Χρήση τεχνητής νοημοσύνης για τη βελτιστοποίηση της χάραξης υποθαλάσσιων αγωγών που απειλούνται από γεωκινδύνους

Παπαθωμά, Μαρία; Papathoma, Maria

dc.contributor.author	Παπαθωμά, Μαρία	el
dc.contributor.author	Papathoma, Maria	en
dc.date.accessioned	2021-03-29T08:02:03Z
dc.date.available	2021-03-29T08:02:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53163
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20861
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	Υποθαλάσσιοι αγωγοί	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Σύστημα γεωγραφικών πληροφοριών	el
dc.subject	Πεπερασμένα στοιχεία	el
dc.subject	Offshore pipelines	en
dc.subject	Seismic faults	en
dc.subject	Geographic information system	en
dc.subject	Σεισμικά ρήγματα	el
dc.subject	Neural networks	en
dc.subject	Finite elements	en
dc.title	Χρήση τεχνητής νοημοσύνης για τη βελτιστοποίηση της χάραξης υποθαλάσσιων αγωγών που απειλούνται από γεωκινδύνους	el
dc.title	Artificial intelligence in the design of offshore pipelines against geohazards	en
heal.type	bachelorThesis
heal.classification	Geotechnical engineering	en
heal.classification	Γεωτεχνική μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-12
heal.abstract	Αντικείμενο της παρούσας εργασίας είναι η ανάπτυξη ενός υπολογιστικού εργαλείου με σκοπό τη βελτιστοποίηση της χάραξης υποθαλάσσιων αγωγών που καταπονούνται από γεωκινδύνους, αξιοποιώντας επίσης την τεχνητή νοημοσύνη. Για την υλοποίηση της πραγματοποιήθηκαν αρχικά ορισμένες προκαταρκτικές χαράξεις αξιοποιώντας δύο μεθόδους. Για την πρώτη μέθοδο συλλέχθηκαν διάφοροι περιβαλλοντικοί, οικονομικοί και μηχανικοί παράγοντες επιρροής της χάραξης, οι οποίοι τέθηκαν σε προτεραιότητα, σύμφωνα με τη μεθοδολογία της Αναλυτικής Ιεράρχησης (AHP), για τον προσδιορισμό των συντελεστών βαρύτητας τους. Στη συνέχεια, στo περιβάλλον του GIS πραγματοποιήθηκε εισαγωγή των βαρών του κάθε παράγοντα, ώστε να διαμορφωθεί η πρωταρχική χάραξη του υποθαλάσσιου αγωγού. Στη δεύτερη μέθοδο, πραγματοποιήθηκε η μελέτη θέτοντας ως παράγοντες επιρροής τους γεωκινδύνους αποκλειστικά. Ακολουθώντας μια διαφορετική διεργασία και τροποποιώντας τη σπουδαιότητα κάθε γεωκινδύνου, εκτελέστηκαν τρεις διαφορετικές περιπτώσεις χαράξεων. Στην περίπτωση διασταύρωσης του αγωγού με τους προκείμενους γεωκινδύνους το επόμενο βήμα σχετίζεται με την ανάλυση δύο δισδιάστατων προσομοιωμάτων στο πρόγραμμα πεπερασμένων στοιχείων ABAQUS. Το πρώτο εξ αυτών σχετίζεται με την προσομοίωση της ιζηματογενούς στρώσης, η οποία για συγκεκριμένα χαρακτηριστικά της εξετάζει τη διάρρηξη ενός ανάστροφου ρήγματος. Η ανάλυση του προσομοιώματος καταλήγει στην εξαγωγή των μετατοπίσεων της ιζηματογενούς στρώσης, οι οποίες επιβάλλονται στη συνέχεια στο προσομοίωμα του αγωγού. Συνεπώς, εξάγονται οι ζητούμενες παραμορφώσεις που υπόκεινται ο αγωγός κατόπιν διασταύρωσης του με τον γεωκίνδυνο. Η ελαχιστοποίηση του χρόνου για τη συγκεκριμένη διαδικασία οδήγησε στη διαμόρφωση τεσσάρων σεναρίων (scripts), στο περιβάλλον της Python. Πρόκειται για κώδικες σχετικούς με τα προσομοιώματα, συγκεκριμένα για την εισαγωγή δεδομένων σε αυτά, τη διασύνδεση των δύο καθώς επίσης και την αυτοματοποίηση της εξαγωγής των αποτελεσμάτων τους. Επιπρόσθετα, εξίσου σημαντικό παράγοντα για την περάτωση της εργασίας αποτέλεσε η κατασκευή Τεχνητών Νευρωνικών Δικτύων (Τ.Ν.Δ.), στο λογισμικό MATLAB. Ειδικότερα, αξιοποιήθηκαν τα αποτελέσματα ανάλυσης των προσομοιωμάτων, στα οποία βασίστηκε η εκπαίδευση των Τ.Ν.Δ., δηλαδή σε συγκεκριμένα χαρακτηριστικά της ιζηματογενούς στρώσης (Η, φ, c) αντιστοιχήθηκαν οι μετατοπίσεις της για την οριζόντια και κατακόρυφη διεύθυνση (U1,U2) και οι παραμορφώσεις του αγωγού (e11). Η εκπαίδευση των Τ.Ν.Δ. διεξήχθη με τρεις διαφορετικούς αλγορίθμους εκπαίδευσης, τον Bayesian Regularization (BR), τον Levenberg-Marquardt (LM) και τον Scaled Conjugate Gradient (SCG). Στόχος της κατασκευής τους είναι η ικανότητα πρόβλεψης δεδομένων που δεν ανήκουν στους συνδυασμούς των δεδομένων εισόδου αποδίδοντας το λιγότερο δυνατό σφάλμα. Τα αποτελέσματα τους απέδειξαν ότι ο αλγόριθμος BR είναι ο ικανότερος, ακόμη και σε θορυβώδη δεδομένα. Συνεπώς, το συμπέρασμα για τα Τ.Ν.Δ. είναι ότι παρέχουν στο χρήστη τη δυνατότητα πρόβλεψης, αρκεί τα χαρακτηριστικά των προβλεπόμενων να ανήκουν εντός των ορίων των δεδομένων εκπαίδευσης τους. Το τελευταίο στάδιο της εργασίας αφορά τον έλεγχο του αγωγού για τη δυνατότητα του να διαπεράσει τους μελετώμενους γεωκινδύνους, σύμφωνα με τις παραμορφώσεις που υπόκεινται. Παρατηρήθηκε, λοιπόν, ότι όλες οι παραμορφώσεις για κάθε περίπτωση ιζηματογενούς στρώσης, ανήκουν κάτω από το επιτρεπόμενο ποσοστό της τάξεως του 0.5%, άρα οι χαράξεις υλοποιούνται χωρίς να υπάρχει άμεσα επικίνδυνη επιβάρυνση του αγωγού.	el
