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

Μπέκιου, Κωνσταντίνα; Bekiou, Konstantina

dc.contributor.author	Μπέκιου, Κωνσταντίνα	el
dc.contributor.author	Bekiou, Konstantina	en
dc.date.accessioned	2022-07-26T09:36:25Z
dc.date.available	2022-07-26T09:36:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55501
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23199
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	Παράκτιος υδροφορέας	el
dc.subject	Coastal aquifer	en
dc.subject	Μοντέλο προσομοίωσης	el
dc.subject	Simulation model	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Παλινδρόμηση	el
dc.subject	Regression	en
dc.subject	Υφαλμύριση	el
dc.subject	Salinization	en
dc.title	Εφαρμογή μεθόδων μηχανικής μάθησης για την ανάλυση του φαινομένου της υφαλμύρισης σε παράκτιους υδροφορείς	el
dc.title	Application of machine learning methods for the analysis of salinization at costal water carriers	en
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. Τα περιορισμένα και πεπερασμένα υπόγεια υδατικά αποθέµατα σε συνδυασµό µε τις εφαρμοζόμενες επί πολλά έτη απρογραμμάτιστες και µη ελεγχόμενες εκμεταλλεύσεις του υπόγειου υδατικού δυναµικού της νήσου Καλύμνου διευκόλυναν το φαινόμενο την υφαλµύρωσης των υπόγειων υδροφορέων. 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 με το SEAWAT και το Modflow σε γλώσσα προγραμματισμού python το μοντέλο προσομοίωσης και πρόγνωσης της συμπεριφοράς του. Το μοντέλο αυτό είναι το SEAWAT που 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. Τα αποτελέσματα που προέκυψαν από το μοντέλο προσομοίωσης αποτέλεσαν στη συνέχεια δεδομένα εισόδου και εξόδου για τα μοντέλα μηχανικής μάθησης. Πιο συγκεκριμένα δεδομένα εισόδου αποτέλεσαν οι αντλήσεις των πηγαδιών και δεδομένα εξόδου η τελική θέση της ισοχλώριας καμπύλης. Στην συγκεκριμένη εργασία παρουσιάζονται τα μοντέλα παλινδρόμησης με την βοήθεια των αλγορίθμων μηχανικής μάθησης. Μελετώντας τους αλγορίθμους μηχανικής μάθησης, αναλύεται η διαδικασία επιλογής των παραμέτρων κάθε μοντέλου με σκοπό την δημιουργία ενός αποδοτικού μοντέλου. Ακολουθεί η σύγκριση των μοντέλων μηχανικής μάθησης ώστε εξαχθούν τα ανάλογα συμπεράσματα.	el
heal.abstract	Trying to meet the increasing needs for freshwater, aquifers are intensively pumped, causing saltwater intrusion. The limited and finite underground water sediments in combination with the non- scheduled and uncontrolled exploitations for many years of underground water potential of Kalimnos, facilitated the phenomenon of salinity of underground aquifers. The present study deals with a coastal unconfined aquifer in the greek island of Kalymnos. At first, the aquifer is represented by a simple simulation model of rectangular shape and uniform hydraulic conductivity and recharge. Modflow and SEAWAT are used in the development of the simulation model. This model, called SEAWAT, is a combination of MODFLOW and MT3DMS and solves simultaneously groundwater flow and solute transport. SEAWAT is based on the numerical solution of differential equations using finite differences. Finite differences are a common method for solving differential equations, based on a rectangular grid discretization. The results obtained from the simulation model were then input and output data for the machine learning models. More specifically input data were the drawings of the wells and output data the final position of the isochleric curve. In this thesis, regression models are presented with the help of machine learning algorithms. The dataset is processed before the creation of machine learning models to be suitable for use. Studying the algorithms of machine learning, the process of selecting the parameters of each model is analyzed in order to create an efficient model. Following is a comparison of the machine learning models to draw the appropriate conclusions.	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	136 σ.	el
heal.fullTextAvailability	false