Χρήση Τεχνητών Νευρωνικών Δικτύων για το Βέλτιστο Σχεδιασμό Υποθαλάσσιων Ενεργειακών Δικτύων έναντι Γεωκινδύνων

Μπούτικας, Κωνσταντίνος; Boutikas, Konstantinos

dc.contributor.author	Μπούτικας, Κωνσταντίνος	el
dc.contributor.author	Boutikas, Konstantinos	en
dc.date.accessioned	2020-06-17T07:32:30Z
dc.date.available	2020-06-17T07:32:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50790
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18488
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Ναυτική και Θαλάσσια Τεχνολογία και Επιστήμη”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Γεωκίνδυνοι	el
dc.subject	Υποθαλάσσιοι αγωγοί	el
dc.subject	Τεχνητά Νευρωνικά Δίκτυα	el
dc.subject	Ενεργειακά δίκτυα	el
dc.subject	Geohazards	en
dc.subject	Offshore pipelines	en
dc.subject	Advanced Neural Networks	en
dc.subject	Energy lifelines	en
dc.title	Χρήση Τεχνητών Νευρωνικών Δικτύων για το Βέλτιστο Σχεδιασμό Υποθαλάσσιων Ενεργειακών Δικτύων έναντι Γεωκινδύνων	el
dc.title	Advanced Neural Networks use in the Optimal Design of Offshore Energy Lifelines against Geohazards	en
heal.type	masterThesis
heal.classification	Σχεδιασμός Αγωγών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-12-23
heal.abstract	Αντικείμενο της παρούσας εργασίας είναι η διερεύνηση της δυνατότητας χρήσης των Τεχνικών Νευρωνικών Δικτύων (Τ.Ν.Δ.) στο σχεδιασμό ενεργειακών δικτύων έναντι γεωκινδύνων. Ειδικότερα μελετήθηκε η πρόβλεψη της συμπεριφοράς των υποθαλάσσιων αγωγών που διέρχονται από ενεργά τεκτονικά ρήγματα. Αρχικώς, κατασκευάστηκαν δύο δισδιάστατα προσομοιώματα πεπερασμένων στοιχείων σε περιβάλλον ABAQUS. Στο πρώτο προσομοιώθηκε η διάρρηξη του ρήγματος, ενώ στο δεύτερο διερευνήθηκε η επίπτωση που έχει η επιβολή των μετατοπίσεων του ρήγματος στον αγωγό. Εκτελέστηκε πλήθος παραμετρικών αναλύσεων, οι οποίες προέκυψαν μέσω της μεταβολής του πάχους της στρώσης των ιζημάτων του πυθμένα (H), της γωνίας εσωτερικής τριβής (α) και της συνοχής (c) του εδαφικού υλικού. Σε κάθε ένα από τα προσομοιώματα πραγματοποιήθηκε πλήθος αναλύσεων και εξήχθησαν αποτελέσματα που αφορούσαν τις μετατοπίσεις του πυθμένα (U1, U2) και την παραμόρφωση του αγωγού. Για την ελαχιστοποίηση του χρόνου εκτέλεσης των προσομοιώσεων, αναπτύχθηκε κώδικας σε γλώσσα προγραμματισμού Python για την αυτοματοποίηση των διαδικασιών εισαγωγής δεδομένων και επεξεργασίας αποτελεσμάτων, για την παράλληλη εκτέλεση των προσομοιωμάτων, καθώς και κώδικας διεπαφής για την «επικοινωνία» των δύο προσομοιωμάτων. Στη συνέχεια, τα αποτελέσματα της ανάλυσης χρησιμοποιήθηκαν για την ανάπτυξη των Τεχνικών Νευρωνικών Δικτύων. Οι παράμετροι Η, α και c αποτέλεσαν τις μεταβλητές εισόδου και οι παράμετροι U1, U2 και ε τις μεταβλητές εξόδου των Τ.Ν.Δ.. Έλαβε χώρα η εκπαίδευση των Τ.Ν.Δ. με τρεις διαφορετικούς αλγορίθμους και συγκεκριμένα για τους Bayesian Regularization (BR), Levenberg-Marquardt (LM) και Scaled Conjugate Gradient (SCG). Διερευνήθηκε η ικανότητά τους να προβλέψουν τα αποτελέσματα και έγινε έλεγχος του σφάλματος. Διαπιστώθηκε ότι ο αλγόριθμος BR είναι ο ικανότερος στο να προβλέψει δεδομένα, ακόμα και σε μικρές και «θορυβώδεις» ομάδες στοιχείων. Έγιναν περαιτέρω έλεγχοι της μεθόδου μέσω της εκτέλεσης επιπρόσθετων προσομοιώσεων, οι οποίες δεν συμπεριλαμβάνονταν στα αρχικά δεδομένα εκπαίδευσης. Τα αποτελέσματά τους αντιπαραβλήθηκαν με τα αντίστοιχα του νευρωνικού δικτύου για τον έλεγχο της μεθόδου. Το σφάλμα της πρόβλεψης για την αξονική παραμόρφωση του αγωγού ήταν μικρότερο από 0.5%. Εν κατακλείδι, οι αντικειμενικοί στόχοι επετεύχθησαν σε ικανοποιητικό βαθμό. Αποδείχθηκε ότι τα Τ.