Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Συσχέτιση και συμπλήρωση βροχομετρικών δεδομένων της περιοχής Κάμπου Χανίων με χρήση τεχνητών νευρωνικών δικτύων

Kyriakou Nikolaos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/187013DA-2DE2-421E-83D0-7E4462218C23
Έτος 2021
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Νικόλαος Κυριάκου, "Συσχέτιση και συμπλήρωση βροχομετρικών δεδομένων της περιοχής Κάμπου Χανίων με χρήση τεχνητών νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Χημικών Μηχανικών και Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, 2021 https://doi.org/10.26233/heallink.tuc.90558
Εμφανίζεται στις Συλλογές

Περίληψη

Στο πλαίσιο της παρούσας διπλωματικής εργασίας εξετάζεται η χρήση και η εκπαίδευση τεχνητών νευρωνικών δικτύων, με σκοπό την προσομοίωση τιμών βροχόπτωσης στην περιοχή του Σταλού που δεν καταγράφηκαν λόγω βλαβών στον σταθμό, λαμβάνοντας ως δεδομένα εισόδου τιμές βροχόπτωσης της ευρύτερης περιοχής του κάμπου Χανιών κατά την περίοδο 10/2018 έως 10/2019. Στον Κάμπο Χανίων εκτός από τον μετεωρολογικό σταθμό του Σταλού, εδρεύουν και εκείνοι της πόλης των Χανίων, των Κουνουπιδιανών (Πολυτεχνειούπολη), του Πλατανία και του Αλικιανού. Χρησιμοποιώντας τα δεδομένα χρονοσειρών βροχόπτωσης των 5 αυτών μετεωρολογικών σταθμών για ένα διάστημα ενός χρόνου που λειτουργούσαν όλοι, έγινε μια προεπεξεργασία των τιμών για να απομονωθούν οι μελετώμενες τιμές. Καθώς, οι χρονοσειρές που προκύπτουν από διαδικασία καταγραφής υψών βροχής είναι μη γραμμικές κρίθηκε εφαρμόσιμη η χρήση Τεχνητών Νευρωνικών Δικτύων για την πραγματοποίηση της εργασίας. Αρχικά χρειαζόταν η δημιουργία ενός πίνακα εισόδου με τις τιμές της βροχής που καταγράφηκαν στους σταθμούς του Αλικιανού, του Πλατανιά, του κέντρου Χανίων και των Κουνουπιδιανών και ενός διανύσματος στόχου στο νευρωνικό δίκτυο με τις τιμές του σταθμού του Σταλού. Μετά την ολοκλήρωση αυτής της προεπεξεργασίας, τα τεχνητά νευρωνικά δίκτυα εκπαιδεύτηκαν με το εργαλείο Neural Fitting Tool (nftool) του περιβάλλοντος της Matlab. Οι δύο 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, έγινε προσπάθεια να εντοπιστεί το μοντέλο με τις παραμέτρους από το οποίο θα πρόκυπταν τα βέλτιστα αποτελέσματα. Κριτήρια επιλογής για την επιλογή του βέλτιστου μοντέλου ήταν η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος και ο συντελεστής συσχέτισης. Τέλος, συνοψίζοντας τα αποτελέσματα επιτεύχθηκε σφάλμα της τάξεως [10]^(-2) m με την χρήση του αλγόριθμου Bayesian Regularization.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά