Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient?
Artificial neural networks (ANNs) are one of the most rapidly growing fields of soft computing. Along with deep learning, they are currently the most widely used machine learning techniques. Artificial neural networks are especially suitable for problem-solving where a researcher deals with incomple...
Saved in:
| Date: | 2023 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | English |
| Published: |
Kyiv National University of Construction and Architecture
2023
|
| Subjects: | |
| Online Access: | https://es-journal.in.ua/article/view/297285 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Environmental safety and natural resources |
Institution
Environmental safety and natural resources| id |
es-journalinua-article-297285 |
|---|---|
| record_format |
ojs |
| institution |
Environmental safety and natural resources |
| baseUrl_str |
|
| datestamp_date |
2024-01-23T10:00:35Z |
| collection |
OJS |
| language |
English |
| topic |
activation functions artificial neural networks Chézy’s roughness coefficient comparison dropout algorithm hidden layers modifications neurons |
| spellingShingle |
activation functions artificial neural networks Chézy’s roughness coefficient comparison dropout algorithm hidden layers modifications neurons Khodnevych, Yaroslav V. Stefanyshyn, Dmytro V. Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| topic_facet |
activation functions artificial neural networks Chézy’s roughness coefficient comparison dropout algorithm hidden layers modifications neurons функції активації штучні нейронні мережі коефіцієнт Шезі порівняння dropout алгоритм приховані шари модифікації нейрони |
| format |
Article |
| author |
Khodnevych, Yaroslav V. Stefanyshyn, Dmytro V. |
| author_facet |
Khodnevych, Yaroslav V. Stefanyshyn, Dmytro V. |
| author_sort |
Khodnevych, Yaroslav V. |
| title |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_short |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_full |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_fullStr |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_full_unstemmed |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_sort |
do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| title_alt |
Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? |
| description |
Artificial neural networks (ANNs) are one of the most rapidly growing fields of soft computing. Along with deep learning, they are currently the most widely used machine learning techniques. Artificial neural networks are especially suitable for problem-solving where a researcher deals with incomplete data sets and no algorithms or specific sets of rules to be followed.This article deals with a case of comparison of several modifications of neural networks that may be applied to compute Chézy’s roughness coefficient. Neural network modelling is often started with one hidden layer. Having even one hidden layer, a neural network presents a powerful computing system to give good results. If it is necessary, the number of hidden layers may increase. Usually, two or three hidden layers of neurons are used. Diverse activation functions may also apply. The article aims to explore the necessity of developing sophisticated multilayer artificial neural networks to compute Chézy’s roughness coefficient.Under the study, the following modifications of the neural network computing Chézy’s roughness coefficient were considered and analysed: (1) Application of two hidden layers of neurons; (2) Application of three hidden layers of neurons; (3) Use of a dropout algorithm for training neural networks by randomly dropping units during training to prevent their co-adaptation; (4) Apart from the sigmoid (logistic) activation function, the use of other artificial neuron transfer functions – hyperbolic tangent (tanh) and rectifying activation function (ReLU).The training and testing of the considered neural network options were carried out using the actual hydro-morphological and hydrological data related to the channel section on the Dnieper River (downstream of Kyiv), the Desna River section near Chernihiv, and the Pripyat River section near the town of Turiv. The Python object-oriented programming environment was applied to build and train the neural networks. The test results confirm the acceptability and sufficiency of computing the Chézy roughness coefficient using the ANN of direct propagation with one hidden layer and a sigmoid logistic activation function. The formation of a qualitative set of training data, as well as data arrangement and choosing a relevant computing model based on empirical knowledge, are, as concluded, among more actual issues than creating more sophisticated neural networks. |
| publisher |
Kyiv National University of Construction and Architecture |
| publishDate |
2023 |
| url |
https://es-journal.in.ua/article/view/297285 |
| work_keys_str_mv |
AT khodnevychyaroslavv doweneedamoresophisticatedmultilayerartificialneuralnetworktocomputeroughnesscoefficient AT stefanyshyndmytrov doweneedamoresophisticatedmultilayerartificialneuralnetworktocomputeroughnesscoefficient |
| first_indexed |
2025-07-17T11:19:26Z |
| last_indexed |
2025-07-17T11:19:26Z |
| _version_ |
1850411253527216128 |
| spelling |