Ν.Δ. μπορούν να προβλέψουν τη συμπεριφορά υποθαλάσσιων αγωγών, στους οποίους επιβάλλονται μετατοπίσεις από τη διάρρηξη ρηγμάτων, εφόσον βασίζονται σε δεδομένα που έχουν εξαχθεί από ακριβή προσομοιώματα πεπερασμένων στοιχείων.	el
heal.abstract	Scope of the particular postgraduate thesis was the investigation of the possibility to use the Advanced Neural Networks (A.N.N.) in the design of energy lifelines against geohazards. In particular, the prediction of the behavior of offshore pipelines that cross active tectonic faults was studied. Initially, two 2D finite element models were created in ABAQUS. In the first model the active fault rapture was simulated, while in the second model the impact of the imposed displacements was investigated. Numerous parametric analyses were performed, that were emerged through the alteration of the seabed sediment thickness (H), the angle of the internal friction (a) and the cohesion (c) of the soil. For each and every one of the models several analyses took place and results were yielded regarding the displacements of the seabed (U1, U2) and the pipe’s strain. In order to minimize the runtime of the F.E. simulation a Python code was developed for the automation of the data input and processing, for the simultaneous models’ execution, and also for the “communication” of the two models using an interface code. Consequently, the results of the analysis were used for the development of the Advanced Neural Networks. The H, a and c parameters were the input variables and the U1, U2 and ε parameters were the output variables. Training of the A.N.N. took place with three training algorithms, namely the Bayesian Regularization (BR), the Levenberg-Marquardt (LM) and the Scaled Conjugate Gradient (SCG). Their ability to predict the results was investigated and error testing took place. It was realized that the BR algorithm was the most robust in data prediction, even in small and “noisy” datasets. Further testing was carried out through the execution of additional simulations, that they were not included in the original training data. The results were compared with the corresponding data of the neural network for method testing. The prediction error for the axial strain of the pipe was smaller than 0.5%. In conclusion, the objectives were met in a sufficient degree. It was proved that the A.N.N. can predict the behavior of offshore pipelines, which are subjected to the displacements of active faults’ rapture, provided that they are based on datasets that are extracted from accurate finite element simulations.	en
heal.advisorName	Σακελλαρίου, Μιχαήλ	el
heal.advisorName	Ψαρρόπουλος, Πρόδρομος	el
heal.committeeMemberName	Σακελλαρίου, Μιχαήλ	el
heal.committeeMemberName	Ψαρρόπουλος, Πρόδρομος	el
heal.committeeMemberName	Ρουσάκης, Γρηγόριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false