Знак искусственной неровности: Знак 5.20 — Искусственная неровность

Содержание

В России изменятся дорожные знаки «Искусственную неровность» отделят от «неровной дороги»: Россия: Lenta.ru

С 1 января 2006 года в России вступают в силу новые стандарты на дорожные знаки, светофоры и разметку, пишет «Российская газета». Соответствующий документ уже подготовлен и в ближайшее время будет подписан.

На дорогах, согласно вводимым стандартам, должны появиться 24 новых знака, а еще 18 изменятся. Все они будут соответствовать конвенции ООН о дорожных знаках и сигналах, а также последним европейским стандартам.

К примеру, знак «Неровная дорога» теперь не станут устанавливать перед «лежачими полицейскими». На замену ему в таких случаях придет новый — «Искусственная неровность». Появятся также знаки, обозначающие затор. Они будут устанавливаться перед перекрестками, на которых можно повернуть, чтобы объехать образовавшуюся впереди пробку.

Также будут устанавливать знаки, предупреждающие о закруглении дороги и опасной обочине.

Запрещающий знак «контроль» появится, в первую очередь, у постов ГИБДД.

Сейчас там чаще всего можно увидеть знак приоритета «Стоп», который по ГОСТу должен стоять совсем не там. Его место — только перед перекрестками. «Контроль» у постов ДПС будет запрещать движение без остановки.

Изменятся знаки, показывающие направление движения на перекрестках. Сейчас движение «только прямо», «только направо» и «только налево» обозначается, по сути, одним и тем же символом — прямой стрелкой. Все зависит от того, в какую сторону эта стрелка повернута. Теперь для «поворотов», как в Европе и США, будет применяться изогнутая стрелка.

Появятся новые варианты знаков, обозначающих начало и конец населенных пунктов, а также зональные знаки — они будут обозначать границы территории, на которых действуют определенные ограничения и запреты.

На въездах в Россию будут устанавливать знак «Общие ограничения максимальной скорости». Он будет демонстрировать, что в нашей стране в населенных пунктах нельзя разгоняться быстрее 60 километров в час, превышать 90 за городом и 110 на автомагистралях.

Наконец, появятся знаки «бассейн или пляж», а также знаки, показывающие, на какой частоте можно услышать информацию о ситуации на дорогах и частоту, по которой владельцы радиостанций могут связаться с аварийно-спасательными службами.

На дорогах также будут устанавливать так называемые «Таблички дополнительной информации». Они, к примеру, будут информировать о ближайших перехватывающих парковках и остановках общественного транспорта вблизи от них.

Знак для въезжающих в странуНовые знаки сервиса«Бассейн или пляж»

Помимо новых знаков стандартами предусмотрено применение разных световозвращающих пленок на указателях. Одни виды пленок будут использоваться на магистралях, другие — на городских улицах, третьи — на загородных дорогах. Но в любом случае, знаки станут читаться лучше.

Введение новых стандартов не означает, что старые знаки должны быть демонтированы и заменены на новые. Эта замена произойдет лишь после того, как по действующим стандартам окончится срок службы уже установленных дорожных указателей.

Дмитрий Ларченко

Дорожный знак: 1.17 Искусственная неровность

 Название тестаКатегорияВопросов 
1.Определите уровень Вашего интеллекта. IQ тест длится 30 минут и содержит 40 простых вопросов.интеллект40Начать тест :
2.Определите уровень Вашего интеллекта. IQ тест длится 40 минут и содержит 50 вопросов.интеллект50Начать тест :
3.Тест позволяет улучшить знания дорожных знаков РФ, утвержденных правилами дорожного движения (ПДД). Вопросы генерируются случайно.знания100Начать тест :
4.Тест на знание государств мира по флагам, расположению, площади, рекам, горам, морям, столицам, городам, населению, валютамзнания100Начать тест :
5.Определите характер Вашего ребенка, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.характер89Начать тест :
6.Определите темперамент Вашего ребенка, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.темперамент100Начать тест :
7.Определите Ваш темперамент, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.темперамент80Начать тест :
8.Определите тип Вашего характера, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.характер30Начать тест :
9.Определите наиболее подходящую для Вас или Вашего ребенка профессию, ответив на несложные вопросы нашего бесплатного психологическогопрофессия20Начать тест :
10.Определите Ваш уровень коммуникабельности, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.коммуникабельность16Начать тест :
11.Определите уровень Ваших способностей лидера, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.лидерство13Начать тест :
12.Определите уравновешенность Вашего характера, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.характер12Начать тест :
13.Определите уровень Ваших творческих способностей, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.способности24Начать тест :
14.Определите уровень Вашей нервозности, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.нервозность15Начать тест :
15.Определите достаточно ли Вы внимательны, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.внимательность15Начать тест :
16.Определите достаточно ли у Вас сильная воля, ответив на несложные вопросы нашего бесплатного психологического онлайн теста.сила воли15Начать тест :
17.Определите уровень Вашей визуальной памяти, ответив на вопросы нашего бесплатного психологического онлайн теста.память10Начать тест :
18.Определите уровень Вашей отзывчивости, ответив на вопросы нашего бесплатного психологического онлайн теста.характер12Начать тест :
19.Определите уровень Вашей терпимости, ответив на вопросы нашего бесплатного психологического онлайн теста.характер9Начать тест :
20.Определите Ваш образ жизни, ответив на вопросы нашего бесплатного психологического онлайн теста.характер27Начать тест :

Дорожный знак особых предписаний 5.20 Искусственная неровность в Правилах дорожного движения

ПДД: Дорожный знак особых предписаний 5.1 Автомагистраль в Правилах дорожного движения
Суть: Дорожный знак особых предписаний 5.1 Автомагистраль вводит режим движения на дороге по Разделу 16 ПДД, извлечение ниже. А, знак 5.2 Конец автомагистрали отменяет порядок движения по автомагистрали.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.1 Автомагистраль в Приложении 1 к ПДДДорожный знак особых предписаний 5.2 Конец автомагистрали в Приложении 1 к ПДД
 
 
 
 
ПДД: Дорожные знаки особых предписаний 5. 8-10 Реверсивное движение в Правилах дорожного движения
Суть: Дорожный знак особых предписаний 5.8 Реверсивное движение обозначает начало участка дороги, на котором на одной или нескольких полосах направление движения может изменяться на противоположное.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.8 Реверсивное движение в Приложении 1 к ПДДДорожный знак особых предписаний 5.9 5.9 Конец реверсивного движения в Приложении 1 к ПДДДорожный знак особых предписаний 5.10 Выезд на дорогу с реверсивным движением в Приложении 1 к ПДД
 
 
 
 
 
ПДД: Дорожный знак особых предписаний 5. 15.3 Начало полосы в Правилах дорожного движения
Суть: Дорожный знак особых предписаний 5.15.3 Начало полосы обозначает начало дополнительной полосы на подъеме или полосы торможения для поворота, а знак 5.15.5 Конец полосы окончание полосы разгона.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.15.3
Начало полосы
в Приложении 1 к ПДДДорожный знак особых предписаний 5.15.5 Конец полосы в Приложении 1 к ПДД
 
ПДД: Дорожный знак особых предписаний 5.15.4 Начало полосы в Правилах дорожного движения
Суть: Дорожный знак 5.15.4 Начало полосы обозначает начало участка средней полосы трехполосной дороги, предназначенного для движения в данном направлении, а знак 5.15.6 Конец полосы — её окончание.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.15.4 Начало полосы посредине в Приложении 1 к ПДДДорожный знак особых предписаний 5.
15.6 Конец полосы в Приложении 1 к ПДД
 
 
 
ПДД: Дорожные знаки 5.16-18 Места остановки автобуса, троллейбуса, трамвая и такси в Правилах дорожного движения
Суть: Дорожные знаки особых предписаний 5.16-18 Место остановки автобуса, троллейбуса,  трамвая и такси обозначают остановки маршрутного транспорта и стоянок такси.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.16 Место остановки автобуса или троллейбуса в Приложении 1 к ПДДДорожный знак особых предписаний 5.17 Место остановки трамвая в Приложении 1 к ПДДДорожный знак особых предписаний 5.18 Место стоянки легковых такси в Приложении 1 к ПДД
 
ПДД: Дорожный знак особых предписаний 5. 19.1 Пешеходный переход в Правилах дорожного движения
Суть: Дорожные знаки особых предписаний 5.19.1-2 Пешеходный переход обозначают пешеходный переход определённой ширины, равной расстоянию между двумя знаками или ширине разметки Зебра.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.19.2 Пешеходный переход левой стороны дороги в Приложении 1 к ПДДДорожный знак особых предписаний 5.19.1 Пешеходный переход правой стороны дороги в Приложении 1 к ПДД
 
 
ПДД: Дорожный знак особых предписаний 5.21 Жилая зона в Правилах дорожного движения
Суть: Дорожный знак особых предписаний 5.21 Жилая зона обозначает территорию, на которой действуют требования раздела 17 ПДД, устанавливающие порядок движения в жилой зоне, приведённые ниже.
Текст ПДД 2015:  Дорожный знак особых предписаний 5.21 Жилая зона в Приложении 1 к ПДДДорожный знак особых предписаний 5.22 Конец жилой зоны в Приложении 1 к ПДД
 
 
 
 
 
 
 
 
 
 

Главные ошибки при проезде «лежачих полицейских» — Российская газета

В разных регионах нашей страны можно обнаружить самые различные конфигурации «лежачих полицейских» и, соответственно, в зависимости от их фактуры и геометрии, такие препятствия нужно по-разному переезжать. Чтобы было понятнее, разберемся с тем, что же такое «лежачий полицейский».

Фактически речь идет об искусственном возвышении, можно сказать, рукотворном препятствии на проезжей части, заставляющем водителей сбросить скорость. Необычный термин, к слову, пришел из Англии, причем изначально бугры и выпуклости на асфальте назывались «спящими полицейскими».

Принцип действия таких ограничений заключается в неминуемом наказании «лихачей», не притормаживающих перед «лежачими». Не секрет, что сотрясения приводят к постепенному выходу из строя различных узлов подвески: стоек, шаровых шарниров, ступичных подшипников, наконечников рулевых тяг.

Какие бывают лежачие полицейские

Фото: Евгений Биятов/РИА Новости

На улицах крупных мегаполисов сегодня наиболее часто встречаются «лежачие полицейские», выполненные по ГОСТУ (ГОСТ Р 52605-2006). Согласно ему, искусственные препятствия могут быть двух видов: монолитные из асфальтобетона и сборно-разборные из высокопрочной резины и полимерных материалов.

При этом, как правило, прорезиненные и пластиковые конструкции крепятся к асфальту болтами. Габариты искусственной неровности зависят от максимальной разрешенной скорости движения. Принципиально, что установка лежачих полицейских разрешена только на участках дорог с искусственным освещением и обеспеченным водоотводом с проезжей части. Участок дорог, где установлен «лежачий полицейский», должен содержать предупреждающий знак 1.17 «Искусственная неровность», равно как дорожную разметку «шахматные квадратики».

Но тем не менее, многие имеющиеся на дорогах искусственные неровности, увы, не соответствуют требованиям ГОСТа и представляют опасность для автомобилей и седоков. На дорогах нашей страны легко можно обнаружить рукотворные асфальтовые «пупки» причудливой формы или более пологие асфальтовые волны (на более скоростных участках), а также самодельные конструкции из использованных шин и пластиковых несущих конструкций. Иногда вместо настоящих лежачих полицейский применяются 3D-рисунки на плоской поверхности, создающие визуальное ощущение наличия неровности.

Ошибки при проезде лежачих полицейских

Фото: Виктор Толочко/ТАСС

Одной из самых типичных ошибок является преодоление «лежачего полицейского» ходом, не сбавляя скорости. Водители, применяющие такой маневр, действуют по принципу «выше скорость — меньше ям и бугров». Увы, такая практика чревата серьезными повреждениями ходовой части и даже травмами для водителя и пассажиров. Их позвоночники точно не скажут «спасибо» такому водителю.

Не менее частая ошибка — переезд «лежачего полицейского» с выжатой педалью тормоза. В этом случае подвеска нагружается и удары по элементам шасси будут куда серьезнее, чем при разгруженной подвеске. Действовать нужно как раз наоборот — либо тормозить плавно заранее, либо коротко ударить по педали тормоза перед самым препятствием. В последнем случае вы преодолеете «лежачего» с разгруженной, иначе говоря, расслабленной подвеской, минимизировав ударную силу.

Случается, что водители хитрят и пускают через «лежачего» лишь колеса одного борта, смещая автомобиль частично на обочину. Во-первых из-за такого виляния вы можете нарваться на штраф (езда по обочине), а во-вторых, такой способ не ослабляет нагрузку на подвеску. Даже более того — элементы шасси со стороны «лежачего полицейского» подвергаются даже большей нагрузке. Наконец, вы можете еще и поцарапать колесные диски о бордюр.

Как правильно переезжать препятствия

Фото: iStock

Наиболее правильной является практика заблаговременного сброса скорости перед препятствием. Его следует проходить плавно, на небольшой скорости. Альтернатива — вышеописанная методика с разгрузкой подвески. Встречается и такой дельный совет — проезжать «лежачих полицейских» под углом к нему.

В этом случае колеса по очереди переезжают препятствие, и нагрузка на ходовую часть минимизируется. Убедитесь только, что при такой методе отсутствуют помехи в виде пешеходов и соседних машин.

Как быть с «лежачими» не по ГОСТу

Фото: Дмитрий Рогулин/ТАСС

Что же предпринять, если на пути встречается кустарно изготовленный «горб» из асфальта или пластика? Тут все зависит от конкретной конфигурации препятствия.

Экстремально высокие нашлепки следует переезжать с большой осторожностью, сбросив скорость до минимальной, а методу переезда такого препятствия по диагонали лучше не использовать — у «легковушек» с небольшим клиренсом есть шанс задеть о препятствие порогом.

Случается и такое, что на пути возникает пластиковый «лежачий» с вырванными из асфальта фрагментами. Здесь главный совет следующий — не следует направлять любое из колес в образовавшееся углубление, стремясь минимизировать раскачку. Дело в том, что из асфальта могут торчать болты и арматура, и вы запросто можете пробить колесо. Гораздо разумнее будет проехать «лежачего», пропустив пробел между колесами.

Что делать, если вы повредили автомобиль при проезде «лежачего полицейского»? Если есть шанс получить компенсацию через суд. Для этого вам нужно найти доказательства того, что «лежачий» был установлен не по ГОСТу. Если это пластиковая сборно-разборная конструкция, проверьте, на месте ли все ее элементы. В противном случае сделайте фото проблемных мест и повреждений вашей машины.

На конструкции должны быть также световозвращающие элементы, а само место установки препятствия обозначено дорожными знаками. Не нашли вышеуказанных условий? Ваши шансы выиграть суд резко возросли.

Что касается бетонных и асфальтовых конструкций, проверьте, есть ли на ней просадки, выбоины и иные повреждения. «Запротоколируете» возможные изъяны. И, наконец, знайте, что контроль за состоянием «лежачих полицейских» осуществляют сотрудники ГИБДД. Поэтому при возможных проблемах при проезде таких препятствий стоит просто вызвать наряд — как при обычном ДТП.

5 опасных ошибок при смене и доливе моторного масла:

Люди добрые, помогите пожалуйста c ответом

Огромное спасибо за данный совет насчет запроса:

Запрос на получение информации

По улице Колхозная (Приложение 3.) возле дома 2а на одном столбе расположено сочетание двух дорожных знаков: 1.17 «Искусственная неровность» — сверху; и под ним 3.24 «Ограничение максимальной скорости 20км/ч» (приложение 1). Примерно через 100м от этих двух знаков расположен «лежачий полицейский» со знаком 5.20 «граница искусственной неровности» (приложение 2). Согласно ПДД дорожный знак 1.17 «Искусственная неровность» — участок дороги с искусственной неровностью (неровностями) для принудительного снижения скорости. Применяется со знаком 3.24, на котором указывается максимальная безопасная скорость проезда неровности; устанавливается в населенных пунктах — на расстоянии 50—100м до начала опасного участка (прим. «искусственной неровности» с установленным знаком 5.20).

Согласно части 2 ст. 24 Конституции РФ, органы государственной власти и органы местного самоуправления, их должностные лица обязаны обеспечить каждому возможность ознакомления с документами и материалами, непосредственно затрагивающими его права и свободы, если иное не предусмотрено законом.
Согласно ст. 33 Конституции РФ, граждане Российской Федерации имеют право обращаться лично, а также направлять индивидуальные и коллективные обращения в государственные органы и органы местного самоуправления.
Согласно ст. 9 Федерального Закона «О порядке рассмотрения обращений граждан Российской Федерации», обращение, поступившее в государственный орган, орган местного самоуправления или должностному лицу в соответствии с их компетенцией, подлежит обязательному рассмотрению.
Согласно ст. 5 Федерального Закона «О порядке рассмотрения обращений граждан Российской Федерации», гражданин имеет право обращаться с жалобой на принятое по обращению решение или на действие (бездействие) в связи с рассмотрением обращения в административном и (или) судебном порядке в соответствии с законодательством Российской Федерации.

