ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΟΥ ΠΡΟΒΛΕΨΗΣ ΥΔΑΤΙΝΩΝ ΑΠΟΘΕΜΑΤΩΝ ΤΑΜΙΕΥΤΗΡΑ ΜΕ ΑΛΓΟΡΙΘΜΟΥΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

Simple item page
dc.contributor.advisorΚαλαράκης, Αλέξανδρος
dc.contributor.authorΤσέλλος, Γεώργιος
dc.contributor.committeeΑραβανής, Θεοφάνης
dc.contributor.committeeΠαναγόπουλος, Γεώργιος
dc.contributor.departmentΤμήμα Μηχανολόγων Μηχανικώνel
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.masterΜηχανολόγων Μηχανικών (Integrated master)el
dc.date.accessioned2025-07-28T06:35:43Z
dc.date.available2025-07-28T06:35:43Z
dc.date.issued2025-07
dc.description.abstractΣτόχος της παρούσας διπλωματικής εργασίας είναι η πρόβλεψη των αποθεμάτων νερού σε ταμιευτήρες, με τη χρήση αλγορίθμων τεχνητής νοημοσύνης. Η μελέτη επικεντρώνεται στους ταμιευτήρες του Μόρνου και του Εύηνου, οι οποίοι αποτελούν κρίσιμες πηγές ύδρευσης για την Αττική. Σε μια εποχή όπου η κλιματική αλλαγή και οι συνέπειές της (όπως η ξηρασία, η μειωμένη βροχόπτωση και η λειψυδρία) επηρεάζουν ολοένα και περισσότερο την καθημερινότητά μας, η ορθολογική διαχείριση των υδατικών πόρων καθίσταται επιτακτική. Η τεχνητή νοημοσύνη μπορεί να διαδραματίσει καθοριστικό ρόλο στη βελτιστοποίηση αυτής της διαχείρισης, παρέχοντας αξιόπιστες και έγκαιρες προβλέψεις. Η εργασία αναπτύσσεται σε συνολικά επτά κεφάλαια, στα οποία παρουσιάζονται οι θεωρητικές βάσεις, τα τεχνικά χαρακτηριστικά των ταμιευτήρων, η μεθοδολογία, τα πειραματικά αποτελέσματα και τα τελικά συμπεράσματα. Στο πρώτο κεφάλαιο παρουσιάζονται στοιχεία για τους ταμιευτήρες, όπως τα τεχνικά χαρακτηριστικά των φραγμάτων και των ταμιευτήρων, τις σήραγγες μεταφοράς νερού που αξιοποιούνται, καθώς και το υδραγωγείο του Μόρνου, τεκμηριώνοντας την αξία τους στην υδροδότηση της πρωτεύουσας. Στο δεύτερο κεφάλαιο γίνεται εισαγωγή στις βασικές έννοιες της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Αναλύονται οι τύποι μάθησης (επιβλεπόμενη, μη επιβλεπόμενη, ενισχυτική), τα νευρωνικά δίκτυα, οι συναρτήσεις ενεργοποίησης και η αξιολόγηση μοντέλων. Το τρίτο κεφάλαιο αφορά την συλλογή και προετοιμασία των δεδομένων που θα χρησιμοποιηθούν. Γίνεται χρήση πραγματικών ιστορικών δεδομένων, όπως τα αποθέματα νερού στους ταμιευτήρες και οι παροχές εισροών-εκροών, τα οποία προέρχονται από τη Διεύθυνση Υδροληψίας της ΕΥΔΑΠ. Επίσης, χρησιμοποιούνται δεδομένα βροχόπτωσης που προέρχονται από τους φορείς Meteo και PowerDAV της NASA. Τα δεδομένα αυτά διαμορφώνονται κατάλληλα για να χρησιμοποιηθούν στην εκπαίδευση και αξιολόγηση των μοντέλων. Στο τέταρτο κεφάλαιο περιγράφεται η ανάπτυξη των μοντέλων πρόβλεψης, τα οποία παρουσιάζονται σε δύο case studies. Το πρώτο case study αφορά την ανάπτυξη ενός τεχνητού νευρωνικού δικτύου τύπου MLP, για την πρόβλεψη του αποθέματος νερού στους ταμιευτήρες Μόρνου και Εύηνου. Αντιθέτως το δεύτερο case study επικεντρώνεται στην ανάπτυξη ενός πιο σύνθετου μοντέλου τύπου LSTM, το οποίο χρησιμοποιεί χρονοσειρές εισροών, εκροών και βροχόπτωσης για την πρόβλεψη του αποθέματος νερού στον ταμιευτήρα του Μόρνου. Το πέμπτο κεφάλαιο περιλαμβάνει την αξιολόγηση των δύο case studies. Η αξιολόγηση γίνεται μέσω βασικών μετρικών απόδοσης (όπως το R², MAE, MSE) αλλά και μέσω διαγραμμάτων που απεικονίζουν την ακρίβεια των προβλέψεων. Επιπλέον, παρουσιάζεται η αποτελεσματικότητα κάθε μοντέλου τόσο ως προς την ακρίβεια όσο και τη δυνατότητα γενίκευσης σε νέα, άγνωστα δεδομένα. Στο έκτο κεφάλαιο γίνεται βιβλιογραφική ανασκόπηση, η οποία παρουσιάζει προηγούμενες μελέτες που αναδεικνύουν, τόσο την υπεροχή της ΤΝ σε αντίθεση με τη χρήση κλασσικών μεθόδων στην επίλυση πραγματικών προβλημάτων, όσο και στη χρήση της στην πρόβλεψη υδατικών πόρων. Η ενότητα αυτή συμβάλλει στην ένταξη της παρούσας εργασίας στα πλαίσια της υπάρχουσας επιστημονικής έρευνας, ενισχύοντας τη θεωρητική της τεκμηρίωση. Στο έβδομο και τελευταίο κεφάλαιο αποτυπώνονται τα κύρια συμπεράσματα της μελέτης και γίνεται ανάλυση των περιορισμών της. Παράλληλα διατυπώνονται ιδέες για μελλοντικές βελτιώσεις, όπως η χρήση ποιοτικότερων δεδομένων, κυρίως όσον αφορά τα δεδομένα βροχόπτωσης, και η ενσωμάτωση αυτοματοποιημένων τεχνικών επιλογής παραμέτρων εκπαίδευσης, έναντι της πειραματικής προσέγγισης που χρησιμοποιήθηκε. Συνολικά, η έρευνα αναδεικνύει τη δυνατότητα χρήσης αλγορίθμων ΤΝ στην πρόβλεψη αποθεμάτων νερού ταμιευτήρων, ενισχύοντας την βιώσιμη και αποτελεσματική διαχείριση των υδατικών πόρων σε μια εποχή κλιματικής αβεβαιότητας.el
