1. CUIR at Chulalongkorn University
  2. Faculty and Institute
  3. Faculty of Engineering - Eng
  4. Eng - Theses
Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/65604
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorทวนทัน กิจไพศาลสกุล-
dc.contributor.authorพงษ์ศักดิ์ สุทธินนท์-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2020-05-01T03:32:08Z-
dc.date.available2020-05-01T03:32:08Z-
dc.date.issued2546-
dc.identifier.isbn9741744528-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/65604-
dc.descriptionวิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2546en_US
dc.description.abstractการพยากรณ์ค่าระดับน้ำรายชั่วโมงภายในแม่น้ำและบริเวณปากแม่น้ำเป็นมาตรการทางวิศวกรรมที่ไม่ใช้โครงสร้างที่สำคัญ วิธีหนึ่ง ซึ่งมีบทบาทสำคัญต่อการวางแผนและบริหารกิจกรรมต่าง ๆ เช่น ระบบเตือนภัยน้ำท่วม การบรรเทาน้ำท่วม การระบายน้ำ และการเดินเรือ แบบจำลองโครงข่ายใยประสาทเทียม (Artificial Neural Network : ANN) ชนิดปรับแก้ค่าย้อนหลังถูกใช้ในการพยากรณ์ระดับน้ำรายชั่วโมงที่สถานีปากเกร็ด สถานีสามเสน สถานีป้อมพระจุล และสถานีสันดอนกรุงเทพ ล่วงหน้า 1, 3, 6, 12, 24 ชั่วโมง 2, 3, 5 และ 7 วัน รวม 9 ค่าตัวแปรเข้าของแบบจำลองคือ ค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีบางไทรซึ่งเป็นตัวแทนของน้ำหลากจากทางด้านเหนือ ค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีใกล้เคียงและความลึกฝนเป็นตัวแทนของฝนที่ตกในพื้นที่ และค่าระดับน้ำสังเกตรายชั่วโมงที่สถานีสันดอนกรุงเทพซึ่งเป็นตัวแทนของระดับนำทะเล การศึกษาพบว่า 1. โครงสร้างที่เหมาะสมของแบบจำลองสำหรับสถานีปากเกร็ด คือ 139-139-9 ค่าโมเมนตัม = 0.8 และอัตราการเรียนรู้ = 0.01 2. โครงสร้างที่เหมาะสมของแบบจำลองสำหรับสถานีสามเสน ป้อมพระจุล และสันดอนกรุงเทพ คือ 126-126-9 ค่าโมเมนตัม = 0.8 และอัตราการเรียนรู้ = 0.01 3. ตัวแปรเช้าสู่แบบจำลองเป็นปัจจัยหลักที่มีผลต่อความถูกต้องในการพยากรณ์มากที่สุด 4. เมื่อเปรียบเทียบผลการพยากรณ์ค่าระดับน้ำรายชั่วโมง พบว่า สำหรับสถานีปากเกร็ดและสถานีสามเสน แบบจำลอง ANN ให้ผลดีกว่าแบบจำลองฮาร์โมนิก 10 % แต่สำหรับสถานีป้อมพระจุลและสถานีสันดอนกรุงเทพ แบบจำลองฮาร์โมนิก ให้ผลดีกว่าแบบจำลอง ANN 10-25 %-
dc.description.abstractalternativeHourly water levels forecasting in coastal rivers and estuaries is an essential nonstructural measure for flood warning, water management system and cargo ship navigation. Artificial Neural Network Model (ANN) known as Back-Propagation algorithm was presented for forecasting hourly water levels in the Chao Phraya River at Pakkret, Samsen, Fort Chula and Bangkok Bar, for 1, 3, 6, 12, 24 hours, 2, 3, 5 and 7 days. Input nodes in the model were hourly observed water levels at Bangsai representing the upstream inflow, observed water levels at adjacent stations, rainfall depths representing the local rainfall, and hourly observed water levels at Bangkok Bar representing the downstream tidal levels. The study showed that : 1. The effective structure of ANN for Pakkret was 139-139-9, momentum rate = 0.8 and learning rate = 0.01. 2. The effective structure of ANN for Samsen, Fort Chula and Bangkok Bar was similarly 126-126-9, momentum rate = 0.8 and learning rate = 0.01. 3. Input parameters were the most effective factors on the accuracy of the forecasting results. 4. The comparison of ANN model with Harmonic model showed that for Pakkret and Samsen, ANN model yielded better results about 10 % and for Fort Chula and Bangkok Bar Station, Harmonic model yielded better results about 10-25 %.-
dc.language.isothen_US
dc.publisherจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.subjectนิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)en_US
dc.subjectน้ำขึ้นน้ำลงen_US
dc.subjectแม่น้ำเจ้าพระยาen_US
dc.subjectNeural networks ‪(Computer sciences)‬en_US
dc.subjectTidal currentsen_US
dc.subjectChao Phraya Riveren_US
dc.titleการพยากรณ์ระดับน้ำในแม่น้ำเจ้าพระยาภายใต้อิทธิพลของระดับน้ำขึ้นน้ำลง โดยใช้โครงข่ายใยประสาทเทียมen_US
dc.title.alternativeForecasting of water level in Chao Phraya River under tidal influence using artificial neural networken_US
dc.typeThesisen_US
dc.degree.nameวิศวกรรมศาสตรมหาบัณฑิตen_US
dc.degree.levelปริญญาโทen_US
dc.degree.disciplineวิศวกรรมแหล่งน้ำen_US
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.email.advisorTuantan.K@chula.ac.th-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
Pongsak_su_front_p.pdfหน้าปก บทคัดย่อ และสารบัญ1.03 MBAdobe PDFView/Open
Pongsak_su_ch1_p.pdfบทที่ 1849.67 kBAdobe PDFView/Open
Pongsak_su_ch2_p.pdfบทที่ 2899.67 kBAdobe PDFView/Open
Pongsak_su_ch3_p.pdfบทที่ 31.04 MBAdobe PDFView/Open
Pongsak_su_ch4_p.pdfบทที่ 43.15 MBAdobe PDFView/Open
Pongsak_su_ch5_p.pdfบทที่ 58.15 MBAdobe PDFView/Open
Pongsak_su_ch6_p.pdfบทที่ 6718.12 kBAdobe PDFView/Open
Pongsak_su_back_p.pdfรายการอ้างอิง และภาคผนวก6.56 MBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.