Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.
