Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Investigation of using machine learning algorithms for predicting the operation of a pumping station

Andreadakis Antonios

Simple record


URIhttp://purl.tuc.gr/dl/dias/7E60BF94-CFB4-416F-8E83-1D4DEDE33094-
Identifierhttps://doi.org/10.26233/heallink.tuc.92852-
Languageel-
Extent82 σελίδεςel
Extent2.7 megabytesen
TitleΔιερεύνηση χρήσης αλγορίθμων μηχανικής μάθησης για πρόβλεψη λειτουργίας αντλιοστασίου el
TitleInvestigation of using machine learning algorithms for predicting the operation of a pumping station en
CreatorAndreadakis Antoniosen
CreatorΑνδρεαδακης Αντωνιοςel
Contributor [Thesis Supervisor]Stavroulakis Georgiosen
Contributor [Thesis Supervisor]Σταυρουλακης Γεωργιοςel
Contributor [Committee Member]Arampatzis Georgiosen
Contributor [Committee Member]Αραμπατζης Γεωργιοςel
Contributor [Committee Member]Marinaki Magdalinien
Contributor [Committee Member]Μαρινακη Μαγδαληνηel
PublisherΠολυτεχνείο Κρήτηςel
PublisherTechnical University of Creteen
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
DescriptionΔιπλωματική εργασία που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης πτυχίουel
Content SummaryΣτην 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 μάθησης - 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 μάθησης για την πρόβλεψη λειτουργίας του συγκεκριμένου αντλιοστασίου.el
Content SummaryIn 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.en
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2022-07-22-
Date of Publication2022-
SubjectΠρόβλεψηel
SubjectΜοντελοποίηση αντλιοστασίουel
SubjectΜηχανική μάθησηel
Bibliographic CitationΑντώνιος Ανδρεαδάκης, "Διερεύνηση χρήσης αλγορίθμων μηχανικής μάθησης για πρόβλεψη λειτουργίας αντλιοστασίου", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el
Bibliographic CitationAntonios Andreadakis, "Investigation of using machine learning algorithms for predicting the operation of a pumping station", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2022en

Available Files

Services

Statistics