Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους
Η βιομηχανία πετρελαίου και φυσικού αερίου είναι υπεύθυνη για σημαντικές ποσότητες παραπροϊόντων και αποβλήτων τα οποία απαιτούν ορθολογική διαχείριση και επεξεργασία, ένα εκ των οποίων είναι και τα θραύσματα πετρωμάτων από γεωτρήσεις υδρογονανθράκων. Στο \textit{Εργαστήριο Φαινομένων Μεταφοράς και...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2022
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/23918 |
| id |
nemertes-10889-23918 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Απορρύπανση μολυσμένου εδάφους Τιμές SHAP Machine learning Deep learning Artificial neural networks Remediation of oil-drilling cuttings SHAP values |
| spellingShingle |
Μηχανική μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Απορρύπανση μολυσμένου εδάφους Τιμές SHAP Machine learning Deep learning Artificial neural networks Remediation of oil-drilling cuttings SHAP values Κάλλαρη, Χρυσάννα Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| description |
Η βιομηχανία πετρελαίου και φυσικού αερίου είναι υπεύθυνη για σημαντικές ποσότητες παραπροϊόντων και αποβλήτων τα οποία απαιτούν ορθολογική διαχείριση και επεξεργασία, ένα εκ των οποίων είναι και τα θραύσματα πετρωμάτων από γεωτρήσεις υδρογονανθράκων. Στο \textit{Εργαστήριο Φαινομένων Μεταφοράς και Πορωδών Υλικών} στο \textit{Ινστιτούτο Έρευνας Χημικής Μηχανικής} στην Πάτρα, μελετάται ένας τρόπος απορρύπανσης αυτών μέσω οξείδωσης του ρυπασμένου εδάφους με όζον σε στήλη αντιδραστήρα φυσαλίδων. Η παρούσα εργασία παρουσιάζει μια μεθοδολογία μοντελοποίησης της διεργασίας απορρύπανσης με μοντέλα μηχανικής μάθησης, ειδικότερα βαθιάς μάθησης, με απώτερο σκοπό την εξαγωγή γνώσης για την κατανόηση των πραγματικών μηχανισμών που κρύβονται στην πειραματική διαδικασία.
Ο κύριος άξονας αυτής της διπλωματικής εργασίας είναι τα τεχνητά νευρωνικά δίκτυα και η ενσωμάτωση αυτών σε μια πειραματική διαδικασία απορρύπανσης, με απώτερο σκοπό την βελτιστοποίηση αυτής. Τα τεχνητά νευρωνικά δίκτυα ως μοντέλα βαθιάς μάθησης, ενός επιστημονικού υποπεδίου της μηχανικής μάθησης, απαιτούν για την κατανόηση αυτών γνώσεις και έννοιες του ευρύτερου επιστημονικού πεδίου, αυτού της μηχανικής μάθησης. Για αυτό στο πρώτο μέρος της εργασίας, ύστερα από μια γενναία εισαγωγή του προβλήματος που καλούμαστε να αντιμετωπίσουμε, καταγράφονται βασικές έννοιες και γνώσεις της μηχανικής μάθησης. Εν συνεχεία, το δεύτερο μέρος απευθύνεται στο θεωρητικό υπόβαθρο της βαθιάς μάθησης, όπου παρουσιάζονται λεπτομερώς τα τεχνητά νευρωνικά δίκτυα και ο τρόπος λειτουργίας τους. Το πρακτικό μέρος αυτής της εργασίας, η υλοποίηση δηλαδή της ανάπτυξης τεχνητών νευρωνικών δικτύων συγκροτούν το τέταρτο μέρος της. Σε αυτό παρουσιάζεται η πειραματική διάταξη που λαμβάνει χώρα στο εργαστήριο αλλά και η μεθοδολογία που έχουμε εφαρμόσει, η οποία περιλαμβάνει δύο μοντέλα προσομοίωσης και δύο τεχνητά νευρωνικά δίκτυα των οποίων η ακρίβεια ξεπερνά το 98\%. Τέλος, τα εκπαιδευμένα νευρωνικά δίκτυα ερμηνεύονται μέσω των \en{Shap values} για να μας παρέχουν ενδείξεις για τις κατάλληλες πειραματικές συνθήκες που θα μεγιστοποιήσουν την απορρύπανση. |
| author2 |
Kalari, Krisana |
| author_facet |
Kalari, Krisana Κάλλαρη, Χρυσάννα |
| author |
Κάλλαρη, Χρυσάννα |
| author_sort |
Κάλλαρη, Χρυσάννα |
| title |
Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| title_short |
Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| title_full |
Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| title_fullStr |
Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| title_full_unstemmed |
Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| title_sort |
μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους |
| publishDate |
2022 |
| url |
https://hdl.handle.net/10889/23918 |
| work_keys_str_mv |
AT kallarēchrysanna methodoimēchanikēskaibathiasmathēsēsgiatēnepexergasiamolysmenouedaphous AT kallarēchrysanna machineanddeeplearningmethodsfortheremediationofcontaminatedsoil |
| _version_ |
1771297263844327424 |
| spelling |
