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 Διπλωματικής εργασίας κ. Ανδρεαδάκη Αντωνίου -Σχολή ΜΠΔ

  • Συντάχθηκε 20-07-2022 09:47 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 22/07/2022 09:00
    Λήξη: 22/07/2022 10:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΣΗ 

    ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

                                                         Παρουσίαση Διπλωματικής εργασίας κ.  Ανδρεαδάκη Αντωνίου 

    Ονοματεπώνυμο:               ΑΝΔΡΕΑΔΑΚΗΣ ΑΝΤΩΝΙΟΣ

    Αριθμός Μητρώου:             2013010020

     

     

    Θέμα

    Τίτλος στα Ελληνικά:         ΔΙΕΡΕΥΝΗΣΗ ΧΡΗΣΗΣ ΑΛΓΟΡΙΘΜΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑ ΠΡΟΒΛΕΨΗ ΛΕΙΤΟΥΡΓΙΑΣ ΑΝΤΛΙΟΣΤΑΣΙΟΥ

    Τίτλος στα Αγγλικά:            INVESTIGATION OF USING MACHINE LEARNING ALGORITHMS FOR PREDICTING THE OPERATION OF A PUMPING STATION

     

    Εξεταστική Επιτροπή:

    Επιβλέπων:           Γεώργιος Σταυρουλάκης, Καθηγητής

    Πρώτο Μέλος:           Γεώργιος Αραμπατζής, Eπίκουρος  Kαθηγητής

    Δεύτερο Μέλος:        Μαγδαληνή Μαρινάκη, Μέλος  ΕΕΔΙΠ

     

     

    Περίληψη

    Περίληψη της εργασίας στα Ελληνικά:

               

    Στην παρούσα εργασία διερευνήθηκε η αποτελεσματικότητα χρήσης αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της πίεσης, παροχής και συνολικής κατανάλωσης ενέργειας σε ένα υδραυλικό δίκτυο. Συγκεκριμένα, το δίκτυο που χρησιμοποιήθηκε ήταν ένα αντλιοστάσιο νερού με δύο ταυτόσημες αντλίες το οποίο καταθλίβει σε δεξαμενή υψηλότερης στάθμης. Μέσω κατάλληλου χειρισμού των βανών στο δίκτυο σωληνώσεων, οι αντλίες μπορούν να λειτουργήσουν ως μεμονωμένες, σε σειρά ή παράλληλα. Με χρήση του αξιόπιστου προγράμματος αριθμητικής προσομοίωσης υδραυλικών δικτύων EPANET και για πολλαπλά τυχαία σενάρια θέσης βανών και ύψους στάθμης της δεξαμενής κατάθλιψης, υπολογίστηκαν οι τιμές πίεσης στους κόμβους, της παροχής στις σωληνώσεις και της συνολικής κατανάλωσης ενέργειας. Οι τιμές αυτές χρησιμοποιήθηκαν για την εκπαίδευση πολλαπλών μοντέλων μηχανικής εκμάθησης - τύπου Regression - στο πρόγραμμα MATLAB. Το μοντέλο που εμφάνιζε την μικρότερη απόκλιση της μέσης τετραγωνικής τιμής (RMS) χρησιμοποιήθηκε έπειτα για την πρόβλεψη των τιμών πίεσης, παροχής και ενέργειας για 16 προκαθορισμένα σενάρια θέσης βανών και στάθμης δεξαμενής. Μετά από την σύγκριση των προβλεπόμενων τιμών αυτών με τις αντίστοιχες προϋπολογισμένες τιμές από το EPANET, αναδείχθηκε η επιτυχής δυνατότητα χρήσης της μηχανικής εκμάθησης για την πρόβλεψη λειτουργίας του συγκεκριμένου αντλιοστασίου.

     

     

    Περίληψη της εργασίας στα Αγγλικά:

     

    In this thesis, the effectiveness of using machine learning algorithms to predict the pressure, flow rate and total energy consumption in a hydraulic network was investigated. Specifically, the network used was a water pumping station with two identical pumps which depresses into a higher level reservoir. Through appropriate manipulation of the valves in the piping network, the pumps can be operated as individual pumps, in series or in parallel. Using the reliable numerical simulation program for hydraulic networks EPANET and for multiple random scenarios of valve position and depression tank level, the values of pressure at the nodes, flow rate in the piping and total energy consumption were calculated. These values were used to train multiple machine learning models - of the regression type - in MATLAB. The model showing the smallest deviation of the root mean square (RMS) was then used to predict the pressure, flow and energy values for 16 predefined scenarios of vane position and reservoir levels. After comparing these predicted values with the corresponding precalculated values from EPANET, the successful feasibility of using machine learning to predict the operation of this pumping station was demonstrated.

     

    Ημερομηνία Εξέτασης

    Ημέρα/Μήνας/Έτος:           22/07/2022

    Ώρα:                                     09:00 Π.Μ.

     

    Χώρος Εξέτασης

     

    Σύνδεσμος Zoom: https://tuc-gr.zoom.us/j/94251005823?pwd=YVUrOTJBWlFIQ3B1RUpLYnVPYldIUT09

    Meeting ID: 942 5100 5823

    Password: 642499

     

     

     



© Πολυτεχνείο Κρήτης 2012