Η Ποτάμια Υδραυλική χαρακτηρίζεται από τα μεταβλητά όρια των υδατορρευμάτων που διαρκώς τροποποιούνται και συνακόλουθα επηρεάζουν τη ροή και δημιουργούν μία αμφίδρομη σχέση που είναι δύσκολο να μοντελοποιηθεί. Η μέση ταχύτητα ροής σε έναν ανοιχτό αγωγό απαιτείται για πλήθος εφαρμογών Μηχανικού, όπως είναι η αριθμητική μοντελοποίηση, η ανάλυση επικινδυνότητας, η εκτίμηση της παροχετευτικής ικανότητας και ο υπολογισμός της στερεομεταφοράς. Ταυτόχρονα, το φαινόμενο της μεταφοράς φερτών υλών μελετάται εδώ και αιώνες τόσο από Υδραυλικούς Μηχανικούς όσο και από Γεωλόγους λόγω της σημασίας του στην κατανόηση της Ποτάμιας Υδραυλικής. Η διάβρωση και η πρόσχωση της κοίτης μεταβάλλουν τη γεωμετρία της υδραυλικής διατομής του υδατορρεύματος και μπορεί να προκαλέσουν αύξηση της πλημμυρικής συχνότητας, αλλά και προβλήματα στη ναυσιπλοία λόγω της υπερβολικής πρόσχωσης. Επιπλέον, η έκχυση βιομηχανικών και αγροτικών αποβλήτων σε υδατορρεύματα καθιστά τους κόκκους πρωταρχικούς φορείς τοξικών ουσιών που μολύνουν υδατικά συστήματα. Οι υψηλές στερεοπαροχές μπορεί να αποδειχθούν καταστροφικές για βιότοπους και οικοσυστήματα, ενώ η μακροχρόνια απόθεση φερτών υλών επηρεάζει το σχεδιασμό και τη λειτουργία κατασκευών, όπως φράγματα και ταμιευτήρες, αλλά και την παράκτια διάβρωση στην έξοδο της λεκάνης απορροής. Σε προβλήματα όπου η γνώση της Φυσικής του προβλήματος κρίνεται ανεπαρκής, η μηχανική μάθηση αποτελεί μία ελκυστική εναλλακτική μεθοδολογία, καθώς με την τεχνολογική πρόοδο υπάρχουν πλέον μεγάλες βάσεις ποιοτικών δεδομένων, από τις οποίες, με κατάλληλη επεξεργασία, μπορούν να προκύψουν μοντέλα παλινδρόμησης. Οι καταγεγραμμένες παρατηρήσεις ενός συστήματος μπορούν να αναλυθούν περαιτέρω ως προς τις πληροφορίες που περιέχουν. Αυτού του είδους η αυτοματοποιημένη αναζήτηση μοντέλων που περιγράφουν τα δεδομένα, αποτελεί την εξόρυξη δεδομένων, η οποία στοχεύει στην παροχή εργαλείων που επιτρέπουν τη μετατροπή των δεδομένων σε άλλη μορφή, όπως εξισώσεις, που βοηθούν στην κατανόηση των διεργασιών που τα δημιουργούν. Τα μοντέλα αυτά σε συνδυασμό με την υπάρχουσα αντίληψη των φυσικών διεργασιών του υπό μελέτη φαινομένου συντελούν στη βελτιωμένη κατανόηση αυτού, στη δημιουργία νέων διατυπώσεων των φυσικών νόμων και στη βελτίωση της ικανότητας πρόβλεψης (Babovic, 2000). Η επιλογή των μεταβλητών εισόδου είναι πρωταρχικής σημασίας για την αξιοποίηση των δυνατοτήτων μιας τέτοιας τεχνικής, ωστόσο, και η επιλογή της ίδιας της τεχνικής παλινδρόμησης είναι εξίσου σημαντική. Οι Witten et al. (2011) θεωρούν ότι ένα μοντέλο μηχανικής μάθησης που μπορεί να ανταποκριθεί σε όλων των ειδών τα προβλήματα, αποτελεί μία ιδεαλιστική φαντασίωση, όπως έχει δείξει άλλωστε και η εμπειρία, καθώς η δομή και η σύνταξη κάποιων μοντέλων μηχανικής μάθησης δεν μπορούν να αποτυπώσουν ορισμένα φυσικά συστήματα. Συνεπώς, στην παρούσα διδακτορική διατριβή χρησιμοποιούνται τέσσερις τεχνικές μηχανικής μάθησης: τα τεχνητά νευρωνικά δίκτυα (artificial neural networks - ANN), τα ασαφή συμπερασματικά συστήματα βασιζόμενα σε προσαρμοστικά δίκτυα (adaptive-network-based fuzzy inference system - ANFIS), η συμβολική παλινδρόμηση (symbolic regression - SR), η οποία βασίζεται στο γενετικό προγραμματισμό (genetic programming - GP) και η παλινδρόμηση με μηχανές διανυσμάτων υποστήριξης (support vector regression - SVR). Τα προβλήματα που μελετώνται στην παρούσα διδακτορική διατριβή, αφορούν τον υπολογισμό της μέσης ταχύτητας ροής, ξεχωριστά για υδατορρεύματα με αμμώδη και χαλικώδη πυθμένα λόγω ορισμένων διαφορών στο μηχανισμό αντίστασης στη ροή, και τον υπολογισμό της στερεομεταφοράς. Η στερεομεταφορά που μελετάται, αφορά την ποσοτικοποίηση