Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/1295
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | ทวนทัน กิจไพศาลสกุล | - |
| dc.contributor.author | ธนพล พิมาน, 2522- | - |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ | - |
| dc.date.accessioned | 2006-08-01 | - |
| dc.date.available | 2006-08-01 | - |
| dc.date.issued | 2545 | - |
| dc.identifier.isbn | 9741726805 | - |
| dc.identifier.uri | http://cuir.car.chula.ac.th/handle/123456789/1295 | - |
| dc.description | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2545 | en |
| dc.description.abstract | ในปัจจุบันได้มีการศึกษาและพัฒนาแบบจำลองใยประสาทเทียม (Artificial Neural Networks, ANN) มาใช้ในการพยากรณ์น้ำท่ารายวันกันอย่างแพร่หลาย โดยในการพัฒนาแบบจำลอง ANN นั้นมักจะประสบปัญหาในการคัดเลือดชุดตัวแปรนำเข้าและลักษณะโครงข่ายในแบบจำลอง อันได้แก่ จำนวนชั้นแอบแฝง (hidden layer) และจำนวนหน่วย (node) ในชั้นแอบแฝงที่เหมาะสม ซึ่งทำให้เสียเวลามากในการพัฒนาแบบจำลอง ในการศึกษาศึกษาวิทยานิพนธ์นี้จึงมีจุดมุ่งหมายเพื่อหาแนวทางในการคัดเลือกชุดตัวแปรนำเข้าและลักษณะโครงข่ายภายในที่เหมาะสมในแบบจำลอง ANN เพื่อใช้ในการพยากรณ์อัตราการไหลน้ำท่ารายวันล่วงหน้า 1-7 วัน ณ สถานีวัดน้ำท่า 6 แห่ง ในพื้นที่ลุ่มน้ำปราจีนบุรี โดยได้จัดสร้างแบบจำลองแยกออกตามฤดูกาล คือ แบบจำลองที่ใช้สำหรับฤดูฝนและสำหรับฤดูแล้ง จากผลการศึกษาพบว่า ฟังก์ชันความสัมพันธ์ระหว่างตัวแปรต่างๆ เทียบกับเวลา (correlation function) สามารถนำมาใช้เป็นแนวทางในการคัดเลือกชุดตัวแปรนำเข้าที่เหมาะสมสู่แบบจำลองได้ดี และจำนวนหน่วยในชั้นแอบแผงที่เหมาะสมในแบบจำลอง ANN นั้น พบว่าควรมีจำนวนเท่ากับจำนวนตัวแปรนำเข้า โดยถ้าหากแบบจำลองมีจำนวนตัวแปรนำเข้าตั้งแต่ 5 ตัวขึ้นไป ควรแบ่งชั้นแอบแฝงออกเป็น 2 ชั้น และในแต่ละชั้นจะมีจำนวนหน่วยเป็นครึ่งหนึ่งของจำนวนตัวแปรนำเข้า สำหรับการพยากรณือัตราการไหลน้ำท่ารายวันล่วงหน้าหลายวันนั้นควรใช้แบบจำลอง ANN ร่วมกับพยากรณ์โดยวิธี Standard step ซึ่งจะทำการพยากรณ์ล่วงหน้าวันต่อวัน เนื่องจากให้ผลการพยากรณ์ที่ดีกว่าการพยากรณ์โดยวิธี Direct step ที่จะพยากรณ์ล่วงหน้าภายในครั้งเดียว นอกจากนี้ยังพบว่าแบบจำลอง ANN ให้ผลการพยากรณ์ที่ดีกว่าแบบจำลองถดถอยเชิงเส้นตัวแปรอิสระหลายตัว (Multiple Linear Regression, MLR) โดยเฉพาะเมื่อระยะเวลาในการพยากรณ์ยาวนานขึ้น และเมื่อนำแบบจำลองอนุกรมเวลา อันได้แก่ MA(2) และ AR(2) มาใช้ในการปรับปรุงผลการพยากรณ์ของแบบจำลอง ANN พบว่าช่วยให้แบบจำลองมีประสิทธิภาพในการพยากรณ์เพิ่มขึ้นประมาณ 0.6-14.7% | en |
| dc.description.abstractalternative | At present, artificial neural networks (ANN) have been studied and developed for forecasting daily runoff widely. However, the development of ANN models always have problems such as the selection of optimal input parameters and network architectures that related to number of layers and nodes in hidden layers. These problems consume considerable times in model development. The purpose of this thesis was to determine the method in selecting optiomal input parameters and network architectures in ANN models for forecasting daily runoff 1-7 days ahead at 6 runoff gauging stations in Prachin watershed. The models were developed and classified according to seasons; rainfall season and dry season. From the study results, it was found that correlation functions were applicable to select optimal input parameters into ANN models. For the optimal number of nodes in the hidden layer, it was found that the optimal nodes of hidden layer should be equal to a number of input parameters. If a number of input parameters equalfive or more, the hidden layer should been divided in two layers in which each layer contain half a number of input parameters. For forecasting daily runoff several days ahead, it was recommended to apply the ANN models along with the standard step method that forecast ahead day by day since this method could give getter forecast than the direct step method that forecasting once. In addition, it was found that the ANN models could give better forecast than the multiple linear regression models (MLR) especially in longer forecasting time period. The time series models; MA(2) and AR(2) could improve the forecasting results of ANN models as the efficiency in forecasting increased about 0.6-14.7%. | en |
| dc.format.extent | 6246723 bytes | - |
| dc.format.mimetype | application/pdf | - |
| dc.language.iso | th | en |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | en |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | en |
| dc.subject | พยากรณ์น้ำ | en |
| dc.subject | นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์) | en |
| dc.title | การศึกษาความเหมาะสมของโครงข่ายในแบบจำลองใยประสาทเทียมสำหรับการพยากรณ์น้ำท่ารายวัน ในพื้นที่ลุ่มน้ำปราจีนบุรี | en |
| dc.title.alternative | Optimization of networks in artificial neural networks model for daily runoff forecasting in Prachinvuri watershed | en |
| dc.type | Thesis | en |
| dc.degree.name | วิศวกรรมศาสตรมหาบัณฑิต | en |
| dc.degree.level | ปริญญาโท | en |
| dc.degree.discipline | วิศวกรรมแหล่งน้ำ | en |
| dc.degree.grantor | จุฬาลงกรณ์มหาวิทยาลัย | en |
| dc.email.advisor | Tuantan.K@chula.ac.th | - |
| Appears in Collections: | Eng - Theses | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Thanapol.pdf | 6.24 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.