Учитывая вышеизложенное, руководствуясь вышеперечисленными законодательными актами, прошу письменно дать ответ на следующие вопросы:

1. Является ли в вышеописанной ситуации движение со скоростью более 20 км/ч, после проезда искусственной неровности — «лежачего полицейского» с установленным знаком 5.20, нарушением?
2. Обязывает ли применение знака 1.17 со знаком 3. 24 двигаться со скоростью 20 км/ч до ближайшего перекрестка (при наличии знака 5.20 с «искусственной неровностью»), или же сочетание этих знаков лишь только указывает на максимально безопасную скорость проезда искусственной неровности?

Автоматический количественный анализ параметров структуры в цикле роста искусственной кожи с использованием оптической когерентной томографии

1.

Введение

Инженерия искусственных тканей и органов — это область значительного направления деятельности в биотехнологических и биомедицинских исследованиях. 1 3 Среди всех органов человеческого тела кожа является самым крупным и служит защитным барьером от нескольких опасностей окружающей среды. Когда кожа повреждена травмой, травмой или кожным заболеванием, это может привести к потере защитных функций и вызвать еще более серьезные проблемы.В качестве эквивалента или замены человеческой кожи искусственная кожа (AS) может служить быстрым средством лечения таких повреждений. 4 Кроме того, AS имеет большое значение для исследований и тестирования косметики. По оценкам, в последние годы, благодаря ускоренному внедрению инноваций в продукты по уходу за кожей против старения и разработке более эффективных продуктов для кожи, к 2021 году глобальная рыночная стоимость антивозрастной косметики достигнет 331,4 миллиарда долларов США. 5 Косметическая промышленность требует большого количества экспериментальных исследований, но в отношении экспериментов на животных были введены более строгие законы [e.g., выполнение Европейской Директивы 2003/15 / EC2 (1)]. 6 В результате AS становится многообещающим заменителем кожи животных в таких экспериментах. Кроме того, АС широко используется в дерматологии, фармакологии и токсикологии и имеет большой потенциал в медицине трансплантологии, лечении ожоговых ран и лечении хронических ран. 1 , 3 , 7 9 Чтобы удовлетворить потребности всех областей применения, жизненно важно достичь большого объема высококачественной подготовки AS.

В настоящее время среди различных методов получения AS наиболее популярной является воздушно-жидкостная культура, при которой кератиноциты инокулируются на слой коллагенового матрикса и диффундируют в несколько слоев для создания AS. 10 Во время цикла культивирования клетки начинают размножаться и образовывать слой рогового слоя. Однако из-за естественных колебаний роста клеточных организмов и зависимости таких факторов биологических клеток, как возраст донора, плотность клеток и жизнеспособность клеток, необходим метод мониторинга для измерения качества и состояния АС. 2 , 3 , 7 Качество и производительность АС можно определить по структурным параметрам. Одним из факторов, вызывающих неудачу в приготовлении AS, является экссудация питательной среды; это вызывает отчетливую изогнутую поверхность при оптической когерентной томографии (ОКТ), которую можно распознать с помощью анализа распределения толщины образца AS. Толщина отражает состояние роста AS во время подготовки, а средняя толщина обычно является критерием качества.Шероховатость кожи — еще один важный структурный параметр в медицинской диагностике и отчетах о косметических средствах, используемый для получения надежной информации о структуре и росте кожи. 5 , 11 , 12 Таким образом, вопрос о том, как неинвазивно и эффективно оценивать структурные параметры в цикле роста AS, имеет большое значение. Принимая во внимание большое количество образцов AS, которые необходимо измерить в условиях массового производства, и во избежание влияния операции измерения на процесс культивирования, измерение в реальном времени является весьма предпочтительным.

В настоящее время сообщается о многих методах измерения параметров реальной кожи или структуры AS, таких как конфокальная микроскопия, PRIMOS, флуоресцентная микроскопия, ОКТ и микроскопия второй гармоники. 13 16 Среди них ОКТ является многообещающим методом, который может реализовать неинвазивную трехмерную (3D) визуализацию в реальном времени в биологических тканях порядка микрометров и может обнаруживать структурную информацию образцов. . 17 21 Askaruly et al. 5 выполнил распознавание границ кожи на изображениях ОКТ и рассчитал шероховатость кожи на основе определения стандарта ISO 25178-часть 2. Сравнивая с результатами оборудования для измерения кожи PRIMOS, можно считать, что возможности трехмерной объемной и глубинной визуализации ОКТ могут уменьшить артефакты изображения, демонстрируя потенциал ОКТ для обеспечения надежной и количественной шероховатости поверхности кожи. Однако вышеупомянутое исследование не предлагало количественной оценки шероховатости кожи.Schmitt et al. 8 взяли образцы верхней поверхности АС с большими интервалами с помощью ОКТ, чтобы охарактеризовать макроскопические поверхностные разрывы, морфологию дефектов и микроскопическое клеточное ороговение кожи. Из-за ограничения точности выборки в интервальной выборке 2D-данные могут отражать только локальные особенности, что не позволяет количественно оценить шероховатость кожи. Schmit et al. 1 использовала ОКТ для мониторинга цикла роста AS, и ОКТ-томограммы делали после каждого этапа получения эквивалентов кожи и сравнивали с гистологическими изображениями, но не имели количественной оценки структурных параметров.Gambichler et al. 22 рассчитал толщину эпидермиса кожи по характерным пикам сигнала интенсивности ОКТ эпидермиса кожи, что обеспечило теоретическую основу для количественной оценки верхней и нижней поверхностей кожи на основе сигнала интенсивности ОКТ. Однако общая толщина представлена ​​толщиной А-скана в нескольких лучших положениях, что имеет высокую субъективность и неопределенность. Kepp et al. 23 использовал сверточную нейронную сеть для сегментирования различных слоев кожи мыши и измерил толщину каждого отдельного слоя кожи.Однако для таких методов, основанных на машинном обучении, требуется большой обучающий набор для 3D-изображений, который требует много времени на вычисления, а количественная оценка все еще необходима после сегментации.

Как упоминалось выше, во многих исследованиях сообщалось об использовании ОКТ для оценки толщины или шероховатости кожи, но быстрая количественная оценка без вмешательства человека все еще не достигается. Одним из основных препятствий является зашумленный сигнал OCT, который часто вызывает пятнышки на поверхности, из-за чего обычные алгоритмы, такие как метод бинаризации, не могут найти истинный интерфейс.В этом исследовании мы оптимизировали наш ранее предложенный метод определения толщины 3D-напечатанной кожи 24 и разработали полностью автоматический алгоритм адаптивного определения интерфейса для поиска поверхности AS, преодолев проблему шума. Поскольку точки сопряжения (т. Е. Верхняя и нижняя точки поверхности) в каждом A-скане получаются из анализа сигналов, параметры могут быть рассчитаны даже без построения B-скана и 3D изображений, что сокращает время операции и повышает эффективность количественной оценки.Структурные параметры, такие как толщина и шероховатость, были определены количественно с помощью расчета контура поверхности AS. Поскольку предложенный метод работает в режиме реального времени, неинвазивен и не требует вмешательства человека, он является многообещающим методом мониторинга качества АС в условиях массового производства.

2.

Метод

2.1.

Материалы и методы

Мы использовали модель Skinovo AS (Hangzhou Regenovo Biotechnology, Ltd.), в которой кератиноциты используются в качестве посевных клеток и печатаются на трансвеллерах (Corning lnc., 3413) для воздушно-жидкой культуры. Образцы AS были сформированы в процессе пролиферации и дифференциации и культивирования воздух-жидкость в бессывороточной среде для созревания. Стандартный цикл культивирования состоит из 13 дней, а дифференцировка клеток обычно начинается на 5 день; 24 Таким образом, дни 1, 5, 9 и 13 были выбраны для тестирования, чтобы получить шероховатость на разных стадиях культивирования. Данные образца AS были собраны с помощью ОКТ, а затем параметры поверхности были получены с использованием предложенного алгоритма.Для описания общей структуры AS были собраны данные ОКТ размером 9 мм × 9 мм × 3,59 мм (1000 пикселей × 1000 пикселей × 1024 пикселей) во всей выборке AS. В этом эксперименте пять образцов AS непрерывно контролировались как партия 1 для наблюдения за изменением морфологии поверхности с течением времени культивирования, а еще две партии (т.е. партии 2 и 3) по пять образцов в каждой были организованы для анализа между партиями. Партия 4 с четырьмя образцами AS была использована для микроскопии окрашивания H&E, а партия 5 с четырьмя образцами AS представляла собой коллекцию аномальных образцов кожи.

Мы использовали саморазвитую систему ОКТ в спектральной области на основе конфигурации интерферометра Майкельсона. 24 В системе используется широкополосный источник света с центральной длиной волны 1310 нм и полной шириной на полувысоте 248 нм. В реальных измерениях система имеет осевое разрешение 3,5 мкм, поперечное разрешение 13 мкм и глубину визуализации 3,59 мм в воздухе. Показатель преломления всего AS был 1,38, что дает разрешение по оси 2,53 мкм в AS. Частота А-развертки составляет 48 кГц.В нашей установке ОКТ разность оптических путей и положение фокуса относительно образца AS были фиксированными во всех экспериментах.

2.2.

Адаптивный алгоритм обнаружения интерфейса

Точное позиционирование поверхности является ключом к количественной оценке структурных параметров AS. На рисунке 1 показано типичное изображение B-сканирования AS при ОКТ и два сигнала A-сканирования в разных положениях. Интерфейс воздух – AS вызывает пик сигнала, который помогает определить местонахождение поверхности. Однако из-за влияния шума окружающей среды и биологической структуры на А-скане будут ложные пики или заусенцы в сигнале ОКТ.В некоторых случаях множественные пики сигнала могут быть обнаружены в приставке интерфейса, что приводит к сбою обычного метода обнаружения пиков и, таким образом, требует вмешательства человека. Чтобы достичь высокой эффективности, избегая ручных операций или суждений, разработан адаптивный алгоритм. Алгоритм контролирует время обнаружения верхнего и нижнего интерфейсов всей выборки 3D AS в пределах 45 с, что обеспечивает возможность мониторинга в реальном времени. В компьютере используется процессор i5-5200U, видеокарта M250 и версия MATLAB R2019a.

Рис. 1

Блок-схема алгоритма адаптивного определения интерфейса. (a) Расчет значения боковой границы, то есть RBl-RBr AS, на основе спада пика границы скин-слоя, где эффективный продольный диапазон образца RBu-RBb устанавливается в соответствии с видом поперечного сечения. (b) H & E-окрашенное изображение структуры AS, и оно показывает хорошее соответствие со значением толщины, полученным с помощью алгоритма. (c) Расположение верхней и нижней поверхностей каждого A-скана AS.(d) Изменение положения верхней и нижней точек поверхности образца кожи в соответствии с точками локального максимума в диапазоне (местное увеличение). (e) Точное расположение точек верхней и нижней поверхности. (f) Удаление верхней и нижней точек поверхности AS. (g) Расчет шероховатости и толщины на основе точек поверхности AS, где разные цвета представляют разные высоты.

Предлагаемый алгоритм выполняется в MATLAB, который принимает куб данных сигнала, захваченный OCT, в качестве входных и структурных параметров (т.е., значения толщины и шероховатости) в качестве выходных. Шаги автоматической обработки автоматического алгоритма следующие.

  • 1. Определение области ROI и удаление фона . Поскольку относительная высота фокальной точки OCT фиксирована, что может быть легко гарантировано путем интеграции системы OCT с определенным конвейером подготовки AS, интересующая область высоты (ROI) реализуется путем перехвата откалиброванного диапазона в A-сканировании. сигнал, содержащий AS.Ширина области интереса предопределяется диаметром образцов AS. Сигналы за пределами области интереса были удалены, чтобы исключить нежелательный шум, как показано на рис. 1 (а). Четыре поля области ROI помечены как RBu, RBb, RBl и RBr соответственно.

  • 2. Подготовка данных А-скана . Для образца 3D AS ROI представляет собой цилиндр с определенным центром и радиусом. Сигналы A-сканирования в области интереса извлекаются для формирования матрицы данных для дальнейшей обработки. В нашей настройке мониторинга параметров AS радиус ROI равен 2.5 мм на поверхности AS.

  • 3. Грубое распознавание интерфейса AS . Пик с наивысшим значением сигнала интенсивности каждого А-сканирования получается с использованием функции максимума. Эта позиция отмечена индексом. Положение второго пика с сигналом наивысшей интенсивности для остальной части ищется таким же образом, и шаг пикселя этих пиков используется для определения того, меньше ли он предварительно определенного порога T1. Петля разрывается, и положение этих пиков определяется (т.е., Pu и Pb), если это устраивает. В противном случае описанный выше процесс будет продолжен, как показано на рис. 1 (c). Поскольку минимальная толщина AS составляет приблизительно 25 мкм в день 1, значение T1 составляет 10 пикселей и используется для устранения эффекта шума и обеспечения точной идентификации всех пиков. По той же причине значение T1 составляет 15 пикселей в 9-й день и 20 пикселей в 13-й день.

  • 4. Отличное распознавание интерфейса AS . На этом этапе была повторно идентифицирована верхняя поверхность образца кожи.Из-за высокой степени ороговения клеток на средних и поздних стадиях культивирования многослойная ороговевающая структура будет формироваться постепенно, а сигнал А-сканирования рогового слоя будет иметь множественные всплески и небольшие колебания в состоянии, а основание мембрана также будет мешать обнаружению нижней поверхности. Следовательно, диапазон поиска сигнала на верхней поверхности уточняется до [RBu, (Pu + Pb) / 2], а диапазон поиска сигнала на нижней поверхности уточняется до [(Pu + Pb) / 2, RBb].Все максимальные точки в диапазоне сигнала записываются, нумеруются и помечаются как пик (i). Если разница между значением интенсивности пика максимальной точки (i) и значением интенсивности Pu или Pb больше, чем порог T2, то программа MATLAB будет продолжать сравнивать ее со следующей точкой максимума, пока все они не будут сравнены. В противном случае, если разница меньше порога ошибки флуктуации T2, точка над физическим положением выбирается как истинная поверхность AS, и положение отмечается как новый Pu или.Pb Как показано на рис. 1 (d), частотная статистика отношения между сигналом интенсивности фактического пика поверхности Pu или Pb и грубым результатом, идентифицированным алгоритмом, показывает, что пик, полученный в результате множественных выборок, в основном находится в пределах 20%; поэтому 20% сигнала Pu или Pb устанавливается как T2.

  • 5. Количественное определение структурных параметров . Как показано на рис. 1 (e), вертикальные положения пикселей верхней и нижней поверхностей образцов AS извлекаются и сохраняются для извлечения интерфейса AS.Как подробно описано в разд. 2.3 толщина и шероховатость количественно определены на основе интерфейса AS.

2.3.

AS Количественное определение параметров

Толщина определяется разницей между Pu и. Pb Фактическая толщина между пиками рассчитывается в соответствии с показателем преломления:

В приведенном выше уравнении δ и γ представляют разрешение пикселей и показатель преломления кожи, соответственно, а N — количество пикселей между пиками в сигнал интенсивности А-скана.

Шероховатость — еще одна важная особенность, которая может отражать неправильную форму поверхности кожи. Для AS ороговение клеток вызывает изменения в ороговевшей структуре, которые могут варьировать величину или характер шероховатости поверхности. В этом исследовании после получения облака точек поверхности с помощью адаптивного алгоритма изменения структурной морфологии поверхности кожи анализируются путем калибровки точек поверхности кожи. Из-за возможности наклона образца или естественного роста кожи во время периода культивирования AS, приводящего к неровной поверхности кожи, в этом исследовании использовалась подгонка бинарной кубической поверхности для выравнивания поверхности кожи перед вычислением шероховатости.

Для хорошо культивированного образца AS верхним слоем является роговой слой, образующийся в процессе культивирования, и он имеет жизненно важное значение для защитной способности AS. Оценка шероховатости AS — это прямая оценка рогового слоя. Таким образом, мы выбрали два аспекта шероховатости, а именно величину шероховатости и характер распределения высоты поверхности.

Международная организация по стандартизации предоставляет нам несколько критериев, характеризующих степень шероховатости, из которых в данном исследовании принимается средняя шероховатость, чтобы выразить величину шероховатости AS. 5 Уравнение (2) определяет определение средней шероховатости Ra:

Ур. (2)

Ra = 1PN × ∑n (xn − xc) 2+ (yn − yc) 2 В дополнение к Ra, другой критерий, Rsk, количественно определяет распределение смещения высоты поверхности. А для получения Rsk сначала необходимо рассчитать среднеквадратичную шероховатость Rq.Выражения для Rq и Rsk определены в уравнениях. (3) и (4), соответственно:

Ур. (3)

Rq = 1PN × ∑n (xn − xc) 2+ (yn − yc) 2 Ур. (4) Rsk = 1Rq3 × 1PN × ∑n (xn − xc) 2+ (yn − yc) 2 3.

