Συντάχθηκε 27-05-2015 09:04
από Evdokia Tapoglou
Email συντάκτη: etapoglou<στο>tuc.gr
Ενημερώθηκε:
-
Κύρια: απόφοιτος προπτυχιακός ΜΗΠΕΡ.
Άλλες ιδιότητες: απόφοιτος ΜΔΕ/Διδ. ΜΗΠΕΡ
Παρουσίαση διδακτορικής διατριβής με θέμα:
«Spatial and Temporal changes in groundwater levels using Artificial Neural Networks and Geostatistical methods. - Χωροχρονικές μεταβολές στάθμης υπογείων υδάτων με χρήση Τεχνητών Νευρωνικών Δικτύων και Γεωστατιστικών μεθόδων.»
Ημερομηνία παρουσίασης: Παρασκευή 29 Μαΐου 2015 και ώρα 14.00
Αίθουσα: Κ2.Α3
Υποψήφια Διδάκτωρ: Ευδοκία Ταπόγλου
Επταμελής Εξεταστική Επιτροπή:
Γεώργιος Καρατζάς, Καθηγητής Σχολής Μηχανικών Περιβάλλοντος Πολυτεχνείου Κρήτης (Επιβλέπων)
Νικόλαος Νικολαΐδης, Καθηγητής Σχολής Μηχανικών Περιβάλλοντος Πολυτεχνείου Κρήτης (Μέλος Τριμελούς Συμβουλευτικής Επιτροπής)
Ιωάννης Νικολός, Αναπληρωτής Καθηγητής Σχολής Μηχανικών Παραγωγής και Διοίκησης Πολυτεχνείου Κρήτης (Μέλος Τριμελούς Συμβουλευτικής Επιτροπής)
Κωνσταντίνος Χρυσικόπουλος, Καθηγητής Σχολής Μηχανικών Περιβάλλοντος, Πολυτεχνείου Κρήτης
Ιωάννης Τσάνης, Καθηγητής Σχολής Μηχανικών Περιβάλλοντος Πολυτεχνείου Κρήτης
Διονύσιος Χριστόπουλος, Καθηγητής Σχολής Μηχανικών Ορυκτών Πόρων Πολυτεχνείου Κρήτης
Αθανάσιος Λουκάς, Καθηγητής Τμήματος Πολιτικών Μηχανικών Πανεπιστημίου Θεσσαλίας
Περίληψη:
Σκοπός της παρούσας διατριβής είναι η δημιουργία ενός προγράμματος χωρικής και χρονικής προσομοίωσης του υδραυλικού ύψους ενός υδροφορέα, με χρήση μεθόδων υπολογιστικής νοημοσύνης και γεωστατιστικών μεθόδων. Τα Τεχνητά Νευρωνικά Δίκτυα είναι η μέθοδος που επιλέχθηκε για τη χρονική προσομοίωση, καθώς έχει αποδειχθεί ήδη στην βιβλιογραφία ότι η χρήση της φέρει καλά αποτελέσματα χωρίς την απαίτηση πολύπλοκων και δυσεύρετων δεδομένων εισόδου. Η μεθοδολογία του Kriging ακολουθήθηκε για τη χωρική προσομοίωση και παρεμβολή των αποτελεσμάτων των τεχνητών νευρωνικών δικτύων στο χώρο. Για το συνδυασμό των δύο αυτών μεθοδολογιών χρησιμοποιήθηκε ένα σύστημα ασαφούς λογικής.
Το πρώτο βήμα που ακολουθείται στην προτεινόμενη προσέγγιση είναι η συλλογή όλων των διαθέσιμων δεδομένων. Στην παρούσα διατριβή συλλέχθηκαν δεδομένα και έγινε προσομοίωση του υδραυλικού ύψους για δύο περιοχές μελέτης· μια στην Βαυαρία της Γερμανίας και μια στο Μαϊάμι της πολιτείας Φλόριντα των ΗΠΑ. Οι δύο αυτές περιοχές έχουν πολύ διαφορετικά χαρακτηριστικά μεταξύ τους και για αυτό το λόγο η επιτυχής προσομοίωση του υδραυλικού ύψους σε αυτές μπορεί να επιβεβαιώσει την αξιοπιστία του μοντέλου. Στη συνέχεια προσδιορίζονται οι βέλτιστες χρονικές υστερήσεις παραμέτρων όπως οι κατακρημνίσεις και το ύψος ή/και η παροχή των επιφανειακών υδάτων.
