Mathematical modelling tasks for hydraulic resistance coefficient estimation using neural networks

Скорочена інформація про документ
dc.contributor.authorStefanyshyn, Dmytro
dc.contributor.authorKhodnevych, Yaroslav
dc.contributor.authorTrofymchuk, Oleksandr
dc.contributor.authorKorbutiak, Vasyl
dc.contributor.authorBenatov, Daniel
dc.date.accessioned2026-03-12T13:30:35Z
dc.date.available2026-03-12T13:30:35Z
dc.date.issued2025
dc.description.abstractThis paper presents a comprehensive approach to estimating the Chézy roughness coefficient as a key parameter of hydraulic resistance in natural river channels. Based on the analysis of 43 wellknown empirical and semi-empirical formulae for C, as well as 13 formulae for the Gauckler–Manning coefficient, the dependencies were systematised and classified into groups according to hydromorphological and hydraulic parameters. An artificial neural network (ANN) was developed to estimate the coefficient C considering key hydromorphological factors. The model was validated using data from the Dnipro, Desna, and Prypiat rivers; the Nash–Sutcliffe Efficiency (NSE) values ranged from 0.94 to 0.98, with relative errors of 0.9–13.9%. Additional testing was conducted on mountain rivers (Tysa, Teresva, Latorytsia, Opir, Rika, Chornyi Cheremosh), where anomalous values were excluded from the training datasets, improving prediction accuracy. It was demonstrated that the use of one- or two-layer ANNs is appropriate when high-quality training data are available. To improve accuracy under limited data conditions, an ensemble model (ANN-A, ANN-B1, ANNB2) was implemented using the bagging method. A strategy of independent training of networks was applied, followed by aggregation of outputs using majority voting. The testing results showed relative discharge errors ranging from 0.3% to 6.1%, and NSE values from 0.991 to 0.998. The study confirms the high accuracy and practical applicability of the ensemble approach for estimating the Chézy coefficient in contexts with limited hydromorphological information.
dc.description.abstractotherУ роботі представлено комплексний підхід до оцінки коефіцієнта шорсткості Шезі як ключової характеристики гідравлічного опору в природних річкових руслах. На основі аналізу 43 відомих емпіричних і напівемпіричних формул для C, а також 13 формул для коефіцієнта Гоклера–Меннінга, було здійснено систематизацію залежностей та класифікацію їх за групами залежно від гідроморфологічних та гідравлічних параметрів.Розроблено штучну нейронну мережу (ШНМ) для оцінки коефіцієнта C з урахуванням основних гідроморфологічних параметрів. Модель апробовано на даних для річок Дніпро, Десна та Прип’ять; коефіцієнт ефективності Неша–Саткліффа (NSE) становив 0,94–0,98, а відносна похибка 0,9–13,9%.Додаткове тестування здійснено для гірських річок (Тиса, Тересва, Латориця, Опір, Ріка, Чорний Черемош) із виключенням аномальних значень з навчальних вибірок, що покращило точність прогнозів. Показано, що використання одно- або двошарових ШНМ є доцільним при якісному навчальному наборі. Для підвищення точності в умовах обмеженого обсягу даних реалізовано ансамблеву модель (ANNA, ANN-B1, ANN-B2) з методом беггінгу. Застосовано стратегію незалежного навчання мереж із подальшим об’єднанням результатів за принципом максимального голосування. За результатами тестування отримано відносні похибки витрати води в межах 0,3–6,1% та значення NSE від 0,991 до 0,998. Результати дослідження підтверджують високу точність і практичну придатність ансамблевого підходу для оцінки коефіцієнта Шезі в умовах обмеженої гідроморфологічної інформації.
dc.format.pagerangeС. 293-299
dc.identifier.citationMathematical modelling tasks for hydraulic resistance coefficient estimation using neural networks / Dmytro Stefanyshyn, Yaroslav Khodnevych, Oleksandr Trofymchuk, Vasyl Korbutiak, Daniel Benatov // Матеріали XХV Міжнародної науково-практичної конференції «Екологія. Людина. Суспільство» пам’яті д-ра Дмитра СТЕФАНИШИНА (12 червня 2025 р., м. Київ, Україна). – Київ : КПІ ім. Ігоря Сікорського, 2025. – С. 293-299. – Бібліогр.: 6 назв.
dc.identifier.doihttps://doi.org/10.20535/EHS2710-3315.2025.332358
dc.identifier.issn2710-3315 (Online)
dc.identifier.orcid0000-0002-7620-1613
dc.identifier.orcid0000-0002-5510-1154
dc.identifier.orcid0000-0003-3358-6274
dc.identifier.orcid0000-0002-8273-2306
dc.identifier.orcid0000-0001-9626-6759
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/79466
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofМатеріали XХV Міжнародної науково-практичної конференції «Екологія. Людина. Суспільство» пам’яті д-ра Дмитра СТЕФАНИШИНА (12 червня 2025 р., м. Київ, Україна)
dc.subjectChézy coefficient
dc.subjecthydraulic resistance
dc.subjectartificial neural networks
dc.subjectmodel ensemble
dc.subjectmathematical modelling
dc.subjectriver flows
dc.subjecthydromorphology
dc.subjectNSE
dc.subjectmachine learning
dc.subjecthydraulic engineering structures
dc.subjectкоефіцієнт Шезі
dc.subjectгідравлічний опір
dc.subjectштучні нейронні мережі
dc.subjectансамбль моделей
dc.subjectматематичне моделювання
dc.subjectрічкові течії
dc.subjectгідроморфологія
dc.subjectмашинне навчання
dc.subjectгідротехнічні споруди
dc.titleMathematical modelling tasks for hydraulic resistance coefficient estimation using neural networks
dc.title.alternativeЗадачі математичного моделювання коефіцієнта гідравлічного опору на основі нейронних мереж
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
EHS_2025-293-299.pdf
Розмір:
663.5 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Екологія. Людина. Суспільство (25 ; 2025 ; Київ)