Контрольный эксперимент

Чтобы продемонстрировать точность и осуществимость нашего метода оценки шероховатости, были протестированы четыре пластины шероховатости, и результаты сравнивались с алгоритмом 5 и стандартными значениями модели. Были использованы четыре пластины шероховатости (модель шероховатости при вертикальном фрезеровании от Weifang Huaguang Measuring Tool Co., Ltd.), которые соответствуют национальному стандарту Китая. Их значения Ra составляют 1, 1,6, 3,2 и 5,8 мкм соответственно.

В проверочном эксперименте фокус получения ОКТ был расположен на поверхности модели шероховатости, а затем на девяти участках размером 5 мм × 5 мм × 2.Были собраны данные 3D ОКТ 59 мм (556 × 556 × 1024 пикселей), а затем предложенный алгоритм был применен для получения его средней арифметической шероховатости.

Шероховатость поверхности рассчитывалась согласно определению в разд. 2.3, а результаты показаны на рис. 2 (а) –2 (г). Кривая проверки алгоритма шероховатости показана на рис. 2 (e), а все данные перечислены в таблице 1.

Рис. 2

Контурная карта модели шероховатости и кривая проверки шероховатости.(a) Ra = 1,0 мкм, (b) Ra = 1,6 мкм, (c) Ra = 3,2 мкм, (d) Ra = 5,8 мкм и (e) кривые проверки нашего алгоритма и метода Аскарулы. 5

Таблица 1

Результаты проверки шероховатости.

Результат алгоритма (мкм)
Среднее арифметическое шероховатость Номер модели
1 2 3 4
Номинальное значение (мкм) 1,0 1,6 1,6 1,6 1.35 ± 0,02 1,92 ± 0,07 3,14 ± 0,03 5,16 ± 0,10
Метод на основе изображений 5 (мкм) 1,05 ± 0,01 1,03 ± 0,02209 1,2 ± 0,08 ± 0,23

На рисунках 2 (a) –2 (d) показаны контурные карты поверхности пластины шероховатости, когда Ra составляет 1, 1,6, 3,2 и 5,8 мкм. На этих рисунках средняя высота поверхности равна нулю. На рисунке 2 (e) показано сравнение предложенного алгоритма и метода на основе изображений. 5 Горизонтальная и вертикальная оси обозначают истинное значение и измеренное значение, соответственно, а пунктирная синяя линия имеет наклон, равный 1, что является условием отсутствия ошибок. Можно отметить, что наклон кривой верификации предложенного алгоритма в 5,2 раза больше, чем у метода на основе изображений, что свидетельствует о гораздо более высокой чувствительности при измерении шероховатости. Низкая чувствительность метода, основанного на изображении, приводит к невозможности эффективно различить значение шероховатости в диапазоне от Ra = 1 до 1.6 мкм, и эта кривая показывает большее отклонение для условий с высоким Ra. Для предлагаемого нами адаптивного метода, основанного на сигнале интенсивности, максимальное отклонение от истинного значения составляет 0,64 мкм. Поскольку это максимальное отклонение происходит при наивысшем состоянии Ra, относительная погрешность составляет всего около 11%. Даже через отклонение значение алгоритма, полученное с помощью алгоритма адаптивного обнаружения границы раздела фаз, показывает положительную линейную связь с номинальным значением модели шероховатости, и отклонение проверенного значения для каждой пластины с образцом остается небольшим.Таким образом, полученные результаты свидетельствуют о возможности предложенного метода дифференцировать АС разных уровней Ra в микрометровом масштабе.

4.

Количественная оценка искусственной кожи

Структурные параметры трех партий образцов АС контролировались во время цикла культивирования воздух – жидкость. Образцы AS были протестированы в дни 1, 5, 9 и 13. Статистический анализ, основанный на измерении шероховатости, был проведен для изучения изменения морфологии поверхности с течением времени культивирования. Была специально настроена партия типичных образцов разрушения, а также проанализированы их параметры толщины и шероховатости.

4.1.

Количественный анализ толщины и шероховатости нормального цикла роста кожи

На рисунках 3 (a) –3 (d) показано распределение толщины одного и того же AS на 1, 5, 9 и 13 дни, полученное с помощью параметра структуры. метод мониторинга в гл. 2. С 1-го по 5-й день диапазон распределения общей толщины кожи уменьшается, скорость роста толщины больше, а структура имеет тенденцию быть плоской. С 5 по 13 день толщина образцов AS медленно увеличивалась, поверхность постепенно становилась более шероховатой, а общая скорость роста толщины увеличивалась на 13 день.Получены среднестатистические значения толщины пяти образцов AS в партии 1, и результаты показаны на рис. 3 (е). Значения Th различных образцов сохраняют высокую степень сходства, а толщина увеличивается с увеличением времени культивирования воздух-жидкость. Образец имеет большее увеличение на 5 и 13 дни.

Рис. 3

Распределение толщины и кривая толщины AS в разное время культивирования. (a) День 1, (b) день 5, (c) день 9 и (d) день 13. (e) Кривые Th для пяти образцов AS в течение периода культивирования.

Распределение высоты поверхности во время цикла культивирования является методом оценки шероховатости, как показано на рис. 4 (а) –4 (г). В первый день на поверхности существовали холмистые условия, что способствовало высокому значению Ra. Эта холмистая форма поверхности в основном обусловлена ​​неровностями клеток, которые были неравномерно распределены в посеве. По сравнению с днем ​​1 размер каждого пика или впадины на контурной карте становится меньше и более равномерно распределяется со временем культивирования. В процессе культивирования с 1-го по 5-й день поверхность AS имела тенденцию становиться плоской.В последующем процессе культивирования воздух-жидкость с 9 по 13 день рассеянные и точечные выступающие области на поверхности кожи постепенно соединялись в блоки, и колебания на поверхности кожи проявляли очевидные региональные характеристики.

Рис. 4

Контурные карты поверхности, частотная гистограмма, прямоугольная диаграмма и кривая Ra для AS в разное время культивирования. (a) — (d) контурные карты поверхности в период культивирования; (e) — (h) частотные гистограммы в период культивирования; (i) коробчатые диаграммы единственной выборки; и (j) кривые Ra для пяти образцов AS в период культивирования.

Для дальнейшего анализа распределения шероховатости AS на разных стадиях гистограмма частоты относительной высоты поверхности для всего цикла культивирования одной и той же партии образцов AS показана на рис. 4 (д) –4 (з). На этом рисунке средняя высота поверхности равна нулю. В 1-й день [рис. 4 (e)], распределение высоты поверхности находилось в основном в диапазоне от -15 до 10 мкм на средней поверхности AS, и распределение является относительно непрочным. На 5 день [рис. 4 (f)] распределение относительной высоты было более концентрированным, с распределением в основном между -10 и 5 мкм.С 5 по 13 день [фиг. 4 (ж) и 4 (з)] диапазон распределения поверхности увеличивается. Из прямоугольных диаграмм на рис. 4 (i) можно увидеть, что медиана, верхний квартиль и верхний предел шероховатости показывают тенденцию сначала к уменьшению, а затем к увеличению в течение времени культивирования.

Получена средняя статистическая шероховатость пяти образцов AS в партии 1, результаты показаны на рис. 4 (j). Что касается параметров шероховатости, образец имел сопоставимые значения Ra в день 1, когда был проведен стандартный посев.По мере увеличения времени кривые Ra менялись, что в основном связано с различием в активности роста клеток между образцами. Значения Ra в конце цикла культивирования показывают относительно большую разницу, то есть варьируют от 1,9 до 3 мкм. Несмотря на это различие, все кривые Ra образцов AS показывают сначала спад, а затем рост в процессе культивирования воздух-жидкость. Среднее значение Ra достигло минимума на 5-й день, а затем постепенно увеличивалось с течением времени культивирования воздух-жидкость. Rsk также показал снижение с 1-го до 5-го дня и увеличение с 9-го до 13-го дня для всех образцов AS.

Статистическая таблица изменений структурно-связанных параметров различных партий в зависимости от времени культивирования воздух-жидкость приведена в таблице 2. Для параметра толщины все партии увеличивались с увеличением времени инкубации, но с разной скоростью между разными партии. Для параметра шероховатости разницу в шероховатости между партиями в день 1 можно объяснить условиями печати. Из-за разницы в активности клеток между партиями значения параметра шероховатости также показывают заметные различия на 13-й день.Все партии имеют одну и ту же тенденцию для Ra и Rsk.

Таблица 2

Изменения параметров структуры AS для разных партий.

9019 9019 Th (мкм) 0,22 9020 ± 0.20 0,48 2,91 0,42
Партия Параметр шероховатости Время культивирования / сутки
1 5 9 13
1 Th (мкм) 45206 ± 3,21 78,34 ± 2,17 99,75 ± 2,54
Ra (мкм) 3.01 ± 0,04 1,50 ± 0,14 1,64 ± 0,19 2,33 ± 0,43
Rsk 2,92 ± 0,19 2,17 ± 0,22 2,49 ± 0,10 3,32 37,82 ± 5,21 45,54 ± 2,76 66,24 ± 3,44 80,46 ± 4,20
Ra (мкм) 3,06 ± 0,38 1,65 ± 0,23 1,96 ± 0,23
Rsk 2,79 ± 0,42 2,33 ± 0,16 2,64 ± 0,32 2,85 ± 0,30
3 Th (мкм) 37,08 ± 1,74204 90,69 ± 1,12 75,65 ± 0,86
Ra (мкм) 2,97 ± 0,13 1,82 ± 0,18 2,23 ± 0,38 2,31 ± 0,24
Rsk .16 2,14 ± 0,18 2,43 ± 0,12

Чтобы проверить осуществимость нашего метода, мы выполнили повторные измерения многофакторного дисперсионного анализа 25 для статистического анализа данных Ra и Th в таблице 2, как показано в дополнительном материале. Учитывая разницу в толщине в начальной точке, для анализа принимается скорость увеличения Th. Был проведен статистический анализ с течением времени, и мы получили F − Th − rate (3, 10) = 77,019 (P = 3.2677 × 10−7 <0,05) и F − Ra (3,36) = 85,272 (P = 2,0111 × 10−16 <0,05). Результаты показывают, что Th и Ra имеют значительные статистические различия во времени, которые показывают, что стадия культивирования может различаться с помощью такого мониторинга параметров. Результаты статистического анализа между партиями показывают, что F-Th-rate (2, 12) = 0,913 (P = 0,427> 0,05) и F-Ra (2, 12) = 3,107 (P = 0,082> 0,05), что означает значение Ra и скорость увеличения Th не показывают значительной статистической разницы между партиями.

4.2.

Сравнение с окрашиванием H&E

Чтобы показать состояние рогового слоя во время культурального цикла, четыре образца AS партии 4 были окрашены и разрезаны для микроскопического исследования в дни 1, 5, 9 и 13. Перед разрезанием AS фиксировали 4% раствором формальдегида в течение 24 часов, а затем делали срезы кожи обезвоживанием, заливкой и окрашиванием H&E. Под микроскопом роговой слой вместе с остальными AS можно различить по разнице в цвете и форме, как показано на рис.5. На 1-й день не наблюдалось видимого рогового слоя, а на 5-й день наблюдался тонкий слой рогового слоя. С 5 по 13 день степень колебания рогового слоя увеличивалась, что согласуется с увеличением Th в этот период. Волнистая поверхность, вызванная инокуляцией на 1-й день, стала менее заметной на 5-й день, что согласуется с уменьшением Ra. Таким образом, разумно установить взаимосвязь между значением Ra и стадией культивирования, особенно связанной с состоянием роговицы.Учитывая распределение относительной высоты на рис. 4 (i), гистограмма относительной высоты также может отражать состояние рогового слоя, и увеличение толщины среза H&E согласуется с увеличением значения толщины.

Рис. 5

Изображения образцов AS под микроскопом после окрашивания H&E. (a) — (d) H&E окрашивание AS под 10-кратным микроскопом в дни 1, 5, 9 и 13 соответственно. Роговую часть и остальную часть AS можно отличить по разнице в цвете.Это качественно показывает, что общая толщина увеличивалась со временем, без признаков рогового слоя на 1-й день, а с 5-го по 13-й день толщина рогового слоя продолжает увеличиваться. Из панелей (а) и (b) можно видеть, что неравномерность, вызванная инокуляцией, исчезла в культуральном цикле.

4.3.

Параметрический анализ типичных условий отказа

Могут происходить неожиданные отклонения от нормы, даже если среда культивирования и процесс находятся под строгим контролем.Чтобы изучить изменения толщины и шероховатости образцов AS при различных условиях отказа, мы специально настроили партию неудавшихся образцов кожи как партию 5, включая наиболее распространенные аномалии, такие как поверхностный овраг, экссудат и отслаивание рогового слоя. На рисунке 6 показаны фотографические изображения, изображения трехмерной реконструкции, карты толщины и карты распределения шероховатости нормального образца и трех типичных аномальных образцов на 7-й день культивирования.

Рис. 6

Карты изображений, толщины и контура поверхности для одного нормального образца и трех аномальных образцов.(a) — (d) Изображения нормального образца, образца аномальной формы, образца с экссудацией и образца с отслаиванием кутикулы, соответственно. (e) — (h) Диаграммы трехмерного моделирования четырех образцов. (i) — (l) карты толщины для четырех образцов и (m) — (p) контуры поверхности для четырех образцов.

На рисунках 6 (a) –6 (d) показаны изображения нормального образца, образца поверхностного оврага, образца экссудата и образца отслоения рогового слоя; Рис. 6 (e) –6 (h) показаны карты поверхности после восстановления трехмерных данных.На рисунках 6 (i) –6 (l) показаны диаграммы распределения образцов по толщине; Рис. 6 (м) –6 (п) показаны карты распределения шероховатости образцов. Из рисунка 6 видно, что трудно отличить аномальные образцы от нормальных образцов по фотографическим изображениям, а также трудно наблюдать особенно очевидные отличия от восстановленных изображений, но данные о толщине и шероховатости могут раскрыть эту информацию. Таким образом, после количественной обработки средняя толщина трех аномальных образцов составляет 49.4, 103 и 55,9 мкм, тогда как средняя толщина нормального образца составляет 46,7 мкм. На диаграмме распределения толщины распределение толщины аномального образца неравномерное, имеется много выступов и оврагов. Средняя шероховатость (Ra) трех аномальных образцов составляет 7,2, 8,66 и 17,3 мкм, тогда как нормальное значение Ra составляет 2,3 мкм. Следовательно, шероховатость аномальных образцов имеет относительно большое увеличение. Результаты показывают, что данные о толщине и шероховатости нормальных и аномальных образцов значительно различаются.

5.

Обсуждение

Это исследование использует ОКТ для оценки структурных параметров AS (т. Е. Толщины и шероховатости), где разработан алгоритм автоматического обнаружения пиков для точного извлечения поверхности кожи с помощью 3D-данных каждой AS, после чего рассчитываются параметры толщины и шероховатости. Проверка толщины была достигнута с помощью микроскопических изображений, а эксперименты со стандартными пластинами шероховатости продемонстрировали осуществимость предлагаемого метода в условиях низкой шероховатости (1 мкм

Результаты наблюдения за AS во время цикла культивирования показывают, что поверхностное распределение кожи сильно различается на разных стадиях культивирования в воздухе и жидкости. В начале воздушно-жидкостной культуры АС (день 1), когда клетки не были ороговевшими, неровность поверхности АС была вызвана распределением кластеров клеток [рис.5 (а) и 4 (а)]. Кожа имеет нерегулярные выступы, как показано на рис. 4 (e) и в таблице 2. Больше выступов указывало на то, что структура была рыхлой, а шероховатость в различных положениях сильно варьировалась, что приводило к более высоким значениям Ra и асимметрии частоты шероховатости. распределение приводит к большому значению Rsk. С 1-го по 5-й день в воздушно-жидкой культуре степень кератинизации клеток остается низкой, а структура кожи более гладкой и упругой [рис. 4 (б) и 5 ​​(б)]. В этот период значение Ra резко снижается, а структура кожи становится наиболее прочной.Это показывает, что AS в основном способствует формированию базального слоя с 1-го по 5-й день. Эпидермальная структура тесно связана, поверхность кожи наиболее плоская [Рис. 4 (f) и таблица 2], а частотное распределение является наиболее симметричным, что приводит к минимальному Rsk. Когда воздушно-жидкая культура достигла 9-го дня, с увеличением и дифференцировкой кератиноцитов роговой слой четко показал слоистую структуру, а разбросанные выступы на поверхности AS указывают на то, что степень кератинизации увеличилась [Рис.4 (c) и 5 ​​(c)], при этом структура кожи постепенно становится шероховатой. Амплитуда колебаний поверхности постепенно увеличивалась, что приводило к постепенному увеличению Ra. По мере увеличения доли выпуклости поверхности в частотном распределении шероховатости свет от поверхности рассеивался точечной выпуклостью. Он мало влияет на общую гладкость поверхности кожи [рис. 4 (g) и таблица 2], что привело лишь к небольшому увеличению Rsk. Когда воздушно-жидкостное культивирование проводилось на 13-й день, толщина увеличивалась, а роговой слой AS был более дифференцированным.Рассеянные и точечно выступающие участки на поверхности постепенно проявляют характеристики локальных массивных плотных связей [рис. 4 (d) и 5 ​​(d)], значительное увеличение амплитуды поверхностных флуктуаций приводит к увеличению Ra, и в это время неровности поверхности кожи становятся все более серьезными [Рис. 4 (з) и таблица 2]. Даже самое асимметричное частотное распределение также приводит к увеличению Rsk.

