APLICAREA REELELOR ARTIFICIALE DE NEURONI N SUPRAVEGHEREA

CONSTRUCIILOR HIDROTEHNICE
Cuvinte cheie: baraje, supravegherea construciilor hidrotehnice, reele artificiale de neuroni
Autor: asist. univ. ing. Cornel Ilinca, UTCB, Facultatea de Hidrotehnic, e-mail:
cornel@utcb.ro
Rezumat. Obiectul prezentei lucrri l constituie prezentarea i aplicarea modelelor
conexioniste n supravegherea construciilor hidrotehnice. Dezvoltarea i implementarea
reelelor artificiale de neuroni este n faz incipient n acest domeniu. Sunt prezentate
noiunile generale de inteligen artificial i aplicarea reelelor neuronale n modelarea
deplasrilor la barajul Gura Rului.
Abstract. The role of this paper is to present the application possibilities for the connexion
models in dams supervision. The development and implementation of the artificial neuron
network is in an incipient phase. This paper presents general concepts regarding the artificial
intelligence and the application of the artificial neuron network to model (simulate) the
movements of the Gura Rului dam.
1. Noiuni generale de inteligen artificial
Interpretarea datelor colectate prin sistemul de monitorizare i de inspecii directe este
necesar pentru evaluarea strii de siguran a lucrrii respective. Modelele de baz folosite
pentru interpretarea datelor sunt n prezent de dou tipuri: deterministe i statistice. O a treia
categorie de modele aflate n plin evoluie sunt cele din domeniul inteligenei artificiale, i
anume modelele adaptive bazate pe reelele neuronale. [Popovici, 2002]
Lucrarea i propune prezentarea i aplicarea acestui concept nou de modelare bazat pe
reele artificiale de neuroni n domeniul supravegherii construciilor hidrotehnice
nc de la nceputul cercetrilor de Inteligen Artificial s-au conturat dou direcii
rivale ce constituie i acum modelele dominante (paradigme) n Inteligena Artificial.
Paradigma logico-simbolic presupune mecanisme de reprezentare simbolic a
cunotinelor i utilizarea diferitelor modele logice pentru a deduce noi cunotine din faptele
memorate n baza de cunotine a sistemului. De exemplu, programele care joac ah i
programele inteligente (numite Sisteme Expert) care rezolv probleme de mare complexitate
dintr-un domeniu bine conturat reprezint realizri notabile n cadrul acestei paradigme.
Aceast direcie a beneficiat pn n prezent de dezvoltri spectaculoase, aprnd astfel i
limbajele de programare declarative cum ar fi PROLOG i limbajele de programare
funcionale (aplicative) de exemplu LISP.
Paradigma conexionist a introdus un nou concept de calcul - calculul neuronal - i a
generat realizri concrete cunoscute sub numele de reele neuronale artificiale (pe scurt reele
neuronale).
Un element important, probabil principalul responsabil pentru succesul modelelor
conexioniste, l constituie capacitatea reelelor neuronale de a nva din exemple. n mod
tradiional, pentru a rezolva o problem, trebuie elaborat un model (matematic, logic,
lingvistic etc.) al acesteia. Apoi, pornind de la acest model, trebuie indicat o succesiune de
operaii reprezentnd algoritmul de rezolvare a problemei. Exist, ns, probleme practice de
mare complexitate pentru care stabilirea unui algoritm, fie el i unul aproximativ, este dificil
sau chiar imposibil. n acest caz, problema nu poate fi abordat folosind un algoritm

tradiional, indiferent de resursele de memorie i timpul de calcul disponibile. [Dumitrescu

