Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων
Η τάση κατασκευής πολυώροφων κτιρίων στον κόσμο σήμερα έχει οδηγήσει σε ζήτηση για καλύτερες υπηρεσίες κάθετης μεταφοράς. Καθώς οι ανελκυστήρες είναι η κύρια μεταφορική εγκατάσταση στα κτίρια, το σύστημα που τους ελέγχει πρέπει να μεγιστοποιήσει τη μεταφορική τους ικανότητα και να βελτιώσει την ποιό...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/16530 |
| id |
nemertes-10889-16530 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-165302022-09-05T20:51:48Z Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων Application of artificial neural networks in elevator traffic analysis Μεραντζής, Βασίλειος Merantzis, Vasilios Τεχνητά νευρωνικά δίκτυα Ανελκυστήρες Τομεοποίηση Χρόνος αναμονής Κάθετη μεταφορά Artificial neural networks Elevators Sectoring Waiting time Vertical transportation Η τάση κατασκευής πολυώροφων κτιρίων στον κόσμο σήμερα έχει οδηγήσει σε ζήτηση για καλύτερες υπηρεσίες κάθετης μεταφοράς. Καθώς οι ανελκυστήρες είναι η κύρια μεταφορική εγκατάσταση στα κτίρια, το σύστημα που τους ελέγχει πρέπει να μεγιστοποιήσει τη μεταφορική τους ικανότητα και να βελτιώσει την ποιότητα της εξυπηρέτησης των επιβατών. Η βασικότερη ρύθμιση των συστημάτων ανελκυστήρων σε πολυώροφα κτίρια είναι ο διαχωρισμός σε τομείς (sectoring). Στα πλαίσια της παρούσας εργασίας διερευνήθηκε η δυνατότητα βέλτιστου καθορισμού τομέων εξυπηρέτησης (sectors) ενός συστήματος ανελκυστήρων κατά την φάση κυκλοφορίας εξόδου από το κτίριο με χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Η θεωρητική ανάλυση και η εφαρμογή της σε επί μέρους περιπτώσεις (case studies) έδειξαν ότι η υπόθεση καθίσταται εφικτή καθότι τα Τεχνητά Νευρωνικά Δίκτυα δίνουν σε πολύ μικρό χρονικό διάστημα βέλτιστες ή υπο-βέλτιστες λύσεις με μικρό σχετικά σφάλμα. The trend of constructing high-rise buildings in the world today has led to a demand for better vertical transportation services. As elevators are the main transportation facility in buildings, the system that controls them must maximize their transportation capacity and improve the quality of passenger service. The most basic regulation of elevator systems in multi-storey buildings is sectoring. In the context of this work, the possibility of optimally defining service sectors (sectors) of an elevator system during the exit traffic phase of the building was investigated using Artificial Neural Networks (ANNs). The theoretical analysis and its application in individual cases (case studies) showed that the hypothesis becomes feasible as the Artificial Neural Networks give in a very short time optimal or sub-optimal solutions with a relatively small error. 2022-07-15T05:21:36Z 2022-07-15T05:21:36Z 2022-07-12 http://hdl.handle.net/10889/16530 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Τεχνητά νευρωνικά δίκτυα Ανελκυστήρες Τομεοποίηση Χρόνος αναμονής Κάθετη μεταφορά Artificial neural networks Elevators Sectoring Waiting time Vertical transportation |
| spellingShingle |
Τεχνητά νευρωνικά δίκτυα Ανελκυστήρες Τομεοποίηση Χρόνος αναμονής Κάθετη μεταφορά Artificial neural networks Elevators Sectoring Waiting time Vertical transportation Μεραντζής, Βασίλειος Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| description |
Η τάση κατασκευής πολυώροφων κτιρίων στον κόσμο σήμερα έχει οδηγήσει σε ζήτηση για καλύτερες υπηρεσίες κάθετης μεταφοράς. Καθώς οι ανελκυστήρες είναι η κύρια μεταφορική εγκατάσταση στα κτίρια, το σύστημα που τους ελέγχει πρέπει να μεγιστοποιήσει τη μεταφορική τους ικανότητα και να βελτιώσει την ποιότητα της εξυπηρέτησης των επιβατών. Η βασικότερη ρύθμιση των συστημάτων ανελκυστήρων σε πολυώροφα κτίρια είναι ο διαχωρισμός σε τομείς (sectoring). Στα πλαίσια της παρούσας εργασίας διερευνήθηκε η δυνατότητα βέλτιστου καθορισμού τομέων εξυπηρέτησης (sectors) ενός συστήματος ανελκυστήρων κατά την φάση κυκλοφορίας εξόδου από το κτίριο με χρήση Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ). Η θεωρητική ανάλυση και η εφαρμογή της σε επί μέρους περιπτώσεις (case studies) έδειξαν ότι η υπόθεση καθίσταται εφικτή καθότι τα Τεχνητά Νευρωνικά Δίκτυα δίνουν σε πολύ μικρό χρονικό διάστημα βέλτιστες ή υπο-βέλτιστες λύσεις με μικρό σχετικά σφάλμα. |
| author2 |
Merantzis, Vasilios |
| author_facet |
Merantzis, Vasilios Μεραντζής, Βασίλειος |
| author |
Μεραντζής, Βασίλειος |
| author_sort |
Μεραντζής, Βασίλειος |
| title |
Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| title_short |
Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| title_full |
Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| title_fullStr |
Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| title_full_unstemmed |
Χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| title_sort |
χρήση τεχνητών νευρωνικών δικτύων για την κυκλοφοριακή μελέτη συστήματος ανελκυστήρων |
| publishDate |
2022 |
| url |
http://hdl.handle.net/10889/16530 |
| work_keys_str_mv |
AT merantzēsbasileios chrēsētechnētōnneurōnikōndiktyōngiatēnkyklophoriakēmeletēsystēmatosanelkystērōn AT merantzēsbasileios applicationofartificialneuralnetworksinelevatortrafficanalysis |
| _version_ |
1771297321302097920 |