Согласно таблице 2, образцы кожи из одной партии имеют одинаковую тенденцию, а разница между значениями параметров небольшая.Однако образцы кожи между разными партиями различались из-за различий в напечатанных ячейках. Партия 1 имела более высокую скорость роста на 5 и 13 дни, тогда как партия 2 и партия 3 показали более равномерную скорость роста. Разница в значениях Th и Ra для отдельных партий указывает на различия в степени ороговения АС между отдельными партиями. Следовательно, алгоритм выделения адаптивного интерфейса может использоваться для неразрушающего определения регулярности роста AS во время цикла культивирования.

Путем количественной оценки толщины и шероховатости нормальных и аномальных образцов на 7 день [Рис. 6 (i) –6 (p)], было обнаружено, что распределение толщины аномальных образцов неравномерно, что указывает на то, что есть более толстые или более тонкие области, а шероховатость значительно улучшилась. В случае, если фотографические изображения не могут различить разность выборок AS, адаптивный алгоритм обнаружения интерфейса может правильно различать нормальные и аномальные образцы, что означает, что алгоритм, описанный в этой статье, может использоваться для проверки качества и контроля образцов AS.

6.

Заключение

В этой статье предложен неинвазивный автоматизированный метод анализа структурных параметров для AS в реальном времени. Алгоритм адаптивного обнаружения интерфейса был разработан для выполнения процесса количественной оценки без вмешательства человека в сигналы от нашей установки OCT. Метод сначала сравнивали с микроскопией окрашивания H & E и демонстрировали на стандартных пластинах шероховатости, а затем выполняли количественную оценку AS во время цикла культивирования воздух-жидкость.Благодаря постоянному мониторингу AS во время цикла культивирования воздух-жидкость, количественные статистические результаты показывают, что, хотя толщина продолжает увеличиваться, шероховатость кожи сначала уменьшается, а затем увеличивается. Количественная оценка структурных параметров AS показывает, что изменение шероховатости поверхности кожи связано со степенью ороговения клеток и образования рогового слоя, что дополнительно подтверждается результатами окрашивания H & E. Адаптивный алгоритм обнаружения границы раздела также подходит для высокочувствительного, быстрого обнаружения и количественной оценки границы раздела со слоистыми характеристическими тканями и может использоваться для неразрушающего определения регулярности роста толщины и шероховатости образца AS во время цикла культивирования.

Пластическая хирургия — NHS

Пластическая хирургия используется для восстановления и восстановления отсутствующих или поврежденных тканей и кожи.

Основная цель пластической хирургии — восстановить функции и внешний вид тканей и кожи, чтобы они были максимально приближены к нормальному.

Пластическая хирургия отличается от косметической хирургии, которая представляет собой операцию, проводимую исключительно для изменения внешнего вида человека для достижения того, что он считает более желанным.

Подробнее о косметической хирургии.

При использовании пластической хирургии

Пластическая хирургия может быть использована для исправления:

  • аномалий, которые существовали с рождения, таких как расщелина губы и неба, перепончатые пальцы и родинки
  • области, поврежденные удалением раковой ткани, например, от лица или груди
  • обширные ожоги или другие серьезные травмы

Пластическая хирургия часто может помочь улучшить самооценку человека, уверенность в себе и общее качество жизни.

Доступность пластической хирургии

Реконструктивная пластическая хирургия обычно проводится NHS бесплатно. Но доступность варьируется в зависимости от страны и определяется местными группами ввода в клиническую эксплуатацию (CCG).

Пластические хирурги имеют обширную подготовку и входят в профессиональные ассоциации, такие как Британская ассоциация пластических, реконструктивных и эстетических хирургов (BAPRAS).

Проверьте, принадлежит ли конкретный хирург к BAPRAS.

Большинство людей направляются к пластическим хирургам NHS их терапевтом или специалистом-консультантом, с которым они обращаются по поводу своего состояния.

Пластическая хирургия также доступна в частном порядке, но может быть очень дорогой.

Если вы подумываете о частном лечении, по-прежнему рекомендуется сначала поговорить со своим терапевтом или специалистом, даже если направление не требуется.

Техники пластической хирургии

Некоторые из методов, используемых во время пластической хирургии:

  • кожные трансплантаты — когда здоровая кожа с непораженного участка тела удаляется и используется для замены потерянной или поврежденной кожи
  • хирургия кожного лоскута — где кусок ткани из одной части тела переносится в другую вместе с кровеносными сосудами, которые поддерживают его жизнь; это называется лоскутной операцией, потому что здоровая ткань обычно остается частично прикрепленной к телу, пока она перемещается. рядом с областью

Наряду с этими методами пластические хирурги также используют многие другие методы, такие как:

  • пересадка жира или трансплантация — когда жир удаляется из одной области и вставляется в другую область, обычно для исправления неровностей
  • вакуумный затвор — при котором рана всасывается через стерильный кусок поролона или марли для вытягивания жидкости и ускорения заживления
  • камуфляжный макияж или крем
  • протезные устройства, такие как протезы

Подробнее о том, как проводится пластическая операция.

Риски пластической хирургии

Как и любой вид хирургии, пластическая хирургия сопряжена с рисками.

Степень риска зависит от размера пораженной области, уровня опыта хирурга и общего состояния здоровья человека, которому проводится процедура.

Некоторые процедуры сопряжены с определенными рисками, но общие риски включают:

  • боль и дискомфорт
  • кровотечение
  • инфекция
  • рубцы

Немедленно обратитесь к своему хирургу, медицинскому персоналу или терапевту, если у вас возникнут какие-либо проблемы после операции, например неожиданная боль, отек, выделения или другие побочные эффекты.

Последняя проверка страницы: 3 августа 2021 г.
Срок следующей проверки: 3 августа 2024 г.

Синтетическая смола — обзор

1 Синтетическая смола

Синтетическая смола, сокращенно от «смола», представляет собой искусственно синтезированный высокомолекулярный полимер. Таким образом, различные виды пластика могут быть названы по названию синтетической смолы, из которой он сделан.

Синтетическая смола, основное сырье для пластика, составляет от 30% до 60% или более от его состава.Он выполняет функцию агглютинации, связывая не только себя вместе, но и другие материалы вместе. По мере изменения типа, свойств и количества синтетической смолы физические и механические свойства пластика также меняются. Поэтому основные свойства пластика зависят от синтетической смолы, из которой он сделан.

Синтетическая смола представляет собой органическое соединение, полученное путем объединения атома углерода, атома водорода и небольшого количества атома кислорода, атома серы посредством определенной химической связи.В соответствии с различными формами объединения атомов углерода в молекуле, молекулярная структура синтетической смолы подразделяется на три геометрические формы: тип линии, тип разветвленной цепи и соматотип (также называемый ретикулярным типом).

Согласно различным методам синтеза в процессе производства синтетические смолы можно разделить на смолы полиприсоединения и поликонденсатные смолы.

Смола полиприсоединения, также называемая полимеризованной смолой, производится путем разрыва ненасыщенной двойной связи мономерного соединения через инициатор и его повторного объединения в ковалентную связь, таким образом образуя огромную молекулу полимера.Обычными полиприсоединяющими смолами являются полиэтилен (PE), поливинилхлорид (PVC), полистирол (PS), поливинилацетат (PVAC), полипропилен (PP), полиметакриловая кислота (PMMA) и акрилонитрилбутадиенстирол (ABS) и т. Д.

Поликонденсатная смола, также называемая конденсационной смолой, производится путем объединения двух или трех типов мономерных соединений в функциональные группы, что позволяет избавиться от небольших молекул после нагревания или катализа. Обычными поликонденсатными смолами являются фенольная смола (PF), карбамидоформальдегидная смола (UF), эпоксидная смола (EP), ненасыщенный полиэфир (UP), полиуретановая смола (PU) и силиконовая смола (SI).

В зависимости от изменений, происходящих при нагревании синтетической смолы, ее можно разделить на термопластичную смолу и термореактивную смолу.

Термопластическая смола размягчается при нагревании и затвердевает при охлаждении. Этот процесс можно повторять несколько раз без изменения свойств и внешнего вида материала. Молекулярная структура термопластичной смолы линейного типа и типа разветвленной цепи. Этот материал содержит все типы полимеризованной смолы и часть конденсационной смолы.Термопластичная смола имеет то преимущество, что ее легко обрабатывать и формовать. Кроме того, он обладает лучшими механическими свойствами. Недостаток — слабая термостойкость и жесткость. Поливинилхлорид (ПВХ) и полиэтилен (ПЭ) являются типичными термопластичными смолами.

Термореактивная смола при нагревании размягчается, и в этом химическом изменении соседние молекулы тесно связаны. После затвердевания и формования он не изменит форму и не станет мягким даже при повторном нагревании.Термореактивную смолу можно формовать только один раз. Молекулярная структура термореактивной смолы соматотипна. Большая часть конденсационной смолы относится к термореактивной смоле. Преимуществом этого материала является лучшая термостойкость, а недостатком — плохие механические свойства.

Проблемы с веками: причины и способы устранения

Большинство проблем с веками несерьезны. Но если вы заметили, что в одном или обоих веках что-то изменилось, важно знать, на что обращать внимание.

Асимметричные глаза

Лица не ровные (или «симметричные»). Так что, если ваши веки не одинакового размера или не выглядят одинаково, это нормально. Но в редких случаях неровные веки могут быть признаком другой проблемы со здоровьем, например, заболевания щитовидной железы. Так что если вы обеспокоены, поговорите со своим врачом.

Варианты лечения: Если речь идет только о внешнем виде, можно попробовать макияж, чтобы глаза выглядели ровнее. Если ваша проблема с глазами является признаком более серьезной проблемы, ваш врач может порекомендовать лекарство или операцию для лечения основной проблемы.Это также может помочь вам лучше понять, как вы выглядите.

Блефарит

Если у вас блефарит, ваши веки воспаляются. Это может сделать их красными, опухшими или зудящими. Блефарит также может вызвать слезотечение. Бактериальная инфекция может вызвать это, а также кожные заболевания, такие как розацеа или проблемы с сальными железами возле век.

Варианты лечения: Ваш глазной врач может назначить стероидные глазные капли или порекомендовать вам использовать искусственные слезы. Также может помочь очистка век теплой мочалкой.

Если причиной блефарита является основное заболевание, лечение может помочь облегчить воспаление века.

Блефарохалазис

Это когда кожа вашего века начинает опускаться. Причиной этого обычно является возраст, хотя генетика тоже может сыграть роль.

Варианты лечения: Единственный способ исправить блефарохалаз — это сделать операцию, называемую блефаропластикой. Удаляет часть обвисшей кожи. Если блефарохалаз мешает вашему зрению, ваша медицинская страховая компания может оплатить операцию.

Блефароспазм

Это означает, что ваши веки непроизвольно моргают или спазм. Подергивание век является обычным явлением и обычно является признаком стресса или усталости. Но если ваши подергивания или мигания постоянны и со временем ухудшаются, у вас может быть блефароспазм. Это также может вызвать подергивание лица, истощение и чувствительность к свету. Причиной может быть аномальная активность в области вашего мозга, называемой базальным ганглием. Базальный ганглий отвечает за мышечный контроль.

Варианты лечения: Блефароспазм неизлечим.Но исследования показывают, что использование ботулотоксина (ботокса) вокруг век может вызвать меньше спазмов. Операция под названием миэктомия, при которой удаляются некоторые мышцы и нервы век, также может помочь облегчить симптомы.

Халязион

Халязион — это опухшая шишка на веке. Обычно это безболезненно, но может быть размером с горошину или виноградину. Халазион также может вызвать опускание века на глаз. Причина — засор сальника. Это может начаться как ячмень, но превратиться в халязион по мере роста.

Варианты лечения: Теплые компрессы на глаз несколько раз в день могут уменьшить отек. Если ваш халязион очень большой или опухший, ваш врач может порекомендовать глазные капли с антибиотиками, уколы стероидов или даже хирургическую процедуру для дренирования халязиона. Никогда не пытайтесь вылить или осушить его самостоятельно.

Дерматохалазис

Это когда кожа и мышцы век становятся обвисшими. Иногда это может вызвать проблемы со зрением или способствовать возникновению других проблем, например сыпи.Причиной этого может быть возрастная потеря эластичности кожи и соединительных тканей. Это могут принести другие условия. Генетика тоже может сыграть свою роль.

Варианты лечения: Косметические процедуры, такие как лазерная шлифовка или химический пилинг, могут улучшить внешний вид. Но единственный способ полностью исправить это — блефаропластика, удаляющая лишнюю кожу.

Ectropion

Ectropion означает, что мышцы нижнего века становятся слабее. Это может привести к провисанию века и отворачиванию его от глазного яблока.Тогда ваши верхние и нижние веки не могут полностью закрыться, что затрудняет или делает невозможным полное закрытие глаз. Если вы не закрываете веки, у вас могут появиться сухость в глазах и раздражение.

Варианты лечения: Если эктропион мягкий, лечение может не потребоваться. Но если у вас сухие раздраженные глаза, врач может посоветовать вам использовать на ночь искусственные слезы или пластиковую защитную маску для глаз. И то, и другое поможет защитить глаза и удержать влагу. Если у вас сильный эктропион, врач может порекомендовать операцию по подтяжке кожи и мышц века.

Entropion

Это похоже на эктропион. Но вместо того, чтобы выкатиться, нижнее веко закатывается к глазному яблоку. Это может привести к трению ресниц о глазное яблоко и его раздражению. Если у вас энтропион, ваши глаза могут сильно слезиться, расплываться или чувствовать сильное раздражение.

Варианты лечения: Если у вас легкий энтропион, ваш врач может порекомендовать вам на ночь приклеить нижнее веко к щеке, чтобы предотвратить раздражение. Но если ваш энтропион более серьезен, ваш врач может попросить вас сделать операцию, чтобы подтянуть мышцы и кожу вашего века, чтобы оно закрылось нормально.

Глазная болезнь Грейвса (также называемая болезнью щитовидной железы)

Это аутоиммунное заболевание, которое возникает, когда ваши иммунные клетки атакуют вашу щитовидную железу (железу в форме бабочки на вашей шее), заставляя ее вырабатывать слишком много гормона щитовидной железы. Это может заставить вашу иммунную систему атаковать ткани вокруг глаз. Когда это происходит, ваши глазные мышцы и жир в глазах могут расширяться. Из-за этого ваши глаза и веки будут выпирать. Ваши веки могут не полностью закрыться.

Варианты лечения: Поскольку болезнь глаз Грейвса может повлиять на ваше зрение, ваш врач будет следить за вашими глазами и порекомендует план защиты вашего зрения.Например, искусственные слезы или другие гели или мази могут предотвратить сухость и раздражение. Также может помочь использование наглазников или заклеивание глаз на ночь повязкой на ночь. В некоторых случаях ваш врач может попросить вас использовать стероиды для облегчения воспаления. Если у вас плотные, болезненные веки, врач может порекомендовать операцию, чтобы вернуть глаз в нормальное положение.

Конъюнктивит (конъюнктивит)

Конъюнктивит возникает, когда воспаление или инфекция поражает мембрану, выстилающую ваше веко и белки глазных яблок.В любом случае кровеносные сосуды воспаляются, а веки и глаза выглядят розовыми. Это также может вызвать зуд, боль или ощущение песка в глазах. Младенцы также могут получить это, если у них слезный проток не открывается полностью.

Варианты лечения: Конъюнктивит обычно проходит сам по себе через несколько дней или недель. А пока вы можете чувствовать себя более комфортно, используя искусственные слезы и прикладывая холодный или теплый компресс к закрытым глазам несколько раз в день.Если вы носите контактные линзы, прекратите их носить, пока конъюнктивит не очистится. Если ваш конъюнктивит вызывает аллергия, врач может порекомендовать вам использовать капли для защиты глаз от аллергии.

