Εφαρμογή μεθόδων βαθιάς μάθησης για την ανάλυση του φαινομένου της υφαλμύρισης σε παράκτιους υδροφορείς.

Βεντούρη, Μαρία; Ventouri, Maria

dc.contributor.author	Βεντούρη, Μαρία	el
dc.contributor.author	Ventouri, Maria	en
dc.date.accessioned	2022-07-21T09:51:25Z
dc.date.available	2022-07-21T09:51:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55476
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23174
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	Βαθιά μάθηση	el
dc.subject	Υφαλμύρωση	el
dc.subject	Deep learning	en
dc.subject	Salinization	en
dc.subject	Παράκτιοι υδροφορείς	el
dc.subject	Μοντέλο προσομοίωσης	el
dc.subject	Coastal aquifers	en
dc.subject	Simulation model	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.title	Εφαρμογή μεθόδων βαθιάς μάθησης για την ανάλυση του φαινομένου της υφαλμύρισης σε παράκτιους υδροφορείς.	el
dc.title	Application of deep learning methods for the analysis of the salinization at coastal aquifers.	en
dc.contributor.department	Τομέας τοπογραφίας	el
heal.type	bachelorThesis
heal.classification	Γεωπληροφορική	el
heal.classification	Geoinformatics	en
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-10
heal.abstract	Η ανάγκη ικανοποίησης των αυξημένων απαιτήσεων σε νερό οδηγεί σε υπεράντληση και υφαλμύρωση των παράκτιων υδροφορέων. Αντιπροσωπευτικό παράδειγμα αποτελούν οι νησιωτικές και παράκτιες περιοχές, κυρίως κατά τους θερινούς μήνες όταν η ζήτηση είναι ιδιαιτέρως υψηλή εξαιτίας του τουρισμού. Είναι απαραίτητη η ανάπτυξη μοντέλων προσομοίωσης προκειμένου να εξασφαλίζεται η μέγιστη ποσότητα υπόγειου νερού αποφεύγοντας τον κίνδυνο υφαλμύρωσης των φρεάτων. Τα μοντέλα των υπόγειών νερών, όμως που δημιουργούνται για την επίλυση του προβλήματος αυτού χρειάζονται πάρα πολύ χρόνο. Συνεπώς, κρίνεται αναγκαία η ανάπτυξη μοντέλων που θα προσεγγίζουν τα μοντέλα προσομοίωσης αλλά θα χρειάζονται λιγότερο χρόνο ακόμα σε πιο περίπλοκα μοντέλα υπόγειων νερών. Η βιβλιογραφική έρευνα δείχνει ότι η επιστημονική κοινότητα έχει ασχοληθεί κατά το παρελθόν και συνεχίζει να ασχολείται με το πρόβλημα προσομοίωσης του υδροφορέα καθώς και με το ποια μέθοδος μηχανικής μάθησης επιτρέπει μια αξιόπιστη προσομοίωση, ανάλογα με το όγκο των δεδομένων και την πολυπλοκότητα του μοντέλου. Η παρούσα εργασία μελετά τον παράκτιο φρεάτιο υδροφορέα στο Βαθύ της Καλύμνου. Σε πρώτη φάση ορίζεται ένα απλό μοντέλο προσομοίωσης σχήματος ορθογωνίου παραλληλεπιπέδου με ίδια τιμή υδραυλικής αγωγιμότητας και τροφοδοσίας σε όλη του την έκταση. Με δεδομένα, τα γεωμετρικά χαρακτηριστικά, τις υδραυλικές παραμέτρους και την τροφοδοσία του, δημιουργείται σε γλώσσα προγραμματισμού python με το Modflow και το SEAWAT το μοντέλο προσομοίωσης και πρόγνωσης της συμπεριφοράς του. Το μοντέλο SEAWAT είναι ο πιο διαδεδομένος κώδικας επίλυσης προβλημάτων μεταβλητής πυκνότητας (variable density). Είναι ένας συνδυασμός του MODFLOW και του MT3DMS και επιλύει ταυτόχρονα το πρόβλημα της κίνησης του υπόγειου νερού και μεταφοράς διαλυμένης μάζας. Το SEAWAT βασίζεται στην αριθμητική επίλυση των διαφορικών εξισώσεων με πεπερασμένες διαφορές. Η μέθοδος των πεπερασμένων διαφορών είναι μια συνήθης μέθοδος επίλυσης διαφορικών εξισώσεων, κατά την οποία ο χώρος διακριτοποιείται από ένα τρισορθογώνιο πλέγμα - κελιά. Σε δεύτερη φάση, έχοντας ως δεδομένα τα αποτελέσματα από το μοντέλο προσομοίωσης, δημιουργούνται μοντέλα μηχανικής μάθησης ( machine learning) , συγκεκριμένα