สืบค้นงานวิจัย
การประยุกต์ใช้แบบจำลอง Neuro-genetic optimizer เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิง
Thanyalak Iamnarongrit - มหาวิทยาลัยมหิดล
ชื่อเรื่อง: การประยุกต์ใช้แบบจำลอง Neuro-genetic optimizer เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิง
ชื่อเรื่อง (EN): Application of Neuro-genetic optimizer for sediment forecasting in Lam Phra Phloeng reservoir
ผู้แต่ง / หัวหน้าโครงการ (EN): Thanyalak Iamnarongrit
บทคัดย่อ: การศึกษานี้มีวัตถุประสงค์เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิงโดยประยุกต์ใช้ แบบจำลอง Neuro-genetic Optimizer ซึ่งจะนำข้อมูลรายเดือนที่มีการบันทึกอยู่แล้ว ได้แก่ ข้อมูลน้ำท่า ข้อมูลน้ำฝน และข้อมูลตะกอน จากสถานีตรวจวัดรอบๆ บริเวณพื้นที่ลุ่มน้ำ มาคำนวณหาค่าตะกอน จำนวนข้อมูลนำเข้ามี ทั้งหมด 38 ชุดข้อมูล โดยแบ่งข้อมูลออกเป็น 2 ชุด ได้แก่ ชุดข้อมูลการเรียนรู้และชุดข้อมูลการทดสอบ และนำผล การศึกษาที่ได้จากแบบจำลองมาทำการเปรียบเทียบกับแบบจำลองเชิงเส้น พร้อมทั้งวิเคราะห์การเปลี่ยนแปลงการ ใช้ประโยชน์ที่ดินในปี พ.ศ.2545 และพ.ศ.2548 โดยการแปลภาพดาวเทียมร่วมด้วยเพื่อประกอบกับผลการศึกษา พบว่า จากปี พ.ศ. 2545 ถึง พ.ศ. 2548 พื้นที่ป่าไม้ มีเนื้อที่ลดลงเหลือประมาณ 50,220 ไร่ หรือประมาณ 36% ซึ่งถูก เปลี่ยนไปเป็นพื้นที่เกษตรกรรม ยังส่งผลต่อปริมาณตะกอนที่เกิดจากการชะล้างพังทลายของดิน จากการคำนวณโดย สมการ USLE ปี พ.ศ.2545 และ พ.ศ. 2548 มีปริมาณตะกอนเพิ่มขึ้นประมาณ 185,341 ตัน/ปี ซึ่งสรุปได้ว่าสภาพการ ใช้ประโยชน์ที่ดินที่เปลี่ยนแปลงไปส่งผลต่อปริมาณตะกอนเพิ่มมากขึ้น สำหรับการนำแบบจำลอง Neuro-genetic Optimizer มาใช้นั้น ทำให้ได้ค่าอัตราการเรียนรู้ (Learning Rate) เท่ากับ 0.9 ค่าโมเมนต์ตัม (Momentum) เท่ากับ 0.1 และค่าถ่วงน้ำหนักเริ่มต้น (Initial Weight) ที่ +/- 3 และลักษณะโครงสร้างเป็นแบบ 4-127-1 ผลการศึกษา พบว่า ปริมาณตะกอนรายปีของลุ่มน้ำลำพระเพลิงในปี พ.ศ. 2548 ที่คาดการณ์ได้จากแบบจำลองประมาณ 49,855 ตัน มีค่า R2เท่ากับ 0.9994 ส่วนแบบจำลองเชิงเส้น ใช้สมการ Y = 198.48x1.1783 และให้ค่า R2 เท่ากับ 0.9974 มี ปริมาณตะกอนประมาณ 45,346 ตัน สำหรับค่าตะกอนที่ตรวจวัดจริงที่ได้จากกรมชลประทาน มีค่าประมาณ 48,697 ตัน ซึ่งแบบจำลอง Neuro-genetic Optimizer ได้ปริมาณตะกอนต่างจากค่าตรวจวัดจริง ประมาณ 1,160 ตัน ส่วน แบบจำลองเชิงเส้นได้ปริมาณตะกอนต่างจากค่าตรวจวัดจริงประมาณ 3,351 ตันและปริมาณตะกอนตกจมในอ่างเก็บ น้ำอนุภาคส่วนใหญ่เป็นอนุภาคดินเหนียว (Clay) เมื่อเทียบความแตกต่างของค่าปริมาณตะกอนของแบบจำลองทั้ง 2 กับค่าสถิติตรวจวัดจริงแล้ว พบว่า แบบจำลอง Neuro-genetic Optimizer ให้ค่าปริมาณตะกอนมีความแตกต่าง จากค่าตรวจวัดจริงใกล้เคียงกว่าแบบจำลองเชิงเส้น โดยมีค่าดัชนีวัดประสิทธิภาพของแบบจำลองอยู่ที่ประมาณ 99 % แสดงให้เห็นว่าแบบจำลอง Neuro-genetic Optimizer สามารถนำไปใช้ในการพยากรณ์ปริมาณตะกอนได้ อีก ทั้งใช้ข้อมูลไม่มากนัก ทำให้ประหยัดเวลาและค่าใช้จ่าย สามารถใช้ในการประกอบการตัดสินใจ วางแผนการ จัดการอ่างเก็บน้ำและวางแผนการจัดการทรัพยากรในพื้นที่ลุ่มน้ำแห่งนี้ต่อไปในอนาคตได้
บทคัดย่อ (EN): The objective of this research is to forecast sediment volume in Lam Phra Phloeng reservoir by using the Neuro-genetic Optimizer model to calculate the sediment volume from runoff, rainfall, and sediment volume data. Monthly recorded data from monitoring stations around the watershed area were obtained and applied to the model. Thirty-eight sets of data were input into the model of which 19 sets of data were used for model training and 19 sets of data were for testing, which then forecast the watershed sediment volume. The results were compared to that of a regression model. Analysis of land use change was also carried out through interpretation of satellite image to support the study. The results from satellite imagery interpretation showed that from 2002 to 2005, forest area decreased approximately 50,220 rais or 36%, and was converted to agricultural land. This land use change affects the sediment volume due to soil loss. By applying the USLE equation, the soil erosion area was found to increase approximately 185,341 tons/year between 2002 and 2005. This result indicated that the impact of land use change greatly increased sedimentation volume. In applying the Neuro-genetic Optimizer model, the learning rate and momentum of this model was 0.9 and 0.1, respectively, and the initial weight value was +/-3. The network structural characteristic was 4-127-1. The model forecasted the annual sediment volume in the Lam Phra Phloeng reservoir in 2005 to be 49,855 tons with R2 equal to 0.9994. The regression model, on the other hand, forecasted the sediment volume using the equation Y=198.48X 1.1783 with R2 equal to 0.9974, and the annually sediment volume was estimated to be 45,346 tons. The actual sediment volume in the reservoir in 2005 was obtained from The Royal Irrigation Department which was found to be 48,697 tons. Thus, the Neuro-genetic Optimizer model predicted sediment volume was off by approximately 1,160 tons, while the regression model was off by 3,351 tons. Most of the sediment load in the reservoir was found to be clay. Therefore, this study found that the Neuro-genetic Optimizer model provided forecast results for the Lam Phra Phloeng reservoir closer to the actual sediment volume than the regression model. The index of efficiency for Neuro-genetic Optimizer model was approximately 99%, and the forecast did not require much data, which saved time and expenses involved in the data collection process. It is concluded that the Neuro-genetic Optimizer model is appropriate for application and will aid the decision making process and further planning of reservoir management in the dynamic ecosystem and land use change
บทคัดย่อ: ไม่พบข้อมูลจากหน่วยงานต้นทาง
ภาษา (EN): th
เอกสารแนบ: http://dcms.thailis.or.th/dcms/dccheck.php?Int_code=126&RecId=3767&obj_id=3763
เผยแพร่โดย: มหาวิทยาลัยมหิดล
คำสำคัญ (EN): Thailand
เจ้าของลิขสิทธิ์: มหาวิทยาลัยมหิดล
รายละเอียด: การศึกษานี้มีวัตถุประสงค์เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิงโดยประยุกต์ใช้ แบบจำลอง Neuro-genetic Optimizer ซึ่งจะนำข้อมูลรายเดือนที่มีการบันทึกอยู่แล้ว ได้แก่ ข้อมูลน้ำท่า ข้อมูลน้ำฝน และข้อมูลตะกอน จากสถานีตรวจวัดรอบๆ บริเวณพื้นที่ลุ่มน้ำ มาคำนวณหาค่าตะกอน จำนวนข้อมูลนำเข้ามี ทั้งหมด 38 ชุดข้อมูล โดยแบ่งข้อมูลออกเป็น 2 ชุด ได้แก่ ชุดข้อมูลการเรียนรู้และชุดข้อมูลการทดสอบ และนำผล การศึกษาที่ได้จากแบบจำลองมาทำการเปรียบเทียบกับแบบจำลองเชิงเส้น พร้อมทั้งวิเคราะห์การเปลี่ยนแปลงการ ใช้ประโยชน์ที่ดินในปี พ.ศ.2545 และพ.ศ.2548 โดยการแปลภาพดาวเทียมร่วมด้วยเพื่อประกอบกับผลการศึกษา พบว่า จากปี พ.ศ. 2545 ถึง พ.ศ. 2548 พื้นที่ป่าไม้ มีเนื้อที่ลดลงเหลือประมาณ 50,220 ไร่ หรือประมาณ 36% ซึ่งถูก เปลี่ยนไปเป็นพื้นที่เกษตรกรรม ยังส่งผลต่อปริมาณตะกอนที่เกิดจากการชะล้างพังทลายของดิน จากการคำนวณโดย สมการ USLE ปี พ.ศ.2545 และ พ.ศ. 2548 มีปริมาณตะกอนเพิ่มขึ้นประมาณ 185,341 ตัน/ปี ซึ่งสรุปได้ว่าสภาพการ ใช้ประโยชน์ที่ดินที่เปลี่ยนแปลงไปส่งผลต่อปริมาณตะกอนเพิ่มมากขึ้น สำหรับการนำแบบจำลอง Neuro-genetic Optimizer มาใช้นั้น ทำให้ได้ค่าอัตราการเรียนรู้ (Learning Rate) เท่ากับ 0.9 ค่าโมเมนต์ตัม (Momentum) เท่ากับ 0.1 และค่าถ่วงน้ำหนักเริ่มต้น (Initial Weight) ที่ +/- 3 และลักษณะโครงสร้างเป็นแบบ 4-127-1 ผลการศึกษา พบว่า ปริมาณตะกอนรายปีของลุ่มน้ำลำพระเพลิงในปี พ.ศ. 2548 ที่คาดการณ์ได้จากแบบจำลองประมาณ 49,855 ตัน มีค่า R2เท่ากับ 0.9994 ส่วนแบบจำลองเชิงเส้น ใช้สมการ Y = 198.48x1.1783 และให้ค่า R2 เท่ากับ 0.9974 มี ปริมาณตะกอนประมาณ 45,346 ตัน สำหรับค่าตะกอนที่ตรวจวัดจริงที่ได้จากกรมชลประทาน มีค่าประมาณ 48,697 ตัน ซึ่งแบบจำลอง Neuro-genetic Optimizer ได้ปริมาณตะกอนต่างจากค่าตรวจวัดจริง ประมาณ 1,160 ตัน ส่วน แบบจำลองเชิงเส้นได้ปริมาณตะกอนต่างจากค่าตรวจวัดจริงประมาณ 3,351 ตันและปริมาณตะกอนตกจมในอ่างเก็บ น้ำอนุภาคส่วนใหญ่เป็นอนุภาคดินเหนียว (Clay) เมื่อเทียบความแตกต่างของค่าปริมาณตะกอนของแบบจำลองทั้ง 2 กับค่าสถิติตรวจวัดจริงแล้ว พบว่า แบบจำลอง Neuro-genetic Optimizer ให้ค่าปริมาณตะกอนมีความแตกต่าง จากค่าตรวจวัดจริงใกล้เคียงกว่าแบบจำลองเชิงเส้น โดยมีค่าดัชนีวัดประสิทธิภาพของแบบจำลองอยู่ที่ประมาณ 99 % แสดงให้เห็นว่าแบบจำลอง Neuro-genetic Optimizer สามารถนำไปใช้ในการพยากรณ์ปริมาณตะกอนได้ อีก ทั้งใช้ข้อมูลไม่มากนัก ทำให้ประหยัดเวลาและค่าใช้จ่าย สามารถใช้ในการประกอบการตัดสินใจ วางแผนการ จัดการอ่างเก็บน้ำและวางแผนการจัดการทรัพยากรในพื้นที่ลุ่มน้ำแห่งนี้ต่อไปในอนาคตได้
หากไม่พบเอกสารฉบับเต็ม (Full Text) โปรดติดต่อหน่วยงานเจ้าของข้อมูล

การอ้างอิง

Thanyalak Iamnarongrit. "การประยุกต์ใช้แบบจำลอง Neuro-genetic optimizer เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิงApplication of Neuro-genetic optimizer for sediment forecasting in Lam Phra Phloeng reservoir". มหาวิทยาลัยมหิดล. 2550

Thanyalak Iamnarongrit. "การประยุกต์ใช้แบบจำลอง Neuro-genetic optimizer เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิงApplication of Neuro-genetic optimizer for sediment forecasting in Lam Phra Phloeng reservoir". มหาวิทยาลัยมหิดล. 2550. Print.



TARR Wordcloud:
การประยุกต์ใช้แบบจำลอง Neuro-genetic optimizer เพื่อคาดการณ์ปริมาณตะกอนในอ่างเก็บน้ำลำพระเพลิง
Thanyalak Iamnarongrit
มหาวิทยาลัยมหิดล
2550
การคาดการณ์ปริมาณโลหะหนักในระบบคลองของจังหวัดราชบุรีและสมุทรสงคราม โดยวิธี mass flow analysis การคาดการณ์การเปลี่ยนแปลงรูปแบบการใช้ประโยชน์ที่ดินจังหวัดกระบี่ การประยุกต์ใช้ระบบภูมิสารสนเทศและแบบจำลองเพื่อการคาดการณ์การเปลี่ยนแปลงการใช้ที่ดิน จังหวัดน่าน การคาดการณ์รูปแบบการใช้ประโยชน์ที่ดินในพื้นที่ลุ่มน้ำแม่แตง จ. เชียงใหม่ การประยุกต์ใช้แบบจำลองทางสังคมและมาร์คอฟ-เซลลูลาร์ออโตมาตาเพื่อคาดการณ์การใช้ที่ดินบริเวณลุ่มน้ำเพชรบุรีตอนกลาง ประเทศไทย การปฏิบัติด้านสุขลักษณะระดับครัวเรือนปริมาณเชื้อจุลินทรีย์ปริมาณฝุ่น & การศึกษาและการคาดการณ์ชายฝั่งทะเล เมื่อถูกปนเปื้อนด้วยน้ำมันจากทะเลอ่าวไทย การสร้างตะกอนเม็ดในระบบยูเอเอสบีโดยใช้ตะกอนหัวเชื้อเริ่มต้นจากตะกอนของระบบแอกทิเวทเต็ดสลัดจ์ที่ผ่านการรีดน้ำ การประเมินผลในการก่อสร้างอ่างเก็บน้ำ : ศึกษากรณีโครงการอ่างเก็บน้ำวังปลาหมอ อำเภอเขาสมิง จังหวัดตราด การตรวจสอบ ejection fraction ที่ได้จากการคำนวณเชิงปริมาณของการถ่ายภาพ gated spect โดยใช้หุ่นจำลอง NCAT.
คัดลอก URL
กระทู้ของฉัน
ผลการสืบค้นทั้งหมด โพสต์     เรียงลำดับจาก
พัฒนาระบบโดยศูนย์ความรู้เฉพาะด้านวิศวกรรมความรู้และวิศวกรรมภาษาDeveloped by Center of Excellence for Unified Knowledge and Language Engineering
สนับสนุนโดยสำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน)Supported by the Agricultural Research Development Agency (Public Organization)
แบบสำรวจความพึงพอใจQuestionair