Птоз

Птоз похож на блефарохалаз. Но это вызывает провисание мышц под веками, а не обвисание кожи. Птоз могут вызывать травмы глаз, такие заболевания, как диабет, и проблемы с нервной системой. В некоторых случаях уколы ботокса для удаления морщин также могут способствовать птозу.

Варианты лечения: Если ботокс вызвал птоз, дряблость исчезнет после того, как действие токсина пройдет.В других случаях может потребоваться операция по удалению лишней кожи и поднятию века. Ваша медицинская страховка может покрыть операцию, если птоз мешает вам видеть.

Ячмень

Ячмень (также называемый ячменем) — это небольшая опухшая шишка, которая выглядит как прыщик или нарыв на внутреннем или внешнем веке. Он может быть твердым или выделять гной. Обычно это не больно. Обычно причиной является инфекция сальной железы глаза.

Варианты лечения: В большинстве случаев ячмень проходит самостоятельно.Но пока этого не произойдет, можно несколько раз в день накрывать глаз теплой мочалкой. Веки также следует мыть теплой водой с мягким мылом. Не наносите макияж на глаза и не пользуйтесь контактными линзами, пока ячмень не исчезнет. Никогда не пытайтесь вылечить или осушить ячмень самостоятельно. Если ячмень не проходит примерно через неделю, обратитесь к врачу. Они могут порекомендовать глазные капли или кремы с антибиотиками или небольшую хирургическую процедуру для слива гноя и ослабления давления.

Xanthelasma

Xanthelasma — это бугорки на веках, наполненные холестерином.Обычно они желтоватые. У вас больше шансов заболеть, если у вас высокий уровень холестерина или триглицеридов. Первичный билиарный цирроз — аутоиммунное заболевание, поражающее печень и желчную систему, — также может вызывать ксантелазму.

Варианты лечения: Если вы заметили желтые бугорки на веках, важно обратиться к врачу, потому что это может быть признаком того, что у вас более высокий риск сердечных заболеваний. Ваш врач может порекомендовать тесты, чтобы проверить уровень холестерина и триглицеридов, а также проверить, насколько хорошо работает ваше сердце.Если вы хотите удалить шишки, ваш врач может порекомендовать криотерапию (замораживание области жидким азотом), лазеры, операцию или другие методы. Удаление ксантелазмы может вызвать рубцевание. Он также не препятствует образованию новой ксантелазмы.

Зубчатые зубы: причины и лечение

Средства для лечения зазубренных зубов

Как исправить зазубренные зубы, будет зависеть от предложения стоматолога. Но хорошая новость в том, что существует множество вариантов! Самый простой способ лечения неровной линии зубов заключается в придании существующей зубной эмали более ровного вида. Contouring , сглаживание зуба неправильной формы — это процедура, которая включает в себя аккуратное шлифование небольшой части зубной эмали. Знаете ли вы, что это консервативное лечение косметической стоматологии, которое обычно даже не требует анестезии? Хотя контурная пластика — отличное решение, вы никогда не должны пытаться сделать это дома. Бритье собственных зубов может вызвать необратимые повреждения и сильную боль.

Если у вас сколотый зуб, ваш стоматолог может посоветовать бондинг .Эта процедура включает в себя добавление небольшого количества зубной смолы к зубу для замены отсутствующей части. Смола будет соответствовать цвету вашего оригинального зуба, поэтому она не будет заметна. Это одна из самых простых и недорогих косметических стоматологических процедур, но она не такая прочная, как ваш естественный зуб. Поэтому постоянный регулярный уход за полостью рта будет иметь важное значение для его долгосрочного успеха.

Третий вариант — шпон . Эти тонкие оболочки, которые покрывают весь зуб над линией десен, бывают двух видов: традиционные и минимально инвазивные.Установка фарфоровых виниров предполагает удаление части зубной эмали, и это необратимая процедура. В настоящее время доступны виниры из композитного материала. Ваш зуб не нужно брить, потому что композит, наложенный на зуб, очень тонкий. У каждого из этих вариантов есть свои плюсы и минусы, поэтому разговор о них со своим стоматологом является ключевым.

Иногда повреждение зуба бывает настолько серьезным, что восстановить его неровность невозможно. Лучшее лечение в этой ситуации — удалить зуб и заменить его зубным имплантатом, частичным протезом или мостом.В большинстве случаев время восстановления после всех этих процедур минимально. Если ваш зуб нуждается в удалении, вам может потребоваться более одного посещения стоматолога. Замена зуба на естественный протез может занять несколько месяцев, но оно того стоит для здоровой улыбки!

Хотя вы можете испытать некоторый первоначальный шок, когда сломаете или расколол зуб, или вы всегда не хотели показывать свою улыбку полностью из-за зазубренных клыков, у вас есть множество вариантов лечения! Неровные зубы не должны причинять неудобства или вызывать боль.Ваш стоматолог может выровнять их или заменить недостающую деталь. Если вы решите сохранить свои зубы такими, какие они есть, ваш стоматолог по-прежнему будет ценным ресурсом! Они могут проинструктировать вас, как правильно ухаживать и чистить зубы, чтобы ваша проблема не усугублялась и не вызывала боли. Независимо от того, что вы решите, посещение стоматолога — ваш первый и самый важный шаг к уверенной улыбке!

Разработка моделей искусственного интеллекта для моделирования качества подземных вод скважин: различные сценарии моделирования

Abstract

Подземные воды — один из наиболее важных ресурсов пресной воды, особенно в засушливых и полузасушливых регионах, где годовое количество осадков невелико и часто засухи.Информация о качественных параметрах этих ценных ресурсов очень важна, поскольку она может повлиять на ее применимость с сельскохозяйственных, питьевых и промышленных аспектов. Хотя методы геостатистики могут дать представление о пространственном распределении факторов качества, применение передовых моделей искусственного интеллекта (ИИ) может способствовать получению более точных результатов в качестве надежной альтернативы для такой сложной геологической проблемы. Настоящее исследование исследует возможности нескольких типов моделей искусственного интеллекта для моделирования четырех ключевых переменных качества воды, а именно электропроводности (EC), коэффициента адсорбции натрия (SAR), общего растворенного твердого вещества (TDS) и сульфата (SO 4 ) с использованием полученного набора данных. из 90 скважин на Тебризской равнине, Иран; оценивается k-кратным тестированием.Были созданы два различных сценария моделирования для моделирования с использованием других параметров качества и географической информации. Полученные результаты подтвердили возможности моделей AI для моделирования переменных качества подземных вод скважин. Среди всех применяемых моделей искусственного интеллекта разработанная модель гибридного опорного векторного алгоритма «машина-светлячок» (SVM-FFA) достигла лучших показателей предсказуемости для обоих исследованных сценариев. Внедренная методология компьютерной помощи предоставила надежную технологию для мониторинга и оценки подземных вод.

Образец цитирования: Шири Н., Шири Дж., Ясин З.М., Ким С., Чунг И. М., Нурани В. и др. (2021) Разработка моделей искусственного интеллекта для моделирования качества подземных вод в скважинах: различные сценарии моделирования. PLoS ONE 16 (5): e0251510. https://doi.org/10.1371/journal.pone.0251510

Редактор: Василис Г. Ашонитис, Институт почвенных и водных ресурсов ELGO-DIMITRA, ГРЕЦИЯ

Поступила: 11 марта 2021 г .; Принята к печати: 27 апреля 2021 г .; Опубликовано: 27 мая 2021 г.

Авторские права: © 2021 Shiri et al.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Авторские права на данные, использованные в настоящем исследовании, принадлежат Региональной водохозяйственной компании Восточного Азарбайджана, Иранской компании по управлению водными ресурсами, Министерству энергетики Исламской Республики Иран. Данные не могут быть общедоступными, потому что данные принадлежат третьей стороне, и авторы не имеют разрешения на совместное использование данных.Данные могут быть запрошены в Региональной водохозяйственной компании Восточного Азарбайджана, Иранской компании по управлению водными ресурсами, Министерстве энергетики Исламской Республики Иран (контакт через [email protected]) для исследователей, которые соответствуют критериям доступа к конфиденциальным данным. Исследователь может запросить данные у компании, указав регион и типы качества подземных вод. Авторы не имели привилегированного доступа к данным. Другие исследователи могут получить доступ по запросу от компании.

Финансирование: Это исследование было профинансировано Министерством окружающей среды Кореи (MOE) как Программа услуг водоснабжения с учетом спроса (146515).

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

1. Введение

Люди зависят в основном от подземных вод как для питьевых, сельскохозяйственных, так и для промышленных целей [1, 2]. Следовательно, необходимо в совершенстве понимать геохимические процессы, которые регулируют химический состав подземных вод, поскольку это улучшит понимание гидрохимических систем в различных регионах по всему миру [3].Такая информация может также улучшить управление ресурсами подземных вод и их использование, выделяя взаимосвязь между качеством подземных вод, литологией водоносного горизонта и типом подпитки [4, 5]. При традиционных подходах к управлению водными ресурсами системы поверхностных и подземных вод рассматриваются как два отдельных объекта; однако доказано, что обе системы влияют друг на друга как с качественной, так и с количественной точек зрения на основе недавних разработок в области анализа земельных и водных ресурсов [6, 7].Тем не менее, загрязнение подземных вод либо в результате антропогенной деятельности, либо из-за природного состава водоносного горизонта снижает способность снабжения подземными водами или ограничивает их эксплуатацию [8, 9]. На качество подземных вод также может влиять сельскохозяйственная деятельность, такая как использование удобрений и пестицидов, хотя другие геологические и антропогенные виды деятельности также могут влиять на качество подземных вод [10, 11], поскольку они являются компонентом физических и химических параметров, на которые влияют антропогенной и геологической деятельностью [12–14].

Обычно традиционный подход к анализу качества подземных вод в основном зависит от математического моделирования, такого как анализ временных рядов, статистика вероятностей и т. Д. Эти методы предполагают наличие линейной связи между зависимыми и независимыми переменными; следовательно, общая точность таких моделей обычно невысока [15, 16]. Учитывая преобладающие проблемы моделирования качества подземных вод [17, 18], существует потребность в новых вычислительных подходах к этой проблеме.Развитие моделей искусственного интеллекта в области гидрологии и окружающей среды привлекло огромное внимание за последнее десятилетие [19–23]. В связи с этим некоторые исследования были сосредоточены на разработке некоторых вычислительных подходов к моделированию качества подземных вод; например, Yesilnacar et al. [24] разработали модель искусственной нейронной сети (ИНС) для прогнозирования концентрации нитратов в подземных водах на равнине Харран в Турции. В исследовании сообщается, что разработанная модель позволила достичь рентабельного управления ресурсами подземных вод.Кроме того, Liu et al. [25] протестировали модель машины опорных векторов (SVM), которая основывается на восьми оценочных показателях для оценки качества воды. Было определено, что предложенная модель SVM хорошо работает при определении качества воды в соответствии с рекомендациями Стандарта оценки качества подземных вод. Предложенный метод также позволил решить сложные нелинейные зависимости, существующие между классом качества воды и коэффициентом оценки; модель также достигла высокого уровня точности прогнозов и обеспечила приемлемые и разумные характеристики в качестве метода оценки.Модель ИНС была разработана Yesilnacar и Sahinkaya [13] для прогнозирования концентрации сульфата подземных вод (SO 4 ) и коэффициента адсорбции натрия (SAR). Результаты исследования показали возможность управления ресурсами подземных вод более простым и экономичным способом с помощью предложенной модели. Модель байесовской нейронной сети (BNN) была разработана Maiti et al. [26] для оценки качества подземных вод. Исследование также доказало, что модель может обеспечить полезные ограничения (на основе неопределенности и статистического анализа), которые могут быть полезны при оценке и мониторинге качества подземных вод.

Оценка качества поверхностных и грунтовых вод в сельских районах Силезской низменности была представлена ​​Orzepowski et al. [27], в переменных климатических условиях. Результаты исследования показали, что метод моделирования ИНС, основанный на статистическом анализе, служит полезным инструментом для оценки содержания воды в почвах в различных климатических условиях. Исследование Khaki et al. [28] использовали адаптивную систему нейро-нечеткого вывода (ANFIS) и ИНС для моделирования уровней общих растворенных твердых веществ (TDS) и электропроводности (EC).Оба метода продемонстрировали эффективность в интерпретации поведения параметров качества воды. Потенциал модели ИНС в прогнозировании SAR, коэффициента поглощения магния, остаточного карбоната натрия, коэффициента Келли и процента натрия (% Na) в грунтовых водах был оценен Wagh et al. [29]. Результаты исследования подтвердили эффективность разработанной модели ИНС в плане точного прогнозирования, которое влияет на показатели пригодности для орошения. Барзегар и Могхаддам [30] сравнили производительность трех алгоритмов ИНС, включая многослойный персептрон (MLP), нейронную сеть с радиальной базисной функцией (RBFNN) и обобщенную регрессионную нейронную сеть (GRNN), при прогнозировании солености грунтовых вод, выраженной электропроводностью. [ЭК (мкСм / см)].Судя по результатам моделирования, три модели показали хорошие результаты при прогнозировании солености грунтовых вод. Возможности модели SVM для прогнозирования концентрации нитратов были оценены Arabgol et al. [31] в подземных водах равнины Арак, Иран. Модель SVM преуспела в прогнозировании концентрации нитратов на основе набора переменных качества грунтовых вод, которые можно было легко измерить, таких как температура воды, глубина грунтовых вод, электропроводность, растворенный кислород, pH, общее количество растворенных твердых веществ, землепользование и время года. год.Исследование также показало, что модель SVM — это быстрый, надежный и экономичный метод искусственного интеллекта. Возможность применения методов искусственного интеллекта в моделировании качества подземных вод оценивалась многими учеными, и такие исследования дали эффективные результаты [32–40].

Gholami et al. [34] представили усовершенствованную форму модели ANFIS для моделирования качества подземных вод; Предложенная модель была описана как совместная ANFIS (CANFIS), интегрированная с географической информационной системой (GIS). Обучение и проверка предложенной модели проводились на примере Мазандаранской равнины в северном регионе Ирана.Результаты исследования продемонстрировали эффективность интеграции модели ИИ с ГИС. Исследование Azimi et al. [41] представили ИНС и модифицированные модели нечеткой кластеризации для оценки снижения качества питьевой воды. Эффективность моделей оценивалась на реальных примерах юго-восточных водоносных горизонтов в центральном регионе Ирана. В исследовании сообщается о способности модифицированного метода кластеризации повысить эффективность прогнозирования модели по сравнению с предыдущими отчетами.Возможность использования ИНС и моделей множественной линейной регрессии (MLR) при моделировании Канадского индекса качества воды (CWQI) подземных вод была оценена Натаном и др. [42]; исследование оптимизировало входные параметры моделирования с использованием подхода иерархического кластерного анализа (HCA) и процедуры кластеризации. Анализ результатов показал, что модели MLR и ANN являются надежными методами прогнозирования CWQI. Исследование также показало, что результаты исследования могут помочь лицам, принимающим решения, в решении проблем, связанных с качеством воды.

Кроме того, усилия по-прежнему направлены на разработку новых прогностических моделей искусственного интеллекта, которые могли бы надежно справиться с разнообразием, нелинейностью и нестационарностью модели качества подземных вод. Исследование Barzegar et al. [43] исследовали возможность использования модели машины экстремального обучения (ELM) в качестве новой и усовершенствованной версии модели ИНС для прогнозирования уровня фторидного загрязнения подземных вод. После проверки на соответствие классическим моделям искусственного интеллекта, ELM оказался способен предсказывать уровень загрязнения фтором.В различных исследованиях предпринимались попытки использовать гибридные модели искусственного интеллекта для моделирования качества подземных вод; Среди изученных моделей ИИ — вдохновленные природой алгоритмы оптимизации, такие как оптимизация роя частиц, дифференциальная эволюция, генетический алгоритм, алгоритм муравьиной колонии, алгоритм светлячка и т. д. [44–47].

Исследование Sepahvand et al. [48] ​​сосредоточены на эффективности четырех моделей ИИ при прогнозировании SAR; оцениваемыми моделями являются дерево моделей M5P, RF, реализующий алгоритм упаковки на M5P и групповой метод обработки данных (GMDH).По результатам исследования, модель дерева моделей M5P позволила достичь более высокой точности в прогнозировании SAR по сравнению с остальными моделями в данной области исследования. В другом исследовании оценивались модели Gaussian Process (GP), M5P, RF и random tree (RT) для прогнозирования загрязнения грунтовых вод нитратами и стронцием [49]. Исследование показало, что модель GP обеспечивает лучшую производительность по сравнению с другими моделями с точки зрения прогнозирования концентраций нитратов и стронция.

