![Ιδρυματικό Αποθετήριο [SANDBOX]](images/dias.logo.png "Ιδρυματικό Αποθετήριο [SANDBOX]"){kind=logo}
Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/7E60BF94-CFB4-416F-8E83-1D4DEDE33094 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.92852 | - |
| Γλώσσα | el | - |
| Μέγεθος | 82 σελίδες | el |
| Μέγεθος | 2.7 megabytes | en |
| Τίτλος | Διερεύνηση χρήσης αλγορίθμων μηχανικής μάθησης για πρόβλεψη λειτουργίας αντλιοστασίου | el |
| Τίτλος | Investigation of using machine learning algorithms for predicting the operation of a pumping station | en |
| Δημιουργός | Andreadakis Antonios | en |
| Δημιουργός | Ανδρεαδακης Αντωνιος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Stavroulakis Georgios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Σταυρουλακης Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Arampatzis Georgios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Αραμπατζης Γεωργιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Marinaki Magdalini | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Μαρινακη Μαγδαληνη | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Production Engineering and Management | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησης | el |
| Περιγραφή | Διπλωματική εργασία που υποβλήθηκε στη σχολή ΜΠΔ του Πολυτεχνείου Κρήτης για την πλήρωση προϋποθέσεων λήψης πτυχίου | el |
| Περίληψη | 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 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 |
| Περίληψη | 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. | en |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2022-07-22 | - |
| Ημερομηνία Δημοσίευσης | 2022 | - |
| Θεματική Κατηγορία | Πρόβλεψη | el |
| Θεματική Κατηγορία | Μοντελοποίηση αντλιοστασίου | el |
| Θεματική Κατηγορία | Μηχανική μάθηση | el |
| Βιβλιογραφική Αναφορά | Αντώνιος Ανδρεαδάκης, "Διερεύνηση χρήσης αλγορίθμων μηχανικής μάθησης για πρόβλεψη λειτουργίας αντλιοστασίου", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022 | el |
| Βιβλιογραφική Αναφορά | Antonios 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, 2022 | en |
Copyright © DIAS 2013
