Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Μεταπτυχιακής Διατριβής -Γαλάνης Δημήτριος-Σχολή ΜΗΠΕΡ

  • Συντάχθηκε 29-03-2021 12:48 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 05/04/2021 17:00
    Λήξη: 05/04/2021 18:00

    Πρόγραμμα Μεταπτυχιακών Σπουδών «ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΜΗΧΑΝΙΚΗ»

                   

    ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΔΙΑΤΡΙΒΗΣ

    Όνοματεπώνυμο Μεταπτυχιακού Φοιτητή: Δημήτριος Γαλάνης            .

    Α.Μ.: 2019057503                                                                                .

    Ημερομηνία Παρουσίασης: Δευτέρα 05/04/2021                                   .

    Ώρα:   17:00                                                                                          .     

    Link: https://tuc-gr.zoom.us/j/2890432191?pwd=dDFCRUV5d2RyNjh5dVFXUlBSb2RHZz09

    Meeting ID:   289 043 2191                                                                  .                                                                                                

    Password:   090768                                                                              .

    Θέμα ΔΜΣ « Χρήση τεχνητών νευρωνικών δικτύων για τον προσδιορισμό της σταθμής του υδροφόρου, στην περιοχή της λεκάνης απορροής του Δούναβη»

    Title MSc «Use of artificial neural networks to determine the groundwater levels in the Danube catchment area»

    Επιβλέπων: Γεώργιος Π. Καρατζάς   .

    Τριμελής Εξεταστική Επιτροπή:

    1 Γεώργιος Π. Καρατζάς              .

    2 Νικόλαος Νικολαΐδης                          .

    3 Δρ. Ιωάννης Τριχάκης                   .

    Περίληψη:

    Η παρακολούθηση των υπογείων υδάτων, όσον αφορά την ποσότητα τους καθώς και την ποιότητα τους, είναι υποχρεωτική με βάση την ελληνική αλλά και την ευρωπαϊκή νομοθεσία. Η ακριβής παρακολούθηση τους όμως δεν είναι εφικτή, καθώς δεν είναι δυνατή η μέτρηση της στάθμης τους και των ποιοτικών χαρακτηριστικών τους, σε κάθε σημείο της εκάστοτε περιοχής ενδιαφέροντος.  Αντ’ αυτού σχεδιάζονται κατάλληλα υπολογιστικά μοντέλα που μπορούν να δώσουν ακριβή εκτίμηση τόσο της ποσότητας, όσο και της ποιότητας τους.

    Τα τελευταία χρόνια αντί της χρησιμοποίησης των παραδοσιακών αριθμητικών μοντέλων, που βασίζονται στην προσεγγιστική επίλυση της εξίσωσης της υπόγειας ροής, ολοένα κερδίζει έδαφος η χρήση της τεχνητής νοημοσύνης και συγκεκριμένα των τεχνητών νευρωνικών δικτύων (Τ.Ν.Δ.), για την εκτίμηση τόσο των ποσοτικών όσο και των ποιοτικών χαρακτηριστικών των υπογείων υδάτων.

    Στην παρούσα εργασία, πραγματοποιείται μια σύντομη καταγραφή των σημαντικότερων καινοτομιών στον τομέα των Τ.Ν.Δ., καθώς και όλων των εξελίξεων που τα καθιέρωσαν ως  το βασικότερο εργαλείο χρήσης της τεχνητής νοημοσύνης σε διάφορους τομείς της επιστήμης. Στην συνέχεια αναλύονται οι μέθοδοι εκπαίδευσης που χρησιμοποιούνται στην μηχανική εκμάθηση καθώς και καταγραφή των βασικών εξισώσεων που χρησιμοποιούνται από τους εκάστοτε αλγόριθμους εκπαίδευσης.

    Αφού δοθούν κάποια γενικά στοιχεία για την περιοχή της λεκάνης απορροής του Δούναβη (η οποία χρησιμοποιήθηκε ως περιοχή μελέτης στην παρούσα εργασία), περιγράφεται αναλυτικά ο τρόπος με τον οποίο έγινε η οργάνωση των δεδομένων, ώστε να μπορούν να χρησιμοποιηθούν για μηχανική εκμάθηση. Στην συνέχεια περιγράφεται ο τρόπος με τον οποίο μπορεί να γίνει χρήση Τ.Ν.Δ. μέσω του MATLAB και γίνεται κάποιος έλεγχος ώστε να βρεθεί ο κατάλληλος αλγόριθμος για την εκπαίδευση του Τ.Ν.Δ. καθώς και η επιλογή της κατάλληλης αρχιτεκτονικής του.

    Με την επιλογή και χρήση του κατάλληλου αλγορίθμου, εξετάζονται κάποια σενάρια ώστε να μπορεί να επιτευχθεί σωστή εκτίμηση του υδροφόρου ορίζοντα σε όλη την περιοχή μελέτης. Το ερευνητικό κομμάτι ολοκληρώνεται με την σύγκριση των εκτιμήσεων των μοντέλων με πραγματικές τιμές, ώστε να ελεγχθεί η εγκυρότητα των αποτελεσμάτων τους.

    Τέλος γίνεται μια ανασκόπηση της εργασίας, παρατηρήσεις από τα πειραματικά αποτελέσματα, καθώς προτάσεις αλλαγών και σημεία αποφυγής για μελλοντικές μελέτες ώστε να βελτιωθεί σημαντικά η εκτίμηση των Τ.Ν.Δ.

    Abstract

    The monitoring of groundwater, in terms of their quantity and quality, is mandatory based on Greek and European legislation. However, their accurate monitoring of their level as well as their quality characteristics, is not possible, in every point of the respective study area. Instead, suitable computer models are designed that can give an accurate estimate of both quantity and quality.

    In recent years, instead of using traditional arithmetic models, based on the approximate solution of the underground flow equation, the use of artificial intelligence and in particular artificial neural networks (A.N.N.), for the estimation of both quantitative and qualitative characteristics of groundwater is gaining advantage.

    In the present work, a brief record of the most important innovations in the field of A.N.N., as well as all the developments that have established them as the main tool for the use of artificial intelligence in various fields of science, is listed. Afterwards, an analysis of the training methods used in machine learning is been made, followed up with the analysis of the basic equations used by the respective training algorithms.

    In the next part of the study, a brief report of ​​the Danube river basin (which was used as study area) is been made. While the method used to organize the data in order to be able to be used in machine learning, is been described in detail. Followed up with a description of the MATLAB A.N.N. tool and the selection of the appropriate algorithm as well as the proper architecture of the A.N.N.

    A number of scenarios are been examined, in order to achieve a correct simulation of the groundwater levels in the whole study area. Followed up, by a validation part, in which a comparison of the predicted data with unused real data is been made.

    In conclusion, there is a review of this study. Including observations from the experimental results, as well as suggestions for changes and avoidance points for future studies in order to significantly improve the assessment of A.N.N.

     



© Πολυτεχνείο Κρήτης 2012