es-journalinua-article-2972852024-01-23T10:00:35Z Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? Do we need a more sophisticated multilayer artificial neural network to compute roughness coefficient? Khodnevych, Yaroslav V. Stefanyshyn, Dmytro V. activation functions artificial neural networks Chézy’s roughness coefficient comparison dropout algorithm hidden layers modifications neurons функції активації штучні нейронні мережі коефіцієнт Шезі порівняння dropout алгоритм приховані шари модифікації нейрони Artificial neural networks (ANNs) are one of the most rapidly growing fields of soft computing. Along with deep learning, they are currently the most widely used machine learning techniques. Artificial neural networks are especially suitable for problem-solving where a researcher deals with incomplete data sets and no algorithms or specific sets of rules to be followed.This article deals with a case of comparison of several modifications of neural networks that may be applied to compute Chézy’s roughness coefficient. Neural network modelling is often started with one hidden layer. Having even one hidden layer, a neural network presents a powerful computing system to give good results. If it is necessary, the number of hidden layers may increase. Usually, two or three hidden layers of neurons are used. Diverse activation functions may also apply. The article aims to explore the necessity of developing sophisticated multilayer artificial neural networks to compute Chézy’s roughness coefficient.Under the study, the following modifications of the neural network computing Chézy’s roughness coefficient were considered and analysed: (1) Application of two hidden layers of neurons; (2) Application of three hidden layers of neurons; (3) Use of a dropout algorithm for training neural networks by randomly dropping units during training to prevent their co-adaptation; (4) Apart from the sigmoid (logistic) activation function, the use of other artificial neuron transfer functions – hyperbolic tangent (tanh) and rectifying activation function (ReLU).The training and testing of the considered neural network options were carried out using the actual hydro-morphological and hydrological data related to the channel section on the Dnieper River (downstream of Kyiv), the Desna River section near Chernihiv, and the Pripyat River section near the town of Turiv. The Python object-oriented programming environment was applied to build and train the neural networks. The test results confirm the acceptability and sufficiency of computing the Chézy roughness coefficient using the ANN of direct propagation with one hidden layer and a sigmoid logistic activation function. The formation of a qualitative set of training data, as well as data arrangement and choosing a relevant computing model based on empirical knowledge, are, as concluded, among more actual issues than creating more sophisticated neural networks. Штучні нейронні мережі є однією з найбільш швидко зростаючих областей м’яких обчислень. Поряд з глибоким навчанням вони натепер широко використовуються при машинному навчанні. Нейронні мережі особливо підходять для вирішення завдань, де досліднику доводиться мати справу з неповними наборами даних і відсутні алгоритми або специфічні набори правил, яких слід дотримуватися.У статті розглядається порівняння декількох модифікацій нейронних мереж, які можуть застосовуватися для обчислення коефіцієнта шорсткості Шезі. Моделювання нейронної мережі часто починається з одного прихованого шару. Навіть з одним прихованим шаром нейронна мережа є потужною обчислювальною системою, яка може дати хороші результати. При необхідності кількість прихованих шарів може збільшуватися. Зазвичай використовуються два або три прихованих шари нейронів. Також можуть застосовуватися різні функції активації. Ця стаття має на меті дослідити, чи потрібно розробляти більш складну нейронну мережу для практичних обчислень коефіцієнта шорсткості Шезі.В рамках проведеного дослідження було розглянуто та проаналізовано наступні модифікації нейронної мережі, яка обчислює коефіцієнт шорсткості Шезі: (1) застосування двох прихованих шарів нейронів; (2) застосування трьох прихованих шарів нейронів; (3) використання dropout алгоритму для навчання нейронних мереж шляхом випадкового скидання одиниць під час навчання, щоб запобігти їх спільній адаптації; (4) крім сигмоїдної (логістичної) функції активації – використання інших функцій – гіперболічного тангенса (tanh) і випрямляючої функції активації (ReLU).Навчання та тестування розглянутих варіантів нейронної мережі проводилося з використанням фактичних гідро-морфологічних та гідрологічних даних на ділянках русла на річці Дніпро (нижче за течією Києва), річки Десна біля Чернігова та ділянки річки Прип’ять поблизу м. Турів. Для побудови та навчання нейронних мереж було застосовано об'єктно-орієнтоване середовище програмування Python. Отримані результати показують, що для обчислення коефіцієнта шорсткості Шезі може бути достатнім використовувати ШНМ прямого поширення з одним прихованим шаром і сигмоїдною функцією активації. Формування якісного набору навчальних даних, а також організація даних і вибір відповідної обчислювальної моделі, заснованої на емпіричних знаннях, є в цьому випадку однією з більш актуальних проблем, ніж створення більш складних нейронних мереж. Kyiv National University of Construction and Architecture 2023-12-26 Article Article application/pdf https://es-journal.in.ua/article/view/297285 10.32347/2411-4049.2023.4.170-182 Environmental safety and natural resources; Vol. 48 No. 4 (2023): Environmental safety and natural resources; 170-182 Екологічна безпека та природокористування; Том 48 № 4 (2023): Екологічна безпека та природокористування; 170-182 2616-2121 2411-4049 10.32347/2411-4049.2023.4 en https://es-journal.in.ua/article/view/297285/290217 Copyright (c) 2023 Khodnevych Y.V., Stefanyshyn D.V. http://creativecommons.org/licenses/by/4.0 |