Karatzas GiorgosΚαρατζας ΓιωργοςChatzakis AlexandrosΧατζακης Αλεξανδρος2024-10-312024-10-3120142014-07-18Αλέξανδρος Χατζάκης, "Προσομοίωση της στάθμης υδροφορέα με χρήση ANN και σύγκριση με τα αποτελέσματα του μοντέλου PTC", Διπλωματική Εργασία, Σχολή Μηχανικών Περιβάλλοντος, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2014Alexandros Chatzakis, "Groundwater simulation using artificial neural networks (ANNs) and the Princeton Transport Code (PTC) – Performance Comparison", School of Environmental Engineering, Technical University of Crete, Chania, Greece, 2014https://dspace.library.tuc.gr/handle/123456789/535Διπλωματική εργασία που υποβλήθηκε στη σχολή ΜΗ.ΠΕΡ. του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος Μηχανικού Περιβάλλοντος.The purpose of this study is to simulate the hydraulic head change in an aquifer using two different models. The first model is based on Artificial Neural Networks (ANNs), and was implemented using the ANN MATLAB toolbox. The simulation period is from November of 2008 until October 2012. The input to the ANN includes meteorological parameters, such as rainfall, snowfall, and temperature, as well as flow data of the river running through the study area. For rainfall, snowfall and flow data of the river, correlation analysis was conducted in order to define the appropriate time lags in which the parameter affects the hydraulic head and the use of multiple time lag was considered necessary. Two different cases were studied. One case included snowfall as input parameter, while the other case did not. For each case, two ANN architectures were considered. One of them was consisted by 1 hidden layer and the other architecture included 2 hidden layers. One ANN is trained for each one of the 30 observation wells, where data are available, and the hydraulic head change of a daily time step is simulated. The case that did not contain snowfall as input parameter proved to have significantly better performance than the case that contained snowfall. The second model is the groundwater flow simulator PTC (Princeton Transport Code), combined with the ArgusOne GIS program. The simulation period is one year starting in December of 2008. Digital maps of elevation, geology of the area and position of the observation wells are imported in the program.The model is calibrated using meteorological and geological data and by setting as initial conditions the observed field measurements. The output of the model is the simulated hydraulic heads. The performance of both models is evaluated and compared based on the observed field data in the Bayern region, Germany. As conclusion, ANNs were found to be more accurate in point simulation, while PTC although it is not very accurate in simulating the hydraulic head in points where data were available, gives a better general figure of the groundwater level in a large area (total water balance.The selection of the most appropriate modelfor the simulation at hand, depends on the further use of it, as well as the available data.Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη και η προσομοίωση των διαθέσιμων ποσοτήτων υπόγειου νερού στην Βαυαρία της Γερμανίας, στην ευρύτερη περιοχή του Μονάχου. Για την προσομοίωση έγινε χρήση 2 διαφορετικών μοντέλων και στη συνέχεια έγινε σύγκριση των αποτελεσμάτων τους. Τα μοντέλα που εξετάστηκαν ήταν μοντέλα με χρήση Τεχνητών Νευρωνικών Δικτύων μέσω του περιβάλλοντος της Matlab και το τρισδιάστατο μαθηματικό μοντέλο PTC (Princeton Transport Code). Αρχικά παρατίθενται κάποιες βασικές έννοιες της υπόγειας υδραυλικής που περιλαμβάνουν την περιγραφή του υδρολογικού κύκλου καθώς και πληροφορίες σχετικά με τους υδροφορείς και τις ιδιότητές τους. Στην συνέχεια γίνεται αναφορά στην μοντελοποίηση της ροής των υπόγειων υδάτων με πληροφορίες σχετικά με την κατηγοριοποίηση των μοντέλων και τη χρήση αυτών. Το επόμενο στάδιο είναι η παράθεση του θεωρητικού