βαθιάς μάθησης (deep learning). Δημιουργήθηκαν τρία μοντέλα βαθιάς μάθησης, Deep Neural Network(DNN), Long Short Term Memory (LSTM),1D Convolution Neural Network(CNN1D). Ως δεδομένα εισόδου στα μοντέλα μηχανικής μάθησης χρησιμοποιήθηκαν οι αντλήσεις κάθε πηγαδιού, ενώ ως δεδομένα εξόδου η τελική θέση της ισοχλώριας καμπύλης με τιμή 0,1kg/m3, που είναι αντιπροσωπευτική ως ένα όριο ποσιμότητας. Αφότου έγινε η πρακτική εφαρμογή των παραπάνω μοντέλων, αναλύθηκαν τα αποτελέσματα, τα ποσοστά επιτυχίας και αποτυχίας κάθε μεθόδου καθώς και το υπολογιστικό κόστος για κάθε μοντέλο. Τέλος, αναλύοντας και μελετώντας όλα τα αποτελέσματα εξάχθηκαν κάποια συμπεράσματα.	el
heal.abstract	The need to meet the increased water requirements leads to over-pumping and salinization of coastal aquifers. A representative example is the island and coastal areas, especially during the summer months when the demand is particularly high due to tourism. It is necessary to develop simulation models in order to ensure the maximum amount of groundwater avoiding the risk of salinization of the wells. The models of groundwater, however, created to solve this problem take a very long time. It is therefore necessary to develop models that approach simulation models but will need less time even in more complex groundwater models. The bibliographic research shows that the scientific community has dealt in the past and continues to deal with the problem of simulation of the aquifer as well as with which method of machine learning allows a reliable simulation, depending on the volume of data and the complexity of the model. The present work studies the coastal well aquifer in Vathi of Kalymnos. In the first phase, a simple model of simulation of the shape of a rectangle is defined with the same value of hydraulic conductivity and power supply throughout its area. Given its geometrical characteristics, hydraulic parameters and power supply, modflow and seawat are created in a python programming language with Modflow and SEAWAT the model of simulation and forecasting of its behavior. The SEAWAT model is the most widely used variable density problem solving code. It is a combination of MODFLOW and MT3DMS and simultaneously solves the problem of groundwater movement and transfer of dissolved mass. SEAWAT is based on the numerical solution of differential equations with finite differences. The method of finite differences is a common method of solving differential equations, in which space is distinguished by a trisorthogonal grid - cells. In a second phase, having as data the results from the simulation model, models of machine learning are created, specifically deep learning. Three deep learning models were created, Deep Neural Network (DNN), Long Short Term Memory (LSTM), 1D Convolution Neural Network (CNN1D). As input data in the machine learning models, the drawings of each well were used, while as output data the final position of the isochleric curve with a value of 0.1kg/m3, which is representative as a limit of potability. After the practical application of the above models, the results, the success and failure rates of each method as well as the computational cost for each model were analyzed.	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Μαντόγλου, Αριστοτέλης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	130 σ.	el
heal.fullTextAvailability	false