Ακολουθεί η προσομοίωση με χρήση τεχνητών νευρωνικών δικτύων. Ανάλογα με την περιοχή μελέτης και τα χαρακτηριστικά των διαθέσιμων δεδομένων, δοκιμάστηκαν διάφορες αρχιτεκτονικές, έτσι ώστε να επιλεχθεί το κατάλληλο δίκτυο για την προσομοίωση. Στην πρώτη περιοχή μελέτης δοκιμάστηκε η χρήση συστήματος ασαφούς λογικής για την επιλογή των κατάλληλων γειτόνων που στην συνέχεια χρησιμοποιούνται από τον αλγόριθμο του kriging. Η αποτελεσματικότητα της χρήσης της μεθόδου ασαφούς λογικής αποδείχθηκε συγκρίνοντας τα αποτελέσματα της μεθόδου με αυτά που προκύπτουν χωρίς τη χρήση της.
Τέλος, εφαρμόζεται η μεθοδολογία της παρεμβολής με kriging, με χρήση τριών διαφορετικών βαριογραμμάτων σε κάθε περίπτωση. Τα αποτελέσματα αξιολογούνται μέσω μιας σειράς δεικτών σφάλματος σε δεδομένα διασταυρωμένης επικύρωσης και προσδιορίζεται το πιο κατάλληλο θεωρητικό μοντέλο βαριογράμματος για κάθε περιοχή μελέτης ξεχωριστά. Για την πρώτη περιοχή μελέτης στη Βαυαρία, καταλληλότερο βαριόγραμμα ήταν το δυναμονομικό με τιμή για τη ρίζα του μέσου τετραγωνικού σφάλματος (RMSE) ίση με 7.6·10-3 m. Για την δεύτερη περιοχή μελέτης καταλληλότερο βαριόγραμμα ήταν το εκθετικό με τιμή για το δείκτη σφάλματος RMSE ίση με 0.962 m. Βασική διαφορά που οδηγεί σε αυτή την απόκλιση στις τιμές του σφάλματος ήταν ότι στην πρώτη περίπτωση προσομοιώνεται η διαφορά του υδραυλικού ύψους, ενώ στη δεύτερη περιοχή μελέτης προσομοιώνεται το υδραυλικό ύψος αυτό καθ’ αυτό. Η επιλογή διαφορετικών παραμέτρων εξόδου έγινε καθώς στη πρώτη περίπτωση οι τιμές που προσομοιώθηκαν είχαν μεγάλες αρχικές τιμές, με μεγάλη μεταβλητότητα μεταξύ των σημείων με δεδομένα, ενώ στη δεύτερη περίπτωση τα δεδομένα υδραυλικού ύψους είχαν ομοιόμορφες, σχεδόν κανονικοποιημένες, τιμές.
Για την επιβεβαίωση του μοντέλου και την πιστοποίηση της ακρίβειάς του, πραγματοποιήθηκε ανάλυση αβεβαιότητας. Αρχικά προσδιορίστηκαν τα διαστήματα εμπιστοσύνης των παραμέτρων εξόδου των τεχνητών νευρωνικών δικτύων εφαρμόζοντας την ποσοστιαία μέθοδο. Στη συνέχεια μέσω ανάλυσης Monte Carlo, προσδιορίστηκαν η αβεβαιότητα της παραμέτρου εξόδου στην εκπαίδευση των τεχνητών νευρωνικών δικτύων με τη μορφή διαστημάτων εκτίμησης, αλλά και η επίδραση τους στα αποτελέσματα του kriging. Σε τελευταίο στάδιο μελετήθηκε η αβεβαιότητα των παραμέτρων εξόδου στις παραμέτρους του kriging με χρήση συνθετικών δεδομένων.
Τα αποτελέσματα των παραπάνω διεργασιών έδειξαν ότι η χρησιμοποιούμενη μεθοδολογία ήταν αποτελεσματική, ακριβής και σταθερή ως προς τα αποτελέσματα και τα σφάλματά της. Το μοντέλο αυτό στη συνέχεια μπορεί να χρησιμοποιηθεί για τη χωρική και χρονική προσομοίωση του υδραυλικού ύψους, αλλά και άλλων παραμέτρων, χωρίς να είναι γνωστές οι γεωλογικές συνθήκες του πεδίου. Αντ’ αυτού χρησιμοποιούνται δεδομένα που είναι διαθέσιμα για μεγάλο χρονικό διάστημα και είναι εύκολα στην καταγραφή τους, όπως για παράδειγμα μετεωρολογικά δεδομένα. Επιπροσθέτως η χρήση της ασαφούς λογικής για τον προσδιορισμό των γειτόνων του kriging αποτελεί καινοτομία της παρούσας εργασίας και μπορεί να βελτιώσει τα αποτελέσματα της μεθόδου.
