現在位置首頁 > 博碩士論文 > 詳目
論文中文名稱:以輻狀基底函數類神經網路建構 灌溉渠道之率定曲線 [以論文名稱查詢館藏系統]
論文英文名稱:Using Radial Basis Function Neural Network to Build the Rating Curve of Irrigation Channel [以論文名稱查詢館藏系統]
院校名稱:臺北科技大學
學院名稱:工程學院
系所名稱:土木工程系土木與防災碩士班
畢業學年度:106
畢業學期:第二學期
出版年度:107
中文姓名:何承軒
英文姓名:Cheng-Hsuan Ho
研究生學號:105428080
學位類別:碩士
語文別:中文
口試日期:2018/07/19
論文頁數:102
指導教授中文名:陳彥璋;朱子偉
口試委員中文名:李心平;林旭信;柳文成
中文關鍵詞:類神經網路流量量測率定曲線
英文關鍵詞:Discharge MeasurementNeural NetworkRating Curve
論文中文摘要:台灣地區農業耕作以水田為主,是本研究對象灌溉渠道所要灌溉之主要對象,灌溉渠道遍佈於全台種植水稻之處,若可以了解各渠道之水位-流量率定曲線,便可透過水利設施來調整流量大小以對應農業活動所需之用水量,進而減少水資源之浪費,因此調查各渠道之詳細資料便成了一重要目標。如何在遍佈台灣的大量灌溉渠道中有效且迅速的取得所需的量測資料並建立一可靠的率定曲線便是本研究之目標。而流量量測中若要讓率定曲線趨近完善,則需要盡可能地量測到各個水位狀況下之流場分布以計算流量,因此若要建構完整之率定曲線則需進行多場量測才能達成。故本研究透過輻狀基底函數類神經網路(Radial Basis Function Neural Network,RBFNN)模式,以部分量測數據進行訓練檢定類神經網路參數,剩餘之數據則用來驗證,在檢定驗證皆得到相當好的結果。利用此參數建構之網路進行各水位狀況之流速分布模擬,以進行流量計算,並以此模擬結果計算之流量數據建構率定曲線,再與原本全部量測數據所建立之率定曲線進行比較。
論文英文摘要:Agricultural farming in Taiwan has always been dominated by paddy fields, which is the main target of irrigation for the irrigation channels. The irrigation channels are spread throughout the planting of rice in Taiwan. If we can understand the rating curve of each channel, it is possible to adjust the flow of each channel to correspond to the amount of water needed for agricultural activities through the water conservancy facilities. Thereby reducing the waste of water resources. Therefore, it is an important goal to investigate the details of each channel. How to effectively and quickly obtain the required measurement data and establish a reliable rating curve in a large number of irrigation channels throughout Taiwan is the goal of this study.
However, if the rating curve is to be perfected in the discharge measurement process, it is necessary to measure the flow field distribution under each water level as much as possible to calculate the velocity. Therefore,to construct a complete rating curve, multiple measurements are required to achieve Therefore, this study uses the Radial Basis Function Neural Network (RBFNN) model to train and characterize the parameters of the neural network only with the part of measured data, and the remaining data is used for verification. Very good results were obtained in the verification. The network constructed by this parameter is used to simulate the velocity distribution under each water level condition, and the velocity calculation is performed, and the velocity data construction rating curve calculated by the simulation result is performed, and then comparing with the rating curve established by the original measurement data.
