Μέσα στο πλαίσιο της συγκεκριμένης διπλωματικής εργασίας εξετάζεται η χρήση και η εκπαίδευσή τεχνητών νευρωνικών δικτύων, με σκοπό την προσομοίωση της υπόγειας στάθμης των πηγαδιών στην ευρύτερη περιοχή του ποταμού Δούναβη. Ο ποταμός Δούναβης εκτείνεται σε 10 διαφορετικές χώρες, αλλά στην περίπτωση μας τα τυχαία πηγάδια παρατήρησης ως προς έρευνα βρίσκονται στην Αυστρία, Βουλγαρία, Γερμανία, Κροατία, Ουγγαρία, Ρουμανία, Σερβία και Σλοβενία.
Τα τεχνητά νευρωνικά δίκτυα προσπαθούν να προσομοιώσουν την υπόγεια στάθμη των πηγαδιών μέσα από το υδατικό ισοζύγιο. Αρχικά χρειαζόταν η κατάλληλη προεπεξεργασία των δεδομένων για την δημιουργία του πίνακα εισόδου και διανύσματος στόχου στο νευρωνικό δίκτυο. Ο πίνακας εισόδου αποτελείται από μετεωρολογικά δεδομένα, συντεταγμένες των πηγαδιών, χρονολογία, δυνητική εξατμισοδιαπνοή, εξάτμιση από υδάτινες επιφάνειες και εξατμισοδιαπνοή από το έδαφος και τα φυτά. Το διάνυσμα στόχου περιέχει τις πραγματικές τιμές της υπόγειας στάθμης των πηγαδιών. Τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των τεχνητών νευρωνικών δικτύων περιέχουν τιμές από 01/01/2000-31/10/2014 για συνολικά 128 πηγάδια παρατήρησης.
Μετά την ολοκλήρωση της προ επεξεργασίας των δεδομένων, τεχνητά νευρωνικά δίκτυα εκπαιδεύτηκαν με τα εργαλεία Neural Fitting tool (nftool) και Neural Network tool (nntool). Οι δυο αλγόριθμοι εκπαίδευσης που χρησιμοποιήθηκαν είναι οι Levenberg-Marquardt και Bayesian Regularization. Η εκπαίδευση των τεχνητών νευρωνικών δικτύων πραγματοποιήθηκε με βάση τα παραπάνω για διαφορετικές παραμέτρους κάθε φορά ως προς τους κρυφούς κόμβους, τα ποσοστά εκπαίδευσης καθώς και τους αλγόριθμους εκπαίδευσης.
Κατά την διάρκεια εκπαίδευσης τεχνητών νευρωνικών δικτύων, προσπαθούμε να εντοπίσουμε το μοντέλο με τις παραμέτρους από το οποίο θα προκύψουν τα βέλτιστα αποτελέσματα. Κριτήρια επιλογής για την επιλογή του βέλτιστου μοντέλου ήταν η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος, ο συντελεστής συσχέτισης καθώς υπολογίστηκαν και κάποιοι επιπλέον δείκτες που χρησιμοποιούνται συχνά στην υδρολογία.
Στην συγκεκριμένη διπλωματική εργασία τεχνητά νευρωνικά δίκτυα εκπαιδευτήκαν με βάση όλα τα πηγάδια παρατήρησης. Μετά από την επιλογή του βέλτιστου τεχνητού νευρωνικού δικτύου, από εκείνα που εκπαιδεύτηκαν με τα δεδομένα όλων των πηγαδιών εξετάστηκε και το ενδεχόμενο της εκπαίδευσης ενός τεχνητού νευρωνικού δικτύου για ένα μόνο τυχαίο πηγάδι παρατήρησης για να συγκρίνουμε την συμπεριφορά του τεχνητού νευρωνικού δικτύου.
Τέλος, συνοψίζοντας τα αποτελέσματα μας επιτεύχθηκε σφάλμα της τάξεως 〖10〗^(-1) m με την χρήση του αλγόριθμου Bayesian Regularization με βάση όλα τα πηγάδια παρατήρησης. Όσον αφορά τα αποτελέσματα από την εκπαίδευση τεχνητού νευρωνικού δικτύου για ένα πηγάδι μόνο και όχι για όλα τα πηγάδια μαζί, έδωσε καλύτερα αποτελέσματα ως προς την προσομοίωση της υπόγειας στάθμης καθώς οι τιμές βρίσκονται πιο κοντά στις παρατηρημένες τιμές αλλά το τεχνητό νευρωνικό δίκτυο δεν μπορεί να εκτιμήσει τις ακραίες τιμές.
(EL)
In the context of this thesis, the use and training of artificial neural networks is examined to simulate the underground level of the wells in the wider Danube River region. The Danube River extends into 10 different countries, but in our case the accidental observation wells for research are in Austria, Bulgaria, Germany, Croatia, Hungary, Romania, Serbia and Slovenia.
Artificial neural networks try to simulate the underground level of the wells through the water balance. Initially, a proper pre-processing of the data needed to create the input and target vectors in the neural network was needed. The input vector consists of meteorological data, well coordinates, chronology, potential evapotranspiration, evaporation from water surfaces and evapotranspiration from soil and plants. Τhe target vector contains the actual values of the underground level of the wells. The vectors contain values from 01/01/2000-31/10/2014 for a total of 128 observation wells.
After the data pre-processing was completed, artificial neural networks were trained with Neural Fitting tool (nftool) and Neural Network tool (nntool). The two training algorithms used are Levenberg-Marquardt and Bayesian Regularization. The training of artificial neural networks was based on the above for different parameters each time in terms of hidden nodes, training percentages and training algorithms.
During the training of artificial neural networks, we try to locate the model with the parameters from which the best results will emerge. Selection criteria for selecting the optimal model were the square root of the mean square error, the correlation coefficient as well as some additional indicators commonly used in hydrology.
In this dissertation, artificial neural networks were trained based on all observation wells. After choosing the optimal artificial neural network, from those trained with the data of all wells we also studied the possibility of training an artificial neural network for a single random observation well to compare the behavior of the artificial neural network.
Finally, summarizing our results, a fault of the order 〖10〗^(-1) m was achieved using the Bayesian Regularization algorithm based on all observation wells. As far as the results from the training of an artificial neural network for a single well and not for all wells together, it gave better results in simulation of the underground level as the values are closer to the observed values but the artificial neural network can not simulate the extreme values.
(EN)