1996]
Cortexul cerebral este o reea neuronal natural. O astfel de reea neuronal are
capacitatea de a gndi, nva, simi i de a-i aminti.
Reelele neuronale artificiale sunt reele de modele de neuroni conectai prin
intermediul unor sinapse ajustabile. Toate modelele de reele neuronale se bazeaz pe
interconectarea unor elemente simple de calcul dintr-o reea dens de conexiuni.
Fiecare unitate de proces (neuron) este capabil s execute doar calcule simple, dar
reeaua, ca ntreg, poate avea caliti remarcabile n recunoaterea formelor (nvarea din
exemple sau din experien) i rezolvarea problemelor pentru care este dificil elaborarea unui
algoritm.
O reea neuronal nva prin modificarea intensitii de conexiune dintre elemente,
adic schimbnd ponderile asociate conexiunilor dintre neuroni. Cunoaterea iniial,
furnizat sistemului, este reprezentat de caracteristicile obiectelor considerate i de o
configuraie iniial a reelei...................................De definit cunoasterea
Calculul neuronal implic dou aspecte fundamentale: nvarea i reprezentarea
cunoaterii.
Reelele neuronale achiziioneaz cunoaterea prin instruire.
O reea neuronal este instruit, dac aplicarea unei mulimi de vectori de intrare va
produce ieirile dorite. Cunoaterea pe care reeaua neuronal o dobndete este memorat de
sinapsele neuronale, mai precis, n ponderile conexiunilor dintre neuroni.
ntr-o reea neuronal artificial, unitatea analog neuronului biologic este o unitate de
procesare simpl, care va fi numit neuron artificial, sau, mai simplu, tot neuron.
Un neuron artificial are mai multe ci de intrare, care corespund arborelui dendritic.
Cii de intrare i i corespunde n neuronul j o valoare numeric real xi, echivalentul
semnalului electric din modelul biologic al neuronului. Fiecare mrime de intrare xi este
ponderat cu valoarea numeric real wj,i, echivalentul triei sinaptice din modelul biologic al
neuronului. Produsul xi wj,i reprezint semnalul de intrare dendritic i n neuronul artificial j.
n

Suma ponderat I j w j ,i xi reprezint argumentul unei funcii, numit funcie de

i 0

activare y j f I j f

i 0

j ,i

xi care va determina valoarea de ieire axonic y j din neuron.

[3]
Acest model matematic al neuronului artificial, propus pentru prima dat de
McCullogh i Pitts , dei foarte simplu, reprezint o unitate de calcul foarte puternic.
McCullogh i Pitts au demonstrat c un ansamblu de neuroni artificiali interconectai
este capabil, n principiu, s efectueze orice calcul, cu condiia alegerii corespunzatoare a
triilor sinaptice wji. Acest lucru nseamn c o reea neuronal poate efectua orice calcul,
chiar dac nu la fel de repede sau convenabil ca un model clasic. [4]
Cele mai utilizate funcii de activare sunt:
- funcia treapt (Heaviside):
(1)
-

funcia ramp:

(2)

funcia sigmoidal:
Prag + prezentare grafica

(3)
funcia tangent hiperbolic:

funcia signum:

(4)

(5)
Funcia de activare depinde de modelul de reea neuronal ales i de tipul problemei
de rezolvat, alegerea sa nefiind constrns de nici o condiie, dect eventual de analogia cu
modelul biologic. Valoarea obinut prin aplicarea funciei de activare este propagat pe cile
de ieire, echivalente arborelui axonic din modelul biologic. n fig.1 este reprezentat
schematic neuronul artificial.

Fig. 1. Reprezentarea schematic a neuronului artificial.

De completat prezentarea cu ....

2. Etapele de realizare a aplicaiilor bazate pe reele neuronale

Realizarea aplicaiilor bazate pe reele neuronale presupune parcurgerea etapelor
prezentate n figura 2. [5]
Analiza problemei

Proiectare
a aplicaiei

Elaborare i alegere
programe, taxonomia
reelei

Preprocesare date
Generare fiiere de
instruire i de test

Instruirea reelei

Testarea aplicaiei

Integrarea i/sau
utilizarea aplicaiei

Fig. 2. Etapele de realizare a unei aplicaii cu reele neuronale

n

O reea neuronal servete la implementarea unei funcii F : R R , denumit

funcia reelei. Funcia F este implementat cu ajutorul funciilor de activare a unitilor,
considerate drept funcii primitive ale reelei. Modelul funcional al unei reele neuronale
(legea de evolutie a retelei in directia unei reproduceri cat mai corecte a fenomenului modelat
numita i legea dinamic a reelei) poate fi pus n legtur cu teoria aproximrii funciilor,
preocupat de reproducerea exact sau aproximativ a unei funcii pe baza evalurii unui
ansamblu dat de funcii primitive. Relevana modelului functional al reelei nu este suficient
de edificatoare n raport cu alte tipuri de modele. Astfel o reea neuronal artificial reprezint
o cutie neagr (fig. 3), ce produce rezultate (ieiri, efecte, rspuns) prin prelucrarea unor
intrri date (aciuni, cauze).
x1
x2
xn