dc.description.abstracttranslatedThis thesis aims to forecast reservoir water volume using artificial intelligence algorithms. The study focuses on the Mornos and Evinos reservoirs, which are critical sources of water supply for the Attica region in Greece. In the context of climate change and its impacts (droughts, reduced rainfall, water scarcity), efficient water resource management is increasingly vital. Artificial intelligence (AI) can play a key role in optimizing this management by providing accurate and timely predictions. The thesis is structured into seven chapters. The first chapter presents the technical specifications of the reservoirs and associated infrastructure, such as transfer tunnels and the Mornos aqueduct, highlighting their significance for Athens’ water supply. The second chapter introduces fundamental concepts of AI and machine learning, including learning types (supervised, unsupervised, reinforcement), neural networks, activation functions, and model evaluation. Chapter 3 focuses on the collection and preparation of the data to be used. Real historical data are utilized, such as reservoir water storage levels and inflow–outflow rates, which are obtained from the Water Intake Directorate of EYDAP. Additionally, rainfall data are used, sourced from external agencies such as Meteo and NASA’s PowerDAV. These data are appropriately processed to be used for the training and evaluation of the models. Chapter four details the development of two predictive models through distinct case studies. The first case study implements a Multi-Layer Perceptron (MLP) neural network to forecast water levels in both reservoirs. The second employs a more advanced Long Short-Term Memory (LSTM) model, using time series of inflows, outflows, and rainfall to predict the water volume in the Mornos reservoir. The fifth chapter evaluates both models using performance metrics (such as R², MAE, and MSE) and visual representations of prediction accuracy. The effectiveness of each model is assessed in terms of accuracy and generalizability to new data. Chapter six provides a literature review highlighting previous studies that demonstrate the superiority of AI methods over traditional approaches in real-world applications, particularly in water resource forecasting. This review situates the current research within the broader scientific context. Finally, chapter seven summarizes the key findings, discusses limitations, and suggests future improvements. These include using higher-quality rainfall data and integrating automated hyperparameter tuning techniques instead of the trial-and-error approach used in this study. Overall, this research demonstrates the potential of AI algorithms in forecasting reservoir water volumes, supporting sustainable and efficient water resource management in an era of climatic uncertainty.el
dc.format.extent81el
dc.identifier.urihttps://amitos.library.uop.gr/xmlui/handle/123456789/9106
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πελοποννήσουel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subject.keywordΤεχνητή Νοημοσύνη, Υδατικοί Πόροι, Μηχανική Μάθηση, Ταμιευτήρεςel
dc.titleΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΟΥ ΠΡΟΒΛΕΨΗΣ ΥΔΑΤΙΝΩΝ ΑΠΟΘΕΜΑΤΩΝ ΤΑΜΙΕΥΤΗΡΑ ΜΕ ΑΛΓΟΡΙΘΜΟΥΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Διπλωματική Εργασία Γεώργιος Τσέλλος Α.Μ 7735.pdf
Size:
12.23 MB
Format:
Adobe Portable Document Format
Description:
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
933 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Τμήμα Μηχανολόγων Μηχανικών (Μ. Δ. Ε.)