В связи с необходимостью проведения исследований по моделированию качества подземных вод для различных инженерных приложений в области геолого-геофизических исследований, в течение последнего десятилетия этому курсу были посвящены различные исследования.На основе исследования, проведенного в базе данных Scopus «Поиск ключевых слов: искусственный интеллект подземных вод», результаты поиска показали, что в этой области опубликована 131 исследовательская статья, охватывающая период 1988–2021 годов. На основе анализа литературы, проведенного на собранной базе данных с помощью VOSviewer, ключевые слова встречаемости пересечений составляют 268 с визуализацией 6 кластеров (рис. 1). Кроме того, в литературе указано, что в 41 стране проводились исследования в этой области исследований. Согласно результатам, представленным на рис. 1, регион Ирана занимает второе место после США по моделированию качества подземных вод.Кроме того, рис. 1 означает, что в этой области исследований не проводились исследования гибридных моделей искусственного интеллекта.

Рис. 1. Анализ литературы по моделированию качества подземных вод с использованием возможностей моделей искусственного интеллекта за последние два десятилетия и округов, проводивших исследования в этой области исследований.

https://doi.org/10.1371/journal.pone.0251510.g001

Несмотря на то, что для оценки параметров качества подземных вод с использованием методов мягких вычислений были выполнены существенные исследования, всестороннее исследование, которое может оценить возможности этих моделей с использованием обоих параметров качества а географическая информация все еще редко встречается в литературе.Таким образом, настоящее исследование направлено на прогнозирование четырех важных параметров качества подземных вод на Тебризской равнине, Иран, с использованием восьми подходов мягких вычислений. Тебризская равнина расположена недалеко от озера Урмия (второго по величине соленого озера на земном шаре), уровень воды в котором за последние несколько десятилетий резко упал. Учитывая, что уровень грунтовых вод в скважинах был понижен, обычно предполагается, что существует гидравлическое взаимодействие между озером и окружающим водоносным горизонтом (Тебризской равнины), которое может вызвать проникновение соленой воды в водоносный горизонт.Это может снизить его качество для различных сельскохозяйственных, бытовых и промышленных потребителей. Тем не менее, на этой равнине проводились многочисленные сельскохозяйственные и промышленные мероприятия, которые могут способствовать изменению параметров качества воды. Поэтому наличие надежных инструментов для пространственного моделирования параметров качества подземных вод имеет решающее значение в этом регионе. Тем не менее, предлагаемый протокол может быть переведен на другие регионы, где доступна необходимая информация для модельного кормления.

2. Материалы и методы

2.1. Область исследования

Район исследования охватывает Тебризскую равнину на северо-западе Ирана, которая расположена между широтами 45 ° 30 ‘и 46 ° 15’ северной широты и высотами 37 ° 56 ‘и 38 ° 17’ восточной долготы, с общей площадью водосбора более 700 км 2 [50]. Территория Тебриза находится в провинции Восточный Азербайджан, которая структурно является частью центрального Ирана. Он зажат между горными системами Загрос и Альборз. Район включает образования девонско-четвертичного возраста, на которые повлияли различные геологические движения, в первую очередь альпийские.Образования в районе Тебриза состоят из миоценовых скал, которые покрыли неровности аллювиальных отложений и образовали крутые пласты с востока на запад. Коренные породы миоцена в этой области высоки, поэтому аллювиальные отложения очень тонкие. Высота колеблется от 1247 до 3600 м над уровнем моря. Среднегодовое количество осадков в районе составляет около 230 мм, со среднегодовой температурой 12,8 o C. Климатический контекст исследуемой территории холодный и сухой согласно индексу классификации климата Эмбергера [50].Были собраны данные наблюдений из 90 скважин, включая различные параметры качества подземных вод. Расположение исследуемой территории и Тебризской равнины представлено на (рис. 2, https://www.diva-gis.org/gdata). Краткое описание используемых параметров представлено в Таблице 1. Краткое описание используемых параметров представлено в Таблице 1. Основная многолетняя река равнины — река Аджичай. Для оценки принятой методики использовались данные 90 наблюдательных скважин на равнине.Данные были получены от Региональной водной компании Восточного Азербайджана, где данные были тщательно проанализированы и проверены на наличие несоответствий. Записи о качестве воды включали различные параметры, например: Ca, Mg, Cl, SO 4 , EC и т. Д. Были измерены в течение 15 лет (ежемесячные записи доступны между 2005–2019 гг.).

2.2. Модели искусственного интеллекта

В этом исследовании для прогнозирования параметров качества подземных вод используются несколько типов моделей искусственного интеллекта.Стоит отметить, что во всех применяемых моделях перед вводом входных данных набор данных был стандартизирован и ограничен диапазоном [0,1]. Применяемые модели можно разделить на следующие категории: i) сетевые модели (искусственная нейронная сеть, ИНС и адаптивная нейронечеткая система вывода, ANFIS), ii) анализ на основе классификации (машина опорных векторов, SVM), iii) регрессионный анализ. анализ (многомерная адаптивная сплайн-регрессия, MARS), iv) метод на основе ансамблевого дерева (случайные леса, RF) и v) интегративные модели (встроенный алгоритм Firefly с ANN и SVM, ANN-FA и SVM-FA).Ниже дается краткое описание этих моделей.

2.2.1. Многослойные нейронные сети персептрона.

Нейронные сети с многоуровневым персептроном (MLP) — это базовые типы нейронных сетей прямого распространения (FFNN), которые представляют собой сети с параллельной многоуровневой структурой. В FFNN сетевые вычисления идут от первого уровня к последнему. Слои в сети MLP полностью связаны с предыдущим и следующим уровнем. Обычно сеть MLP состоит из трех слоев: входного, скрытого и выходного.Входной слой получает входные параметры и действует как вход в сеть. Процесс вычислений в скрытом и выходном слоях основан на нескольких взаимосвязанных процессорах, называемых нейронами (см. Рис. 3). Другими словами, в типичной модели MLP каждый нейрон в слое получает информацию от всех нейронов предыдущего слоя и, соответственно, отправляет информацию нейронам следующего слоя. Расчетная информация перемещается на основе синаптических весов и смещений в сети.В MLP две функции — функции суммирования и активации — используются для передачи входной вычисленной информации нейрона и подготовки ее к отправке нейронам на следующем уровне. Уравнение (1) показывает, как функция суммирования ( S j ) нейрона j th действует, принимая входные переменные ( I i ) на конкретный нейрон. .

(1)

В уравнении (1) n обозначает общее количество входов, w ij — веса соединения (синаптические), а β j показывает значение смещения.Имея результат уравнения (1), функция активации (например, сигмовидная функция активации для скрытого слоя и линейная функция для выходного слоя, f j ( x ) = S j ) вычисляет выходное значение нейрона. В конце концов, конечный результат достигается на основе уравнения (2): (2)

После построения структуры сети необходимо настроить регулируемые параметры, включая веса соединений и смещения.Следовательно, во время фазы обучения сети алгоритм обучения, такой как алгоритм градиентного спуска, используется для обновления регулируемых параметров. Подробную информацию о сетях MLP можно найти в нескольких исследованиях [51–53]. В этой работе мы использовали следующие параметры для формирования окончательной архитектуры MLPNN: количество скрытых слоев = 2, количество скрытых узлов = 17, функция активации для узлов скрытого слоя = касательная гиперболическая; функция активации для узла выходного слоя = касательная гиперболическая.

2.2.2. Машина опорных векторов (SVM).

Созданная на основе теории статистического обучения, SVM в последние десятилетия привлекла большое внимание при моделировании инженерных задач. Подобно сети MLP, SVR, которая является регрессивной версией машины опорных векторов (SVM), рассматривается как алгоритм машинного обучения с учителем; однако применяемая методология отличается. Для построения SVM данные разделяются на несколько регрессивных подклассов с использованием поверхности принятия решений, так называемой гиперплоскости.Гиперплоскость преобразует нелинейное входное пространство в область большой размерности [54].

Каждый класс имеет аналогичные функции, которые позволяют SVM улавливать нелинейности сложной системы и расширять ее для прогнозирования значений отклика. Те маргинальные данные, которые близки к гиперплоскости, образуют опорные векторы. Опорные векторы являются критическими элементами для обучения модели SVM [55].

Расширяя метод SVM для моделирования и прогнозирования проблем, можно представить сеть SVR, как показано ниже [56]: (3) где x — это входной набор данных, а n — количество входных данных. α и β — множитель Лагранжа и смещение соответственно. k () обозначает функцию ядра.

Производительность SVM сильно зависит от используемой функции ядра. Есть несколько доступных функций ядра, которые могут использоваться в SVR; однако четыре их типа более распространены, чем другие, такие как линейная, полиномиальная, радиальная базисная функция (RBF) и сигмоидальные ядерные функции [57, 58]. В данном исследовании функция ядра RBF применяется для создания моделей SVM.(4) где γ подавляет значение ширины ядра RBF.

2.2.3. Интегративные модели машинного обучения светлячков (ANN-FA и SVM-FA).

Использование метаэвристических алгоритмов, таких как алгоритмы генетического алгоритма (GA), является альтернативным подходом для обучения моделей машинного обучения, то есть ИНС и SVM. В этом исследовании алгоритм Firefly (FA) встроен в модели MLP и SVM для создания интегративных моделей MLP-FA и SVM-FA. Алгоритм FA основан на естественном поведении светлячков при привлечении друг друга на основе их мигающего механизма [59].С математической точки зрения, каждый светлячок представляет собой возможное решение. Целевая функция представлена ​​интенсивностью света каждого светлячка. Светлячки с более низкой интенсивностью света ( x j ) следуют за светлячками с более высокой интенсивностью света ( x i ). Следующая формула показывает этот механизм движения: (5) (6)

В приведенных выше формулах λ обозначает коэффициент поглощения. Евклидово расстояние между светлячками i и j показано как r ij . β и β 0 определяют привлекательность и максимально возможную привлекательность светлячка. U — случайное число в диапазоне от нуля до единицы, а α представляет случайное движение светлячков, которое называется константой компромисса. Следуя описанному выше механизму движения, все светлячки движутся к светлячку с максимальной интенсивностью света (лучший светлячок). Лучший светлячок исследует пространство поиска случайным образом [60].

В этом исследовании алгоритм FA используется для обновления параметров настройки стандартной модели SVM, включая параметры гиперплоскости, а также веса и смещения в нейронной сети MLP [61].При использовании этого алгоритма коэффициент притяжения был установлен равным 1, коэффициент поглощения света — 0,4, а коэффициент охлаждения — 0,9.

2.2.4. Сплайны многомерной адаптивной регрессии (MARS).

Модель MARS — это управляемая данными модель, основанная на концепциях прямого и обратного пошагового регрессионного анализа. На первом этапе (прямая часть) выбирается подходящий набор объясняющих переменных. После этого, с комбинацией выбранных переменных и представлением положения узлов, некоторые линейные функции строятся в пространстве решений [62].

При обратной процедуре удаляются ненужные переменные, которые были ранее выбраны на прямом шаге [63]. Следовательно, переменная X будет обновлена ​​до переменной Y в соответствии с одним из следующих соотношений: (7) (8)

c известен как пороговое значение.

2.2.5. Случайные леса (РФ).

RF состоят из множества деревьев решений / регрессии (как слабые учащиеся), которые используют расширенную версию техники мешков для создания сильной ансамблевой модели.Деревья построены на случайных подмножествах (разных выборках) данных. Таким образом, эквивалентно количеству обучающих выборок, растет несколько деревьев решений / регрессии [64]. После выращивания деревьев окончательный результат вычисляется в соответствии с ансамблевой техникой, т. Е. Голосованием за классификацию и усреднением для задач регрессии (рис. 4). Как правило, в модели RF должны быть определены три типа параметров настройки, такие как количество деревьев (здесь оно находится в диапазоне от 100 до 150), максимальная глубина деревьев и количество выбираемых функций (здесь 6 для первый сценарий и 2 для второго сценария) при каждом расколе [65].

2.2.6. Адаптивная система нейро-нечеткого вывода (ANFIS-GP и ANFIS-SC).

ANFIS — это моделирующие / прогнозирующие системы машинного обучения, которые состоят из ИНС в качестве сетевой структуры ANFIS и системы нечеткого вывода Такаги-Сугено (FIS) в качестве теории нечеткой логики (процедуры нечеткой и дефаззификации) модели. . В FIS создается несколько нечетких правил, которые позволяют надлежащим образом изучать сложную и нелинейную систему. Структура нейронной сети ANFIS обновляет параметры настройки FIS i.е., геометрические параметры введенных функций принадлежности (MF) [66]. Архитектура ANIFS включает пять уровней, включая слой фаззификации (первый уровень), уровень правил (второй уровень), уровень нормализации (третий уровень), слой дефаззификации (четвертый уровень) и, наконец, выходной уровень.

Разработка модели ANFIS состоит из двух основных этапов. На первом этапе, а именно этапе построения, определяется общая архитектура сети, то есть количество и типы MF и FIS на основе правил.В этом исследовании мы использовали функции принадлежности трапециевидной формы, чтобы построить 3 числа правил. Второй шаг относится к этапу обучения ANIFS. Процедура обучения ANIFS — это гибридный метод, который использует метод обратного распространения для нелинейных параметров помещения (параметры MF) и наименьшую квадратичную ошибку для линейных последовательных параметров (коэффициенты нечетких правил «если-то»). Следует отметить, что в этом исследовании для построения моделей ANFIS (ANFIS-GP и ANIFS-SC) используются два разных подхода, такие как методы общего разбиения и (GP) и субтрактивной кластеризации (SC).Подробная информация об этих моделях представлена ​​в Benmouiza, Cheknane и Wang et al. [67, 68].

2.3. Схема моделирования

Здесь были приняты два сценария моделирования для моделирования целевых параметров:

  1. Первый сценарий: различные параметры качества подземных вод (Ca, Mg, Na, Cl, общая жесткость и K) были применены в качестве входных параметров для моделирования целевых параметров, например, общего количества растворенных твердых веществ (TDS), электропроводности (EC), сульфата. (SO 4 ) и коэффициент адсорбции натрия (SAR).Входные переменные были выбраны на основе корреляционного анализа, а также химической оценки.
  2. Второй сценарий: географические координаты исследуемых скважин использовались в качестве входных переменных для моделирования целевых параметров. Следовательно, вместо параметров, влияющих на каждый целевой параметр, были введены координаты местоположения, и модели смоделировали пространственное распределение целей на основе этой информации. Применение моделей мягких вычислений с этим сценарием аналогично подходам геостатистики, где пространственные координаты используются для интерполяции значений параметров в любом заданном регионе.Это было бы очень важным шагом вперед, потому что параметры качества грунта можно оценить в региональном масштабе, имея только координатную информацию. Это будет актуально исключительно для регионов с дефицитом данных.

При любом принятом сценарии основной задачей применения моделей мягких вычислений является разделение доступных шаблонов на данные обучения и тестирования. Здесь была принята стратегия управления данными типа k-кратного тестирования, и модели обучались каждый раз с использованием «k-1» блоков данных, а затем тестировались с использованием оставшихся шаблонов одного блока.Процесс повторялся до тех пор, пока все доступные шаблоны не были задействованы как на этапе обучения, так и на этапе тестирования. Более простым способом могло бы быть разделение всех паттернов на 2 блока, как это часто бывает в подобных исследованиях. Однако такое простое присвоение данных не позволяет выполнить сквозное сканирование всех доступных шаблонов, поэтому полученные результаты будут частично достоверными. Следовательно, применение k-кратного тестирования предоставит достаточно подробную информацию о способности / стабильности моделей в отображении нелинейных отношений между входными и целевыми переменными.Используя стратегию k-кратного тестирования (с k = 1), все доступные шаблоны были разделены на 90 блоков (каждый блок содержал все доступные шаблоны для одной лунки), и каждая модель была обучена и протестирована 90 раз для моделирования каждого параметра. Для каждой модели мягких вычислений процесс повторялся 90 раз для каждого целевого параметра, поэтому было проведено 90 процедур обучения-тестирования для моделирования каждого целевого параметра каждой моделью. Таким образом, в первом сценарии было выполнено 360 процессов обучения и тестирования для моделирования 4 целевых параметров.В случае второго сценария был принят аналогичный протокол, в котором для оценки производительности моделей использовалась k-кратная стратегия тестирования (с k = 1). Следовательно, все доступные шаблоны для одной скважины были зарезервированы каждый раз в качестве шаблонов для тестирования, в то время как модели были обучены с использованием общих шаблонов для остальных скважин (89 скважин). Процесс повторялся до тех пор, пока данные со всех скважин не участвовали в этапах обучения-тестирования. При втором сценарии также было налажено 360 процессов обучения и тестирования.

