моделирования и прогноза гидрогеодинамического режима на основе данных мониторинговых наблюдений. Приводятся основные методические приемы такого прогнозирования и результат прогноза на конкретном примере в районе Тушино в г. Москве. Новизна подхода заключается в самом использовании аппарата нейронных сетей для моделирования и прогнозирования гидрогеодинамического режима, в использовании данных прогноза для уточнения стационарных и нестационарных трехмерных геофильтрационных численных моделей (повышения точности и достоверности составленных на их базе прогнозов) и в разработке методических основ такого прогнозирования. Представлена последовательность действий гидрогеолога при прогнозировании и характерные параметры нейронных сетей, дающие лучшие результаты при воспроизведении наиболее важных особенностей режима подземных вод. Сформулированы основные задачи, которые позволяет решить аппарат нейронных сетей, при работе с результатами мониторинга подземных вод. Показано, что стационарные численные модели, использующиеся на урбанизированных территориях без учета сезонных и многолетних колебаний уровней подземных вод, в том числе, и под влиянием факторов урбанизации могут давать погрешность прогнозных уровней в несколько метров. Такая погрешность является неприемлемой при многих видах подземного строительства и проектировании инженерной защиты, например, дренажей и гидроизоляции. Продемонстрирована возможность использования точечных прогнозов, полученных с помощью нейронных сетей, для улучшения численных трехмерных гидрогеодинамических моделей, составленных в целях разработки наиболее эффективных проектных решений застройки на городской территории.

The paper considers the possibility of using artificial neural networks for modeling and forecasting the hydrodynamic regime based on the data of monitoring. The main methods of such forecasting and the example of the forecast in the Tushino district of Moscow are given. The novelty of the approach is in the very use of the apparatus of neural networks for modeling and predicting the hydrodynamic regime, as well as in the use of forecast data to refine steady-state and unsteady three-dimensional geofiltration numerical models (improving the accuracy and reliability of predictions), and developing methodological grounds for such forecasting itself. The sequence of actions when forecasting is given, and the characteristic parameters of neural networks for reproducing the most important features of the groundwater regime have been presented. The main tasks have been formulated that may be solved by the apparatus of neural networks relying on the data of subsoil water monitoring. The steady-state numerical models used in urbanized areas without taking into account seasonal and long-term fluctuations in groundwater levels, including urbanization factors, can give an error of the forecasted levels of several meters. Such an uncertainty is unacceptable in many types of underground construction and the design of engineering protection, for example, drainage and waterproofing. The possibility of point prediction with neural networks has been demonstrated improving the numerical 3D hydrodynamic models for development of the most effective urban building projects.

кандидат геолого-минералогических наук, старший научный сотрудник лаборатории гидрогеоэкологии, Институт геоэкологии им. Е.М.Сергеева РАН (ИГЭ РАН),

Хайкин С. Нейронные сети: Полный курс, 2-е изд., испр.: Пер. с англ. М.: ООО «И.Д.Вильямс». 2006. 1104 с.

Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д.Рудинского. М.: Горячая линия - телеком. 2008. 452 с.

Нейронные сети. Statistica Neural Networks. Под ред. В.П. Боровикова. 2-е изд. М.: Горячая линия. Телеком. 2008. 392 с.

Батрак Г.И. Прогнозирование режима подземных вод с помощью аппарата самообучающихся вычислительных систем (искусственных нейронных сетей) // Сергеевские чтения. Моделирование при решении геоэкологических задач. Вып. 11. Материалы годичной сессии Научного совета РАН по проблемам геоэкологии, инженерной геологии и гидрогеологии. Москва: РУДН. 2009. С. 332-338.

Исмаилов Ш.А., Поздняков Н.В. Математическая модель нейрона и возможности его технической реализациии // Мониторинг. Наука и технологии. 2011. №2. С. 63-72.

Пятакович В.А., Василенко А.М., Алексеев О.А. Формирование обучающей выборки нейросетевой классификации морских технических объектов // Мониторинг. Наука и технологии. 2017. №2. С. 40-45.