heal.abstract	Scope of the present thesis is the development of a computational tool in order to optimize the route of subsea pipelines against geohazards, using Artificial Intelligence. Initially, some preliminary routes were performed, using two methods. In the first method, were collected various environmental, economic and mechanical factors influencing the route, which were prioritized, according to the methodology of the Analytical Hierarchy (AHP), to determine their weighting factors. Then, in the ArcMap were introduced the weights of each factor, in order to form the primary route of the submarine pipeline. In the second method, the study was carried out, defining the geohazards exclusively as influencing factors. Following a different process and modifying the importance of each geohazard were performed three different route cases. In the case of intersection of the pipeline with the respective geohazards, the next step is related to the analysis of two two-dimensional simulations in the ABAQUS finite element program. The first of these is related to the simulation of the sedimentary layer, which for its specific characteristics examines the rupture of an inverse fault. The analysis of the simulation results in the extraction of the displacements of the sedimentary layer, which are then imposed on the pipeline simulation. Therefore, the required deformations are extracted that the pipeline is subjected to after its intersection with the geohazard. The minimization of time for this process led to the configuration of four scripts in the Python. These are codes related to the simulations, specifically for the input data in them, the interconnection of the two as well as the automation of the extraction of their results. In addition, an equally important factor for the completion of the work was the construction of Artificial Neural Networks (A.N.N) in MATLAB software. In particular, the results of the analysis of the simulations were utilized, on which the training of the A.N.N. was based, ie its specific displacements for the horizontal and vertical direction (U1, U2) corresponded to specific characteristics of the sedimentary layer) and deformations of pipeline (e11). The education of A.N.N was conducted with three different training algorithms, the Bayesian Regularization (BR), the Levenberg-Marquardt (LM) and the Scaled Conjugate Gradient (SCG). The purpose of their construction is the ability to predict data that does not belong to the combinations of input data with the least possible error. Their results showed that the BR algorithm is the most capable, even in noisy data. Therefore, the conclusion for the A.N.N. is that they are predictable if the characteristics of the predicted belong within the limits of their education data. Finally, the pipeline was checked for its ability to penetrate the studied geohazards, according to the deformations. It was observed, therefore, that all deformations for each pipeline case belong below the permissible percentage of 0.5%, so the routing are implemented without any direct dangerous load on the pipeline.	en
heal.advisorName	Καττής, Μαρίνος	el
heal.advisorName	Ψαρρόπουλος, Πρόδρομος	el
heal.committeeMemberName	Ψαρρόπουλος, Πρόδρομος	el
heal.committeeMemberName	Καττής, Μαρίνος	el
heal.committeeMemberName	Τσομπανάκης, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Έργων Υποδομής και Αγροτικής Ανάπτυξης	el
heal.academicPublisherID	ntua
heal.numberOfPages	165 σ.	el
heal.fullTextAvailability	false