του στερεοφορτίου πυθμενικού υλικού (δηλαδή στερεοφορτίο κοίτης και αιωρούμενο στερεοφορτίο) σε υδατορρεύματα με αμμώδη πυθμένα και του στερεοφορτίου κοίτης σε υδατορρεύματα με χαλικώδη πυθμένα. Ειδικότερα για την τελευταία περίπτωση, διερευνήθηκαν οι περιπτώσεις υπολογισμού της στερεοπαροχής βάσει μίας χαρακτηριστικής διαμέτρου κόκκου, με τη χρήση όλων των προαναφερόμενων τεχνικών μηχανικής μάθησης. Επίσης, για κάθε μέγεθος κόκκου που απαντάται στο στερεοφορτίο, διερευνήθηκε η δυνατότητα υπολογισμού της κλασματικής μεταφοράς φερτών υλών με τη χρήση ενός ANN πολλαπλών εξόδων και με επιλεκτικές συνδέσεις μεταξύ των νευρώνων των διαφόρων στρώσεων του δικτύου για την ποσοτικοποίηση του φαινομένου της απόκρυψης στην επιφανειακή στρώση του πυθμένα. Για την εκπαίδευση των μοντέλων που υπολογίζουν το στερεοφορτίο πυθμενικού υλικού σε αμμώδη υδατορρεύματα, έγιναν δοκιμές τόσο με δεδομένα πεδίου όσο και με δεδομένα που προέκυψαν από πειράματα σε εργαστηριακούς αγωγούς, για να εξεταστεί η δυνατότητα μεταφοράς ενός μοντέλου που εκπαιδεύτηκε σε ελεγχόμενο περιβάλλον με ομοιόμορφη ροή και τον ελάχιστο δυνατό θόρυβο και καλείται να κάνει εκτιμήσεις στερεομεταφοράς σε φυσικά υδατορρεύματα. Επιπρόσθετα, για τον υπολογισμό της στερεοπαροχής βάσει μίας χαρακτηριστικής διαμέτρου κόκκου, δοκιμάστηκαν διάφοροι συνδυασμοί μεταβλητών εισόδου που διαφοροποιούνται από τη χρήση της συρτικής τάσης, της ισχύος του υδατορρεύματος και της μοναδιαίας ισχύος του υδατορρεύματος, δηλαδή τις μεταβλητές στις οποίες στηρίζονται οι περισσότερες υπάρχουσες εξισώσεις υπολογισμού στερεοπαροχής, χωρίς την ανάγκη να τεθεί ένα κριτήριο για την έναρξη της κίνησης των κόκκων. Τα μοντέλα που προέκυψαν, παρήγαγαν εξίσου καλά αποτελέσματα, ανάλογα με τη χρησιμοποιούμενη τεχνική, τονίζοντας τη σημαντικότητα του μοντέλου ανάλυσης παλινδρόμησης. Τα δεδομένα που χρησιμοποιούνται, προέρχονται από μετρήσεις σε φυσικά υδατορρεύματα και εργαστηριακούς αγωγούς και είναι κατανεμημένα σε βάσεις δεδομένων, οι οποίες έχουν χρησιμοποιηθεί κατά το παρελθόν, και εξακολουθούν να χρησιμοποιούνται, από διάφορους ερευνητές και προσφέρονται για συγκρίσεις (Brownlie, 1981a; King et al., 2004; Rickenmann and Recking, 2011). Οι μετρήσεις θεωρούνται αξιόπιστες για τη φύση του προβλήματος που μελετάται, ωστόσο, αναπόφευκτα ενσωματώνουν θόρυβο, τον οποίο όμως οι τεχνικές μηχανικής μάθησης είναι σε θέση να υπερκεράσουν και να παράγουν αξιόπιστα και αποδοτικά μοντέλα. Τα αποτελέσματα που προκύπτουν από τις παραπάνω εφαρμογές, είναι σαφώς ανώτερα από τα αντίστοιχα ορισμένων από τις ευρέως χρησιμοποιούμενες εξισώσεις υπολογισμού αντίστασης στη ροή και στερεοπαροχής. Από τις τεχνικές μηχανικής μάθησης, τα καλύτερα αποτελέσματα προέκυψαν από τα ANNs, ακολουθούμενα από τα ANFIS και SVR που συνήθως απέδιδαν εξίσου καλά. Τα λιγότερο καλά αποτελέσματα προέκυψαν από την εφαρμογή της SR, αν και σε ορισμένες περιπτώσεις παρήγαγαν πολύ απλές και κατανοητές εξισώσεις. Σε όλες τις περιπτώσεις χρησιμοποιήθηκε η τεχνική της διασταυρούμενης επικύρωσης, έτσι ώστε το σύνολο ελέγχου να είναι ένα πραγματικά ανεξάρτητο σύνολο που θα διευκολύνει την αξιολόγηση των παραγόμενων μοντέλων. Τα τελικά μοντέλα μπορούν να χρησιμοποιηθούν για σχετικές εκτιμήσεις στις περιοχές μελέτης όπου εκπαιδεύτηκαν, ή σε υδατορρεύματα με παρόμοια χαρακτηριστικά, με τις τιμές των μεταβλητών εισόδου να βρίσκονται μέσα στο εύρος των δεδομένων εκπαίδευσης, όπως ορίζει η ορθή μοντελοποίηση με τεχνικές μηχανικής μάθησης.
COMPARATIVE EVALUATION OF FUZZY INFERENCE SYSTEM, SUPPORT VECTOR MACHINE AND MULTILAYER FEED-FORWARD NEURAL NETWORK IN MAKING DISCRETIONARY LANE CHANGING DECISIONS