o1
o2
om

Fig. 3. Schema unei reele neuronale

n continuare, sunt prezentate pe larg etapele de realizare a unei reele neuronale

directe pentru modelarea deplasrilor msurate la pendulii de la barajul Gura Rului.
2.1. Analiza problemei
Problema principal este prognoza deplasrilor la pendulii de la barajul Gura Rului
funcie de anumii factori exteriori. Factorii exteriori sunt alei, n general, funcie de
fenomenul analizat; astfel pentru deplasri s-a ales data cronologic, temperatura aerului i
nivelul din acumulare. Evoluia acestor factori determin deplasrile msurate la penduli.
2.2. Proiectarea aplicaiei
Se consider n cele ce urmeaz o reea neuronal direct (feed-forward), la care
propagarea informaiilor se face de la stratul de intrare ctre stratul de ieire, fr a exista
conexiuni ntre neuronii aceluiai strat sau ctre neuronii unui strat anterior.
2.2.1.Elaborarea de programe.
n aceast etap se aleg mediile de dezvoltare a aplicaiilor i structura reelelor i a
datelor. n paralel se execut i etapa de preprocesare a datelor. Principalele clase de
instrumente software utilizate n realizarea acestui tip de aplicaii sunt: mediile de
programare general (C, Pascal,...), programe de matematic (MathCAD, MATLAB,...) i
programe dedicate (Qnet, EaszNN,...).
S-au ales iniial dou medii de dezvoltare a aplicaiei:
- MathCAD 2001 un program de matematic care deine i biblioteci de date i
aplicaii inginereti;
- Qnet 2000 un program dedicat modelrii conexioniste.
Din ncercrile fcute cu diverse exemple de date test s-a ajuns la concluzia c
proiectarea unei reele i nvarea acesteia este mai facil n Qnet 2000, dar exploatarea
(analiz rezultate) este mai bun n MathCAD 2001. n final s-a ales varianta dezvoltrii
reelei i exploatrii acesteia n Qnet 2000 cu asumarea deficienelor prezentrii garfice.
Modelul structural al reelelor neuronale este definit prin:
a. geometria reelei;
Reelele feedforward multinivel ridic probleme deosebite n dimensionare ntruct, n
afara numrului de uniti de input (vectori de intrare) i de output (vectori de ieire), care se
stabilete n raport de modul de reprezentare a datelor, restul unitilor (i anume neuronii
ascuni) sunt greu de dimensionat. Fixarea corespunztoare a numrului de uniti este extrem
de important, ntruct:
- dac sunt prea puine uniti ascunse, reeaua nu se poate instrui (nu poate
generaliza, avnd prea puine conexiuni pe care s fac reprezentarea
caracteristicilor de intrare i ieire);
- dac sunt prea multe uniti ascunse, reeaua de asemenea nu generalizeaz corect,
tinznd s memoreze i alte caracteristici, n afara celor comune tuturor formelor
(deci a caracteristicilor eseniale).
La stabilirea arhitecturii reelei neuronale s-a inut cont de o recomandare care
estimeaz numrul de neuroni din straturile ascunse funcie de numrul de intrri i ieiri,
nespecificndu-se numrul necesar de straturi ascunse (rel 6). [6]
H

unde

T
- numrul de neuroni din straturile ascunse;
5 (N M )

(6)

T numrul estimativ de nregistrri disponibile pentru nvarea reelei;

N numrul vectorilor de intrare (nivel lac, temperatur, dat cronologic,...);

M numrul vectorilor de ieire (deplasare msurat la pendul nr. i pe direcia

k);
Pentru cazul analizat a rezultat c necesarul de neuroni pentru straturile ascunse este
de 26 neuroni. O alt recomandare n arhitectura reelelor const n alegerea unui numr de
neuroni pe primele straturi ascunse egal cu numrul de intrri, respectiv un numr de neuroni
pe ultimele straturi egali cu numrul de ieiri.
b. schema de interconectare a unitilor
S-a adoptat soluia general de reea total conectat, rezultnd reeua din fig. 4. Soluia
particular de reea local conectat este eficient n cazurile n care se dorete eliminarea unor
influene nesemnificative (de exemplu temperatura multiplicat cu nivelul din acumulare).

