Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Εκτίμηση της στάθμης υπογείων υδάτων στην ευρύτερη περιοχή του Ποταμού Δούναβη με χρήση τεχνητών νευρωνικών δικτύων

Landros Ilias

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/B15F7DAA-F087-4E59-A549-427F32CD1B03
Έτος 2019
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Εμφανίζεται στις Συλλογές

Περίληψη

Μέσα στο πλαίσιο της συγκεκριμένης διπλωματικής εργασίας εξετάζεται η χρήση και η εκπαίδευσή τεχνητών νευρωνικών δικτύων, με σκοπό την προσομοίωση της υπόγειας στάθμης των πηγαδιών στην ευρύτερη περιοχή του ποταμού Δούναβη. Ο ποταμός Δούναβης εκτείνεται σε 10 διαφορετικές χώρες, αλλά στην περίπτωση μας τα τυχαία πηγάδια παρατήρησης ως προς έρευνα βρίσκονται στην Αυστρία, Βουλγαρία, Γερμανία, Κροατία, Ουγγαρία, Ρουμανία, Σερβία και Σλοβενία. Τα τεχνητά νευρωνικά δίκτυα προσπαθούν να προσομοιώσουν την υπόγεια στάθμη των πηγαδιών μέσα από το υδατικό ισοζύγιο. Αρχικά χρειαζόταν η κατάλληλη προεπεξεργασία των δεδομένων για την δημιουργία του πίνακα εισόδου και διανύσματος στόχου στο νευρωνικό δίκτυο. Ο πίνακας εισόδου αποτελείται από μετεωρολογικά δεδομένα, συντεταγμένες των πηγαδιών, χρονολογία, δυνητική εξατμισοδιαπνοή, εξάτμιση από υδάτινες επιφάνειες και εξατμισοδιαπνοή από το έδαφος και τα φυτά. Το διάνυσμα στόχου περιέχει τις πραγματικές τιμές της υπόγειας στάθμης των πηγαδιών. Τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των τεχνητών νευρωνικών δικτύων περιέχουν τιμές από 01/01/2000-31/10/2014 για συνολικά 128 πηγάδια παρατήρησης.Μετά την ολοκλήρωση της προ επεξεργασίας των δεδομένων, τεχνητά νευρωνικά δίκτυα εκπαιδεύτηκαν με τα εργαλεία Neural Fitting tool (nftool) και Neural Network tool (nntool). Οι δυο αλγόριθμοι εκπαίδευσης που χρησιμοποιήθηκαν είναι οι Levenberg-Marquardt και Bayesian Regularization. Η εκπαίδευση των τεχνητών νευρωνικών δικτύων πραγματοποιήθηκε με βάση τα παραπάνω για διαφορετικές παραμέτρους κάθε φορά ως προς τους κρυφούς κόμβους, τα ποσοστά εκπαίδευσης καθώς και τους αλγόριθμους εκπαίδευσης. Κατά την διάρκεια εκπαίδευσης τεχνητών νευρωνικών δικτύων, προσπαθούμε να εντοπίσουμε το μοντέλο με τις παραμέτρους από το οποίο θα προκύψουν τα βέλτιστα αποτελέσματα. Κριτήρια επιλογής για την επιλογή του βέλτιστου μοντέλου ήταν η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος, ο συντελεστής συσχέτισης καθώς υπολογίστηκαν και κάποιοι επιπλέον δείκτες που χρησιμοποιούνται συχνά στην υδρολογία. Στην συγκεκριμένη διπλωματική εργασία τεχνητά νευρωνικά δίκτυα εκπαιδευτήκαν με βάση όλα τα πηγάδια παρατήρησης. Μετά από την επιλογή του βέλτιστου τεχνητού νευρωνικού δικτύου, από εκείνα που εκπαιδεύτηκαν με τα δεδομένα όλων των πηγαδιών εξετάστηκε και το ενδεχόμενο της εκπαίδευσης ενός τεχνητού νευρωνικού δικτύου για ένα μόνο τυχαίο πηγάδι παρατήρησης για να συγκρίνουμε την συμπεριφορά του τεχνητού νευρωνικού δικτύου.Τέλος, συνοψίζοντας τα αποτελέσματα μας επιτεύχθηκε σφάλμα της τάξεως 〖10〗^(-1) m με την χρήση του αλγόριθμου Bayesian Regularization με βάση όλα τα πηγάδια παρατήρησης. Όσον αφορά τα αποτελέσματα από την εκπαίδευση τεχνητού νευρωνικού δικτύου για ένα πηγάδι μόνο και όχι για όλα τα πηγάδια μαζί, έδωσε καλύτερα αποτελέσματα ως προς την προσομοίωση της υπόγειας στάθμης καθώς οι τιμές βρίσκονται πιο κοντά στις παρατηρημένες τιμές αλλά το τεχνητό νευρωνικό δίκτυο δεν μπορεί να εκτιμήσει τις ακραίες τιμές.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά