The study areas are located in Turkey (Kastamonu, Bartın, Karabük, Sivas) and contain very different rock types, various mining and agricultural activity opportunities. So, the areas have groundwaters that have different chemical compositions and electrical conductivity (EC) values. The EC can be measured using EC meter, and it must be measured in situ. But, the measurement of EC in situ is laborious, time-consuming, expensive, and difficult in arduous terrain environments. In recent years, machine learning models have been a primary focus of interest for a lot of study by providing often highly accurate forecast for solutions of such problems. The aim of the study is to forecast EC of groundwater using artificial neural networks (ANN) and multiple linear regressions (MLR). Twelve different hydrochemical parameters, which affect the EC, such as major/minor ions and trace elements, were used in the analysis. Multilayer feed-forward ANN trained with backpropagation in Python machine learning libraries was used in this study. In order to obtain the most appropriate ANN architecture, trial-and-error procedure was used and different numbers of hidden layers, neurons, activation functions, optimizers, and test sizes were constructed. This study also tests the usability of input parameters in EC prediction studies. As a result, comparisons between the measured and predicted values indicated that the machine learning models could be successfully applied and provide high accuracy and reliability for EC and similar parameters forecasting.

中文翻译：

---

使用ANN和MLR预测电导率：来自土耳其的案例研究

研究区域位于土耳其（Kastamonu，Bartın，Karabük，Sivas），并且包含非常不同的岩石类型，各种采矿和农业活动机会。因此，这些地区的地下水具有不同的化学成分和电导率（EC）值。可以使用EC仪表来测量EC，并且必须在原位进行测量。但是，在恶劣的地形环境中，原位EC的测量很费力，费时，昂贵并且困难。近年来，机器学习模型一直是许多研究的主要关注点，因为它们通常会为此类问题的解决方案提供高度准确的预测。该研究的目的是使用人工神经网络（ANN）和多元线性回归（MLR）预测地下水的EC。十二种不同的水化学参数会影响EC，分析中使用了诸如主要/次要离子和微量元素之类的元素。本研究使用在Python机器学习库中经过反向传播训练的多层前馈ANN。为了获得最合适的ANN架构，使用了反复试验程序，并构造了不同数量的隐藏层，神经元，激活函数，优化器和测试大小。这项研究还测试了EC预测研究中输入参数的可用性。结果，测量值和预测值之间的比较表明，机器学习模型可以成功应用，并为EC和类似参数的预测提供了较高的准确性和可靠性。本研究使用在Python机器学习库中经过反向传播训练的多层前馈ANN。为了获得最合适的ANN架构，使用了反复试验程序，并构造了不同数量的隐藏层，神经元，激活函数，优化器和测试大小。这项研究还测试了EC预测研究中输入参数的可用性。结果，实测值和预测值之间的比较表明，机器学习模型可以成功应用，并为EC和类似参数的预测提供了较高的准确性和可靠性。本研究使用在Python机器学习库中经过反向传播训练的多层前馈ANN。为了获得最合适的ANN架构，使用了反复试验程序，并构造了不同数量的隐藏层，神经元，激活函数，优化器和测试大小。这项研究还测试了EC预测研究中输入参数的可用性。结果，测量值和预测值之间的比较表明，机器学习模型可以成功应用，并为EC和类似参数的预测提供了较高的准确性和可靠性。并构造了测试尺寸。这项研究还测试了EC预测研究中输入参数的可用性。结果，实测值和预测值之间的比较表明，机器学习模型可以成功应用，并为EC和类似参数的预测提供了较高的准确性和可靠性。并构造了测试尺寸。这项研究还测试了EC预测研究中输入参数的可用性。结果，实测值和预测值之间的比较表明，机器学习模型可以成功应用，并为EC和类似参数的预测提供了较高的准确性和可靠性。