Fig. 4. Arhitectura reelei (cu 2 straturi ascunse)

Modelul general al unei reele neuronale reprezint ansamblul caracteristicilor unei reele
neuronale. Toate aceste caracteristici sunt propuse i ajustate de programul Qnet, elibernd astfel
proiectantul aplicaiei de aceast sarcin, care n cazul programului MathCad a fost o etap dificil.
Aceste caracterstici se pot grupa n:
a. caracteristici locale;
b. caracteristici globale.
Caracteristicile locale ale unei reele neuronale sunt reprezentate de ctre caracteristicile
neuronilor i anume:

biasul (pragul de activare al neuronului);

funcia de combinare a intrrilor, g;

funcia de activare, f;

prezena/absena reaciei locale.

Caracteristicile globale ale unei reele neuronale sunt:

caracteristicile statice, reprezentate prin proprietile topologice ale reelei i cele funcionale
(inclusiv metoda de instruire a reelei);
caracteristicile dinamice, care caracterizeaz evoluia n timp a reelei.

2.2.2.Preprocesarea datelor const n pregtirea datelor de intrare i ieire. Datele de intrare i

ieire se sistematizeaz sub form tabelar (format DBF). Pentru intrrile reelei se aleg
variabilele considerate semnificative. n anumite cazuri, este necesar generarea unor vectori
suplimentari (coloane) ce conin date specifice fenomenului analizat. n cazul deplasrilor s-a
ales data calendaristic convertit n format numeric, nivelul n lac, temperatura medie zilnic
a aerului, genernd temperaturi medii decadale (defazate cu i*10 zile).
2.3. Antrenarea reelei (instruirea, nvarea) stabilete ponderile neuronilor din reea.
Aceast operaie poate s duc la soluii greite, de aceea este recomandabil s se afieze n
permanen evoluia erorii reelei sau a raportului global de corelaie (fig.5). Ponderile
conexiunii sunt calculate folosind metoda gradientului descendent.
Stabilirea strategiei de iniializare a intensitilor conexiunilor. Se realizeaz n
general, o iniializare aleatoare, pe valori mici ale intensitii conexiunilor din reea, pentru
evitarea unui fenomen cunoscut sub numele de paralizarea reelei. Acest fenomen se produce
atunci cnd unitile (neuronii) sunt alimentate cu inputuri (valori de intrare) foarte mari pe
zona de saturare. n aceste condiii, reeaua este puin sensibil chiar i la variaii mari ale
inputurilor. Instruirea n zona de saturare se realizeaz de aceea mult mai greu (n timp mult
mai ndelungat) dect n afara acestei zone. Pentru evitarea paralizrii se lucreaz cu valori
mici ale ponderilor, precum i cu valori la intrare normalizate pe intervale de valori mici.

Fig. 5. Evoluia raportului de corelaie global (R) funcie de iteraiile antrenrii

2.4. Testarea aplicaiei
Testarea aplicaiei se realizeaz pe modelul cutiei negre, deci nu se urmrete
detalierea pailor de prelucrare (obinerea algoritmilor, formulelor etc.). n cadrul acestei
activiti se urmrete verificarea ieirilor funcie de intrri n comparaie fie cu realitatea, fie
cu alte modele mai bine cunoscute (sau mai simple). Reeaua neuronal s-a validat folosind un
model determinist (metoda elementelor finite) i un model statistic (model cu integrarea

temperaturii). La simulrile efectuate toate modelele au condus la rezultate apropiate de

realitate, neintrnd n contradicie cu valorile msurate pentru extrapolri rezonabile ale
datelor de intrare (aciuni). [7]
O verificare simpl a reelei se efectueaz comparnd valorile de antrenare cu valorile
de ieire (corelaia msurat-calculat - figura 6); valoarea numeric a raportului de corelaie
pentru deplasarea nregistrat la pendulul din plotul 14 pe direcia amonte-aval este 0,95.

Fig. 6. Corelaia global msurat calculat

Fig. 7. Seriile de antrenare (---) i ieirea reelei (---)pentru nodul 4.