υποβάθρου των μοντέλων που χρησιμοποιήθηκαν. Συγκεκριμένα, γίνεται λεπτομερής ανάλυση των αρχών που διέπουν τα τεχνητά νευρωνικά δίκτυα, τα πεδία εφαρμογής τους, τα πλεονεκτήματα που παρουσιάζουν και μια ιστορική αναδρομή για τη χρήση τους. Όπως αναφέρθηκε, η ανάπτυξη των αλγορίθμων των δικτύων αυτών έγινε μέσω του περιβάλλοντος της Matlab και για το λόγο αυτό αναλύεται η σχέση των νευρωνικών δικτύων με τη Matlab, ο τρόπος που μπορεί να δημιουργηθεί ένα δίκτυο καθώς και οι δυνατότητες που παρέχονται στον χρήστη από το λογισμικό αυτό. Ακόμα, γίνεται αναφορά στο λογισμικό Argus One μέσω του οποίου χρησιμοποιήθηκε το μοντέλο PTC και παρουσιάζονται οι βασικές εξισώσεις που χρησιμοποιεί το PTC για την επίλυση των προβλημάτων ροής, τόσο για την φάση χρήσης της μεθόδου πεπερασμένων στοιχείων, όσο και στο στάδιο χρήσης πεπερασμένων διαφορών. Στην συνέχεια ακολουθεί περιγραφή της περιοχής μελέτης. Αυτή περιλαμβάνει δημογραφικά στοιχεία, κλιματολογικά στοιχεία (θερμοκρασία, κατακρημνίσεις, ηλιοφάνεια, ανεμολογία), πληροφορίες για το ανάγλυφο, καθώς και πληροφορίες για τη γεωλογία και την υδρογεωλογία της περιοχής. Το επόμενο μέρος καταλαμβάνει η παράθεση πληροφοριών σχετικά με τη μεθοδολογία που ακολουθήθηκε. Στο κομμάτι των νευρωνικών δικτύων το πρώτο βήμα ήταν η επιλογή των δεδομένων προς χρήση ως είσοδοι στα δίκτυα. Τα δεδομένα αυτά περιλαμβάνουν μετεωρολογικά δεδομένα, όπως η βροχόπτωση, η χιονόπτωση, η ηλιοφάνεια, η σχετική υγρασία και η θερμοκρασία, η ροή του ποταμού που διέρχεται από την περιοχή και το υδραυλικό ύψος στον υδροφορέα. Για τα δεδομένα της βροχόπτωσης, της χιονόπτωσης και τη ροής του ποταμού ήταν απαραίτητη η προεπεξεργασία και, συγκεκριμένα, η χρήση του συντελεστή συσχέτισης πριν την εισαγωγή τους στο μοντέλο. Εκπαιδεύτηκε ένα τεχνητό νευρωνικό δίκτυο για κάθε ένα από τα 30 πηγάδια παρατήρησης για τα οποία υπήρχαν δεδομένα υδραυλικού ύψους με στόχο κάθε δικτύου την ημερήσια διαφορά υδραυλικού ύψους στο πηγάδι. Η προσομοίωση πραγματοποιήθηκε για το χρονικό διάστημα από 2/11/2008 έως 27/10/2012. Εξετάστηκαν 2 διαφορετικές περιπτώσεις: η μία περιελάμβανε την χιονόπτωση και η άλλη όχι. Για κάθε μία περίπτωση εξετάστηκε μία αρχιτεκτονική με 1 κρυφό επίπεδο και μία αρχιτεκτονική με 2 κρυφά επίπεδα. Προέκυψε ότι όταν η χιονόπτωση δεν χρησιμοποιείται υπάρχει καλύτερη απόδοση. Όσον αφορά το μοντέλο PTC πραγματοποιήθηκε προσομοίωση για 1 χρόνο με αφετηρία την 1/12/2008. Αρχικά, εισήχθησαν ψηφιοποιημένοι χάρτες με δεδομένα για την γεωλογία, και κατά επέκταση για την υδραυλική αγωγιμότητα του εδάφους, το υψόμετρο της περιοχής και την θέση των πηγαδιών παρατήρησης. Επίσης, εισήχθη η ποσότητα της βροχής που διηθείται στον υδροφορέα και ο μέσος όρος υδραυλικού ύψους του προηγούμενου μήνα της προσομοίωσης για κάθε πηγάδι ως αρχικό υδραυλικό ύψος. Στη συνέχεια ακολούθησε η βαθμονόμηση του μοντέλου με έξοδο το προσομοιωμένο υδραυλικό ύψος στην περιοχή μελέτης. Τέλος, έγινε η σύγκριση των δύο μοντέλων. Ως συμπέρασμα της μελέτης προέκυψε ότι τα νευρωνικά δίκτυα είναι περισσότερο ακριβή στην προσομοίωση σε συγκεκριμένα σημεία σε αντίθεση με το PTC που παρόλο που δεν είναι ιδιαίτερα ακριβές σε συγκεκριμένα σημεία, δίνει καλύτερη γενική εικόνα του επιπέδου του υπόγειου ύδατος σε μια μεγάλη περιοχή. Η επιλογή του μοντέλου που θα χρησιμοποιηθεί σε κάθε περίπτωση πρέπει να γίνεται με βάση τη μετέπειτα χρήση του μοντέλου, τα διαθέσιμα δεδομένα για την περιοχή μελέτης και την πρόθεση ή όχι της μελέτης διάφορων μελλοντικών σεναρίων, ανάλογα και με τη διαθεσιμότητα των δεδομένων.107 σελίδεςelhttp://creativecommons.org/licenses/by/4.0/PTCΤεχνητά νευρωνικά δίκτυαΠροσομοίωση υδροφορέαArtificial neural networksNets, Neural (Computer science)Networks, Neural (Computer science)Neural nets (Computer science)neural networks computer scienceartificial neural networksnets neural computer sciencenetworks neural computer scienceneural nets computer scienceΔιπλωματική Εργασία