Μέθοδοι μηχανικής και βαθιάς μάθησης για την επεξεργασία μολυσμένου εδάφους
Loading...
Date
2022-10-25
Authors
Κάλλαρη, Χρυσάννα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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.
Description
Keywords
Μηχανική μάθηση, Βαθιά μάθηση, Τεχνητά νευρωνικά δίκτυα, Απορρύπανση μολυσμένου εδάφους, Τιμές SHAP