Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/53258
| Title: | การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อประเมินปริมาณสารหนูในน้ำบาดาลบริเวณเหมืองทอง จังหวัดพิจิตร |
| Other Titles: | Application of artificial neural network to evaluate arsenic concentration in groundwater around gold mine, Changwat Phichit |
| Authors: | ธนภัทร คชฉวีวงษ์ |
| Advisors: | ศรีเลิศ โชติพันธรัตน์ |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์ |
| Advisor's Email: | [email protected] |
| Subjects: | นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) สารหนู น้ำบาดาล -- แง่อนามัย เหมืองและการทำเหมืองทองคำ -- ไทย -- พิจิตร Neural networks (Computer science) Arsenic Groundwater -- Health aspects Gold mines and mining -- Thailand -- Phichit |
| Issue Date: | 2558 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | ปัญหาการปนเปื้ อนของสารหนูในแหล่งน้า ใต้ดินเป็นหนึ่งในปัญหาทางสิ่งแวดล้อมที่รุนแรง และส่งผลต่อระบบนิเวศในหลายพื้นที่ทั่วโลก เครื่องมือที่ใช้สำหรับตรวจสอบปริมาณของสารหนู ในแหล่งน้ำ ในปัจจุบันนั้นจำเป็นต้องใช้บุคลากรที่มีความเชี่ยวชาญ เงินทุน และเครื่องมือที่มี ประสิทธิภาพ งานวิจัยนี้มีวัตถุประสงค์ที่จะนำโครงข่ายประสาทเทียม (Artificial Neural Network) มาประยุกต์ใช้ในการประเมินปริมาณสารหนูจากตัวอย่างน้ำบาดาล ซึ่งเก็บรวบรวมจากบริเวณรอบ เหมืองทองคำจังหวัดพิจิตร ข้อมูลอุทกเคมีพื้นฐาน 5 ชนิดได้แก่ อุณหภูมิของน้ำ ค่าความเป็นกรด- ด่าง (PH) ค่าศักย์รีดอก (Oxidation-reduction potential) ค่าการนำไฟฟ้า (Electrical conductivity) และปริมาณของแข็งที่ละลายในน้ำ (Total dissolve solid) ถูกเลือกเพื่อใช้เป็นข้อมูลนำ เข้าสำ หรับ โครงข่ายประสาทเทียม นอกจากนั้นโครงข่ายประสาทเทียมถูกปรับปรุงโดยการปรับแก้ฟังก์ชัน การเรียนรู้ จำนวนชั้นแอบแฝง และชุดข้อมูลศักย์รีดอก ชุดข้อมูลทั้งหมดถูกแบ่งเป็น 3 กลุ่ม ประกอบด้วย ชุดข้อมูลที่มีค่าศักย์รีดอกเป็นบวก (0 .00 – 231.00mV) ชุดข้อมูลที่มีค่าศักย์รีดอกเป็น ลบ (-176.40 – (-1.70)mV) และชุดข้อมูลทั้งหมด (-176.40 – 231.00mV) จากผลการวิจัยพบว่าโครงข่ายประสาทเทียมสามารถประเมินปริมาณสารหนูในน้ำบาดาล บริเวณเหมืองทองคำ โดยมีความแม่นยำ อยู่ในระดับที่ยอมรับได้ ค่าสัมประสิทธิ์ NSE เท่ากับ 0.5476 และ0.5240 ในชุดฝึกสอนและชุดทดสอบตามลำดับ และพบว่าการปรับเปลี่ยนฟังก์ชันการ เรียนรู้และจำนวนชั้นแอบแฝงไม่มีผลต่อความแม่นยำในการประเมินปริมาณสารหนูในน้ำบาดาล ของโครงข่ายประสาทเทียมอย่างมีนัยสำคัญ ในขณะที่การใช้ชุดข้อมูลที่มีค่าศักย์รีดอกทั้งบวกและ ลบให้ผลการประเมินปริมาณสารหนูดีที่สุด |
| Other Abstract: | Arsenic (As) contamination in groundwater is one of the serious environmental problems effecting health and ecosystem in many regions of the world. The measurement of As in groundwater requires skilled technicians, high cost and efficient equipment. The objective of this study is to apply Artificial Neural Network (ANN) to evaluate As concentration in groundwater collected around the gold mining area, Changwat Pichit. Five basic hydrochemical properties of groundwater, including water temperature, PH, oxidation-reduction potential (ORP), electrical conductivity (EC) and total dissolve solid (TDS) was carefully selected and used as input data. Moreover, the modified-ANN was carried out by varying these 3 items: learning function, number of hidden and ORP dataset. ORP dataset were classified into 3 groups, consisting of positive ORP value (0.00-231.00mV), negative ORP values (-176.40-(-1.70)mV) and the whole dataset (-176.40-231.00mV). The result showed that ANN can evaluate As concentration in groundwater around gold mine efficiently. The accuracy of the evaluation is acceptable with show by 0.5476 and 0.5240 NSE coefficients in training and testing dataset respectively. Learning function and number of hidden layers does not significantly affect the accuracy of evaluating As concentration in groundwater significantly. In the other hand, ORP dataset gives the best performance to evaluate As concentration. |
| Description: | โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต ภาควิชาธรณีวิทยา คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2558 |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/53258 |
| Type: | Senior Project |
| Appears in Collections: | Sci - Senior Projects |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 5532719823.pdf | 3.44 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.