KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren Holger Rahlf; Reiner Schubert www.baw.de Künstlich Neuronales Netz Gliederung Einleitung Grundlagen Möglichkeit und Grenzen Anwendung Ergebnisse Input KNN Output Fazit
Einleitung geplante Fahrrinnenanpassungen von Elbe und Weser: Anwendung eines speziellen KNN auf Salzgehaltsmessungen vorgesehen Fachaufgabe der BAW: Beratung der WSV Qualitätssicherung eigener Prognosen d.h. auch Prüfung und ggf. Weiterentwicklung von Beweissicherungsmethoden langjährige Messungen der Leitfähigkeit zeigen Veränderungen im Salzgehalt Tidedynamik führt zu hoher Variation der Salzgehalte in einem Ästuar Brackwasserzone in einem Ästuar Ortspegel 10 km PSU Seite 2
Salzgehalt im Weserästuar (15 jährige Zeitreihe, Messungen des WSA Bremerhaven) Oberwasser Intschede Seite 3
Grundlagen Simulationsmodelle prozessorientiert datenbasiert Näherungslösung der Navier - Stokes Gleichung und Transportgleichung Beispiel: FD, FE-Verfahren Statistische Analyse von gemessenen Wertepaaren lineare Regression nichtlineare Regression multivariate Regression nichtlineare multivariate Regression Beispiel: KNN Seite 4
Veröffentlichungen / Jahr Grundlagen Schrifttum: GetInfo: Datenbank übergreifendes Suchportal ( TIB, WTI, FIZ) Suchergebnisse: neural network 65.337 salinity 20 Recherche: SmileConsult, 2011 Jahr Software: z.b. Neural Network Toolbox (MatLab ), d.h. Anwendungssoftware verfügbar Seite 5
Grundlagen ganz einfach vereinfacht Künstlich Neuronales Netz Neuron 1 Wichtung 0 Neuron Neuron 1 Wichtung 1 Neuron 2 0 3 2 1 3 Input KNN Output 3 1 3 0 (1 0) + (2 0) + (3 1) = 3 (1 1) + (2 1) + (3 0) = 3 Seite 6
Grundlagen ganz einfach vereinfacht Neuron: mathematische Funktion Netztopologie Σ Eingabe verdeckte Ausgabe Ebene Perzeptron: Neuronen mit sigmoider Funktion ebenenweise verbundenes feed-forward Netz Seite 7
Grundlagen ganz einfach vereinfacht gemessene Wertepaare x i,j y i Trainieren (Lernen) (nicht: auswendig lernen!) Validieren (Testen) Anwenden n-mal mit dem gleichen Datensatz nach der Methode der backpropagation Approximationsgüte beachten Ergebnisse statistisch analysieren n - Netze n - mal n Ergebnisse! Seite 8
Grundlagen Möglichkeiten (Stärken) Grenzen (Schwächen) kann Erlerntes auf neue Daten anwenden kommt mit beispielhaften Daten aus (Datenlücken stellen kein Problem dar) Aufwändig trainiertes KNN rechnet schnell Statistische Analysen / Signifikanzen physikalisch begründete Funktionen im KNN nicht abbildbar Training kann sehr lange dauern Keine Garantie für optimale Lösung Keine reproduzierbare Lösung Zur Anwendung zur Ermittlung von Änderungen ist anzumerken: bislang wenig Erfahrung! optimale Netztopologie? Wirkung von Trends? Wertebereich der Trainingsdaten beachten! Seite 9
Anwendung (Beispiel Weserästuar) Einfluss der Inputparameter auf den max. täglichen Salzgehalt in Rechtenfleth Oberwasser Salzgehalt Oberwasser 9 Tage Vergangenheit Salzgehalt Rechtenfleth Salzgehalt 0,01 * PSU Rechtenfleth aus KNN aus Messung 3 Jahre 3 Jahre Seite 10
Anwendung (Beispiel Weserästuar) Netztopologie 49 99 49-1 oder auch 53-107 - (53 -) 1 Oberwasserzufluss Intschede als Tagesmittelwert bis 9 Tage in die Vergangenheit Salzgehalt des OW bei Hemelingen als Tagesmittelwert bis 9 Tage in die Vergangenheit Oberwasserzufluss Hunte bis 4 Tage in die Vergangenheit Tidekennwerte Thw, Tnw, Flut- und Ebbedauer, mittlerer Salzgehalt am Leuchtturm Alte Weser bis 4 Tiden in die Vergangenheit, Windgeschwindigkeit (u,v) alle 6 Stunden (4 mal) Gewählte Zeiträume bis 1998 2 Jahre vor SKN -14m Ausbau 1999 2003 4 Jahre unmittelbar nach SKN -14m Ausbau 2003 2007 5 Jahre morphologischer Zustand 2008 2012 5 Jahre morphologischer Zustand Seite 11
Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [bis 1998] zu [1999-2003] die im Einzelnen noch nicht vollständig geklärt werden können Seite 12
Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [1999-2003] [bis 1998] zu zu [1999-2003] [2003-2007] die im Einzelnen noch nicht vollständig geklärt werden können Seite 13
Ergebnisse Laufende Untersuchungen zeigen hohe Variationen der Berechnungsergebnisse (SmileConsult GmbH, Hannover) Salzgehaltsänderung * 0,01 PSU Mess - Stationen entlang des Weserästuars [1999-2003] [bis 1998] zu zu [1999-2003] [2003-2007] die im Einzelnen noch nicht vollständig geklärt werden können Seite 14
Fazit KNN ist ein anerkanntes datenbasiertes Simulationsmodell. Qualität und Güte des Simulationsergebnisses hängen im wesentlichen ab von der Qualität der verfügbaren Messdaten, den Eingabeparametern, der Netztopologie und dem Trainingszeitraum. Mit KNN ermittelte Änderungen der Salzgehalte in der Unterweser ergeben sich in jeder betrachteten Epoche, sind wahrscheinlich kleiner 0,5 PSU in den betrachteten Epochen, sind nicht immer physikalisch plausibel. Können mit der Methode ausbaubedingte Änderungen ermittelt werden? JA, wenn die Änderungen groß und eindeutig sind und gute, lange, charakteristische Datenreihen vorliegen. NEIN, wenn die Änderungen klein und die Variationen groß bzw. die Daten schlecht sind sowie ausbauunabhängige Änderungen im System auftreten. ABER: Gute und anerkannte Methode für nichtlineare multivariate Regressionsprobleme. Derzeit sollte die Methode ergänzend zu den bekannten daten- und prozessbasierten Modellen eingesetzt werden. Seite 15