論文目次:摘要 i
ABSTRACT ii
誌謝 iv
目錄 v
表目錄 vii
圖目錄 ix
第一章 緒論 1
1.1前言 1
1.2研究動機與目的 1
1.3論文架構流程簡介 2
第二章 文獻回顧 4
2.1率定曲線的建立與應用 4
2.2類神經網路之應用 6
第三章 流量量測方法 9
3.1流量觀測原理及方法 9
3.1.1垂線水深量測 9
3.1.2流速測定 10
3.1.3垂線流速分佈及最大流速位置之推求 10
3.1.4流量計算 13
3.1.5量測步驟及結果 14
3.2水位-流量率定曲線之建立 14
第四章 輻狀基底函數類神經網路 16
4.1輻狀基底函數類神經網路概述 16
4.2輻狀基底函數 17
4.3學習演算法 19
第五章 研究材料 22
5.1研究區域概述 22
5.2 量測資料整理 25
第六章 結果與討論 28
6.1資料前處理 28
6.2模式之訓練及檢定 30
6.3模式之驗證 36
6.4模式之應用 41
第七章 結論與建議 44
7.1結論 44
7.2建議 45
參考文獻 46
附錄A實測值與模擬值垂線比較圖 48
附錄B各水位之垂線模擬圖 62
附錄C 78
C.1模式之訓練及檢定 80
C.2模式之驗證 85
C.3模式之應用 99
論文參考文獻:1. Barbetta, S., Moramarco, T., & Perumal, M. (2017). A Muskingum-based methodology for river discharge estimation and rating curve development under significant lateral inflow conditions. Journal of Hydrology, 554, 216-232. doi: 10.1016/j.jhydrol.2017.09.022
2. Camenen, B., Dramais, G., Le Coz, J., Ho, T. D., Gratiot, N., & Piney, S. (2017). Estimation of a water level - discharge rating curve for a river influenced by the tide. Houille Blanche-Revue Internationale De L Eau(5), 16-21. doi: 10.1051/lhb/2017039
3. Clarke, R. T. (1999). Uncertainty in the estimation of mean annual flood due to rating-curve indefinition. Journal of Hydrology, 222(1-4), 185-190. doi: 10.1016/s0022-1694(99)00097-9
4. Petersen-Overleir, A. (2004). Accounting for heteroscedasticity in rating curve estimates. Journal of Hydrology, 292(1-4), 173-181. doi: 10.1016/j.jhydrol.2003.12.024
5. Sivapragasam, C., & Muttil, N. (2005). Discharge rating curve extension - A new approach. Water Resources Management, 19(5), 505-520. doi: 10.1007/s11269-005-6811-2
6. Westerberg, I., Guerrero, J. L., Seibert, J., Beven, K. J., & Halldin, S. (2011). Stage-discharge uncertainty derived with a non-stationary rating curve in the Choluteca River, Honduras. Hydrological Processes, 25(4), 603-613. doi: 10.1002/hyp.7848
7. Ahmad, S., & Simonovic, S. P. (2005). An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology, 315(1-4), 236-251. doi: 10.1016/j.jhydrol.2005.03.032
8. Dawson, C. W., Abrahart, R. J., Shamseldin, A. Y., & Wilby, R. L. (2006). Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319(1-4), 391-409. doi: 10.1016/j.jhydrol.2005.07.032
9. Sattari, M. T., Apaydin, H., & Ozturk, F. (2012). Flow estimations for the Sohu Stream using artificial neural networks. Environmental Earth Sciences, 66(7), 2031-2045. doi: 10.1007/s12665-011-1428-7
10. Singh, P., & Deo, M. C. (2007). Suitability of different neural networks in daily flow forecasting. Applied Soft Computing, 7(3), 968-978. doi: 10.1016/j.asoc.2006.05.003
11. Whigham, P. A., & Crapper, P. F. (2001). Modelling rainfall-runoff using genetic programming. Mathematical and Computer Modelling, 33(6-7), 707-721. doi: 10.1016/s0895-7177(00)00274-0
12. 王皓毅. (2012). 以HHT建立感潮河段率定曲線. (碩士), 國立臺北科技大學, 台北市.
13. 林永堂. (2004). 結合OLS與SGA建構輻狀基底類神經網路於洪水預測之研究. (碩士), 國立臺灣大學, 台北市.
14. 林欣禾. (2005). 應用率定曲線不確定性分析於洪水即時預報之研究. (碩士), 國立成功大學, 台南市.
15. 林政華. (2017). 最佳化陣列式UVLED固化系統之研究. (碩士), 國立暨南國際大學, 南投縣.
16 紀銘傑. (2005). 應用動力波演算模式建立水位-流量率定曲線之研究. (碩士), 國立成功大學, 台南市.
17. 張斐章、張麗秋. (2015). 類神經網路導論-原理與應用: 滄海圖書資訊股份有限公司.
18. 張麗秋. (2001). 智慧型演算之類神經網路於水文系統. (博士), 國立臺灣大學, 台北市.
19. 黃裕成. (2002). 複式堰附近之渠流特性及其率定曲線之探討. (碩士), 國立成功大學, 台南市.
20. 楊定恭. (1999). 應用一維性河川動態水理模式探討率定曲線. (碩士), 淡江大學, 新北市.
21. 葉怡成. (2001). 應用類神經網路: 儒林圖書公司.
22. 詹仕堅. (2003). 使用類神經網路在洪水推估之研究-以集水區地文特徵為基礎. (博士), 國立臺灣大學, 台北市.
23. 廖聿勳. (2007). 應用馬斯金更-康鉅法與率定曲線預測河道水位. (碩士), 國立臺灣海洋大學, 基隆市.
24. 廖啟佑. (2005). 應用類神經網路與小波理論分析地震前地下水位波動. (碩士), 國立臺北科技大學, 台北市.
25. 鄭伊婷. (2009). 以複合型模式分析區域淹水潛勢. (碩士), 淡江大學, 新北市.
26. 賴建信. (2004). 濁水溪流量水位時間序列結構之研究. (博士), 國立中興大學, 台中市.
27. 鍾侑達. (2014). 智慧型逕流預測模式之建構. (博士), 逢甲大學, 台中市.
論文全文使用權限:不同意授權