Ieirea reelei, comparativ cu datele de antrenare reprezint un criteriu necesar

validrii reelei, dar nu i suficient. n figura 7 este reprezentat grafic seria valorilor de ieire
i a valorilor de antrenare pentru nodul 2 corespunztor deplasrilor nregistrate la pendulul
direct din plotul 14, direcia Y (amonte aval).

Fig.8. Diagrama funciilor de influen, d =

F(Timp,H)

Fig.9. Diagrama funciilor de influen, d = (H,Taer)

Interpretarea ponderilor sinaptice este dificil datorit complexitii formei
matematice a legii de evoluie. Modelele conexioniste sunt de tip cutie neagr 1; aceasta
nseamn c analiza fenomenelor se face pe principii diferite fa de modelele statistice (cutii
cenuii)2 i modelele deterministe. Se pot obine ns diagrame ale influenei fenomenelor
analizate n care s se determine ponderea fiecrui factor exterior considerat asupra
paramentrului urmrit. O atenie deosebit trebuie acordat interpretrii diagramelor de
influen a factorilor exteriori derivai. Astfel pentru diagrama de influen a deplasrii funcie
de timp i nivelul din lac, deplasrile rezultate sunt conforme cu modelele folosite pentru
validare. Pentru deplasarea funcie de temperatura aerului i nivel lac este necesar s se
reprezinte grafic toate influenele temperaturii funcie de nivelul n lac, influena temperaturii
se determin prin nsumarea tuturor influenelor temperaturilor derivate (n cazul acesta
temperaturile medii decadale generate). n figura 9 este reprezentat diagrama influenei
temperaturii aerului i nivelului din lac asupra deplasrilor nregistrate la pendulul direct din
plotul 14, direcia Y (amonte aval).
3. Concluzii
Modelele conexioniste sunt modele complexe cu posibiliti multiple de analiz,
superioare modelelor statistice. Avantajul modelelor conexioniste l reprezint posibilitatea
includerii unor relaii complexe ntre variabile exogene (factori exteriori: vrsta barajului,
temperatur aer, nivel lac, timp, precipitaii,...) i parametrii urmrii (deplasri, debite
drenate,...). Astfel, n reelele artificiale de neuroni efectele factorilor exteriori pot fi complexe
La modelele statistice efectele factorilor exteriori sunt aditive sau mai rar multiplicative (n
acest caz fiind nevoie de liniarizare prin logaritmarea expresiei matematice), rezultnd modele
de tip liniar. La reelele neuronale legea de evoluie este neliniar, iar sistemul de ecuaii este
rezolvat prin metode iterative specifice sistemelor de ecuaii neliniare (antrenarea se face prin
metode de tip gradient).
Deficienele n ceea ce privete taxonomia reelei pot fi depite prin adoptarea unor
recomandri generale i elaborarea unor reguli particulare pentru aplicarea reelelor neuronale
n supravegherea construciilor hidrotehnice.
Modelele conexioniste sunt n faza de dezvoltare n domeniul supravegherii
construciilor hidrotehnice, dar chiar n acest faz potenialul lor de analiz este superior sau
cel puin completeaz eficient alte tipuri de modele.

BIBLIOGRAFIE
1. Adrian Popovici Baraje pentru acumulri de ap, Ed. Tehnic, Bucureti, 2002, vol. II
2. D. Dumitrescu, Hariton Costin Reele neuronale, Ed. Teora, Bucureti, 1996
3. R. Vancea, t. Holban, F. Iancu Inteligena Artificial. Tehnici de inteligen artificial,
Ed. Universitiitefan cel Mare, Suceava, 1995
4. Al. P. Tacu, R. Vancea, t. Holban, A. Burciu Inteligena Artificial, Ed. Economic,
Bucureti, 1998
5. C. Bodea Inteligen artificial i sisteme expert, Ed. INFOREC, Bucureti, 1998
6. E. Oja- Lecture material for the course Principles of Neural Computing, Helsinki
University of Technology, 1997
7. Cornel Ilinca Aplicarea reelelor neuronale i a modelelor statistice n supravegherea
construciilor hidrotehnice, Tez de doctorat, UTCB, 2003
1
2

Black box
Gray box