nemertes-10889-239182022-11-15T04:36:33Z Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους Machine and deep learning methods for the remediation of contaminated soil Κάλλαρη, Χρυσάννα Kalari, Krisana Μηχανική μάθηση Βαθιά μάθηση Τεχνητά νευρωνικά δίκτυα Απορρύπανση μολυσμένου εδάφους Τιμές SHAP Machine learning Deep learning Artificial neural networks Remediation of oil-drilling cuttings SHAP values Η βιομηχανία πετρελαίου και φυσικού αερίου είναι υπεύθυνη για σημαντικές ποσότητες παραπροϊόντων και αποβλήτων τα οποία απαιτούν ορθολογική διαχείριση και επεξεργασία, ένα εκ των οποίων είναι και τα θραύσματα πετρωμάτων από γεωτρήσεις υδρογονανθράκων. Στο \textit{Εργαστήριο Φαινομένων Μεταφοράς και Πορωδών Υλικών} στο \textit{Ινστιτούτο Έρευνας Χημικής Μηχανικής} στην Πάτρα, μελετάται ένας τρόπος απορρύπανσης αυτών μέσω οξείδωσης του ρυπασμένου εδάφους με όζον σε στήλη αντιδραστήρα φυσαλίδων. Η παρούσα εργασία παρουσιάζει μια μεθοδολογία μοντελοποίησης της διεργασίας απορρύπανσης με μοντέλα μηχανικής μάθησης, ειδικότερα βαθιάς μάθησης, με απώτερο σκοπό την εξαγωγή γνώσης για την κατανόηση των πραγματικών μηχανισμών που κρύβονται στην πειραματική διαδικασία. Ο κύριος άξονας αυτής της διπλωματικής εργασίας είναι τα τεχνητά νευρωνικά δίκτυα και η ενσωμάτωση αυτών σε μια πειραματική διαδικασία απορρύπανσης, με απώτερο σκοπό την βελτιστοποίηση αυτής. Τα τεχνητά νευρωνικά δίκτυα ως μοντέλα βαθιάς μάθησης, ενός επιστημονικού υποπεδίου της μηχανικής μάθησης, απαιτούν για την κατανόηση αυτών γνώσεις και έννοιες του ευρύτερου επιστημονικού πεδίου, αυτού της μηχανικής μάθησης. Για αυτό στο πρώτο μέρος της εργασίας, ύστερα από μια γενναία εισαγωγή του προβλήματος που καλούμαστε να αντιμετωπίσουμε, καταγράφονται βασικές έννοιες και γνώσεις της μηχανικής μάθησης. Εν συνεχεία, το δεύτερο μέρος απευθύνεται στο θεωρητικό υπόβαθρο της βαθιάς μάθησης, όπου παρουσιάζονται λεπτομερώς τα τεχνητά νευρωνικά δίκτυα και ο τρόπος λειτουργίας τους. Το πρακτικό μέρος αυτής της εργασίας, η υλοποίηση δηλαδή της ανάπτυξης τεχνητών νευρωνικών δικτύων συγκροτούν το τέταρτο μέρος της. Σε αυτό παρουσιάζεται η πειραματική διάταξη που λαμβάνει χώρα στο εργαστήριο αλλά και η μεθοδολογία που έχουμε εφαρμόσει, η οποία περιλαμβάνει δύο μοντέλα προσομοίωσης και δύο τεχνητά νευρωνικά δίκτυα των οποίων η ακρίβεια ξεπερνά το 98\%. Τέλος, τα εκπαιδευμένα νευρωνικά δίκτυα ερμηνεύονται μέσω των \en{Shap values} για να μας παρέχουν ενδείξεις για τις κατάλληλες πειραματικές συνθήκες που θα μεγιστοποιήσουν την απορρύπανση. "Ανάπτυξη κινητής μονάδας οζονισμού για την εξυγίανση ρυπασμένου εδαφών και λάσπης γεωτρήσεων-OZOREMSOIL" με κωδικό πρότασης Τ2ΕΔΚ-01447 και κωδικό πράξης MIS 5069890 στα πλαίσια του ΕΡΕΥΝΩ-ΔΗΜΙΟΥΡΓΩ-ΚΑΙΝΟΤΟΜΩ. Oil and gas industry is responsible for significant amounts of by-products and wastes which must be managed and treated properly. Oil-drilling cuttings are the major wastes generated during the process of oil/gas exploration and extraction. A way of remediation of polluted soils and oil-drilling cuttings, through their oxidation with ozone in a bubble reactor column, is being studied at the \textit{Laboratory of Transport Phenomena and Porous Materials} at the \textit{Chemical Engineering Research Institute} in Patras. This thesis presents a methodology for modeling the decontamination process with machine learning models, especially deep learning, with the ultimate goal of extracting knowledge to understand the real mechanisms hidden in the experimental process. The main focus of this thesis is artificial neural networks and their integration into an experimental decontamination process, with the ultimate goal of optimizing it. Artificial neural networks as models of deep learning, a scientific subfield of machine learning, require for their understanding knowledge and concepts of the wider scientific field, that of machine learning. For this reason, in the first part of this work, after a brave introduction of the problem we are called to face, basic concepts and knowledge of machine learning are presented. Subsequently, the second part is addressed to the theoretical background of deep learning, where artificial neural networks and their mode of operation are presented in detail. The practical part of this work, scilicet the implementation of the development of artificial neural networks, constitutes the fourth part. It presents the experimental setup that takes place in the laboratory as well as the methodology we have applied, which includes two simulation models and two artificial neural networks whose accuracy exceeds 98\%. Finally, the trained neural networks are interpreted through the \en{Shap values} to provide us with guidelines on the appropriate experimental conditions that will maximize the decontamination efficiency. 2022-11-14T11:32:18Z 2022-11-14T11:32:18Z 2022-10-25 https://hdl.handle.net/10889/23918 el Attribution-NonCommercial-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nc-nd/3.0/us/ application/pdf |