2,4. Критерии оценки

Три критерия статистической оценки, а именно коэффициент детерминации (R 2 ), индекс рассеяния ( SI ) и коэффициент Нэша-Сатклиффа ( NS ) были использованы для оценки используемых моделей [69]: (9) (10) где x io и y io — наблюдаемые и оценочные значения каждого параметра на временном шаге i th , соответственно.обозначает средние наблюдаемые значения, а n — количество доступных шаблонов (местоположений). NS — индикатор анализа дисперсии смоделированных и наблюдаемых значений, где NS = 1 показывает идеальное совпадение. Для принятой стратегии управления данными применяемые индексы рассчитывались для каждого этапа тестирования, а также для всех доступных шаблонов.

3. Результаты и обсуждение

Настоящий документ направлен на моделирование четырех важных параметров качества подземных вод, e.g., EC, SAR, TDS и SO 4 , используя восемь различных методов мягких вычислений с двумя сценариями моделирования. В следующих подразделах представлен общий статистический анализ точности работы модели для обоих принятых сценариев.

3.1. Результаты первого сценария моделирования

Таблица 2 суммирует глобальные статистические показатели применяемых моделей, которые были вычислены путем создания глобального вектора моделирования для полного набора данных (данные по всем скважинам за период испытаний).Для получения этих результатов для первого сценария по каждой скважине была построена глобальная матрица, включающая наблюдаемые и соответствующие имитационные значения целевых параметров на всех этапах испытаний. Затем для каждой скважины были рассчитаны статистические показатели. Наконец, глобальные показатели были получены путем усреднения показателей всех изученных скважин. Для второго сценария, поскольку тестовые образцы принадлежали одному способу на каждом этапе k-кратного тестирования, средние значения индикаторов, которые были вычислены для каждой скважины, были вычислены и представлены как значения глобальных индикаторов.

В случае моделирования EC , наиболее точные результаты принадлежат гибридной модели SVM-FFA (с наименьшим значением SI и высшим NS ), за которым следуют модели ANN-FFA, MARS и RF. Однако самые высокие значения R 2 наблюдались для модели MARS по сравнению с другими известными прогностическими моделями. Это можно объяснить эксклюзивной спецификацией этого индекса, который фиксирует только линейную зависимость между двумя наборами событий и может принимать более высокие значения (около единицы) даже с более высокими значениями ошибок.Следовательно, это не может применяться только в качестве проверочного индекса эффективности моделирования, как было рекомендовано Легатсом и МакКейбом (1999) [70].

Связанная модель SVM-FFA повысила точность производительности модели SVM на 9,9% и 3,5% уменьшения / увеличения значений SI и NS соответственно. Аналогичным образом, модель ANN-FFA снизила значения SI и NS на 12,9% и на 5,5% соответственно. Что касается имитационных моделей SAR , опять же, SVM-FFA превзошел остальные модели, за которыми следуют модели ANN-FFA, RF и MARS.SVM-FFA повысил точность характеристик моделей SVM на 5,7% уменьшения значения SI и увеличения на 3,7% значения NS . По сравнению с имитационными моделями EC , общая точность моделей в этом случае была низкой (Δ SI = 0,11 для модели SVM-FFA). В отношении моделей оценки TDS и SO 4 были сделаны те же наблюдения, когда объединенная SVM-FFA превосходила другие применяемые модели, и различия между величинами ошибок моделей были значительными в некоторых случаях.

В целом было отмечено, что, когда модели основывались на некоторых параметрах качества подземных вод для пространственной оценки значений EC, SAR, TDS и SO 4 , оценочные модели SAR давали менее точные результаты, чем модели, созданные для моделирования других трех параметры. Хотя все четыре параметра связаны с качественными аспектами подземных вод, такие различия можно объяснить векторами, которые участвовали в формировании этих параметров. Основными факторами, влияющими на значения SAR , являются Na + , Ca 2+ и Mg 2+ , которые являются легко растворимыми катионами в почве (особенно растворимость натрия очень высока), поэтому их можно выщелачивать. из горизонтов почвы во время атмосферных осадков или ирригационных явлений, которые доставляют значительное количество воды и вызывают глубокое просачивание [71].Такие сильные колебания вертикального профиля почвы могут повлиять на точность моделирования и затруднить интерполяцию между различными точками.

3.2. Результаты второго сценария моделирования

Статистические показатели моделей, созданных на основе географических координат скважин (второй сценарий), перечислены в Таблице 2. Во-первых, точность работы моделей была снижена при использовании географических координат по сравнению с моделями. как и следовало ожидать, разработано на основе параметров качества подземных вод.Это может быть связано с включением взаимосвязей между входными и целевыми параметрами в первом сценарии. Однако общая точность моделей, разработанных с использованием второго сценария, практически сопоставима и практически надежна. Как и в предыдущих случаях, модели SVM-FFA и ANN-FFA продемонстрировали свое превосходство над остальными прикладными моделями в моделировании всех исследуемых параметров, в то время как ANN давала менее точные результаты. Однако, в отличие от предыдущего сценария, модели, имитирующие значения SAR , представили наиболее точные результаты, хотя, как уже говорилось, включение Na + , Ca 2+ и Mg 2+ может затруднить их интерполяцию.

Общая точность имитационных моделей SAR была улучшена за счет использования географических координат скважин. Это может быть связано с исключением других качественных параметров, которые взаимодействуют с SAR (и его управляющими векторами) из входной матрицы, и заменой только географической информацией, что, скорее всего, связано с механизмом, которому следуют геостатистические подходы. На рис. 5 показаны улучшения, полученные за счет использования модели SVM-FFA по второму сценарию с точки зрения уменьшения SI и увеличения NS для всех изученных параметров.

Максимальные улучшения принадлежали имитационным моделям ЕС при среднем снижении SI на 11,3% и увеличении NS на 3,7%, в то время как самые низкие значения улучшения наблюдались при моделировании SAR (ΔSI = 6,85% и ΔNS = 1,96%). Во всех случаях максимальные различия SI и NS наблюдались между моделями ANN и SVM-FFA. Для более информативной оценки прогнозных моделей при моделировании качества воды на рис. 6–9 представлены наблюдаемые и смоделированные значения в виде диаграмм разброса исследуемых параметров с использованием второго сценария.Представленные диаграммы разброса показали приемлемое отклонение от идеальной линии o 45, что подтверждает степень корреляции между наблюдаемым и смоделированным набором данных. Однако в некоторых случаях высокие значения SAR, TDS и SO 4 не удалось точно смоделировать с использованием автономных прогнозных моделей. Тем не менее, разработанные гибридные модели показали лучшую степень корреляции, как это можно наблюдать для моделей SVM-FFA и ANN-FFA.

Значения, представленные здесь, относятся к смоделированным / наблюдаемым значениям всех этапов испытаний, вместе взятых.В случае моделирования ЭК модели дали разумные результаты для более низких значений ЭК (хорошее совпадение между наблюдаемыми и смоделированными значениями), в то время как некоторые разбросы наблюдаются для более высоких значений. Наиболее разбросанные значения соответствуют значениям ЕС между 2000–6000 ммос / см, тогда как значения за пределами 6000 дают лучшее соответствие. Аналогичная тенденция наблюдается и при моделировании TDS. Для имитационных моделей SAR (рис.7) все применяемые модели столкнулись с трудностями при оценке более низких значений (особенно SAR <5), что может быть связано с более низкими значениями содержания натрия в почве, которые выщелачиваются в результате процессов инфильтрации или глубокой перколяции и повышают вариации в их количестве.Для моделирования SO 4 более низкие значения показали очевидный разброс между наблюдаемыми и смоделированными значениями, где аналогичные значения были получены для разных целевых значений. Как уже упоминалось, SVM-FFA и ANN-FFA предоставили наиболее точные результаты.

Был также проведен дополнительный анализ с использованием вариаций SI модели SVM-FFA «в качестве превосходной прогнозной модели» среди различных этапов тестирования, как показано на рисунке 10. На основании результатов, представленных на рисунке 10, значения SI показали явная разница между различными этапами тестирования для всех переменных.Максимальный диапазон SI (разница между его максимальным и минимальным значениями) наблюдался для TDS (ΔSI = 0,351), за которым следуют EC, SAR и SO 4 с диапазонами 0,316, 0,263 и 0,227 SI соответственно. Это явно свидетельствует о принятой k-кратной стратегии управления данными тестирования при оценке моделей мягких вычислений, без которой невозможно провести глубокое сканирование характеристик моделей.

4. Обсуждение

Подводя итог, можно сделать вывод, что применяемые модели могли моделировать пространственные вариации изучаемых параметров с разумной точностью производительности, а между тем, модели SVM-FFA и ANN-FFA превзошли остальные применяемые модели с более низкой точностью. величины ошибок.Тем не менее, принятие надежной стратегии k-кратного тестирования для оценки применяемых моделей является важной задачей для предотвращения чрезмерной подгонки моделей, а также для получения более точного представления о точности работы применяемых моделей. Разработанные гибридные модели SVM-FFA и ANN-FFA подтвердили их применимость для моделирования качества подземных вод благодаря устойчивому процессу обучения, достигнутому с помощью алгоритмов оптимизации, используемых для настройки гиперпараметров модели. Это подтверждается проведенным исследованием литературы.Например, для параметров качества подземных вод была создана прогностическая модель искусственного интеллекта, основанная на гибридизации кластеризации нечетких данных c-средних (FCM) с разделением сетки (GP) и модели ИНС, гибридизированной с использованием оптимизации роя частиц (PSO) [72]. Предложенный гибрид FCM-GP показал лучшие результаты по сравнению с моделью ANN-PSO. Применение компьютерных моделей, таких как предложенная в текущем исследовании, может быть достаточно применимо для геолого-инженерного мониторинга и управления.Лица, принимающие решения, и инженеры-экологи могут получить существенную пользу от знания будущей модели качества подземных вод, при которой может иметь место соответствующее определение использования и устойчивости подземных вод.

Для будущего направления исследований, неопределенности данных, моделей и входных параметров могут быть проанализированы и обсуждены [73, 74]. Наконец, глобальное сравнение обоих принятых сценариев показало, что, хотя между сценариями не наблюдалось значительных различий, второй сценарий может обеспечить многообещающие результаты при моделировании параметров качества подземных вод.Поскольку во втором сценарии в качестве входных параметров рассматривается только географическая информация, эта точность производительности исключительно важна в практических задачах, когда доступные данные недостаточны или надежны. Можно решить эту проблему, критикуя сравнительное превосходство одного сценария над другим, но следует отметить, что цель этого исследования заключалась в оценке возможностей методов мягких вычислений в оценке параметров качества подземных вод с использованием ограниченных легкодоступных данных. поэтому информация о причинах превосходства какого-либо сценария здесь не обсуждается / недоступна.Можно обсудить только то, что прикладные модели могут моделировать пространственные вариации этих параметров с использованием географических данных.

5. Заключение

Исследование моделирования было выполнено здесь с использованием восьми подходов мягких вычислений для пространственного моделирования четырех важных параметров качества подземных вод, а именно. EC, SAR, TDS и SO 4 с использованием данных из 90 наблюдательных скважин на северо-западе Ирана. Для моделирования целевых переменных использовались два протокола моделирования: во-первых, для оценки целей использовались другие параметры качества, а во-вторых, в качестве входных данных была введена только географическая информация (координаты).На основании полученных результатов все применяемые модели могли моделировать целевые значения с приемлемой точностью, хотя объединенная SVM-FFA превосходила другие по самой высокой точности характеристик. Тем не менее, модели показали хорошую способность имитировать целевые значения, полагаясь на географические данные. Наконец, была подтверждена важность принятия стратегии k-кратного тестирования для сквозного сканирования применяемых моделей, поскольку наблюдались значительные колебания точности характеристик моделей по отношению к выбранным этапам тестирования.Результаты настоящей статьи побуждают к дальнейшим сравнительным исследованиям подходов мягких вычислений с использованием данных из других регионов с различными климатическими условиями и доступностью данных, чтобы укрепить полученные выводы.

Благодарности

Авторы хотели бы выразить свою признательность поставщику данных «Региональная водная компания Восточного Азарбайджана, Иранская компания по управлению водными ресурсами, Министерство энергетики, Исламская Республика Иран».

