(3.237.20.246) 您好!臺灣時間:2021/04/16 08:18
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:謝景年
研究生(外文):Ching-Nien Hsieh
論文名稱:利用倒傳遞類神經網路預測污水下水道管網高水量異常模式-以某污水集污區豪大雨雨污混流為例
指導教授:秦靜如秦靜如引用關係
指導教授(外文):Ching-Ju Chin
學位類別:碩士
校院名稱:國立中央大學
系所名稱:環境工程研究所在職專班
學門:工程學門
學類:環境工程學類
論文種類:學術論文
論文出版年:2016
畢業學年度:104
語文別:中文
論文頁數:88
中文關鍵詞:污水管網倒傳遞類神經網路公開數據
外文關鍵詞:Sewer networkBPNOpen data
相關次數:
  • 被引用被引用:2
  • 點閱點閱:237
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
台灣早期住宅建設,並無強制要求將住宅內雨水與污水管線分流,導致汛期及豪大雨時,外水流入污水下水道系統,其管線設計已無法負荷現今極端氣候所帶來瞬間雨量,影響污水管網正常使用及後端污水處理廠操作處理,污水下水道系統形成疏洪渠道,污水處理廠淪為大型抽水站,不堪負荷甚至災損。
本研究為探討污水下水道管網高水量異常模式,利用案例中降雨量、地下水位之每小時相關公開數據,全年共8,760組數據。研究方法第一個步驟以裝設驗證設備,取得比對實際液位數據,然後進行資料前處理,將全年數據進行除錯及分類;第二個步驟即將水量異常資料庫應用監督式學習倒傳遞類神經網路程式,將資料庫之數據參數使機器自我學習建立降雨量、地下水位及綜合數據對管網液位異常預測三種最佳化模式;第三步驟為將訓練完成後所有模式加入未知的測試降雨量及地下水位資料,放入網路程式驗證,獲取管網液位預測值;使用已知的案例實際值與預測值進行準確率及標準偏差計算。
結果顯示本研究所提出之綜合數據對管網液位異常預測模式準確率達八成以上,如果再加入線性迴歸分析修正,可以得到更佳的預測結果。建立之污水收集管網高水量異常預測模式,進而可使相關單位及決策者,可在不必另行購買昂貴監測設備安裝於各區域下,提前預警調整操作參數及分散高洪峰水量等異常問題。

Taiwan’s early residential construction didn’t enforce separation of sewage pipe and storm water pipe, which is why additional water along with underground water run into the same underground piping system during heavy rain and high tide situation. Such piping system can no long handle the amount of water from recent extreme weather condition, piping network becomes flood channel, and sewage plant station become a big pump station, resulting overloading or even catastrophic disaster.
This study mainly explores the abnormal water level pattern in the sewage piping network. Data in the case study is recorded every hour, 24 sets a day, which equals to 8760 sets per year. It’s divided into three steps: First step is to install verification device, compare data, debug errors and sorting information. Second step is to apply the abnormal water level from the database to a supervised back propagation neural network model learning,applying abnormal rain fall water level mode, abnormal underground water mode, and all round estimation mode, to neural network model learning. Last step is to apply all finished mode into training data, entering network verification, and use Linear loop analysis to compare the real figure with the estimated figure.
Results were promising to 80% accuracy. By establishing abnormal sewage collecting network system, allowing relevant institutes or officers to warn and adjust control figures and divert flood without paying expensive equipment to be installed at different sectors.

中文摘要 I
英文摘要 II
誌謝 IV
目 錄 V
圖目錄 VIII
表目錄 X

第一章 緣起與目的 1
1.1 研究緣起 1
1.2 研究目的 2
1.3 預期貢獻 3
第二章 文獻回顧 4
2.1 研究背景與現況 4
2.1.1 背景介紹 4
2.1.2 背景現況 6
2.2 高水量異常相關名詞定義 8
2.2.1 高水量異常定義 8
2.2.2 相關數據名詞定義 11
2.3 資料探勘法 15
2.3.1 資料探勘法概念與定義 15
2.3.2 資料探勘法技術 16
2.4 國內外相關模式之研究 19
2.5 資料探勘演算法 22
2.5.1 類神經網路分析 22
2.5.2 迴歸分析 30
第三章 研究方法 32
3.1 研究方法 32
3.2 原始數據彙整 33
3.3 資料前處理 36
3.3.1 水量異常問題定義 36
3.3.2 資料篩選及清理 37
3.3.3 資料格式轉換 39
3.4 倒傳遞類神經網路演算法 39
3.4.1 演算流程 39
3.4.2 操作步驟 41
3.5 模式評估指標 48
第四章 結果與討論 51
4.1 訓練預測模式 51
4.1.1 降雨量對管網液位異常預測模式 51
4.1.2 地下水位對管網液位異常預測模式 54
4.1.3 綜合數據對管網液位異常預測模式 56
4.2 異常預測模式實例驗證 59
4.2.1 實例測試資料驗證方式 59
4.2.2 降雨量對管網液位異常預測模式實例驗證 60
4.2.3 地下水位對管網液位異常預測模式實例驗證 62
4.2.4 綜合數據對管網液位異常預測模式實例驗證 63
4.3 驗證結果討論 64
4.3.1 倒傳遞類神經網路分析法 64
4.3.2 線性迴歸分析法 68
4.4 結果實務探討 69
第五章 結論與建議 71
5.1 結論 71
5.2 建議 72
第六章 參考文獻 73


