Optimization of groundwater resources management by means of artificial neural networks

see the original item page
in the repository's web site and access all digital files if the item*

2007 (EN)
Βελτιστοποίηση εκμετάλλευσης υπόγειων υδατικών πόρων με χρήση νευρωνικών δικτύων
Optimization of groundwater resources management by means of artificial neural networks

Καραμπερίδου, Χριστίνα Αντωνίου

Sea water intrusion into coastal aquifers is a developing problem that has serious effect on the quality of groundwater, thus, rendering it unusable for drinking or irrigation. Salt water flow through porous media has been studied thoroughly by means of classic numerical modeling.The present Msc Thesis addresses the issue of training an Artificial Neural Network using data from the implementation of a Boundary Element Code, for the purpose of estimating whether the latter could be 'replaced' by the former, therefore reducing computational burden and creating a user-friendly application for the non-specialists. The ANN is trained to calculate the total amount of sea water that is pumped by a number of wells in a coastal aquifer of Eastern Macedonia, Greece.The ANN consists of input neurons that represent the wells' pumping rate, one hidden layer and a single output neuron that represents the volume of sea water that is pumped from the wells. For it's training, the network uses the Quickprop Algorithm, a method of speeding backpropagation style training that was developed by Scott Fahlman. The correlation between the expected and the estimated values of sea water intrusion, although highly dependent of the training data, encourages further investigation that should include training the ANN with measured data. It is obvious that ANNs cannot offer scientists a better understanding of hydrological processes, nor can they replace numerical methods in studying hydraulics. They can, however, be considered as a robust tool for studying nonlinear, unknown to the present, processes and they can present us with useful user-friendly applications that are easily operated by non-specialists in basin-scaled Water Resources Management Schemes.
Το φαινόμενο της υφαλμύρωσης αποτελεί σημαντικό πρόβλημα των παράκτιων υδροφορέων με επιπτώσεις στην ποιότητα των υδάτων ύδρευσης και άρδευσης. Η κίνηση του θαλασσινού νερού στους παράκτιους υδροφορείς έχει μελετηθεί και ποσοτικοποιηθεί με χρήση κλασσικών αριθμητικών μεθόδων. Στην παρούσα εργασία χρησιμοποιούνται τα αποτελέσματα ενός κώδικα οριακών στοιχείων για την εκπαίδευση ενός τεχνητού νευρωνικού δικτύου, το οποίο καλείται να υπολογίσει τη συνολική παροχή θαλασσινού νερού που εισέρχεται, παρουσία πηγαδιών άντλησης, σε παράκτιο υδροφορέα της Ανατολικής Μακεδονίας.Πρόκειται για τεχνητό νευρωνικό δίκτυο προώθησης με νευρώνες εισόδου που αντιστοιχούν στις παροχές άντλησης των πηγαδιών και έναν νευρώνα εξόδου που αντιστοιχεί στην συνολική παροχή θαλασσινού νερού που αντλείται από αυτά. Για την εκπαίδευσή του το δίκτυο εφαρμόζει τον αλγόριθμο Quickprop, μια παραλλαγή του κλασσικού αλγόριθμου ανάδρασης που προέκυψε με την ενσωμάτωση στον τελευταίο ορισμένων τεχνικών επιτάχυνσης.Τα αποτελέσματα της παρούσας εργασίας και η συσχέτιση των εκτιμηθείσων από το νευρωνικό δίκτυο τιμών με τις τυχαίες τιμές πραγματοποίησης του κώδικα οριακών στοιχείων ενθαρρύνουν την περαιτέρω διερεύνηση και επέκταση της εφαρμογής, με την εκπαίδευση και το έλεγχο του νευρωνικού δικτύου με δεδομένα μετρήσεων πεδίου.Λόγω της ίδιας της φύσης της δομής και της λειτουργίας του νευρωνικού δικτύου, αυτό δεν είναι ικανό να προσφέρει καλύτερη κατανόηση των υδρολογικών διεργασιών και του φυσικού φαινομένου της υφαλμύρωσης, ούτε είναι δυνατόν να προσφέρει επίλυση αντίστοιχη με αυτή των αριθμητικών μεθόδων. Ωστόσο, ένα σωστά εκπαιδευμένο δίκτυο, λόγω της απλότητας της εφαρμογής του και του γεγονότος ότι δεν απαιτεί από το χρήστη εξειδικευμένες γνώσεις πάνω στο φαινόμενο που πραγματεύεται, μπορεί να αποδειχθεί χρήσιμο εργαλείο στον τομέα της διαχείρισης υδατικών πόρων σε επίπεδο λεκάνης απορροής.

Postgraduate Thesis / Μεταπτυχιακή Εργασία

Τεχνητά νευρωνικά δίκτυα
Οριακά στοιχεία
Sea water intrusion
Παράκτιοι υδροφορείς
Boundary elements
Artificial neural networks
Coastal aquifiers

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)



Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Πολυτεχνική Σχολή, Τμήμα Πολιτικών Μηχανικών

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.

*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)