Ссылки

  1. 1. Джалали М. Геохимия грунтовых вод в сельскохозяйственной зоне Разана, Хамадан, Иран. Экологическая геология. 2009; 56: 1479–1488.
  2. 2. Хименес-Мадрид А., Гогу Р., Мартинес-Наваррете С., Карраско Ф. Подземные воды для потребления человеком в карстовой среде: уязвимость, защита и управление. Карстовая водная среда. Springer; 2019. С. 45–63. https://doi.org/10.1128/AEM.00403-19 pmid: 30926732
  3. 3.Авад С.М., Аль-Мимар Х., Ясин З.М. Доступность подземных вод и устойчивость спроса на воду в верхних мегаполисах Аравийского полуострова и в западном регионе Ирака. Окружающая среда, развитие и устойчивость. 2020.
  4. 4. Остовари Ю., Ш. З., Харчегани Х., Асгари К. Влияние геологических образований на качество подземных вод в регионе Лордеган, Чахар-Махал-ва-Бахтияри, Иран. Международный журнал сельского хозяйства и растениеводства. 2013; 5: 1983–1992.
  5. 5.Наганна С. Р., Беязтас Б. Х., Бокде Н., Армануос А. М.. ОБ ОЦЕНКЕ МОДЕЛИ ГРАДИЕНТНОГО ДЕРЕВА ДЛЯ ПРОГНОЗИРОВАНИЯ УРОВНЯ ПОДЗЕМНЫХ ВОД. Инженерия и науки, основанные на знаниях. 2020; 1: 48–57.
  6. 6. Ali1 * SH, Alfalahi AHR, Hachim YA. Миниатюрная компактная широкополосная антенна с частичным заземлением, используемая в системах RFID. Тикрит Журнал инженерных наук. 2020; 27.
  7. 7. Фарджад Б., Пуянде М., Гупта А., Мотамеди М., Марсо Д. Моделирование взаимодействия между землепользованием, климатом и гидрологией наряду с переговорами заинтересованных сторон по управлению водными ресурсами.Устойчивость. 2017; 9: 2022.
  8. 8. Мачивал Д., Джа М.К., Сингх В.П., Мохан С. Оценка и составление карт уязвимости подземных вод к загрязнению: текущее состояние и проблемы. Обзоры наук о Земле. 2018; 185: 901–927.
  9. 9. Ядав К.К., Кумар С., Фам К.Б., Гупта Н., Резания С., Камьяб Х. и др. Загрязнение фтором, проблемы со здоровьем и методы восстановления подземных вод в Азии: всесторонний обзор. Экотоксикология и экологическая безопасность. 2019; 182: 109362. pmid: 31254856
  10. 10.Шариф М.А. Оценка качества воды реки Тигр с использованием методов многомерной статистики. Тикрит Журнал технических наук. 2019; 26: 26–31.
  11. 11. Рэй С.П.С., Эланго Л. Ухудшение качества подземных вод: последствия и управление. Управление водными ресурсами: вызовы и перспективы. Springer; 2019. С. 87–101.
  12. 12. Субрамани Т., Эланго Л., Дамодарасами С.Р. Качество подземных вод и их пригодность для питьевого и сельскохозяйственного использования в бассейне реки Читар, Тамил Наду, Индия.Экологическая геология. 2005; 47: 1099–1110.
  13. 13. Есилнакар М.И., Сахинкая Э. Прогнозирование сульфатов и SAR с помощью искусственной нейронной сети в безграничном водоносном горизонте на юго-востоке Турции. Науки об окружающей среде. 2012; 67: 1111–1119.
  14. 14. Аль-Абуди А.Х., Хашим ЗН. Оценка уязвимости подземных вод с использованием карты Lulc и метода DRASTIC в районе Бахр-эль-Наджаф, в центре Ирака. Тикрит Журнал технических наук. 2019; 26: 1–9.
  15. 15. Ло Д., Го Ц., Ван Х.Моделирование и прогноз динамики подземных вод на основе нейронной сети RBF. Acta Geoscientia Sinica. 2003. 24: 475–478.
  16. 16. Pan C, Ng KTW, Richter A. Комплексный многомерный статистический подход для оценки пространственных изменений качества подземных вод вблизи необлицованной свалки. Науки об окружающей среде и исследованиях загрязнения. 2019; 26: 5724–5737. pmid: 30612362
  17. 17. Omran E-SE. Предлагаемая модель для оценки и картирования пригодности скважин для орошения с использованием геопространственного анализа.Воды. 2012; 4: 545–567.
  18. 18. Калхор К., Гасемизаде Р., Раджич Л., Альшавабке А. Оценка качества подземных вод и восстановления в карстовых водоносных горизонтах: обзор. Подземные воды для устойчивого развития. 2019; 8: 104–121. pmid: 30555889
  19. 19. Шарафати А., Тафаройноруз А., Мотта Д., Ясин З.М. Применение природных алгоритмов оптимизации к модели ANFIS для прогнозирования вызванной волной глубины размыва трубопроводов. Журнал гидроинформатики. 2020;
  20. 20.Салих С.К., Алакили И., Беязтас У, Шахид С., Ясин З.М. Прогнозирование растворенного кислорода, биохимической потребности в кислороде и химической потребности в кислороде с использованием гидрометеорологических переменных: тематическое исследование реки Селангор, Малайзия. Окружающая среда, развитие и устойчивость. 2020; 1–20.
  21. 21. Джамей М., Ахмадианфар I, Чу X, Ясин З.М. Прогнозирование общего содержания растворенных твердых веществ в поверхностных водах с использованием гибридного вейвлет-мультигенного генетического программирования: новый подход. Журнал гидрологии.2020;
  22. 22. Шарафати А., Хаджи Сейед Асадолла С.Б., Мотта Д., Ясин З.М. Применение недавно разработанных ансамблевых моделей машинного обучения для ежедневного прогнозирования нагрузки взвешенных наносов и анализа связанных с ними неопределенностей. Журнал гидрологических наук. 2020;
  23. 23. Хади С.Дж., Томбул М., Салих С.К., Аль-Ансари Н., Ясин З.М. Возможности подхода гибридного вейвлет-преобразования с моделями, управляемыми данными, для моделирования ежемесячного ручного потока. Доступ IEEE. 2020;
  24. 24.Есилнакар М.И., Сахинкая Э., Наз М., Озкая Б. Прогнозирование содержания нитратов в подземных водах равнины Харран, Турция. Экологическая геология. 2008; 56: 19–25.
  25. 25. Лю JP, Чанг MQ, Ма XY. Оценка качества подземных вод на основе машины опорных векторов. Подход к исследованию и планированию речного бассейна HAIHE — Материалы Международного симпозиума 2009 года по интегрированному управлению водными ресурсами и окружающей средой бассейна HAIHE, Пекин, Китай. 2009. С. 173–178.
  26. 26. Maiti S, Erram VC, Gupta G, Tiwari RK, Kulkarni UD, Sangpal RR.Оценка качества подземных вод: сочетание геохимической и геофизической информации через байесовские нейронные сети. Экологический мониторинг и оценка. 2013; 185: 3445–3465. pmid: 22899457
  27. 27. Орзеповски В., Парух А.М., Пуликовски К., Ковальчик Т., Покладек Р. Количественная и качественная оценка сельскохозяйственных водных ресурсов в изменчивых климатических условиях Силезской низменности (Юго-Западная Польша). Управление водными ресурсами в сельском хозяйстве. 2014; 138: 45–54.
  28. 28.Хаки М., Юсофф И., Ислами Н. Применение искусственной нейронной сети и нейро-нечеткой системы для оценки качества подземных вод. ЧИСТО – Почва, Воздух, Вода. 2015; 43: 551–560.
  29. 29. Ваг В.М., Панаскар Д.Б., Мули А.А., Мукате С.В., Лолаж Ю.П., Аамалавар М.Л. Прогнозирование пригодности грунтовых вод для орошения с использованием модели искусственной нейронной сети: тематическое исследование Нандед Техсил, Махараштра, Индия. Моделирование земных систем и окружающей среды. 2016; 2: 1–10.
  30. 30.Barzegar R, Moghaddam AA. Объединение преимуществ нейронных сетей с использованием концепции комитетной машины в прогнозировании солености подземных вод. Моделирование земных систем и окружающей среды. 2016; 2: 26.
  31. 31. Арабгол Р., Сартадж М., Асгари К. Прогнозирование концентрации нитратов и их пространственного распределения в ресурсах подземных вод с использованием модели опорных векторных машин (SVM). Экологическое моделирование и оценка. 2016; 21: 71–82.
  32. 32. Сакизаде М., Мирзаи Р., Горбани Х.Геохимическое влияние на качество подземных вод в восточной части провинции Семнан, Иран. Науки об окружающей среде. 2016; 75: 917.
  33. 33. Сакизаде М., Рахматиния Х. Статистические методы обучения для классификации и прогнозирования качества подземных вод с использованием небольшой записи данных. Международный журнал сельскохозяйственных и экологических информационных систем (IJAEIS). 2017; 8: 37–53.
  34. 34. Голами В., Халеги М.Р., Себгати М. Метод оценки качества подземных вод, основанный на нечеткой сети CANFIS и географической информационной системе (ГИС).Прикладная наука о воде. 2017; 7: 3633–3647.
  35. 35. Nourani V, Alami MT, Vousoughi FD. Метод самоорганизующейся кластеризации карт для пространственно-временного моделирования параметров качества подземных вод на основе ИНС. Журнал гидроинформатики. 2016; 18: 288–309.
  36. 36. Джафари Р., Торабиан А., Горбани М.А., Мирбагери С.А., Хассани А.Х. Прогноз параметра качества подземных вод на Тебризской равнине, Иран, с использованием методов мягких вычислений. Журнал «Водоснабжение: исследования и технологии» — AQUA.2019; 68: 573–584.
  37. 37. Ваг В., Панаскар Д., Мули А., Мукате С., Гайквад С. Моделирование нейросетей для определения концентрации нитратов в подземных водах бассейна реки Кадава, Нашик, Махараштра, Индия. Подземные воды для устойчивого развития. 2018; 7: 436–445.
  38. 38. Кадам А.К., Вагх В.М., Мулей А.А., Умрикар Б.Н., Санкхуа Р.Н. Прогнозирование индекса качества воды с использованием искусственной нейронной сети и подхода к моделированию множественной линейной регрессии в бассейне реки Шивганга, Индия.Моделирование земных систем и окружающей среды. 2019; 5: 951–962.
  39. 39. Арьяфар А., Хосрави В., Зарепурфард Х., Роки Р. Развитие генетического программирования и других моделей на основе искусственного интеллекта для оценки параметров качества подземных вод равнины Хезри, Восточный Иран. Экологические науки о Земле. 2019; 78: 69.
  40. 40. Голами А., Бонакдари Х., Эбтехадж И., Ахтари А.А. Разработка адаптивного метода нейро-нечетких вычислений для прогнозирования переменных потока в крутом повороте на 90 °. Журнал гидроинформатики.2017; jh3017200.
  41. 41. Азими С., Могхаддам М.А., Монфаред САХ. Прогноз ежегодного снижения качества питьевой воды на основе индекса ресурсов подземных вод с использованием искусственной нейронной сети и нечеткой кластеризации. Журнал гидрологии загрязнителей. 2019; 220: 6–17. pmid: 30471981
  42. 42. Натан Н.С., Сараванане Р., Сундарараджан Т. Применение моделей ИНС и MLR для оценки качества подземных вод с использованием CWQI в Lawspet, Пудучерри, Индия. Журнал геонаук и защиты окружающей среды.2017; 5: 99.
  43. 43. Барзегар Р., Могхаддам А.А., Адамовски Дж., Фиджани Э. Сравнение моделей машинного обучения для прогнозирования загрязнения грунтовых вод фторидом. Стохастические исследования окружающей среды и оценка рисков. 2017; 31: 2705–2718.
  44. 44. Маруфпур С., Шири Дж., Маруфпур Э. Моделирование равномерности распределения воды в дождевателях методами, управляемыми данными, на основе эффективных переменных. Управление водными ресурсами в сельском хозяйстве. 2019; 215: 63–73.
  45. 45. Киси О, Азад А., Каши Х., Саидиан А., Хашеми САА, Горбани С.Моделирование параметров качества подземных вод с использованием гибридных нейронечетких методов. Управление водными ресурсами. 2019; 33: 847–861.
  46. 46. Ян Б., Ю Ф, Сяо X, Ван X. Оценка качества подземных вод с использованием классификационной модели: на примере города Цзилинь, Китай. Стихийные бедствия. 2019; 99: 735–751.
  47. 47. Ли Дж., Абдулмохсин Х.А., Хасан С.С., Кайминг Л., Аль-Хатиб Б., Гареб М.И. и др. Гибридный метод мягких вычислений для определения показателя качества воды: река Евфрат.Нейронные вычисления и приложения. 2019; 31: 827–837.
  48. 48. Сепахванд А, Сингх Б., Сихаг П., Самани А.Н. Оценка различных методов мягких вычислений для прогнозирования коэффициента поглощения натрия (SAR). Журнал гидротехники ISSN: 2019; 5010.
  49. 49. Буй Д.Т., Хосрави К., Карими М., Бусико Г., Хозани З.С., Нгуен Х. и др. Улучшение прогноза концентрации нитратов и стронция в подземных водах с помощью нового алгоритма интеллектуального анализа данных. Наука о целостной среде.2020; 136836. pmid: 32007881
  50. 50. Барзегар Р., Фиджани Э., Асгари Могхаддам А., Циритис Э. Прогнозирование колебаний уровня грунтовых вод с использованием ансамблевых гибридных моделей на основе многовейвлетных нейронных сетей. Наука об окружающей среде в целом. 2017; 599–600: 20–31. pmid: 28463698
  51. 51. Гарднер М., Дорлинг С. Искусственные нейронные сети (многослойный персептрон) — обзор приложений в области атмосферных наук. Атмосферная среда. 1998. 32: 2627–2636.
  52. 52. Зунемат-Кермани М., Кермани С.Г., Киянинеджад М., Киси О. Оценка применения интеллектуальных методов, управляемых данными, для оценки расхода через лабиринт с треугольной дугой. Измерение расхода и приборы. 2019; 68: 101573.
  53. 53. Махдави-Мейманд А., Шольц М., Зунемат-Кермани М. Сложные подходы к оптимизации мягких вычислений при моделировании сложных гидравлических явлений в процессе аэрации. Журнал ISH по гидротехнике. 2019; 1–12.
  54. 54. Эхтерам М, Салих SQ, Ясин З.М. Оценка эффективности опреснительной установки обратного осмоса с использованием гибридизированного многослойного персептрона с оптимизацией роя частиц. Науки об окружающей среде и исследованиях загрязнения. 2020; pmid: 32077030
  55. 55. Кортес С., Вапник В. Сети опорных векторов. Машинное обучение. 1995. 20: 273–297.
  56. 56. Авад М., Кханна Р., Авад М., Кханна Р. Регрессия опорных векторов. Эффективные обучающие машины. 2015 г.
  57. 57. Зендехбуди А., Базер М.А., Сайдур Р. Применение опорных векторных машинных моделей для прогнозирования ресурсов солнечной и ветровой энергии: обзор. Журнал чистого производства. 2018; 199: 272–285.
  58. 58. Аднан Р.М., Лян З., Хеддам С., Зунемат-Кермани М., Киси О, Ли Б. Машина опорных векторов наименьших квадратов и многомерные сплайны адаптивной регрессии для прогнозирования стока в горном бассейне с использованием гидрометеорологических данных в качестве входных данных. Журнал гидрологии.2019; 124371.
  59. 59. Наганна С., Дека П., Горбани М., Биазар С., Аль-Ансари Н., Ясин З. Оценка температуры точки росы: применение модели искусственного интеллекта, интегрированной с природными алгоритмами оптимизации. Воды. 2019;
  60. 60. Ян X-S. Алгоритм светлячка. Метаэвристические алгоритмы, вдохновленные природой. 2008; 20: 79–90.
  61. 61. Kazem A, Sharifi E, Hussain FK, Saberi M, Hussain OK. Поддержка векторной регрессии с помощью алгоритма светлячков на основе хаоса для прогнозирования цен на фондовом рынке.Прикладные программные вычисления. 2013; 13: 947–958.
  62. 62. Friedman JH. Многомерные адаптивные сплайны регрессии. Летопись статистики. 1991; 19: 1–67.
  63. 63. Ализамир М., Ким С., Киси О, Зунемат-Кермани М. Сравнительное исследование нескольких методов нелинейной регрессии на основе машинного обучения при оценке солнечной радиации: тематические исследования в регионах США и Турции. Энергия. 2020; 117239.
  64. 64. Брейман Л. Случайные леса. Машинное обучение.2001; 45: 5–32.
  65. 65. Зунемат-Кермани М., Стефан Д., Барьенбрух М., Хинкельманн Р. Моделирование ансамблевого анализа данных при коррозии бетонного коллектора: сравнительное исследование сетевых (MLPNN и RBFNN) и древовидных моделей (RF, CHAID и CART). Передовая инженерная информатика. 2020; 43: 101030.
  66. 66. Маруфпур С., Маруфпур Э., Бозорг-Хаддад О., Шири Дж., Мундхер Ясин З. Моделирование влажности почвы с использованием гибридной модели искусственного интеллекта: гибридизация адаптивной нейро-нечеткой системы вывода с алгоритмом оптимизатора серого волка.Журнал гидрологии. 2019; 575: 544–556.
  67. 67. Ван Л., Киси О, Зунемат-Кермани М., Чжу З., Гонг В., Ниу З. и др. Прогнозирование солнечной радиации в Китае с использованием различных адаптивных нейронечетких методов и дерева моделей M5. Международный журнал климатологии. 2017; 37: 1141–1155.
  68. 68. Бенмуиза К., Чекнан А. Кластеризованная сеть ANFIS с использованием нечетких c-средних, субтрактивной кластеризации и разделения сетки для почасового прогнозирования солнечной радиации. Теоретическая и прикладная климатология.2019; 137: 31–43.
  69. 69. Тияша, Тунг TM, Ясин З.М. Обзор моделирования качества речной воды с использованием моделей искусственного интеллекта: 2000–2020 гг. Журнал гидрологии. 2020.
  70. 70. Легаты DR, McCabe GJ. Оценка использования критериев «качества соответствия» при валидации гидрологических и гидроклиматических моделей. Исследование водных ресурсов. 1999; 35: 233–241.
  71. 71. Легаты DR, Mccabe GJ. Оценка использования критериев «качества соответствия» при валидации гидрологических и гидроклиматических моделей.исследование водных ресурсов. 1999; 35: 233–241.
  72. 72. Смедема Л.К., Флотман В.Ф., Райкрофт Д.В. Современный дренаж земель: планирование, проектирование и управление сельскохозяйственными дренажными системами. 2004;
  73. 73. Маруфпур С., Джалали М., Никмер С., Шири Н., Шири Дж., Маруфпур Э. Моделирование качества подземных вод с использованием гибридных интеллектуальных и геостатистических методов. Науки об окружающей среде и исследованиях загрязнения. 2020; pmid: 32415439
  74. 74. Ясин З.М., Эбтехадж И., Ким С., Санихани Х., Асади Х., Гареб М.И. и др.Новая гибридная модель интеллектуального анализа данных для прогнозирования ежемесячных осадков с анализом неопределенности. Вода (Швейцария). 2019;

Иногда ваши ногти могут укусить вас в ответ

«Ногти часто становятся тонкими и ломкими с возрастом; в отличие от них, ногти на ногах становятся толще и тверже», — отмечают авторы.

Одним из наиболее распространенных эффектов возраста на ногтях является появление продольных гребней, нормальное развитие, которое не является признаком болезни, травмы или недостатка питания.Как уплощение ногтей, так и вогнутость (ложные ногти) обычно являются нормальными возрастными изменениями, хотя иногда ложные ногти могут быть признаком железодефицитной анемии, диабета, заболевания щитовидной железы или дефицита витаминов.

Природа и забота

Ногти часто становятся более ломкими с возрастом. Факторы, способствующие этому, включают частое использование продуктов для ногтей, чрезмерное воздействие моющих средств или воды или, возможно, дефицит железа, заболевания щитовидной железы или снижение периферического кровообращения.

Проблемы с хрупкими ногтями можно уменьшить, надев резиновые перчатки при мытье посуды, надев теплые перчатки в холодную погоду, нанося увлажняющие кремы перед сном и после мытья, сохраняя короткие ногти, используя мягкую пилку и принимая витаминные добавки, содержащие комплекс B.

Ногти пожилых людей часто становятся тусклыми, непрозрачными и обесцвечиваются, возможно, в результате грибковой инфекции под ногтем. Желтые ногти могут быть признаком заболеваний дыхательных путей. Белые ногти могут указывать на заболевание печени или почек, волчанку, подагру, сердечную недостаточность или отравление, либо они могут быть побочным эффектом некоторых лекарств.

К числу наиболее серьезных деформаций ногтей у пожилых людей относятся клешни — болезненные защемления кончиков ногтей на ногах, которые могут быть вызваны неподходящей обувью или воспалительным остеоартритом.Они могут привести к инфекциям и вросшим ногтям на ногах и часто требуют корректирующей операции.

Другая неприятная проблема с ногтем на ноге возникает из-за неравномерного утолщения ногтевой пластины, обычно на большом пальце ноги, вызванного повреждением клеток корня ногтя. Ноготь становится крючковатым или когтистым, становится непрозрачным и коричневым, и может потребоваться удаление корня ногтя, чтобы не дать поврежденным клеткам образоваться новый деформированный ноготь.

Похожие записи

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *