สืบค้นงานวิจัย
การคาดการณ์ปริมาณน้ำหลากไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้ารายวันด้วยวิธี Multiple Linear Regression และ Back Propagation Neural Network กรณีศึกษาโครงการส่งน้ำและบำรงรักษาหนองหวาย จ.ขอนแก่น
ฝ่ายวิจัยและพัฒนาวิศวกรรมการบริหารจัดการน้ำ - กรมชลประทาน
ชื่อเรื่อง: การคาดการณ์ปริมาณน้ำหลากไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้ารายวันด้วยวิธี Multiple Linear Regression และ Back Propagation Neural Network กรณีศึกษาโครงการส่งน้ำและบำรงรักษาหนองหวาย จ.ขอนแก่น
ชื่อเรื่อง (EN): Daily Flood Forecasting of Inflow in Ubolratana Reservoir using Multiple Linear Regression and Back Propagation Neural Network Case Study : Nongwai Operation and Maintenance Project, Khonkaen Province
ผู้แต่ง / หัวหน้าโครงการ: ฝ่ายวิจัยและพัฒนาวิศวกรรมการบริหารจัดการน้ำ
หน่วยงานสังกัดผู้แต่ง:
  1. กรมชลประทาน
บทคัดย่อ: งานวิจัยนี้มีวัตถุประสงค์เพื่ออธิบายถึงหลักการสิเคราะห์ความสัมพันธ์ระหว่างตัวแปรนำต้น และตัวแปรตามที่ต้องการคาดการณ์ (Y) โดยใช้ฟังก์ชันในการแปลงข้อมูลของตัวแปรต้น (X1, X2, X3, …, Xn) ที่เป็นสาเหตุส่งผลต่อค่าของตัวแปรตามที่สนใจ หรือตัวแปรที่ต้องการคาดการณ์ โดยเขียนเป็นฟังก์ชันทั่วไป คือ Y = f (X1, X2, X3, …, Xn) วิธีการที่ใช้วิเคราะห์ความสัมพันธ์ระหว่างตัวแปรในงานวิจัยครั้งนี้ คือ วิธีการวิเคราะห์การถดถอยเชิงเส้นแบบพหุคุณ (Multiple Liner Regression, MLR) และวิธีโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ (Back Propagation Neural Network, BPNN) เพื่อนำไปประยุกต์ใช้สำหรับการสร้างแบบจำลองการคาดการณ์ปริมาณน้ำหลากที่ไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้า 1-3 วัน และเปรียบเทียบความแม่นยำของแบบจำลองของทั้งสองวิธีดังกล่าว การสร้างแบบจำลองในงานวิจัยคร้างนี้ ได้ใช้ช่วงระยะเวลาของฤดูฝนระหว่างเดือน พฤษภาคม ถึง ตุลาคม ช่วงน้ำหลากในปี พ.ศ. 2553 และ พ.ศ. 2554 สำหรับการสอบเทียบของแบบจำลอง (Training) และใช้ช่วงระยะของฤดูฝน ระหว่างเดือน พฤษภาคม ถึง ตุลาคม ช่วงน้ำหลากในปี พ.ศ. 2556 และ พ.ศ. 2559 สำหรับการทดสอบของแบบจำลอง (Testing) ผลการศึกษาจะเห็นว่าคาดการณ์ปริมาณน้ำไหลเข้าอ่างเก็บน้ำล่วงหน้า 1-3 วัน ของทั้ง 2 วิธี พบว่า การคาดการณ์ปริมาณน้ำไหลเข้าอ่างเก็บน้ำสำหรับเวลาที่ล่วงหน้าออกไปจะให้ผลความคลาดเคลื่อนที่มากขึ้น โดยแบบจำลองที่สร้างจาก BPNN จะให้ความคลาดเคลื่อนที่น้อยกว่าแบบจำลอง MLR ในแบบจำลองเดียวกัน เนื่องจากแบบจำลอง BPNN สามารถปรับเปลี่ยนโครงสร้างภายใน Hidden Layer และมีการคำนวณเป็นวงรอบ (Iterations) เพื่อหาค่า Glibal Minimum ให้ได้โครงสร้างที่เหมาะสม ได้ทั้งความสัมพันธ์ของข้อมูลที่เป็นเชิงเส้นและแบบไม่เชิงเส้น โดยโครงสร้างภายใน Hidden Layer ใช้วิธีปรับเปลี่ยนจำนวน Node ใน Hidden Layer และใช้จำนวน 1-2 Hidden Layer ได้โครงสร้างที่เหมาะสมที่สุดสำหรับแบบจำลองในการคาดการณ์ 1, 2 และ 3 วัน คือ 6-4-1, 6-4-2-1 และ 6-4-6-1 ตามลำดับ โดยดัชนีที่ใช้ในการตรวจสอบความแม่นยำของแบบจำลอง คือ Coefficient of Determination (R2) และ Root Mean Squar Error (RMSE) การศึกษาในครั้งนี้ได้แบบจำลองที่ดีที่สุดจากแบบจำลอง BPNN จำนวน 3 แบบจำลอง สำหรับการคาดการณ์ปริมาณน้ำไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้า 1, 2 และ 3 วัน และการนำไปใช้งานจริงยังมีการ Update ค่าความคลาดเคลื่อน (Errors) ที่เกิดขึ้นจากการคำนวณจากแบบจำลอง และจากค่าจริงในสนามในแต่ละวัน ซึ่งจะทำให้แบบจำลองมีความแม่นยำมากขึ้น
บทคัดย่อ (EN): The objective of this research related to describe the correlation between independent variables (X1, X2, X3, …, Xn) and dependent variables (Y) via transformation function. The general function is shown as Y = f (X1, X2, X3, …, Xn) Daily Flood forecasting of inflow to Ubolratana reservoir for 1, 2 and 3 day ahead use Multiple Linear Regression (MLR) and Back Propagation Neural Network (BPNN) in this research. The accuracy of inflow forecasting from both models will be studied. Training period of the model is the rainy season between May to October in 2010 and 2011. Testing period is between May to October in 2013 and 2016. The results of this study show that accuracy of inflow forecasting from both models will be decay by increasing in forecast periods. The accuracy from BPNN model is better than MLR model. There are hidden layers and iterations of calculation for the global minimum value in BPNN model which result in better accuracy of the model. The global minimum value in BPNN model can be calculated via linear and non-liner regression to determine the best structure of BPNN model including hidden layers that correlate to inputs data. The best structure of BPNN model can be found by using trial and error for the number of nodes in the first and second of hidden layer. The best performance of BPNN model structures for 1, 2 and 3 day ahead forecasting are 6-4-1, 6-4-2-1 and 6-4-6-1 respectively. The accuracy of the model will be determined using statistical indices which are the coefficient of determination (R2) and root mean square error (RMSE). Therefore, BPNN model for 1, 2 and 3 day ahead forecasting will be applied for inflow forecasting 3 days ahead of Ubolratana reservoir. The updating method from the calculated results and observed data will also use to accurate the BPNN forecasting model in the actual operation.
บทคัดย่อ: ไม่พบข้อมูลจากหน่วยงานต้นทาง
ภาษา (EN): th
เอกสารแนบ: https://drive.google.com/file/d/1-5b2h5uBihN935idWga_N9y8boAmA8qr/view?usp=share_link
เผยแพร่โดย: กรมชลประทาน
คำสำคัญ: การคาดการณ์
คำสำคัญ (EN): forecast
หมวดหมู่: อื่นๆ
เจ้าของลิขสิทธิ์: กรมชลประทาน
รายละเอียด: Submitted by รดา รุจณรงค์ (กรมชลประทาน) (rada_ru@rid.go.th) on 2018-04-11T03:21:18Z No. of bitstreams: 1 สวพ 51-60 TH.jpg: 1016020 bytes, checksum: 768972267a06aad783ffaf52c9b5aa04 (MD5)
หากไม่พบเอกสารฉบับเต็ม (Full Text) โปรดติดต่อหน่วยงานเจ้าของข้อมูล

การอ้างอิง

ฝ่ายวิจัยและพัฒนาวิศวกรรมการบริหารจัดการน้ำ. "การคาดการณ์ปริมาณน้ำหลากไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้ารายวันด้วยวิธี Multiple Linear Regression และ Back Propagation Neural Network กรณีศึกษาโครงการส่งน้ำและบำรงรักษาหนองหวาย จ.ขอนแก่นDaily Flood Forecasting of Inflow in Ubolratana Reservoir using Multiple Linear Regression and Back Propagation Neural Network Case Study : Nongwai Operation and Maintenance Project, Khonkaen Province". กรมชลประทาน. 2560

ฝ่ายวิจัยและพัฒนาวิศวกรรมการบริหารจัดการน้ำ. "การคาดการณ์ปริมาณน้ำหลากไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้ารายวันด้วยวิธี Multiple Linear Regression และ Back Propagation Neural Network กรณีศึกษาโครงการส่งน้ำและบำรงรักษาหนองหวาย จ.ขอนแก่นDaily Flood Forecasting of Inflow in Ubolratana Reservoir using Multiple Linear Regression and Back Propagation Neural Network Case Study : Nongwai Operation and Maintenance Project, Khonkaen Province". กรมชลประทาน. 2560. Print.



TARR Wordcloud:
การคาดการณ์ปริมาณน้ำหลากไหลเข้าอ่างเก็บน้ำเขื่อนอุบลรัตน์ล่วงหน้ารายวันด้วยวิธี Multiple Linear Regression และ Back Propagation Neural Network กรณีศึกษาโครงการส่งน้ำและบำรงรักษาหนองหวาย จ.ขอนแก่น
ฝ่ายวิจัยและพัฒนาวิศวกรรมการบริหารจัดการน้ำ
กรมชลประทาน
2560
กรมชลประทาน
การปฏิบัติงานระบบอ่างเก็บน้ำแบบหลายเกณฑ์กรณีศึกษาในกลุ่มน้ำมูลตอนบน โครงการประเมินปริมาณน้ำท่าเข้าอ่างเก็บน้ำ คลองหาดส้มแป้น จังหวัดระนอง การสำรวจกล้วยไม้ป่าในพื้นที่โครงการอนุรักษ์พันธุกรรมพืชอันเนื่องมาจากพระราชดำริ สมเด็จพระเทพรัตนราชสุดาฯ สยามบรมราชกุมารี เขื่อนอุบลรัตน์ จ.ขอนแก่น โครงการการคาดการณ์ปริมาณฝนล่วงหน้ารายเดือน กรณีศึกษาจังหวัดระยอง โครงการอ่างเก็บน้ำคลองหลวงรัชชโลทร โครงการอ่างเก็บน้ำห้วยสงสัย อำเภอท่ายาง จังหวัดเพชรบุรี โครงการอ่างเก็บน้ำห้วยบอน อันเนื่องมาจากพระราชดำริ ปริมาณใบหม่อนที่ผลิตได้ในศูนย์วิจัยและอบรมไหมนครราชสีมา เดือนมิถุนายน 2522 ถึงเดือนมกราคม 2523 การศึกษาตัวแบบพยากรณ์ปริมาณน้ำฝน โครงการส่งน้ำและบำรุงรักษา ทับเสลา จังหวัดอุทัยธานี โครงการส่งน้ำและบำรุงรักษาแม่ยม
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