1.行政院,「污水下水道發展方案」,台北:民國87年。
2.內政部營建署,「下水道工程設施標準」,臺北:民國98年。
3.民視新聞,「排水溝惡臭壯圍民眾叫苦」,宜蘭:民國101年1月
4.更生日報,「暴雨襲擊花蓮市污水系統倒灌」,花蓮:民國104年。
5.台灣新生報,「蘇迪勒釀基隆1.28億災損」,臺北:民國104年。
6.臺北市政府,「蘇迪勒強颱肆虐台北市污水系統」,臺北:民國104年。
7.內政部營建署,「宜蘭縣羅東地區污水下水道系統促參計畫委託履約管理機構專業服務(第三期)民間機構調查已接管區域雨污混接清查成果報告」,宜蘭:民國103年。
8.台灣下水道協會,「91年度台灣地區家庭污水量及污染量推估」,臺北:民國91年。
9.內政部營建署,下水道法:民國96年。
10.交通部中央氣象局,雨水下水道系統規劃原則檢討:民國99年。
11.交通部中央氣象局,氣象法:民國104年。
12.經濟部水利署,地下水管制辦法:民國95年。
13.台灣自來水公司,事業統計年報(102),第36期:民國102年。
14.內政部營建署,「宜蘭縣羅東地區污水下水道系統興建營運移轉計畫」,宜蘭:民國96年。
15.東山林開發事業股份有限公司,「羅東地區水資源回收中心99~104年操作維護年報」,宜蘭:民國99~104年。
16.交通部中央氣象局之降雨量(http://www.cwb.gov.tw/V7/index.htm)。
17.經濟部水利署之地下水井監測值
(http://fhy.wra.gov.tw/PUB_WEB_2011/Page/Flood_Defense.aspx)。
18.台灣自來水公司之區域自來水抄見量
(http://www.water.gov.tw/03online/counter0101_qry.asp)。
19.廖述賢、溫志皓,「資料探勘理論與應用-以IBM SPSS Modeler為範例」,新北(2012)。
20.尹相志,「SQL2005資料採礦聖經」,臺北(2006)。
21.童偉安,「以類神經網路及複迴歸分析建構颱風降雨量及地下水位預測模式」,國立中興大學水土保持學系所碩士論文,民國103年。
22.陳宏銘,「分流式下水道最適化建設經濟分析及水量水質預測模式之研究」,國立臺灣大學環境工程學研究所博士論文,民國99年。
23.卓力行,「台北市污設計之污水下水道因應豪大雨減災之研究」,中華大學營建管理研究所碩士論文,民國96年。
24.翁煥廷,「污水下水道管網系統規劃設計最佳化模式之研究」,國立中央大學環境工程研究所博士論文,民國95年。
25.葉怡成,應用類神經網路,儒林圖書公司,台北市(2003)。
26.焦李成,神經網絡系统理論,台湾儒林圖書公司,台北市(1991)。
27.陳順宇,迴歸分析,三民書局,台北(2009)。
28.何佳祥,應用基因演算法優化類神經網路於污水廠興建成本預估之研究,國立雲林科技大學環境與安全衛生工程系碩士論文,民國92年。
29.林世凱,應用多層倒傳遞神經網路於機台電流資料模型異常偵測,明志科技大學工業工程與管理系碩士論文,民國104年。
30.謝邦昌、邱志洲,類神經網路分析(Neural Network Analysis),曉園出版社,台北市(2000)。
31.葉怡成,類神經網路模式應用與實作,儒林圖書公司,台北市(2000)。
32.蘇木春、張孝德,機械學習:類神經網路、模糊系統以及基因演算法則,全華科技圖書股份有限公司,台北(1999)。
33.Roiger,Michael W.Geatz,曾新穆及李建億譯,資料探勘/Date Mining-A Tutorial-Based Primer,台灣培生教育出版股份有限公司,台北市(2011)。
34.史天元,地籍測量-準確度和精確度,民國102年。
35.SHARMA,N.,and OM,H.(2014).Early detection and prevention of oral cancer:Association rule mining on investigations.WSEAS transactions on computer,13-13.
36.Zhang,W.,Ma,D and Yao,W.(2014).Medical diagnosis data mining based on improved apriori algorithm.Journal of networks,9(5),1339-1345
37.Curt,H.(1995).The deville’s in the detail:Techniques,tool,and applications for data mining and knowledge discovery-Part 1.Intelligent Software Strategies,6(9),3-3.
38.Alghamdi,A.S.A.(2011).Efficient Implementation of FP Growth Algorithm-Data Mining on Medical Data.International Journal of computer Science and Network Security,11(12),7-16.

連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